Термины ИИ, которые стоит знать продуктовой команде в 2026 году
Подрядчик говорит, что боту поддержки нужен RAG, а не fine-tuning, что он будет работать на reasoning-модели и подключится к вашей CRM через MCP. Вы кивнёте или спросите, как каждое из этих решений повлияет на стоимость и риски?
Термины искусственного интеллекта — это общий язык, которым описывают, как AI-системы создают и запускают в продуктах. Команде, которая планирует разработку, хватит примерно 25 терминов, чтобы уверенно говорить с подрядчиками. Их можно разделить на три уровня: типы моделей (LLM, мультимодальные и reasoning-модели), строительные блоки функций на базе LLM (токены, инференс, векторные базы данных, RAG, fine-tuning) и уровень агентов, безопасности и разработки с AI-инструментами (AI-агенты, MCP, ограничители, prompt injection, эвалы, вайб-кодинг). Ниже каждый термин объяснён простым языком вместе с тем, что он означает для бюджета, сроков или рисков вашего проекта.
Главное
- Примерно 25 терминов ИИ покрывают большинство разговоров с подрядчиками. Одно и то же слово может означать очень разный объём работ, поэтому согласуйте значение до того, как сравнивать оценки.
- Большинство функций на базе LLM объединяют готовую модель с вашими данными через поиск (RAG) и векторную базу данных. Обучать модель с нуля приходится редко.
- Больше — не всегда лучше. Большие контекстные окна и reasoning-модели добавляют стоимость и задержку к каждому запросу.
- ИИ, который выполняет действия в ваших системах, требует ограничителей, проверки человеком и защиты от прямой и непрямой prompt injection.
Почему словарь ИИ важен для вашего проекта
Термины ИИ трактуют по-разному. В одном предложении «AI-агент» — это чат-бот, который отвечает на типовые вопросы по сценарию. В другом — система с правом записи в вашу CRM, которая сама отправляет письма. Слово то же, а объём работ, бюджет и риски — совсем разные.
То же с выбором модели. «Дообучим модель» означает отдельный проект по обучению с собственным конвейером данных. «Используем RAG» — интеграцию поверх готовой модели. Если вы не знаете, что именно заложено в оценку, честно сравнить два коммерческих предложения не получится. Общий словарь превращает размытые AI-идеи в требования, которые команда может оценить, протестировать и принять.
Базовые термины ИИ и типы моделей
Математика вам не нужна. Нужно понимать границы между этими понятиями и что означает каждый выбор.
| Термин | Что это значит | Почему это важно для вас |
|---|---|---|
| Искусственный интеллект (ИИ, AI) | Программы, которые выполняют задачи, обычно требующие человеческого суждения, например понимают текст или изображения. | Это общее понятие — уточняйте, какую именно технологию предлагает подрядчик. |
| Машинное обучение (machine learning, ML) | Часть ИИ, где система учится на данных, а не на прописанных вручную правилах. | Работает только тогда, когда есть достаточно чистых и релевантных данных. |
| Глубокое обучение (deep learning) | Машинное обучение на многослойных нейронных сетях; на нём работают современные модели распознавания речи, компьютерного зрения и обработки языка. | Мощное, но требует много вычислений и хуже поддаётся объяснению. |
| Генеративный ИИ (generative AI) | Модели, которые создают новый текст, изображения, код или аудио, а не только классифицируют данные. | Подходит для контента, поиска и функций-ассистентов. |
| Большая языковая модель (LLM) | Генеративная модель, обученная на огромных массивах текста (GPT, Claude, Gemini). | Обычно используется через API с оплатой за токены, поэтому стоимость зависит от нагрузки. |
| Мультимодальная модель | Модель, которая работает с несколькими типами данных — текстом, изображениями, аудио или видео. | Позволяет одной функции прочитать скан счёта или скриншот без отдельного OCR, но изображения и аудио стоят больше токенов. |
| Reasoning-модель (модель рассуждений) | LLM, которая проходит промежуточные шаги рассуждения перед ответом, жертвуя скоростью ради точности в сложных задачах. | Лучше подходит для аналитики, планирования и кода; медленнее и дороже за запрос, поэтому используйте её там, где она действительно нужна. |
Термины для разработки функций на базе LLM
Большинство AI-функций в заказном программном обеспечении — это готовая LLM, дополненная вашими данными и бизнес-логикой. Эти термины объясняют, как это работает и откуда берутся текущие расходы.
| Термин | Что это значит | Почему это важно для вас |
|---|---|---|
| Промпт (prompt) | Инструкции и контекст, которые отправляют модели. | Промпты версионируют и тестируют, как код: небольшое изменение формулировки может изменить результат. |
| Токен (token) | Фрагмент текста (примерно ¾ английского слова), которым модель читает данные и за который выставляет счёт. | Базовая единица стоимости и скорости API. |
| Контекстное окно (context window) | Максимальное количество токенов, которое модель обрабатывает за один запрос. | Больший контекст вмещает больше данных, но каждый дополнительный токен увеличивает стоимость и задержку каждого вызова. |
| Температура (temperature) | Параметр, который определяет, насколько случайным или предсказуемым будет ответ модели. | Низкая — для стабильных ответов (поддержка, извлечение данных), выше — для креативных черновиков. Во многих reasoning-моделях этот параметр фиксирован или недоступен. |
| Инференс (inference) | Запуск обученной модели для получения результата. | Это ваши текущие операционные расходы, которые вы оплачиваете за каждый запрос. |
| Задержка (latency) | Время между отправкой запроса и получением ответа. | Влияет на пользовательский опыт: в чат-интерфейсе ответ обычно нужен за секунды, а не минуты. |
| Эмбеддинг (embedding) | Числовое представление смысла текста, изображения или другого контента. | Позволяет искать контент по смыслу, а не только по ключевым словам. |
| Векторная база данных (vector database) | База данных, которая хранит эмбеддинги и быстро находит ближайшие по смыслу к запросу. | Поисковый движок для RAG и новый компонент инфраструктуры, который нужно развернуть, защитить и синхронизировать. |
| Генерация, дополненная поиском (retrieval-augmented generation, RAG) | Поиск релевантных документов и передача их LLM вместе с вопросом. | Ответы опираются на ваши актуальные данные без переобучения модели. |
| Дообучение (fine-tuning) | Дополнительное обучение готовой модели на ваших примерах. | Более высокие начальные затраты; подходит для стабильного тона или формата, а не для свежих фактов. |
Эмбеддинги, векторные базы данных и RAG работают как одна цепочка:
- Ваши документы разбивают на фрагменты и превращают в эмбеддинги.
- Эмбеддинги хранят в векторной базе данных.
- Когда пользователь задаёт вопрос, система находит самые релевантные фрагменты.
- LLM получает инструкцию отвечать на основе этих фрагментов. Это и есть RAG.
RAG уменьшает количество галлюцинаций, но не устраняет их: модель всё равно может подмешать знания из обучения или неправильно прочитать источник. Поэтому RAG-системам тоже нужны эвалы, а для ответственных ответов — проверка человеком.
Почему бы просто не вставить всё в большое контекстное окно? Потому что тогда вы будете платить за каждый токен в каждом запросе и дольше ждать каждого ответа. RAG передаёт модели только релевантное, поэтому стоимость и задержка остаются предсказуемыми даже тогда, когда база знаний растёт.
Агенты, безопасность и разработка с AI-инструментами
Как только ИИ начинает действовать, а не только отвечать — обновлять записи, вызывать API, отправлять сообщения, — словарь смещается к контролю и рискам. Разработчики осторожны не без причины: 46% из них не доверяют точности результатов ИИ, по данным Stack Overflow Developer Survey 2025.
| Термин | Что это значит | Почему это важно для вас |
|---|---|---|
| AI-агент (agentic AI) | Система на базе LLM, которая планирует шаги и использует инструменты, чтобы достичь цели, а не просто ответить на сообщение. | Больше автоматизации, но каждый инструмент, который может вызвать агент, — это разрешение, которое нужно ограничить и журналировать. |
| Model Context Protocol (MCP) | Открытый стандарт для подключения AI-приложений к источникам данных и инструментам. Anthropic представила его в 2024 году, а в декабре 2025-го передала Agentic AI Foundation при Linux Foundation. Официальная документация MCP сравнивает его с «портом USB-C для AI-приложений». | Независимое управление стандартом снижает риск привязки к одному вендору, а одна интеграция может обслуживать несколько AI-инструментов. Но каждое подключение расширяет то, к чему у модели есть доступ. |
| Галлюцинация (hallucination) | Уверенный ответ, который фактически ложен или выдуман. | Она следует из того, как LLM генерирует текст, поэтому систему проектируют с учётом этого: поиск, валидация, проверка. |
| Ограничители (guardrails) | Правила и проверки, которые ограничивают, что модель может говорить или делать, например запрещённые темы или разрешённый список действий. | Ваш основной механизм контроля, чтобы агент действовал в рамках бизнес-правил и законодательства. |
| Prompt injection (инъекция в промпт) | Входные данные, созданные, чтобы перекрыть инструкции модели. Она бывает прямой (её вводит пользователь) или непрямой (спрятана в документе, письме или веб-странице, которую читает модель). OWASP Top 10 для LLM-приложений ставит её на первое место среди рисков. | Критично для RAG и агентов: любой контент, который обрабатывает модель, может содержать инструкции, поэтому найденные данные следует считать недоверенными. |
| Человек в цикле (human-in-the-loop, HITL) | Человек проверяет или подтверждает решение ИИ, прежде чем оно вступит в силу. | Добавляет шаг проверки, но существенно ограничивает ущерб от ошибочных или подменённых ответов. |
| Эвалы (evals) | Воспроизводимые тесты, которые оценивают ответы модели на точность, безопасность и регрессии. | Это AI-аналог процесса QA и тестирования: без эвалов невозможно понять, улучшило или ухудшило результат изменение промпта или модели. |
| Вайб-кодинг (vibe coding) | Разработка программ, когда AI-ассистенту пишут запросы и принимают сгенерированный им код. | Быстро для прототипов, но продакшн-коду всё равно нужны ревью, тесты и усиление безопасности. |
Как использовать эти термины в работе с командой разработки
New Line Technologies проверила и запустила более 200 приложений в рамках услуги по доведению вайб-кодинга до продакшна. Тот же урок касается и новых AI-функций: размытые требования дают размытые оценки. Бриф, по которому можно получить точную оценку, отвечает на четыре вопроса:
- Что должен делать ИИ? Генерировать, искать или выполнять действия. От ответа зависит, хватит ли простого вызова LLM или нужны RAG либо агент.
- Какие данные он будет использовать и кому они принадлежат? От этого зависят поиск, векторная база данных и работа с комплаенсом.
- Что произойдёт, если он ошибётся? Определите ограничители, шаги проверки человеком и допустимый уровень ошибок.
- Как вы будете измерять качество? Согласуйте эвалы и целевую задержку ещё до старта разработки.
Когда ИИ всё-таки ошибается, относитесь к этому как к любому другому дефекту. Воспроизведите ошибку, опишите её в понятном отчёте об ошибке и добавьте в набор эвалов, чтобы та же ошибка не вернулась незамеченной.
Более подробные определения — в глоссарии NIST по надёжному и ответственному ИИ. Больше подобных объяснений — в нашей рубрике «Обязательно знать».
Часто задаваемые вопросы
Искусственный интеллект (ИИ) — это широкая область программ, которые выполняют задачи, требующие человеческого суждения. Машинное обучение — часть ИИ, где система учится на данных, а не на жёстко прописанных правилах. Глубокое обучение — это машинное обучение на многослойных нейронных сетях; именно на нём работают современные языковые модели и системы компьютерного зрения.
RAG (генерация, дополненная поиском) при каждом запросе находит в векторной базе данных релевантные документы и передаёт их модели, поэтому ответы могут опираться на актуальные данные без переобучения. Fine-tuning (дообучение) меняет саму модель на ваших примерах и подходит, когда нужны стабильный стиль или формат ответа. Большинство команд начинает с RAG, потому что его дешевле построить и проще обновлять.
Галлюцинация — это ответ ИИ, который звучит убедительно, но является ложным или выдуманным. Она возникает потому, что LLM прогнозирует наиболее вероятный текст, а не ищет факты. Команды могут уменьшить риск галлюцинаций с помощью RAG, ограничителей, эвалов и проверки человеком для важных решений, но полностью устранить его не могут.
Непрямая prompt injection — это атака, когда вредоносные инструкции спрятаны не в запросе пользователя, а в контенте, который модель читает сама: в документе, письме или веб-странице. Это один из ключевых рисков для RAG-систем и AI-агентов. Защита включает отношение к найденному контенту как к недоверенному, ограничение прав инструментов и обязательное подтверждение человеком для чувствительных действий.
Начните с шести: LLM, токен, RAG, AI-агент, галлюцинация и эвалы. Вместе они объясняют, что делает AI-функция, от чего зависит её стоимость, где она может ошибиться и как измеряется качество. Когда ваша функция начнёт выполнять действия в других системах, добавьте в список ограничители и prompt injection.
Не уверены, нужен ли вашей AI-функции RAG, агент или просто хорошо продуманный промпт? Поговорите с нашей командой — в рамках наших услуг по разработке программного обеспечения мы превратим идею в архитектуру и реалистичную оценку. Уже есть прототип, созданный в Cursor, Lovable или Claude Code? Наша услуга по доведению вайб-кодинга до продакшна подготовит его к реальным пользователям.
