Какие выводы я сделал после конференции Data Fusion 2026

8 и 9 апреля в Москве прошла конференция Data Fusion 2026. В центре внимания были три вещи: контроль ИИ со стороны государства, инфраструктура для экономики данных и опыт Китая. Делюсь главными тезисами с пленарных сессий и, главное, своими выводами — как это связано с тем, что мы реально делаем на заводах.

Главная пленарная сессия первого дня называлась «От бигдаты к бигданности: как изменятся государство, бизнес и человек». Спикеры — Анастасия Ракова (заместитель мэра Москвы), Эльвира Набиуллина (глава ЦБ), Владимир Кириенко (генеральный директор VK). Обсуждали три вопроса: возможен ли контроль ИИ без потери темпов развития, какие риски несёт дрейф алгоритмов и может ли ИИ обладать чувствами или только имитировать их.

Дискуссия была интересной. Бизнес выступает против избыточного регулирования — говорит, что затормозит инновации. Государство настаивает на предсказуемости — чтобы алгоритмы не принимали критически важные решения без контроля. Компромисс пока не найден.

Я сидел и думал: на наших промышленных объектах мы уже сталкиваемся с этой дилеммой. Например, когда ИИ-технолог рассчитывает нормы времени на деталь, ошибка в 5% — это не страшно. Но если тот же алгоритм начнёт управлять фрезерным станком без человека — цена ошибки вырастет в сотни раз. Все хотят, чтобы ИИ советовал, а решение принимал технолог. Так что вопрос контроля — не теоретический, он уже стоит на каждом внедрении.

Также прошла сессия «ИИ-провокация в экономике внимания». Там говорили про контент: нейросети генерируют тексты, видео, музыку, подбирают персональные ленты. Грань между помощью и зависимостью стирается. Это заставляет задуматься.

Второй день открыла пленарная дискуссия «Инфраструктура для экономики данных и эпохи роботизации: технологии, инвестиции, кадры». Ключевые тезисы:

Строительство ЦОДов остаётся непривлекательным для бизнеса — долгий срок окупаемости, высокие капзатраты. Но именно ИИ становится драйвером спроса на вычислительные мощности.

Компании хотели бы перейти на свою архитектуру, чтобы не платить за чужие процессоры.

В конце провели блиц-опрос: во что инвестировать в первую очередь? Все спикеры единогласно ответили — в кадры.

Отдельная сессия была посвящена ИИ в Китае. Рассказывали, что там создана общекитайская платформа цифровизации в сфере образования с возможностью общения. Она позволяет оценивать эффективность обучения ИИ и стимулирует осваивать технологии. Глубоко исследуются мультиагентные системы. Системная образовательная платформа и фокус на мультиагентных системах дают Китаю преимущество, которое Россия пока не догоняет.

Первый. Контроль ИИ — не абстрактная тема для юристов. Государство, если хочет не затормозить отрасль, должно не запрещать, а стандартизировать механизмы проверки.

Второй. Инвестиции в кадры — не лозунг, а экономическая необходимость. Мы посчитали: один хороший дата-сайентист окупает себя за 4–6 месяцев за счёт сокращения ошибок модели. А сервер окупается за 2–3 года. При этом найти такого специалиста — задача почти нереальная. Рынок пуст.

Третий. Китай обгоняет нас не железом, а системой образования. Их инженеры умеют учиться, адаптироваться, работать в мультиагентных средах. Нам нужно не копировать их платформу, а создавать свою — с упором на практику, реальные кейсы и непрерывное обучение. Без этого любые ЦОДы останутся чужими и дорогими.

Вы сталкивались с нехваткой ИИ-кадров в своих проектах? Какие способы обучения и мотивации сотрудников реально работают? И как, по-вашему, государство должно регулировать ИИ — жёстко или максимально мягко? Буду рад услышать ваш опыт — особенно от тех, кто тоже был на Data Fusion или внедряет ИИ в промышленности.