AI захватывает мир: ноябрьский отчет Бена Эванса

Привет! Меня зовут Саша Журавлев — я основатель и управляющий партнёр фонда Mento VC.

Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле. За первые полтора года мы собрали сильный портфель, в котором 90 процентов команд получили поддержку от топовых фондов, а значительная часть вышла на устойчивый рост с многомиллионной выручкой. Среди них Artisan, ClerkChat, FinalRound, Rork и другие.

На днях Бен Эванс опубликовал большой отчет о том, что происходит в искусственном интеллекте и вокруг него. Для контекста, Эванс — один из самых точных и влиятельных аналитиков в технологиях. Он больше двадцати лет изучает индустрию, работал в венчурных фондах, медиа и мобильных компаниях, занимался стратегией и консультированием крупных игроков. Его ежегодные обзоры традиционно задают тон тому, как рынок воспринимает платформенные сдвиги.

И если честно, я всегда жду его отчеты. Это один из немногих аналитиков, чьи материалы хочется перечитывать. Он пишет без лишнего драматизма, без хайпа вокруг модных слов, и при этом попадает в самую суть — в то, как устроена система и что на самом деле двигает рынки.

Хотя полноценного выступления на основе этой презентации пока не было, мы с командой решили не ждать его выхода. Мы изучили материал самостоятельно, разобрали все 90 слайдов и собрали ключевые наблюдения и выводы, которые важны для тех, кто работает в технологиях, строит продукты или инвестирует в будущие платформы. По сути это предварительная аналитика, которая помогает увидеть общие контуры следующего цикла.

Если вам интересно узнать больше про Mento VC, напишите head of operations Кате Татуловой в телеграм @katiatatulova

Содержание статьи:

1. AI как новая платформа: начало нового технологического цикла
2. Inside Tech: как AI перестраивает технологическую индустрию
3. Outside Tech: влияние AI на экономику
4. AI захватывает мир
5. Итог

AI как новая платформа: начало нового технологического цикла

Презентация начинается с простой мысли: AI становится новой крупной технологической платформой — как когда-то гигантские корпоративные компьютеры (мейнфреймы), позже персональные ПК, затем веб и смартфоны.

Эванс помещает Generative AI в этот ряд не как очередной инструмент, а как технологическую основу, способную перераспределить инновации, капитал и точки роста на ближайшие десять-пятнадцать лет.

Это ключевое наблюдение. Когда появляется новая платформа, вся индустрия перестраивается вокруг нее. Меняются:

• источники ценности
• точки входа в рынок
• роли игроков
• скорость производства продуктов
• экономические границы

Но важно другое: внутри платформенного сдвига всегда сосуществуют два слоя изменений.

Слой первый — внутри технологий: появляются новые методы, стандарты, архитектуры, распределитель власти.
Слой второй — снаружи технологий: меняются модели бизнеса, структура конкуренции, каналы коммуникации, привычки пользователей.

Эванс фиксирует обе линии. Он показывает, что AI действует одновременно как инструмент и как новая среда. Это редкое сочетание и именно оно объясняет масштаб происходящего.

Почему это важно командам и компаниям

Потому что платформенные переходы всегда открывают окно возможностей. Но окно короткое и неравномерное. Старые правила перестают работать быстрее, чем формируются новые. И выигрывают те, кто успевает адаптироваться к неустойчивой фазе, а не к ее финальному виду.

Платформы обнуляют правила. Как изменится расстановка сил в эпоху AI

Показательный пример — когда-то Microsoft контролировал почти весь рынок персональных компьютеров (PC = personal computer), но как только центр тяжести технологий сместился к смартфонам, эта монополия обнулилась. График демонстрирует два десятилетия почти тотальной власти и резкий обвал, когда пользователи и разработчики перешли в мобильный интернет.

Это не просто историческая справка. Эванс использует этот кейс как иллюстрацию главного закона платформенных переходов: лидерство не переносится из одного цикла в другой автоматически.

Когда появляется новая платформа, меняются точки входа, интерфейсы, каналы дистрибуции, способы монетизации. Лидерство не конвертируется автоматически, его нужно завоевывать заново.

AI запускает такой же процесс.

Продолжая тему, Эванс показывает, как ранние лидеры PC исчезли с карты в момент, когда платформа стала зрелой. В первые годы казалось, что именно они определят будущее индустрии, но правила быстро переписались, и выигрывать начали те, кто понял реальную механику рынка.

Это типичная динамика: в браузерах победили не первые, в поиске — не первые, в соцсетях — не первые, в смартфонах — тоже.

Ранние игроки работают в условиях неопределенности — без стандартов, без отлаженных моделей, без привычек пользователей. Но настоящая конкуренция начинается позже, когда платформа стабилизируется.

AI пока далеко от стабильной структуры. Это значит, что окно возможностей остается открытым.

Эванс напоминает, что все новые платформы стартуют одинаково: шум, хаос, перегрев идей, множество тупиковых продуктов. Ранний интернет был полон концепций, которые не прожили и года. А ранний мобильный мир тем более.

Generative AI сейчас в той самой фазе, где на рынок выходят десятки интерфейсов и стратегий, но мы еще не знаем, что станет базовым слоем: агенты, голос, ассистенты, браузеры, вертикальные модели, что-то третье.

Это не недостаток технологии. Это естественная стадия роста, когда рынок перебирает возможные направления и отбрасывает лишнее.

Технологические рынки на ранних стадиях никогда не бывают спокойными. Когда появляется что-то масштабное, как AI, индустрия входит в состояние высокой амплитуды — эмоции, резкие прогнозы, страх пропустить, чрезмерные ожидания.

На этом этапе:

• одни компании переоценивают потенциал
• другие недооценивают
• третьи пытаются угадать «правильный» вектор
• реальность еще формируется

Этот контраст между ожиданиями и реальной скоростью изменений всегда сопровождает рождение платформы.

На следующем слайде Эванс показывает, как индустрия снова и снова идет по той же траектории.

Люди видят экспоненциальную линию и начинают проецировать ее в бесконечность. Они говорят, что “это что-то по настоящему другое!”, но почти всегда ошибаются в масштабе и тайминге.

Важно вот что: Эванс не утверждает, что AI — пузырь. Он говорит, что пузырь — это обычная стадия любой большой технологии, когда:

• капитал течет быстрее, чем появляются реальные интерфейсы
• метрики растут быстрее, чем формируется рынок
• компании переоценивают темпы и занижают риски
• индустрия не умеет предсказывать собственное будущее

Именно такие периоды ускоряют инновации, инфраструктуру и приток новых игроков. Грубо говоря, все это — не признаки ошибки, а признаки ранней фазы платформы.

Слайд ниже — важное напоминание о том, как тихо и незаметно новые технологии становятся частью повседневности. Эванс показывает статистику: в США значительная доля пар познакомилась онлайн, хотя когда-то это казалось маргинальной, “странной” моделью поведения.

Это универсальная траектория любой технологии. Сначала “новое”, затем “эксперимент”, потом спорная практика, и в конце — привычная норма.

AI сейчас в начале этого пути. Он вызывает дискуссии и ожидания, но постепенно станет тем, что просто работает фоном, не привлекая внимания — как когда-то мобильный интернет или соцсети.

Следующий слайд логично продолжает мысль о зрелости платформ.

Эванс показывает, что каждое поколение технологий расширяет набор инструментов, которыми пользуются компании. Мейнфреймы дали один крупный софт, PC — десятки приложений, SaaS — сотни.

Они пишут код, собирают документы, автоматизируют задачи и закрывают функции, для которых раньше существовал отдельный продукт.

Проще говоря: AI формирует новый слой цифровой работы, а не еще одну категорию софта.

Дальше Эванс отмечает, что в отличие от PC, веба или смартфонов, где были понятные физические пределы, у AI нет ясного потолка качества. Модели продолжают улучшаться, но никто не знает, насколько далеко они могут зайти

Это создает нетипичную ситуацию для индустрии: платформа развивается быстрее, чем успевает сформироваться ее архитектура. Поэтому компании инвестируют не в прогнозируемое будущее, а в потенциально экспоненциальное.

Следующий логичный вопрос Эванс формулирует так: это просто новая технологическая платформа — или фундаментальный скачок вроде появления вычислений как класса? Но ответа пока нет.

Неопределенность — часть текущего цикла, и именно она объясняет масштаб FOMO, конкуренцию за инфраструктуру и скорость принятия решений в AI.

Эванс фиксирует точку, в которой мы сейчас находимся: AI заставляет заново задать базовые вопросы любой платформы — как она будет работать, где появится ценность и кто получит дистрибуцию.

Он подчеркивает, что даже если AI окажется “просто” платформой масштаба мобильной эпохи, этого уже достаточно, чтобы серьезно изменить рынок

Big Tech уже три года живет в режиме агрессивного FOMO: компании одновременно видят огромную возможность и угрозу своим текущим бизнесам. Эванс подчеркивает, что в глазах топ-менеджеров риск недоинвестировать в AI сейчас выше, чем риск вложить слишком много

Inside Tech: как AI перестраивает технологическую индустрию

Дальше Эванс переключается с общего контекста на внутреннюю динамику отрасли. Он показывает, что AI не просто новая технология, а фактор, который меняет стратегию Big Tech, структуру расходов и скорость принятия решений.

Руководители крупнейших компаний прямо говорят, что страх недоинвестировать в AI сегодня сильнее, чем риск вложить слишком много, и эта логика фактически определяет стратегию рынка

Дальше он показывает, что за последние три года Big Tech действует синхронно: компании воспринимают AI одновременно как крупнейшую возможность и прямую угрозу своему текущему бизнесу, поэтому повышают ставки и ускоряют инвестиции

Суммарный эффект этого давления виден в капитальных затратах: в 2025 году капекс крупнейших технологических компаний превышает 400 млрд долларов, что сопоставимо с глобальными телеком-инфраструктурными расходами

И что особенно показательно — уже внутри 2025 года компании пересмотрели планы вверх. Они почти удвоили прогнозируемый рост капекса (CAPEX (от Capital Expenditures) — это капитальные затраты на строительство дата центров, покупку чипов, серверов и всей физической инфраструктуры AI), реагируя на конкуренцию и понимание масштаба будущих вычислительных нагрузок

Строительная динамика подтверждает давление на инфраструктуру: объем строительства дата центров в США впервые обогнал строительство офисов и складов, что говорит о смещении капитала в сторону вычислений как новой базовой отрасли

Эванс фиксирует, что ключевые производители чипов не справляются с темпом спроса. Nvidia растет почти вертикально, а TSMC физически не успевает расширять мощности, что превращает доступ к кремнию в стратегическое преимущество

К инфраструктурным ограничениям добавляется энергетика: в США уже формируется дефицит мощности для дата центров, и доступ к электричеству становится одним из главных ограничителей роста AI.

Эти ограничения подтверждают и сами технологические компании. Microsoft прямо говорит, что строить вычислительные мощности после запуска ChatGPT стало “почти невозможно настолько быстро, насколько нужно”, а Meta и Alphabet ожидают еще больший рост инвестиций в 2026 году

После подтверждений от Big Tech Эванс показывает, что индустрия движется в сторону масштабной перестройки инфраструктуры. Компании уже не просто расширяют мощности — они планируют многолетние проекты, которые утроят объем дата центров по миру, и это сопоставимо с капиталоемкостью энергетики или нефтегаза.

Далее он отмечает, что спрос на вычислительные мощности растет быстрее, чем отрасль способна строить. AI стал главной причиной ускоренного роста серверных ферм, и прогнозы показывают устойчивое повышение спроса как минимум до второй половины десятилетия.

Рост дата центров сталкивается с еще одним ограничением — вводимая электромощность не поспевает. Пользовательские устройства, облако и AI вместе формируют нагрузку, которую старые энергосистемы не рассчитаны обслуживать.

Эванс указывает, что дефицит энергии влияет на скорость запуска новых проектов. В некоторых регионах доступ к электричеству стал узким горлышком, ограничивая расширение AI-инфраструктуры даже при наличии денег и оборудования

Эванс показывает, что ускоренный рост дата центров происходит неравномерно по регионам. Строительство концентрируется в ограниченном числе локаций, где есть доступ к электроэнергии, земле и логистике, что создает новые точки концентрации мощности

Он подчеркивает, что быстрая экспансия AI-инфраструктуры упирается не только в энергетику, но и в цепочки поставок. Строительство дата центров требует материалов, рабочей силы и оборудования, которые физически невозможно масштабировать теми же темпами, что и спрос

Следом Эванс фиксирует важный системный эффект: деньги Big Tech начинают циркулировать внутри самой экосистемы, создавая “круговую экономику” AI. Nvidia, hyperscalers и модельные компании инвестируют друг в друга, ускоряя рост и инфраструктуры, и моделей одновременно.

Эванс показывает, что бурный рост AI начинает давить на экономику hyperscalers (крупнейшие облачные провайдеры, которые строят инфраструктуру мирового масштаба. Amazon (AWS), Google (GCP), Microsoft (Azure), Meta и др.).

Высокие затраты на модели и GPU растут быстрее, чем выручка от облачных сервисов, что создаёт давление на маржу крупных облачных провайдеров

Он фиксирует важный момент: если раньше hyperscalers зарабатывали на продаже вычислений, то теперь AI превращает их в покупателей дорогих вычислений, из-за чего баланс расходов и доходов внутри индустрии смещается

Эванс подчёркивает, что количество моделей, достигающих высокого уровня, растёт так быстро, что рынок перестаёт вращаться вокруг одного или двух лидеров. В игре одновременно десятки компаний

Несмотря на шум вокруг AI, ежедневное использование остается ограниченным. Много людей пробуют модели, но превращают их в привычку только меньшинство. Это типично для ранних фаз технологий, когда спрос еще формируется

Эванс приводит данные опросов: пользователи говорят, что AI “интересен”, но не знают, где он реально нужен в быту. Это отражает разрыв между яркими демо и повседневными сценариями. AI еще не нашел своего массового интерфейса, как когда-то браузер или мобильные приложения.

При этом рост происходит: доля пользователей, которые используют LLM раз в неделю, увеличивается, но это все еще не массовая технология, а переходная фаза.

Эванс показывает, что OpenAI уже перешел от одной модели к широкой экосистеме продуктов. Компания тестирует сразу несколько вариантов “главного интерфейса” AI — ассистент, голос, поиск, API, мобильное приложение, собственный магазин. Это сигнал, что рынок еще не определил, через какой слой люди будут взаимодействовать с AI

Эванс показывает, что OpenAI одновременно собирает и разбирает пользовательские сценарии, пытаясь понять, как люди будут взаимодействовать с моделями. Это объясняет, почему точка входа в AI пока не ограничивается одним ChatGPT: компания тестирует разные форматы — видео, браузер, ассистента, поиск, интеграции в приложения.

Эванс подчеркивает, что в AI важен не только сам интеллект, но и место, где он появляется перед пользователем. Как браузер стал дистрибуцией для веба, а App Store — дистрибуцией для мобильного интернета, так и AI ищет свой слой доставки — ассистент, браузер, мессенджер, ОС или нечто совершенно новое.

Кто контролирует дистрибуцию, тот контролирует рынок.

Эванс завершает главу вопросом о том, где именно будет создаваться ценность, если модели становятся похожими по качеству и перестают быть уникальным преимуществом

Он показывает несколько возможных источников: собственные вертикальные данные, дистрибуция и продуктовые интерфейсы, UX, GTM. И подсказывает, что ответ может оказаться более простым. Ценность будет там, где компании смогут строить “нормальный” софт, а не только гоняться за лучшей моделью.

Это логично подводит нас к следующей части — Outside Tech, где AI начинает менять не только технологический сектор, но и экономику в целом.

Outside Tech: влияние AI на экономику

Эванс начинает главу Outside Tech с универсального паттерна, который повторяется при появлении любой большой технологии. Он показывает, что компании проходят три стадии.

Сначала они абсорбируют очевидные сценарии и превращают их в обычные функции продукта. Потом пытаются создавать новые вещи, объединять и разделять кейсы. И только после этого технология меняет сами вопросы, которые задает рынок.

Если коротко, то: сначала автоматизация, потом эксперименты, потом новый способ думать о проблеме.

Эванс показывает, что компании вначале используют AI очень прямолинейно. Они автоматизируют очевидные задачи и превращают AI в обычную функцию продукта. Это ранняя стадия внедрения: минимум изменений, максимум “быстрых побед”.

Главная мысль: первый эффект AI — это просто улучшение существующих процессов, а не появление новых моделей бизнеса.

Эванс показывает, что AI становится новым уровнем абстракции в разработке. Если раньше роль таких слоев играли AWS (Amazon Web Services, крупнейшая в мире облачная платформа), библиотеки и операционные системы, то теперь AI-кодирование резко снижает стоимость создания софта. YC прямо говорит, что у новых стартапов значительная часть кода пишется моделями, и это меняет экономику команд.

Большинству компаний сложно понять, какие процессы автоматизировать первыми. Поэтому они обращаются к интеграторам вроде Accenture. График демонстрирует резкий рост их контрактов на generative AI: от нуля в 2023 году до почти двух миллиардов долларов в квартал к середине 2025.

Если коротко, то: спрос на корпоративную AI-автоматизацию растет быстрее, чем компании успевают разбираться в технологиях самостоятельно.

Корпоративный спрос на AI становится заметен не только в пилотах, но и в выручке компаний, которые продают сложные интеграции.

Palantir — один из индикаторов этой динамики: и корпоративный, и государственный сегменты растут квартал к кварталу, показывая, что автоматизация уже выходит за пределы экспериментов.

Почти во всех бизнес-функциях AI уже тестируют, но до продакшена доходит малая часть. Графики показывают, что экспериментов много, пилотов много, а полностью внедренных решений — единицы.

У крупных компаний длинный цикл адаптации, но технологии от этого никуда не денутся.

Причины тоже довольно понятны. Провалы AI-пилотов связаны не с моделями, а с инфраструктурой и процессами: старые данные, юридические ограничения, безопасность, интеграция, отсутствие нужных ролей.

Это те же боли, что и при внедрении любой новой IT-системы.

Опрос CIO подтверждает эту тенденцию. Четверть компаний уже внедрили первый AI-проект, но сорок процентов не планируют серьезных запусков раньше 2026 года.

Корпоративный мир движется медленно, не смотря на то, что технология развивается быстро.

Эта логика уж сильно напоминает переход в облако. Даже спустя годы инвестиций только около тридцати процентов нагрузок работают в публичном облаке.

Большие технологические изменения всегда требуют времени и перестройки процессов.

Иногда “простая” автоматизация меняет отрасль сильнее, чем кажется. Пример штрихкодов в ритейле показывает, как одно решение позволило увеличить управляемый ассортимент в пять раз. AI может давать такие же сдвиги.

Но бизнесы задают вполне резонный вопрос: «Мы уже что-то сделали. Что дальше?». Первая волна внедрений закрывает очевидные процессы, но настоящие изменения появляются позже, когда AI начинает перестраивать сами вопросы бизнеса.

Дальнейший путь снова повторяет знакомую схему: долгий период автоматизации базовых задач, затем новый виток продуктовых экспериментов, и только потом изменения логики рынка.

В общем, мы пока только в начале этого пути.

Возникает еще один важный стратегический вопрос: какие привычные связки бизнес-процессов AI сможет “разобрать” на части?. Интернет в свое время отделил информацию от физического носителя и родил новую волну агрегаторов вроде Amazon, Google или Booking.

AI может сделать что-то похожее на новом уровне. Модели способны вскрывать те процессы, которые мы считали единым целым, и перестраивать их так, как раньше было невозможно.

Формула “AI дает вам бесконечное количество стажеров” точно описывает текущий момент. Модели берут на себя рутину, черновую работу, подготовку данных, черновики текстов и кода. Это не замена людей, а резкое удешевление экспериментов.

Дальше у Эванса возникает понятный вопрос: что нам делать с автоматизацией, которая допускает ошибки. Нужно понять, насколько критичны ошибки, можно ли автоматизировать проверку, и где всё равно будет нужен человек.

Основная задача — правильно “обернуть” LLM в софт, иначе масштабирование будет невозможным.

Отсюда логично вытекает следующий блок: что меняется, когда у компании появляются “автоматизированные стажеры”. Объем задач растет, а количество людей остается прежним.

Раньше численность команды могла быть конкурентным преимуществом, теперь — нет. И важно понять, что станет возможным, если не нужны сотни тысяч людей, чтобы делать прежний объем работы.

Эффект выглядит знакомо.

Например, паровая машина дала Британии трудовой эквивалент, превышающий численность населения в пять раз.

Когда работа дешевеет, ее начинают делать больше — это парадокс Джевонса.
AI масштабирует труд по тому же принципу.

На этом фоне появляется следующий слой вопросов: где в таких системах остается человек. До интернета редакторы и физические активы были основой бизнеса. Потом интернет создал сетевые эффекты за счет пользовательской активности.

Теперь стоит вопрос: может ли LLM выполнять эту работу без огромной пользовательской базы.

Дальше — про деньги.

Каждый год бренды тратят триллион долларов, чтобы достучаться до покупателей. Часть этой суммы уходит Google, Meta, Amazon.

Если AI изменит путь пользователя к информации и покупкам, он изменит и распределение этих бюджетов.

Цифры из публичных отчетов подтверждают эффект. Новая рекомендательная модель Meta дала плюс пять процентов конверсий в Instagram и три процента в Facebook.

Google говорит о плюс четырнадцати процентах конверсий, когда рекламодатели включают AI Max. Даже такие небольшие приросты меняют правила игры на рынке рекламы.

Дальше Эванс говорит про практическую сторону. Создание рекламных материалов — рынок примерно на сто миллиардов долларов.

Теперь модели позволяют генерировать контент в десять-двадцать раз быстрее и дешевле, и крупные бренды уже массово внедряют это: L’Oreal, Unilever, Mondelez.

Эванс описывает смену логики. Раньше AI выполнял простые задачи: три пункта — в одно письмо; письмо — обратно в три пункта. То есть просто ускорял офисную рутину.

Теперь же всё по-другому. Из тех же трёх пунктов можно сделать сотни разных креативов: под каждую аудиторию, формат и площадку. Быстро и почти бесплатно.

Простыми словами: AI больше не экономит время, он увеличивает мощности. Маркетинг превращается не в ремесло с ограниченным числом вариантов, а в фабрику персонализированного контента.

Но и тут нам снова напоминают: это пока ранняя стадия и пользовательские привычки меняются неравномерно.

По данным опросов, большинство людей по-прежнему ищут в классических поисковиках, особенно старшие аудитории. AI-поиск растет, но не заменяет старые модели, они идут параллельно.

Каждое десятилетие появляются громкие заголовки о том, что веб-эра вот-вот закончится. В конце 90-х говорили, что браузер умрет, в 2010-х — что приложения “убьют” сайты. Теперь звучит новая версия: AI убивает поисковый трафик.

Часть тревоги реальна: трафик действительно смещается. Но важно помнить: мы уже много раз проходили через такие “концы эпох”, и каждый раз менялась только форма, не сама идея интернета.

Раньше весь таргетинг держался на совпадениях: увидели один ваш шаг — попытались угадать следующий: купил скотч → предложат коробки → подумают, что ты переезжаешь → предложат страховку.

AI же позволяет понимать контекст и намерение, а не просто цепочку покупок. Это превращает рекомендации из угадывания в осмысление мотивов.

30 лет мы тонем в “бесконечном выборе”. Интернет дал нам бесконечные товары, медиа и магазины. И теперь появился инструмент, который: видит весь этот массив и одновременно видит нас.

Возникает простой, но важный вопрос: что он посоветует, когда действительно поймет, что мы хотим?

Этот же эффект влияет на структуру рынка. Многие онлайн-сервисы создают ценность за счет скорости, логистики или удобства. Другие — за счет вкуса, эмоций, авторской подборки.

AI помогает разделить эти уровни: где важен сам процесс решения задачи, а где человеческий опыт. Некоторые функции будут автоматизированы полностью, а другие станут более значимыми, потому что именно они создают ощущение качества.

Поэтому вопрос “какая у нас стратегия по AI” больше не является техническим. Он становится бизнес-вопросом.

Кто будет перестраивать процессы? Кто отвечает за продукт? Кто контролирует дистрибуцию и точки контакта с пользователем?

AI постепенно превращается в новый экономический слой, который затрагивает не только инженеров, но и маркетинг, операции, финансы, продукт.

AI захватывает мир

Эванс переходит к заключительной части: AI постепенно проникает во все отрасли, но делает это не одномоментно, а слоями — поверх тех процессов, которые уже существуют.

Он напоминает: даже при всех новых технологиях старые тренды никуда не исчезли. Например, e-commerce продолжает расти стабильно, без скачков.

Сейчас около 30% американской розницы (без учета бензина и супермаркетов) уже онлайн — и эта кривая движется вверх двадцать лет подряд.

Параллельно с ИИ дозревают и другие технологии. После десятилетия обещаний роботакси наконец реально начинают масштабироваться.

График показывает, как быстро растет число поездок Waymo в Калифорнии — система постепенно выходит из режима экспериментов и превращается в настоящий городской сервис.

Смысл в том, что большие технологические изменения никогда не приходят по-одиночке. Пока ИИ ускоряет одни индустрии, параллельно подтягиваются другие технологии, которые долго «созревали». Новая волна аппаратных продуктов: от умных очков до гуманоидных роботов, показывает, как ИИ выходит за рамки экранов и становится частью физического окружения.

Эванс предлагает оглянуться назад: мы уже переживали технологические рывки, пузыри и смену рабочих моделей. И автоматизация тоже не нова, ведь каждое поколение сталкивалось с похожими вопросами о том, что машины что-то у нас «заберут».

Еще в 1955 году Конгресс США выпускал отчеты о «технологических изменениях и автоматизации». Общество уже тогда пыталось разобраться, как новые технологии перестроят экономику и рынок труда.

Если углубляться в исторический контекст, то становится понятно: автоматизация была и раньше. Например, появление электронно-управляемых лифтов считалось прорывом и вызывало похожие споры: заменит ли это людей и насколько безопасно?

Эванс приводит пример с ручным лифтом. Когда автоматизация работает хорошо, она просто перестаёт быть заметной.

Любая новая технология проходит этап «вау», а затем полностью растворяется в повседневности.

Эванс завершает свой отчет цитатой Ларри Теслера: «AI — это все, что машины еще не умеют делать».

Главная мысль Теслера в том, что как только технология становится привычной, мы перестаём называть ее искусственным интеллектом. То, что вчера казалось «настоящим ИИ», сегодня выглядит как обычная функция.

Итог

AI перестал быть экспериментом, он становится тем самым “новым слоем”, который постепенно проникает во все процессы, интерфейсы и бизнес-модели. Мы больше не обсуждаем, будет ли эта технология масштабной: она уже меняет поиск, рекламу, контент-производство, операционку и даже физический мир: от роботакси до новых потребительских устройств.

При этом старые тренды никуда не исчезли. E-commerce, логистика, автоматизация — все продолжает расти, но теперь с ускорением за счет AI. То, что раньше считалось прорывом, становится инфраструктурой, а реальная конкуренция смещается в сторону дистрибуции, UX и способности упаковать модели в продукты, которые решают конкретные задачи.

Рынок ещё формируется, и именно поэтому сейчас создаются компании, которые будут определять архитектуру десятков отраслей.

Мы в Mento хорошо видим это по рынку: общаясь с фаундерами и командами, становится ясно, что запрос уходит от абстрактных «AI-стратегий» к конкретным продуктам, которые дают понятный эффект уже сегодня: будь то маркетинг, операционка или продуктовые задачи.

И отсюда главный вывод: AI — это не резкий скачок, а долгий технологический цикл. И выиграют те, кто уже сейчас строит инфраструктуру, инструменты и сервисы, которые превращают AI в реальный рабочий ресурс бизнеса, а не в красивую презентацию.

Если вам близко то, как мы смотрим на технологии и венчур, до конца года еще можно присоединиться к нашему фонду Mento VC — напиши Кате → @katiatatulova.

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Почитать оригинал презентации можно тут