Чи вже створено AGI? Як оцінювати заяви та що розробляти вже зараз

Відповіді на запитання про загальний штучний інтелект (Artificial General Intelligence, AGI) і про те, чи він уже існує, різняться, оскільки визначення вимірюють різні речі: широту когнітивних здібностей, опанування незнайомих завдань, виконання економічно цінної роботи або автономність. Відповіді, незалежної від визначення, немає. Нещодавні оцінювання передових моделей показують широкі можливості, а в окремих сферах — результати, що перевершують людські. Проте бал у бенчмарку не доводить наявності надійного загального інтелекту. Продуктовим командам варто окремо оцінювати результативність, універсальність, ефективність навчання, автономність і надійність.

Це не привід чекати. Компаніям не потрібна згода щодо AGI, щоб діяти. Їм потрібні продукти, які створюють цінність із нинішніми моделями, та архітектура, здатна пристосуватися до того, що з’явиться далі.

Зміст

• Що таке загальний штучний інтелект?

• Чи вже створено AGI у 2026 році?

• Наскільки ми близькі до AGI?

• Як вимірюють AGI?

• Що бізнесу варто розробляти на основі ШІ вже зараз?

• Як розробляти продукт з урахуванням зміни моделей

• Чекліст готовності до AGI

Як у цій статті оцінюються заяви про AGI

Ми відокремлюємо результати бенчмарків від заяв про можливості, позначаємо джерела за організацією та датою й розглядаємо приклади продуктів як ілюстрації робочих процесів, а не як докази AGI. Застосовуйте такий самий підхід, коли читаєте будь-який анонс про AGI.

Далі ставимо чотири запитання: які є докази? За яких умов проводили тестування? Що відбувається, коли система помиляється? Що стоїть між результатом роботи моделі та реальною дією?

Що таке загальний штучний інтелект?

Загальний штучний інтелект, або AGI, — це машина з широкими можливостями, які поширюються на різні завдання, а не обмежуються однією вузькою функцією. Розбіжності починаються з трьох питань: що вважати «широкими» можливостями, з якими саме людьми порівнювати систему та чи має автономність узагалі входити до визначення.

Поширене базове визначення описує AGI як гіпотетичну систему, здатну зрозуміти або опанувати будь-яке інтелектуальне завдання, яке може виконати людина. В огляді AGI від Google Cloud використано саме таке формулювання з акцентом на узагальненні, міркуванні та адаптації. Водночас надійність, фізичне втілення та незалежність залишаються відкритими для тлумачення.

У праці Levels of AGI for Operationalizing Progress on the Path to AGI дослідницька команда Google DeepMind запропонувала більш прикладну систему оцінювання. Вона відокремлює універсальність (широту завдань, які система здатна виконувати) від результативності, тобто того, наскільки добре вона їх виконує. Автономність при цьому розглядається як окрема характеристика застосування системи.

Підхід ARC-AGI пропонує інший погляд. У центрі його визначення — ефективність набуття навичок: чи може система навчатися й узагальнювати під час розв’язання незнайомих завдань, які розробники не передбачили заздалегідь. З цього погляду запам’ятовування більшої кількості фактів або відмінне виконання знайомих завдань не робить систему розумнішою. Вона лише здається розумнішою, доки не стикається із завданням, якого ще не бачила.

Хартія OpenAI визначає AGI в економічних термінах: високоавтономні системи, які перевершують людей у більшості видів економічно цінної роботи. Здатність системи замінити оплачувану працю залежить від вартості, доступу до інструментів, інтеграції, регулювання та допустимого рівня помилок, а не лише від когнітивних здібностей.

Чому відповідь залежить від визначення

Ці визначення не є взаємозамінними:

Позначення «AGI» зводить ці п’ять запитань до одного слова. Якщо розглядати їх окремо, оцінювати розбіжності стає простіше.

Чи вже створено AGI у 2026 році?

Жоден загальновизнаний науковий тест не встановив, що AGI вже створено. Передові системи відповідають окремим частинам кількох визначень. Це свідчить про швидкий прогрес, але не про згоду щодо появи загального інтелекту.

Що підтверджують наявні дані

• Широкі можливості: так, поточні оцінювання моделей показують результати у написанні текстів, програмуванні, математиці, дослідженнях, інтерпретації зображень і роботі з комп’ютером.

• Перевищення людських результатів в окремих бенчмарках або вузьких класах завдань: так. Система може перевершувати людські базові показники в певних оцінюваннях, залишаючись нестійкою в інших ситуаціях.

• Навчання на рівні людини в незнайомих середовищах: питання дискусійне. Тести на узагальнення розвиваються далі, оскільки моделі наближаються до граничних результатів у попередніх бенчмарках; підхід ARC-AGI зосереджений саме на виконанні незнайомих завдань.

• Надійна автономна робота в ситуаціях без заздалегідь визначених меж: не встановлена як загальна здатність. Успішність залежить від тривалості завдання, середовища, інструментів і допустимого рівня помилок.

• Заміна людей у більшості видів економічно цінної роботи: не продемонстрована в масштабах усієї економіки.

Станом на вересень 2026 року опубліковані результати ARC Prize та аналіз повідомляють про результат GPT-6 Astra 62,7% у тестовому середовищі Standard і 99,9% у середовищі Provider Adapter. В оголошенні OpenAI наведено результат 99,9% за налаштованих компанією умов оцінювання. Ця різниця показує, чому умови бенчмарку потрібно вказувати явно. Опубліковані результати не доводять, що AGI вже створено.

Застереження щодо бенчмарків: якщо результати повідомляють розробники моделей або організації, що проводять бенчмарки, у цій статті вони розглядаються як опубліковані заяви за визначених умов тестування, а не як незалежне підтвердження загального інтелекту.

Сам ARC-AGI представляє певну теорію інтелекту. Майже максимальний бал може свідчити, що система стала дуже ефективною в межах конкретної побудови завдань і умов оцінювання цього бенчмарку. Високий бал не доводить, що система залишатиметься надійною в незнайомих середовищах, у завданнях тривалістю кілька годин або в процесах, де помилка коштує грошей.

Наявні дані підтверджують значний прогрес за кількома напрямами, але не дають остаточного висновку, що AGI вже з’явився.

Наскільки ми близькі до AGI?

Єдиного надійного показника відстані до AGI немає. Прогрес залежить від того, що саме вважати ціллю: широту завдань, опанування незнайомих завдань, економічну користь, автономність чи надійність. Відстежуйте, що моделі можуть і чого не можуть робити з плином часу. Не зводьте п’ять різних визначень до одного числа «місяців до AGI».

Оберіть здатність, якої потребує ваш продукт, визначте докази її наявності та передбачте, що відбуватиметься в разі збою системи. Обґрунтоване рішення про розробку можна ухвалити без прогнозу дати появи AGI.

Як вимірюють AGI?

AGI неможливо надійно виміряти однією рейтинговою таблицею. Обґрунтоване оцінювання охоплює п’ять складових: широту когнітивних здібностей, опанування нових завдань, виконання завдань у реальних умовах, автономність і надійність. Воно також фіксує точні умови тестування для кожного результату.

Для продуктових рішень особливо корисні три підходи до вимірювання.

Профілі когнітивних здібностей

У публікації Measuring progress toward AGI: A cognitive framework Google DeepMind запропонувала класифікацію з десяти здібностей і протокол оцінювання, який порівнює моделі з розподілом людських результатів, а не ототожнює інтелект з одним сукупним балом.

Середній бал приховує нерівномірність навичок. Модель може добре міркувати, але погано помічати власні помилки, або написати переконливий план і потім не оновити його, коли умови зміняться.

Узагальнення на незнайомих завданнях

ARC-AGI перевіряє здатність до абстрагування на основі обмеженої кількості прикладів, а не запам’ятовані знання. Він ставить одне запитання: скільки інформації потрібно заздалегідь надати моделі, щоб вона розв’язала завдання, якого ще не бачила? Цей підхід залишається інформативним, але жоден абстрактний бенчмарк не охоплює всієї складності соціального міркування та тривалої взаємодії; ці обмеження описує IEEE Spectrum.

Часові горизонти виконання завдань

Огляд часових горизонтів METR і дослідження виконання триваліших програмних завдань свідчать, що часові горизонти завдань, доступних агентам, швидко зростають, водночас вказуючи на обмеження перенесення результатів на інші умови. Дослідження вимірює тривалість завдань, пов’язаних із програмним забезпеченням, які агент може виконати із заданою часткою успіху. Тривалість виражено через час, який знадобився б людині-експерту. Ці результати не слід безпосередньо поширювати на всі види роботи.

Звідси випливає практичний висновок для продуктових команд: здатність моделі виконати окремий крок не свідчить, що їй можна доручити весь робочий процес. П’ятихвилинна демонстрація та п’ятигодинний процес мають різні джерела збоїв.

Інтелект, автономність і надійність — різні параметри продукту

Спроможна модель не стає автоматично надійним агентом. Інтелект — це те, що система здатна зрозуміти й розв’язати. Автономність — те, наскільки далеко вона може діяти без вас. Надійність — те, як часто вона дає прийнятний результат у реальних умовах.

Уявімо агента, який може досліджувати постачальників, порівнювати умови та готувати замовлення на закупівлю. Дозвіл здійснювати оплату підвищує його автономність, але не доводить, що він дотримуватиметься порогів погодження, відновить роботу після зміни вебсторінки або розпізнає шахрайські інструкції.

Тому продуктове рішення має спиратися на три окремі перевірки:

Четвертий параметр — наслідки — визначає, наскільки високими мають бути вимоги. Помилковий внутрішній підсумок і несанкціонований банківський переказ ніколи не повинні мати однаковий поріг прийнятності.

Звідси просте правило: підвищуйте автономність лише тоді, коли це виправдано виміряною надійністю та можливістю виправити наслідки збою.

Що робити продуктовим командам, якщо AGI ще немає?

Очікування AGI зазвичай є хибною стратегічною відповіддю. Якщо концепція не має переваг із нинішніми моделями, окрім сподівання, що «наступна модель буде розумнішою», майбутнє зростання можливостей може так само швидко посилити конкурентів. Краще запитати: яку проблему клієнта ви можете розв’язати сьогодні та які частини вашого продукту стануть сильнішими з удосконаленням моделей?

Кращі моделі зміщують вузьке місце, але не усувають інженерну роботу. Зі зростанням базових можливостей перевага переходить до того, що модель не може скопіювати: власного контексту, побудови робочих процесів, наборів оцінювання, дозволів, каналів збуту та знань, які команда здобуває під час реальної експлуатації.

Будь-яку функцію, яка лише надає доступ до однієї моделі через обгортку, легко скопіювати. Стійка основа ШІ-продукту полягає в іншому:

• проблема достатньо важлива, щоб клієнти змінювали поведінку або платили;

• дані чи контекст, які конкурентам складно відтворити;

• інтеграція із системами, у яких уже виконується робота;

• тестові сценарії, сформовані на основі реальних невдач користувачів;

• межі повноважень, що відповідають наслідкам кожної дії;

• цикли зворотного зв’язку, які поліпшують робочий процес, а не просто зберігають розмови;

• можливість переходу на іншу модель, якщо змінюються ціна, затримка відповіді, політика або можливості поточної.

Що бізнесу варто розробляти на основі ШІ вже зараз?

Для продуктових команд найперспективнішими початковими можливостями зазвичай є робочі процеси з чіткими межами, доступним контекстом, результатами, які можна перевірити, та зрозумілим запасним варіантом. Нинішні моделі створюють цінність, коли продукт надає їм потрібну інформацію, інструменти й обмеження.

Що спільного в робочих процесів із чіткими межами

Перспективні варіанти часто відповідають чотирьом умовам:

1. Робота виконується достатньо часто або коштує достатньо дорого, щоб виправдати зміну процесу.

2. Успіх можна оцінити за доказами, а не лише за вподобаннями.

3. Необхідні дані та доступ до систем можна отримати законно.

4. Помилки можна виявити, виправити або передати на вищий рівень контролю до того, як вони завдадуть серйозної шкоди.

Приклади: попередній відбір дослідницьких матеріалів, перевірка документів, структуровані операції з контентом, підтримка ухвалення рішень, допомога службі підтримки клієнтів, супровід програмного забезпечення й автоматизація окремих адміністративних процесів. Орієнтуйтеся на повну одиницю роботи — завершену перевірку або повний цикл попереднього відбору, а не на один ізольований крок.

Приклади з портфеля, а не докази AGI

Венчурний портфель Top Netics ілюструє цю відмінність на рівні продукту, а не доводить появу AGI. Top Netics — це венчурний білдер і партнер із розробки ШІ-продуктів із досвідом комерціалізації технологій.

Приклади охоплюють робочі процеси з чіткими межами: Sapar застосовує машинне навчання до тренувань із джиу-джитсу, Ordder застосовує до ресторанних операцій, Quuannt і Foresee Markets до кількісного аналізу, а Senstone Scripter — до транскрибування мовлення. Кожен продукт орієнтований на конкретного користувача, контекст і робочий процес.

Перш ніж залучати зовнішнього партнера з продуктової розробки або виділяти внутрішню команду, засновники мають визначити:

• яке рішення або дія користувача зміниться;

• який мінімальний контекст потрібен системі;

• яке оцінювання дає змогу передбачити корисний результат;

• у яких точках потрібне втручання людини;

• скільки коштують виконання моделі та перевірка на один завершений результат;

• чому клієнти оберуть цей робочий процес замість наявного.

Якщо відповіді залишаються нечіткими, оцініть робочий процес, перш ніж фінансувати повну розробку. Команди, які порівнюють зовнішню допомогу з проєктування системи та реалізацію власними силами, мають спиратися на ті самі докази.

Оцінюючи компанію з розробки ШІ-продуктів, варто просити підтвердження її досвіду в побудові оцінювання робочих процесів, контролі ризиків моделей та створенні архітектури, здатної витримати зміну постачальника.

Як розробляти продукт з урахуванням зміни моделей

Архітектура, незалежна від моделі, зберігає бізнес-логіку, контекст, оцінювання та дозволи поза моделлю. Постачальники все одно не є повністю взаємозамінними. Проте заміна одного з них стає перевіркою з вимірюваними результатами.

1. Визначайте контракти взаємодії навколо завдань, а не постачальників

Для кожного завдання за участю моделі задайте вхідні дані, дозволені інструменти, очікуваний результат, граничну затримку, граничну вартість і приймальний тест. Виклики, специфічні для постачальника, мають бути приховані за цим контрактом.

2. Створіть набір оцінювання до оптимізації промптів

Зберіть типові приклади, складні крайові випадки та неприйнятні помилки. Оновлена модель має пройти той самий набір регресійних тестів, перш ніж на неї буде переведено робочий трафік.

3. Тримайте бізнес-правила поза моделлю

Умови відповідності, ліміти платежів, вимоги до погодження та регуляторні обмеження за можливості слід реалізовувати в детермінованих сервісах. Не покладайтеся на те, що модель пам’ятатиме політику, заховану в довгій інструкції.

4. Відокремлюйте пошук інформації від генерації

Фіксуйте, яке джерело підтверджує результат, коли його отримано та яку версію використано. Це полегшує аудит і діагностику збоїв через застарілий контекст.

5. Надавайте агентам лише мінімально необхідні дозволи

Читати, готувати чернетку, рекомендувати та виконувати це різні рівні дозволів. Надавайте їх окремо. Для незворотних дій або дій із серйозними наслідками вимагайте погодження.

6. Спроєктуйте відновлення до підвищення автономності

Визначте, що відбуватиметься, коли інструмент не працює, дані суперечать одне одному, модель перевищує бюджет або рівень упевненості падає нижче робочого порога. Агент без шляху відновлення — це демонстрація з обліковими даними доступу.

7. Цілеспрямовано перевіряйте заміну

Протестуйте принаймні одну альтернативну модель на тому самому наборі оцінювання. Мета — не автоматичне перемикання моделей, а виявлення місць, де ваша система непомітно залежить від одного постачальника.

Досвідчений партнер із продуктової розробки має вміти показати ці межі в проєкті системи. «Ми зможемо змінити модель пізніше» не є властивістю архітектури, доки це не перевірено.

Чекліст готовності до AGI

Готовність до AGI означає здатність отримувати користь від кращих моделей, зберігаючи контроль над продуктом, маржинальністю та межами безпеки.

Скористайтеся цими запитаннями, перш ніж затверджувати дорожню карту ШІ-продукту:

Клієнт та економіка

• Чи має проблема клієнта цінність для розв’язання з моделями, доступними сьогодні?

• Чи визначено успіх як завершений результат, а не активність моделі?

• Чи перевірено готовність платити та перешкоди для впровадження?

• Чи включає вартість одиниці роботи виконання моделі, інструменти, перевірку й опрацювання виняткових ситуацій?

Оцінювання

• Чи є набір типових сценаріїв із реальної експлуатації з контролем версій?

• Чи вимірюються спроможність, надійність і автономність окремо?

• Чи суворіші допустимі пороги помилок там, де наслідки серйозніші?

• Чи можна порівняти нову модель із поточною до переходу на неї?

Архітектура

• Чи ізольовані виклики моделей від бізнес-правил?

• Чи можна простежити походження контексту та оновити його?

• Чи задокументовано залежності від конкретного постачальника?

• Чи протестовано альтернативну модель за тим самим контрактом завдання?

Контроль

• Чи має кожен інструмент лише мінімально необхідні дозволи?

• Чи погоджуються незворотні дії або чи обмежуються вони іншим способом?

• Чи можуть оператори перевірити, перервати й відновити робочий процес?

• Чи забезпечуються вимоги до зберігання даних, доступу та юрисдикції поза промптами?

Стратегічна перевага

• Чи накопичується цінність продукту завдяки даним робочого процесу, інтеграції або каналам збуту?

• Чи посилять кращі базові моделі продукт — чи зітруть його відмінності від конкурентів?

• Чи належать команді знання, отримані зі збоїв під час реальної експлуатації?

• Чи є чітка точка ухвалення рішення між прототипом, пілотом і масштабним впровадженням?

Якщо ваша дорожня карта не дає відповідей на ці запитання, сильніша модель не усуне прогалини. Вона їх масштабує.

Використайте чекліст, щоб перевірити, чи готова ваша дорожня карта до розробки. Top Netics може окреслити невирішені питання робочого процесу, ризиків, оцінювання та архітектури до початку інженерних робіт. Почніть з аналізу робочого процесу.

Що бізнесу варто розробляти, поки дискусія про AGI триває?

Створюйте продукти, які розв’язують підтверджену проблему за допомогою нинішніх можливостей, вимірюйте весь робочий процес і зберігайте можливість переходу на сильніші моделі. Не робіть прогноз появи AGI основою бізнес-обґрунтування.

Історія вирішить, чи став 2026 рік початком ери AGI. Перед засновниками стоїть ближче запитання: чи може продукт працювати, заслуговувати на довіру та окупатися з моделями, доступними сьогодні?

Жоден загальний бенчмарк на нього не відповість. Відповідь дають дані від клієнтів, оцінювання конкретних завдань, чіткі межі системи та її реальна поведінка під час експлуатації.

Top Netics працює із засновниками й інноваційними командами, щоб перевіряти ці рішення до того, як вони закріпляться в дорогій архітектурі. Оцінювання здійсненності ШІ-продукту охоплює проблему користувача, метод оцінювання, вимоги до моделі, обмеження даних, точки контролю та шлях розробки.

Плануєте ШІ-продукт? Замовте оцінювання здійсненності ШІ-продукту в Top Netics.