AGI в 2026 году: что это, где мы сейчас и что делать бизнесу

12 сентября 2026 года глава Anthropic Дарио Амодеи предложил отрасли замедлить рост возможностей моделей. 16 сентября Google DeepMind открыл отдельный институт, чтобы спорить об AGI публично. А в начале месяца глава Nvidia Дженсен Хуанг поздравил OpenAI с выходом GPT-6 Astra и вынес в свой пост три слова: «AGI has arrived». Три ключевые фигуры отрасли за неполные две недели высказали три несовместимые позиции об одном и том же.

Если вы руководите компанией, из этого спора вам нужна ровно одна вещь: понять, меняет ли он что-то в ваших планах на ближайший год. Короткий ответ — да, но совсем не так, как обещают заголовки. Ниже по порядку: что называют AGI, чем его измеряют, кто какие сроки называет, что говорят скептики и какие «признаки общего интеллекта» уже сегодня стали обычной рабочей операцией.

AGI (artificial general intelligence, общий искусственный интеллект) — это система, способная решать любые интеллектуальные задачи, доступные человеку, а не одну узкую. Проблема в том, что дальше этой фразы согласия нет. У каждой лаборатории своё определение, и это не придирка филологов: от формулировки зависят контракты, регулирование и то, объявят ли AGI завтра или через десять лет.

Формулировки взяты из первоисточников: экономический порог — из Хартии OpenAI, уровневая шкала — из статьи DeepMind «Levels of AGI for Operationalizing Progress on the Path to AGI», «минимальный AGI» — из интервью Шейна Легга. Легг — соавтор той самой статьи про уровни, так что две строки таблицы не вполне независимы: его личное определение просто строже и требует надёжности.

Насколько это вещь юридическая, а не научная, хорошо видно по истории соглашения OpenAI и Microsoft. Сначала AGI в договоре был привязан к способности систем принести 100 миллиардов долларов прибыли. В октябре 2025 года решение передали независимой экспертной комиссии. А к апрелю 2026 года пункт убрали вовсе: лицензия Microsoft на технологии OpenAI действует до 2032 года, выплаты доли выручки идут до 2030-го — и уже не зависят от того, что OpenAI скажет о своих возможностях (хронику этого пункта ведёт Саймон Уиллисон). Термин, за который отвечали миллиарды, оказался слишком размытым, чтобы на нём держался контракт.

Спор о сроках бессмыслен без измерителя. Сегодня используют три семейства тестов, и они отвечают на разные вопросы: умеет ли модель рассуждать о незнакомом, справляется ли с реальной работой и как долго удерживает задачу.

Тесты семейства ARC-AGI построены на задачах, которых заведомо нет в обучающих данных: их решают не знанием, а сообразительностью. На ARC-AGI-2 к сентябрю 2026 года GPT-6 Astra вышла на 95%, GPT-5.6 Sol — на 92,5%, Claude Opus 5 — на 90,4% (верифицированная таблица ARC Prize). Оценки среднего человека на этом тесте расходятся: ARC Prize называет 60%, другие подсчёты дают от 53% до 66%. Но даже по нижней границе диапазона модели обошли обычного человека — и именно эту цифру цитируют, когда говорят о наступившем AGI. Подробный разбор замеров Astra — в отдельном гайде.

Но 25 марта 2026 года авторы теста выкатили ARC-AGI-3 — сотни интерактивных сред без инструкций, правил и объявленной цели. Агент должен сам исследовать мир, догадаться, что считается победой, и перенести понятое на следующие уровни. Люди проходят их на 100%. Передовые модели на старте набирали 0,51%. К осени лучший результат подрос до 62,7% на стандартном стенде, но главный приз трека — 700 тысяч долларов за 100% на закрытом наборе — остаётся неразыгранным, а весь призовой фонд ARC Prize 2026 — 2 миллиона долларов. Разрыв в одном тесте сократился, в соседнем — только открылся.

GDPval проверяет не головоломки, а рабочие результаты: 1320 задач из 44 профессий и 9 отраслей, составленных специалистами со средним стажем 14 лет. На выходе требуются документы, презентации, схемы и таблицы — то, что человек сдаёт заказчику. Итог: в слепом сравнении с экспертами лучшие модели выигрывают или играют вничью примерно в половине задач (47,6% у лидера), а на сам прогон тратят в десятки и сотни раз меньше времени и денег — для GPT-5 в работе приводят 90-кратный выигрыш по скорости и 474-кратный по цене.

Оговорок две, и обе важные. Первая: как только в расчёт закладывают круг проверки и переделки, выигрыш сжимается до 1,1–1,6 раза — это прямо написано в самой работе. Вторая: в тесте задача уже сформулирована, а в настоящей работе половина времени уходит ровно на то, чтобы понять, что именно нужно. И ещё одно наблюдение для тех, кто строит планы по кривой: до 2026 года качество росло почти линейно — но на свежем замере GDPval-AA самая новая модель OpenAI впервые просела относительно предшественницы.

Самый практичный для бизнеса измеритель придумала организация METR. Она считает «горизонт»: какой длины задачу (по времени, которое на неё тратит человек-специалист) модель доводит до конца с вероятностью 50%. На длинном отрезке 2019–2025 годов горизонт удваивался примерно каждые 7 месяцев, а на моделях последних двух лет — каждые 3–4 месяца (оценка METR на январь 2026 — 89 дней). Это единственная цифра, которую стоит записать себе в планирование.

Ян Лекун бьёт в архитектуру: предсказание следующего токена работает на тексте, но реальность непрерывна и многомерна, и на видео этот приём ломается. По его словам, до человеческого уровня одним только увеличением языковых моделей не добраться — нужна другая архитектура, «модели мира» (MIT Technology Review). Гэри Маркус приводит бытовой пример: модель, видевшая миллионы шахматных партий, правила с профильных сайтов и учебники, всё равно в какой-то момент делает невозможный ход — проводит фигуру сквозь другую. Не потому, что не знает правил — на прямой вопрос она отвечает верно, — а потому, что у неё нет устойчивой модели доски.

И это позиция большинства, а не маргинальный голос: в опросе AAAI 76% из 475 респондентов считают, что масштабирование текущих подходов к AGI не приведёт, а 77% предпочитают строить системы с приемлемым балансом риска и пользы вместо прямой гонки за AGI. Выборка преимущественно академическая — 67% из университетов, это стоит держать в уме. Важно и то, с чем скептики НЕ спорят: останавливать исследования AGI до появления полных механизмов безопасности готовы не все — против этого высказались 70% опрошенных. Спор идёт не о полезности нынешних моделей, а об утверждении, что нынешняя траектория сама по себе упирается в AGI.

Самое честное наблюдение во всём этом споре: планка AGI постоянно переезжает. Задача, которая пять лет назад считалась доказательством общего интеллекта, сегодня — строка в рабочем процессе, за которую никто не аплодирует. Вот что уже перешло эту границу.

Последний пункт и есть практический ответ на вопрос «где мы сейчас». Пять лет назад многошаговая работа с внешними системами была в списке признаков AGI — сегодня это то, чем занимаются ИИ-агенты на платформе СуперИнтеллект: подключаются к почте, документам и рабочим системам, ищут в интернете, считают, оформляют файл и отдают результат. Модель при этом подбирается под задачу из каталога нейросетей — включая ту самую GPT-6 Astra, вокруг которой и разгорелся сентябрьский спор; если выбирать не хочется вслепую, есть разбор, какая нейросеть под что лучше.

Ни одно из громких сентябрьских утверждений не является прямой ложью. Но почти у каждого есть контекст, который в заголовок не поместился.

Спор об AGI ведут лаборатории, а решения принимаете вы. Практическая часть от определений почти не зависит — и выглядит скучнее, чем заголовки.

Пока лаборатории спорят об определениях, проверить траекторию можно на собственной задаче — это займёт меньше времени, чем чтение очередного прогноза. Соберите агента, дайте ему доступ к своим документам и посмотрите, где он остановится: полезные разборы собраны в гайдах, а что появилось на платформе за последний месяц — в обзоре сентябрьских обновлений. Создайте рабочее пространство и начните с той самой двухчасовой задачи — через полгода вы будете точно знать, где проходит граница, а не гадать по заголовкам.