ИИ не заменяет исследователя. Тогда зачем он нужен R&D?

В 2026 году Stanford HAI опубликовал очередной AI Index Report — ежегодный обзор состояния искусственного интеллекта, который принято считать одним из наиболее взвешенных источников в этой теме. Раздел о науке в этом году выделен в отдельную главу впервые, и данные в ней неоднозначные — в хорошем смысле.

С одной стороны, рост впечатляющий. В 2025 году количество публикаций, связанных с ИИ, в области естественных наук достигло 80 150 — на 26% больше, чем годом ранее. ИИ теперь составляет от 5,8% до 8,8% научного выхода в зависимости от области, тогда как в 2010 году этот показатель не превышал 1%. Лучшие модели обгоняют среднего эксперта-химика на тестах из 2 700 вопросов. ИИ-система впервые провела полный цикл метеорологического прогнозирования в автономном режиме.

С другой стороны — и это важнее для нашего разговора — на задачах сквозного научного исследования лучшие ИИ-агенты набирают примерно вдвое меньше баллов, чем эксперты с учёной степенью. На PaperArena лучший агент достигает 38,8% точности при PhD-уровне 83,5%. На реальных задачах биоинформатики точность фронтирных моделей — около 17%. На задачах воспроизведения опубликованных исследований в астрофизике модели набирают менее 20%.

Это не провал ИИ. Это честное описание того, что ИИ умеет и что — нет. Умеет: быстро обрабатывать большие объёмы структурированных данных, находить паттерны, отвечать на хорошо сформулированные вопросы. Не умеет: воспроизводить сложное исследовательское суждение, интегрировать неявный контекст, принимать решения в условиях неопределённости. Это разграничение — не временное и не связанное с тем, что модели недостаточно мощные. Это архитектурная особенность, которая вряд ли исчезнет в ближайшей перспективе.

Показательно, что при всём росте возможностей список экспериментально подтверждённых ИИ-открытий остаётся коротким. Первая полностью ИИ-сгенерированная статья была принята на воркшоп в 2025 году, и это событие широко освещалось — именно потому что оно единственное в своём роде. Это не умаляет значимости ИИ в науке. Это просто честная калибровка ожиданий.

Если ИИ не заменяет исследователя на сложных задачах — тогда в чём его реальная ценность для R&D-команды? Ответ на этот вопрос становится очевидным, если посмотреть не на то, где ИИ проигрывает эксперту, а на то, где он освобождает эксперта от работы, которая не требует экспертного суждения.

Возьмём типичный рабочий день инженера-исследователя. Значительная его часть уходит не на принятие решений и не на генерацию гипотез — а на то, чтобы найти нужный документ, убедиться, что редакция актуальна, прочитать 300 страниц стандарта в поисках одного нужного пункта, понять формулировку на английском языке, сравнить требования двух версий одного документа. Это работа, результат которой — не решение, а условие для принятия решения. И именно здесь ИИ работает надёжно: не потому что умнее эксперта, а потому что быстрее и не устаёт.

В SIZAMAI эта логика реализована через четыре конкретных сценария. Поиск — семантический, по смыслу вопроса, а не по ключевым словам: задаёшь задачу своими словами на русском, система находит релевантные документы в базе из сотен тысяч международных стандартов и миллионов научных публикаций, в том числе на английском и других языках. Первичный отбор — статистика по результатам запроса показывает, что и в каком количестве существует по теме: сколько стандартов, сколько публикаций, откуда, какого года. Это тот самый первый проход по воронке, о котором мы писали в статье про сигналы и шум. Резюмирование — ИИ-ассистент отвечает на вопрос по конкретному документу, сокращая 50 страниц до нескольких строк с указанием источника. Сравнение — система анализирует два документа и показывает, в чём разница: это могут быть две редакции одного стандарта, два разных стандарта на одну тему, две научные статьи с разными методологическими подходами — без необходимости читать оба текста параллельно.

Всё это — работа, которая раньше занимала часы и требовала присутствия конкретного специалиста с нужной подпиской и нужным языком. Теперь она занимает минуты и доступна любому члену команды.

Данные Stanford AI Index описывают ИИ в науке как инструмент, который уже превосходит человека в узких бенчмарках, но пока существенно уступает на комплексных исследовательских задачах. Для промышленного R&D это не повод ждать, пока разрыв закроется. Это повод чётко разграничить: где решение принимает эксперт — и где ИИ снимает с него рутину, чтобы он мог принимать больше решений, лучшего качества, на основе актуальных данных.

Есть и более практическое наблюдение. По нашему опыту работы с R&D-командами, специалисты, которые начинают использовать ИИ-ассистента для рутинной части работы с документами, со временем начинают задавать больше вопросов по существу — не потому что стали менее уверены в себе, а потому что барьер обращения к источникам снизился. Когда проверить конкретный пункт стандарта занимает минуту, а не полчаса, проверяют чаще. Это и есть тот эффект, который сложно измерить в бенчмарке, но легко почувствовать в ежедневной работе.

Вопрос «заменит ли ИИ исследователя» — неправильный вопрос. Правильный: от какой работы ИИ может освободить исследователя уже сегодня?

Ждём вас в нашем Телеграм-канале https://t.me/sizam_ai. Здесь мы регулярно пишем об актуальных методах управления технической документацией.