К 2027 году рост вокруг языковых моделей распределяется по трём сегментам, и все они растут вокруг одного ядра. Аналитики ТРИНФИКО Private проанализировали рынок и выделили наиболее перспективные имена в каждом из направлений: агентские платформы, ИИ-инфраструктура и прикладной ИИ в производстве и логистике (Physical AI). Это обзорная карта сегментов, а не инвестиционная рекомендация; оценки и прогнозы стоит проверять самостоятельно.
Ядро пока не меняется. Большие языковые модели остаются главной темой ИИ-рынка: к OpenAI, Anthropic и Google добавляются китайские Moonshot AI и DeepSeek, а в Европе Mistral. У LLM есть структурная особенность: их обучают в большинстве своём на обобщённой информации из открытого интернета, и лишь по мере развития обучение расширяется на оцифрованные книги и работы исследователей. Знания обо всём понемногу не заменяют понимания конкретного рабочего процесса.
Почему в 2027 году фокус смещается с языковых моделей на три других направления
Обобщённые знания модели упираются в границу: LLM пока не способны досконально разбираться в конкретных процессах и специализированных задачах. Этот разрыв закрывает агентская платформа, которая получает доступ к данным компании и выполняет последовательность действий, а не выдаёт один ответ.
Что изменилось: от универсальных моделей к специализированным решениям
Агент разбирает документы, помогает клиенту или отделу продаж, собирает аналитику, и на этом экономит время и деньги. Компании постепенно переходят от использования ИИ для ответов на вопросы к запуску агентов, которые выполняют сложную работу в разных бизнес-подразделениях, используют проприетарные данные и совершают действия от имени пользователя. Чем больше доступа получает агент, тем важнее контролировать и проверять его действия. Практические подходы к такому контролю, включая цикл обратной связи по трейсам и управление затратами на инференс, разобраны в материале о владении ИИ-интеллектом в бизнесе.
Разница между универсальной моделью и прикладным агентом видна по объёму рабочего контекста. Модель отвечает на вопрос из общих знаний, агент работает с конкретной базой, регламентом и правами доступа. Поэтому агентские платформы продаются как продукты под конкретные задачи бизнеса, а не как доступ к модели.
Как три сегмента связаны в единую цепочку
Логика обзора проста. Языковая модель даёт рассуждение, агент превращает его в действие, инфраструктура обеспечивает вычисления и память для этого действия, а Physical AI выводит результат в физический мир. В обзоре это сформулировано прямо: в 2027 году не стоит ограничиваться историями языковых моделей, следить нужно за продуктами для конкретных задач бизнеса, инфраструктурой для ИИ и прикладным ИИ в производстве и логистике (ТРИНФИКО Private, обзор трёх ИИ-направлений).
Цепочка не линейна. Агентам нужны вычисления, и их дефицит тормозит масштабирование агентов. Physical AI требует и агентов для планирования, и инфраструктуры для обработки данных с сенсоров. Понимание этих связей помогает выбирать инструменты: строить робота бессмысленно, если нет канала данных и вычислительных мощностей под инференс.
Агентские платформы: как ИИ-агенты становятся рабочим инструментом бизнеса
Агентская платформа - это слой поверх модели: он даёт агенту инструменты, права, память и журнал действий. Когда моделей стало много, а их качество выросло, агенты нашли больше применений и получили больше доступа, а вместе с доступом выросла потребность контролировать их работу.
Ответ рынка - многоуровневая защита. NVIDIA анонсировала Open Agent Safety Platform, открытую программную платформу и референсный дизайн системы для усиления безопасности ИИ. Anthropic сотрудничала с NVIDIA, чтобы добавить дополнительные уровни безопасности и контроля в агентский стек. Часть защиты встроена в саму модель, часть вынесена наружу и применяется к действиям агента: каждый уровень обеспечивает свои ограничения независимо, а сами уровни модульные, поэтому компании подключают те, что подходят их инфраструктуре (Anthropic и NVIDIA об управлении ИИ-агентами).
Claude Managed Agents даёт набор композуемых API для сборки и запуска продакшен-агентов. Цикл агента выполняется на отдельном сервере от песочницы, а пароли и ключи доступа лежат в отдельном хранилище, и агент их не видит. Сессии могут работать автономно часами, сохраняя прогресс и результаты даже при отключениях, десятки задач выполняются параллельно. Управляемость встроена: аудиторские следы фиксируют, что делал каждый агент, и есть интеграция с существующими системами контроля доступа компании. При этом компании могут принести собственную конфигурацию песочницы и выбрать, где и как она работает.
Открытое ПО NVIDIA OpenShell решает похожую задачу с другой стороны: оно управляет поведением агента и проверяет каждый инструмент, который тот пытается использовать, применяя правила к файлам, сетевым соединениям и данным. Правила работают вне агента, решение разрешить или заблокировать попадает в лог, а всё, что не разрешено правилом, блокируется. Команды начинают с узких разрешений, смотрят лог и сужают права до минимума, нужного задаче, а policy prover подтверждает математическим доказательством, к чему агент может добраться при заданных правилах. Почему безопасность агентов требует пересборки инфраструктуры, разбираем в материале про AI Stage на TechCrunch Disrupt 2026.
Salesforce Agentforce: агенты внутри CRM
Salesforce и Cloudflare - две крупные публичные компании, обе продают софт и лидируют в своих секторах: CRM и облачные продукты. По мере развития ChatGPT и Claude рынок со скепсисом смотрел на весь сектор ПО с позиции частичной или даже полной замены предлагаемых продуктов. Акции сектора в среднем потеряли половину капитализации, пока фондовые индексы обновляли максимумы.
Ответ Salesforce - встроить агентов прямо в CRM. Продукт Agentforce сам квалифицирует лиды, распределяет обращения и закрывает часть заявок в поддержку, то есть делает то, что раньше делал сотрудник в интерфейсе Salesforce. Во втором квартале 2026 года выручка в годовом выражении (ARR) Agentforce выросла; точных цифр обзор не приводит, поэтому динамику стоит сверять с отчётностью компании. CRM при этом остаётся источником данных и процессов, меняется исполнитель рутинных шагов.
Cloudflare Pay Per Crawl: монетизация данных для агентов
У Cloudflare в том же сегменте отмечена модель Pay Per Crawl: владельцы сайтов могут взимать плату за доступ краулеров к контенту. Для агентов это чувствительная тема, потому что их качество зависит от свежих данных, а открытый доступ к контенту превращается в предмет сделки. Модель меняет экономику сбора данных: тот, кто строит агента, платит не только за вычисления, но и за доступ к источникам. Как агенты перестраивают интерфейсы и переходы по ссылкам, разобрано в материале про ИИ-агентов вместо сайтов.
Непубличные игроки: Cognition, Sierra, Decagon, Harvey, ClickHouse
В обзоре названы и непубличные компании агентского сегмента: Cognition, Sierra, Decagon, Harvey и ClickHouse. Публичных финансовых данных по ним нет, поэтому продукты приходится оценивать по косвенным признакам и анонсам. Ниши различаются: Cognition занимается AI-агентами, Sierra и Decagon - агентами для клиентского сервиса и поддержки, Harvey - юридической сферой, ClickHouse - аналитическая база данных, которую используют в агентских сценариях.
ИИ-инфраструктура: дефицит чипов, памяти и вычислений
Агенты и Physical AI требуют вычислений на порядки больше, чем чат с моделью. Инфраструктурное направление в обзоре описано через дефицит чипов, памяти HBM и вычислительных мощностей. Дефицит формирует узкие места, а они напрямую влияют на то, какие AI-инструменты доступны и сколько стоит их запуск.
Чипы для ИИ: кто производит и почему их не хватает
Среди производителей чипов в обзоре названы Nvidia, AMD, Intel, а также Groq и Cerebras. Спрос растёт с двух сторон одновременно: обучение новых моделей и инференс уже развёрнутых агентов. Обучение требует кластеров на тысячи ускорителей, инференс - постоянной доступности вычислений под пользовательские запросы. Когда обе нагрузки растут вместе, предложение не успевает за ними.
Память HBM и накопители: узкое место инфраструктуры
HBM (High Bandwidth Memory) нужна там, где критична пропускная способность памяти, в первую очередь в ускорителях для обучения и инференса моделей. Среди производителей памяти в обзоре названы Samsung, SK Hynix и Micron, среди производителей накопителей - Western Digital. Дефицит HBM ограничивает выпуск ускорителей: даже при достаточном количестве вычислительных чипов собранный ускоритель без памяти не работает.
Неоклауды: CoreWeave, Nebius, IREN, Lambda, Crusoe
Отдельная группа игроков - неоклауды: CoreWeave, Nebius, IREN, Lambda и Crusoe. Они сдают GPU-мощности в аренду и ориентированы на AI-нагрузки. Для команды, которой нужен кластер под обучение или инференс, это альтернатива классическим облакам: вычислительные ресурсы можно получить без собственной инфраструктуры. Сравнивать их по цене без актуальных прайсов бессмысленно, стоимость меняется вместе с дефицитом.
Physical AI: прикладной ИИ в производстве и логистике
Physical AI - применение ИИ в физическом мире: роботы, манипуляторы, автономные системы на складе и в цеху. Модель здесь не только отвечает текстом, но и управляет движением, а значит, работает с сенсорами и ограничениями реального времени.
Ключевые игроки в Physical AI: Boston Dynamics, Tesla, Unitree, Figure AI
В обзоре среди игроков Physical AI названы Boston Dynamics, Optimus от Tesla, китайская Unitree, Figure AI и стартап Prometheus. Держите в голове, что это разные стадии зрелости: часть компаний известна исследовательскими демонстрациями, часть работает над гуманоидными платформами. Утверждать, что у всех есть готовый коммерческий продукт, нельзя: публичных подтверждений массовых поставок в обзоре нет.
Как Physical AI связан с агентами и инфраструктурой
Роботу нужен план действий и обработка данных с сенсоров. Планирование ложится на агента: он разбирает задачу, выбирает последовательность шагов и реагирует на события. Вычисления при этом могут идти не на борту, а в неоклауде или на собственном сервере, и тогда качество канала связи становится частью конструкции. Без развитых агентов и доступных вычислений Physical AI остаётся набором демонстраций: сенсоры дают данные, но обрабатывать их в реальном времени нечем.
Что это значит для практиков: как использовать обзор в работе
Три сегмента полезны как система координат. Если вы запускаете агентов, смотрите на агентские платформы и на то, как они управляют правами и доступом. Если выбираете железо или облако, учитывайте инфраструктурные ограничения: дефицит памяти и ускорителей влияет на сроки поставок и доступность мощностей. Если работаете в производстве или логистике, Physical AI стоит держать в поле зрения как направление, где ИИ выходит за пределы текста.
Для практика важнее не прогноз, а связка технологий. Агент без вычислений не масштабируется, вычисления без агентов не приносят бизнесу пользы, а Physical AI без первых двух остаётся лабораторным проектом.
Как следить за развитием сегментов без инвестиционных рисков
Ориентиры для наблюдения: анонсы Salesforce и Cloudflare по агентским продуктам и плате за данные, релизы Nvidia и других производителей чипов, новости неоклаудов о доступных мощностях, запуски игроков Physical AI. Смотреть стоит не на заголовки, а на измеримые сигналы: динамику выручки от агентских продуктов, сроки поставок ускорителей, объёмы доступной памяти на рынке.
AI-Manual разбирает локальные LLM, AI-агентов, RAG, MCP, а также GPU, VRAM и оборудование для AI, поэтому техническую часть каждого сегмента можно проверять на практических материалах проекта. Тема навыков вокруг агентов и оркестрации разобрана в обзоре о новых профессиях 2026 года.
Материал описывает сегменты и игроков и не служит инвестиционной рекомендацией. Оценки аналитиков ТРИНФИКО Private и любые прогнозы по срокам требуют самостоятельной проверки: рынок меняется быстрее, чем обновляются обзоры.
Начните с одного процесса в своей работе, где нужен разбор документов или сбор аналитики, и посмотрите, закрывает ли его агентская платформа поверх той модели, которой вы уже пользуетесь. Если да, следующим вопросом станут вычисления: хватит ли локального железа или потребуется аренда мощностей у неоклауда.