Stanford AI Index 2026: 12 цифр, после которых всё выглядит иначе

Stanford HAI выпустил девятый по счёту AI Index — 423 страницы цифр, без денег от AI-лабораторий и без правок их PR-отделов. В этом году отчёт читается не как ежегодный отчёт о прогрессе, а как стресс-тест индустрии. Способности моделей растут быстрее, чем когда-либо, прозрачность валится, разрыв между США и Китаем фактически исчез, а молодые разработчики уже потеряли пятую часть рабочих мест.

Адопция, которая обогнала интернет

Generative AI добрался до 53% мирового населения за три года — быстрее, чем персональный компьютер, быстрее, чем интернет, быстрее любой general-purpose technology в истории. У интернета на сопоставимый охват ушло около десяти лет.

Любопытная деталь — США в этом рейтинге адопции на 24-м месте с 28,3%. Лидируют Сингапур (61%) и ОАЭ (54%). Объясняется это просто: основной канал распространения — бесплатные потребительские продукты вроде Claude, ChatGPT и Gemini, и в странах с высоким GDP per capita и компактным городским населением они расходятся быстрее.

Стоимость генеративного AI для американских потребителей Stanford оценил в 172 миллиарда долларов в год. Медианная ценность на пользователя выросла втрое за один год. И почти всё это люди получают бесплатно — что само по себе подсвечивает странную экономику: компании жгут сотни миллиардов на инфраструктуру, чтобы раздавать продукт по нулевой цене.

SWE-bench: от 60% до почти 100% за год

Самая шокирующая техническая цифра в отчёте — рост на бенчмарке SWE-bench Verified, где модели должны решать реальные issues с GitHub. За последние двенадцать месяцев результат прыгнул с ~60% до уровня, близкого к человеческому потолку. Это не инкремент — это фазовый переход.

Параллельно Terminal-Bench (агентные задачи в терминале) вырос с 20% до 77,3%. Cybersecurity-агенты на профильных тестах поднялись с 15% (2024) до 93% (2026). Humanity's Last Exam — задуманный как самый трудный тест в любой области — за год прошёл путь с 8,8% до 38,3%.

Но та же модель, которая берёт золото на математической олимпиаде, по-прежнему правильно читает аналоговые часы только в 50,1% случаев. Робот в реальном доме справляется с домашними делами вроде стирки и мойки посуды только в 12% случаев. Это и есть то самое «jagged frontier» — сверхчеловеческое в одних доменах, наивное в других, иногда внутри одной сессии.

Пирамида рабочих мест проседает с самого низа

В отчёте впервые есть твёрдые цифры по тому, что раньше было прогнозом: занятость среди разработчиков 22–25 лет упала почти на 20% с 2024 года. У их более старших коллег численность, наоборот, выросла. Тот же паттерн — в кастомер-сервисе и других направлениях с высокой AI-экспозицией.

Треть опрошенных компаний ждут дальнейшего сокращения штата под давлением AI. Логика, на которой держалась индустрия двадцать лет — «сначала junior на простых задачах, потом senior» — выкручивает дно у воронки. Старшие инженеры по-прежнему востребованы; уровень входа в профессию резко поднялся.

Китай против США: разрыв в 2,7%

Несколько лет подряд США уверенно лидировали по всем срезам: размеру моделей, бенчмаркам, цитированиям, патентам. На 2026-й от этого лидерства осталась узкая полоска — топовая модель Anthropic опережает лучшую китайскую модель всего на 2,7%. С начала 2025-го США и Китай несколько раз обменивались первой строчкой; в феврале 2025-го DeepSeek-R1 сравнялся с лучшим американским аналогом, в марте 2026-го счёт снова символический.

Сравните это со спросом на AI-инвестиции. В 2025-м частные инвестиции в AI в США достигли $285,9 млрд — в 23,1 раза больше, чем в Китае ($12,4 млрд). И при таком разрыве в деньгах разрыв в качестве моделей — 2,7%. Китай при этом лидирует по числу публикаций, цитирований, патентов и установок промышленных роботов.

Метрика	США	Китай
Частные инвестиции в AI (2025)	$285,9 млрд	$12,4 млрд
Новые AI-компании с финансированием (2025)	1953	менее 200
Отрыв на топ-бенчмарках (март 2026)	+2,7%	—
Лидерство по числу публикаций	—	✓
Лидерство по установкам промышленных роботов	—	✓

То, что Китай делает чуть-чуть хуже за в 23 раза меньше денег, — это не утешительный приз. Это прямой сигнал, что эффективность исследований там работает в принципиально другом режиме.

Прозрачность катится вниз

Foundation Model Transparency Index — индекс открытости крупных AI-компаний — за год упал с 58 до 40 баллов. Самые мощные модели сегодня раскрывают о себе меньше всего: данные обучения, размер параметров, использованный compute, политика рисков — всё это исчезает из карточек моделей.

Параллельно зафиксированных AI-инцидентов стало 362 — на 56% больше, чем 233 в 2024-м. Это может означать как реальное ухудшение безопасности, так и просто более широкое развёртывание и более тщательное логирование. Но в комбинации с падением прозрачности картина для регуляторов выглядит так себе.

Утечка кадров обратно из США

США остаются страной с самым большим числом AI-исследователей, но приток новых упал на 89% с 2017 года, причём 80% этого падения приходятся на последний год. Стэнфорд формулирует это как структурное противоречие: вы можете построить дата-центр без иммиграции, но не можете воспроизвести кадровый pipeline.

Параллельно публика тоже не в восторге. Только 10% американцев говорят, что они «больше воодушевлены, чем встревожены» AI. В мире — 59% оптимистов; в США только 33% ожидают, что AI улучшит их работу, против 40% в среднем по миру. Доверие к собственному правительству в плане регуляции AI — самое низкое среди опрошенных стран, всего 31%.

Энергия и вода

Оборотная сторона способностей — счёт за электричество и охлаждение. Только обучение Grok 4 оценивается в 72 816 тонн CO2-эквивалента — столько же, сколько 17 000 машин выбрасывают за год. Совокупная мощность AI-датацентров достигла 29,6 ГВт — этого хватит, чтобы покрыть пиковый спрос всего штата Нью-Йорк.

Расход воды на охлаждение для одного только GPT-4o-инференса в год оценивается так, что им можно было бы обеспечить питьевой водой 12 миллионов человек. Совокупное потребление электричества AI-инфраструктурой сейчас сопоставимо с национальным потреблением Швейцарии или Австрии.

AI приходит в науку и медицину

Впервые AI Index содержит отдельные главы про науку и медицину. Доля AI-публикаций в естественных, физических и медицинских науках выросла на 26–28% год к году. Среди проектов 2025-го — первая end-to-end AI-система прогноза погоды, которая берёт сырые метеоданные и сразу выдаёт температуру и ветер; первая foundation-модель для астрономии.

В клинике ситуация мягче, но движение есть: AI-инструменты для автоматической транскрипции визитов получили массовое распространение в 2025-м. Врачи в больницах сообщают до 83% меньше времени на оформление записей и заметное снижение выгорания. Но при оценке клинической полезности AI Stanford жёстко предупреждает: почти половина из 500+ исследований опираются на тестовые вопросы вместо реальных пациентов, и только 5% работают с настоящими клиническими данными.

Что с этим делать

Главный вывод AI Index 2026 — не «AI победил» и не «пузырь лопнул». Главный вывод: индустрия одновременно ускоряется и теряет управляемость. Возможности растут быстрее, чем способность их измерять, регулировать и распределять.

Для бизнеса это означает, что ставка только на frontier-модели одного вендора становится опасной — и в политическом, и в техническом смысле. Для разработчиков — что собственный benchmark-suite важнее любого внешнего рейтинга. Для людей, которые сейчас выбирают карьеру, — что стартовые позиции в whitewall профессиях сжимаются прямо сейчас, а senior-роли требуют умения управлять AI-системами, а не только писать код.

И ещё одно. Если 4 из 5 студентов уже пользуются AI, а у школ нет внятных правил, разрыв между теми, кто умеет с этим работать, и теми, кто нет, будет только расти. Полный отчёт лежит на сайте Stanford HAI — 423 страницы, в которые имеет смысл заглянуть, даже если читать не всё.