Экспертный блог агентства Бизнес-Класс
От цифровой видимости к доказуемости: как инфраструктурная фаза ИИ проверяет модель Project61
07.07.2026
R&D Report #04-2026
В Бизнес-Классе мы не рассматриваем новости об искусственном интеллекте как самостоятельный контент. Мы не перепечатываем технологические сводки и не строим поверхностные прогнозы по заголовкам.
Для Digital R&D Lab такие события важны только в одном случае: если они позволяют проверить рабочие гипотезы о том, как меняется цифровая среда, поиск, доверие, машинное считывание и способность бизнеса быть корректно распознанным внешними системами.
AI INFRASTRUCTURE / LEASE COMMITMENTS
Крупнейшие раскрытые обязательства по дата-центрам
USD BN
Oracle
$260B
Microsoft
$196.6B
Meta
$182.9B

Важно: это не уже потраченный CAPEX, а раскрытые будущие lease commitments / lease obligations, связанные преимущественно с дата-центрами и инфраструктурой.

Для Бизнес-Класса это повод сопоставить внешние события с рабочей моделью Project61. Такое сопоставление не является независимой проверкой её эффективности.
01
Почему $850 млрд — это не новость, а внешний сигнал
По данным публичных раскрытий и рыночных обзоров, крупнейшие технологические компании накопили более $850 млрд будущих обязательств по аренде дата-центров и связанной инфраструктуры. Важно уточнить: это не единовременные расходы и не деньги, которые уже полностью потрачены. Речь идёт о future lease commitments — долгосрочных обязательствах по дата-центрам, colocation, сетевой инфраструктуре и будущим вычислительным мощностям.
Масштаб подтверждается отчётностью компаний:


Meta указала около $182,88 млрд ещё не начавшихся lease obligations, связанных с дата-центрами, colocation и частью сетевой инфраструктуры.

Microsoft раскрыла $196,6 млрд дополнительных аренд, преимущественно по дата-центрам, которые ещё не начались.

Oracle в годовом отчёте за 2026 финансовый год указала около $260 млрд дополнительных lease commitments, главным образом связанных с data center arrangements.
Это не доказывает, что искусственный интеллект уже окупился. Наоборот, рынок всё чаще задаёт вопрос о сроках возврата таких вложений. Reuters фиксирует растущее напряжение вокруг расходов на AI-инфраструктуру и попытки компаний монетизировать вычислительные мощности.
Но для нас главный вопрос не в том, окупится ли Big Tech.
Главный вопрос другой: почему индустрия продолжает строить такую дорогую инфраструктуру, если массовый пользователь уже не видит ежемесячной революции в интерфейсе?
Наша интерпретация: одно из направлений развития ИИ — работа с внешними данными, инструментами и проверкой результатов. Инвестиции в инфраструктуру сами по себе не доказывают причины этого развития и эффективность услуг агентства.
02
Карта соответствий: исследование → внешний сигнал → решение
PROJECT61 / R&D SIGNAL MAP
EXTERNAL SIGNAL / 2026
ИССЛЕДОВАТЕЛЬСКАЯ РАМКА
ВНЕШНИЙ СИГНАЛ
ПРИКЛАДНОЙ ОТВЕТ
01
Акт I

Предел имитационного присутствия

Рост недоверия к сгенерированному контенту, проблема галлюцинаций и слабых источников.
Аудит цифровой видимости
BK Site Watch
02
Акт II

Инфраструктура отбора

Рост дата-центровых обязательств Big Tech, переход ИИ в тяжёлую инфраструктурную фазу.
Project61
Trust-Protocol 61
03
Акт III

Data Evidence Layer

RAG, GraphRAG, structured data, Schema.org, JSON-LD.
Номенклатура цифрового контура
DEL-архитектура
Proof-layer
Внешние события не «доказывают» модель Project61 напрямую. Они проверяют направление: цифровая среда смещается от видимости к проверяемости.
Эта карта не говорит, что рынок «подтвердил нас полностью». Так было бы слишком громко и неточно.
В этой статье мы сопоставляем внешние события с направлением наших R&D-наблюдений: как сделать сведения о бизнесе доступными для извлечения и проверки. Это авторская интерпретация, а не установленный закон работы всех поисковых и AI-систем.
03
Акт I: предел имитационного контента
В Акте I мы описали собственный подход к различению формального цифрового присутствия и содержательных оснований для выбора бизнеса.
В опубликованном фрагменте «Гравитация 61» приведены внутренние наблюдения БК за ответами и упоминаниями в отдельных сценариях. Обозначения Noise, Ghosting и Out of Choice относятся к этой авторской модели. Фрагмент не устанавливает причинную связь между структурой сайта и вероятностью выбора и не позволяет прогнозировать результат другого бизнеса.
Это важное различие.
Охват, ключевые слова, содержание и техническая доступность остаются задачами SEO. В нашем подходе к ним добавляется проверка оснований конкретных утверждений: документов, параметров продукта, кейсов и опыта. Сам по себе рекламный текст не подтверждает изложенные в нём факты.
Качество извлечения и оценки такого текста зависит от конкретной системы, запроса и доступных ей источников.
Именно поэтому проблема не в том, что «текст умер». Проблема в том, что текст без доказательного основания теряет вес.
В Акте I мы предложили оценивать не только наличие и индексацию публикации, но и то, можно ли проверить её содержание. Это принцип нашей методологии, а не обязательное условие допуска бизнеса внешними системами.
04
Внешний сигнал: пользовательский вау-эффект снижается, вычислительная фаза растёт
На пользовательском уровне может казаться, что ИИ «забуксовал». Новые модели становятся лучше, но улучшения всё чаще выглядят не как революция, а как инженерная доводка: меньше ошибок, длиннее контекст, лучше работа с кодом, документами, таблицами, инструментами и мультимодальными задачами.
Но тезис о полном технологическом плато слишком грубый.
Stanford AI Index 2026 прямо фиксирует, что AI capability не находится на плато: в частности, на SWE-bench Verified производительность выросла с 60% почти до 100% за год, а организационное внедрение AI достигло 88%. Эти показатели относятся к указанным в отчёте тестам и выборкам и не означают безошибочную работу любой модели.
Для обсуждения этой статьи мы выделяем переход от демонстрации возможностей моделей к их применению в рабочих процессах. Это аналитическая рамка, а не общепринятая периодизация.
Первая фаза была видимой: пользователь впервые увидел, что машина может писать, объяснять, отвечать, анализировать и генерировать.
Вторая фаза менее зрелищная, но гораздо дороже: модели нужно не просто красиво отвечать, а работать с внешними источниками, проверять факты, использовать инструменты, выполнять цепочки задач, снижать стоимость ошибки и встраиваться в корпоративные процессы.
Такие сценарии могут требовать дополнительных вычислений, хранения и интеграций; затраты зависят от конкретной реализации.
Рост обязательств по дата-центрам показывает масштаб запланированных мощностей. По одной отчётности нельзя определить, какая их часть предназначена для reasoning, агентов, RAG, GraphRAG или других задач.
05
Акт II: от открытой видимости к инфраструктуре отбора
В Акте II мы обсуждали гипотезу о том, что присутствие в интернете и наличие ссылки не всегда достаточны для доверия к конкретному утверждению. Это не означает исчезновения открытого веба или универсального изменения всех механизмов выбора.
Это не означает, что открытый веб больше не нужен. Он нужен.
Но его роль меняется.
Практическая задача подготовки источника — показать автора утверждения, его основание, связанные объекты и дату проверки. У разных систем способы использования этих сведений различаются.
Именно здесь обычный маркетинг начинает расходиться с Project61.
В Project61 мы предлагаем связывать маркетинговые утверждения с проверяемыми сведениями и источниками. Это описание предмета работ; оно не означает, что остальной маркетинг ограничивается лозунгами или что применение подхода гарантирует выбор компании.
Мы предполагаем, что проверяемость данных полезна в задачах с высокой ценой ошибки. По затратам на инфраструктуру нельзя вывести, каким источникам конкретная AI-система отдаст предпочтение.
06
Технический мост: RAG, GraphRAG и структурированные данные
Главная проблема большой языковой модели не только в уровне интеллекта. Проблема в источнике фактов.
LLM может убедительно формулировать, но сама по себе она не является надёжной базой актуальной реальности. Поэтому современная инженерная практика всё чаще строится вокруг связки: модель плюс внешний проверяемый источник данных.
На техническом языке это называется RAG — Retrieval-Augmented Generation. IBM определяет RAG как архитектуру, которая оптимизирует работу AI-модели, соединяя её с внешними базами знаний.
Один из вариантов работы с внешними данными — GraphRAG. Microsoft описывает свой подход как использование графов знаний для поиска и обобщения информации. Применимость и качество ответа зависят от данных, настройки и задачи.
Для бизнеса это меняет саму роль сайта.
Сайт может быть источником данных как в обычном тексте, так и в структурированной форме. Выбор способа извлечения зависит от конкретной системы.
Ясные описания компании, атрибутов, связей, документов и кейсов помогают подготовить материал для извлечения. Schema.org и JSON-LD — возможные инструменты такой подготовки, а не обязательное условие использования страницы любой RAG-системой.
Google прямо указывает, что использует структурированные данные для понимания содержания страницы и информации о сущностях: компаниях, людях, книгах и других объектах.
JSON-LD помогает явно описать сущности и их свойства. Разметка сама по себе не гарантирует снижение затрат ИИ, приоритет источника или включение сайта в ответы. Её применимость нужно проверять в конкретной системе и задаче.
07
Акт III: Data Evidence Layer как ответ на новую среду
В Акте III мы ввели Data Evidence Layer — доказательный слой цифрового актива.
В прикладном смысле DEL — это подготовка бизнеса к среде, где AI-системы, поисковые ассистенты, RAG-контуры и графы знаний всё чаще работают не с обещаниями, а с извлекаемыми фактами.
Простая формула DEL:
PROJECT61 / DATA EVIDENCE LAYER
FORMULA
Claim
→
Fact
→
Source
→
Artifact
→
Connection
→
Status
→
Machine Readability

Доказательный слой превращает маркетинговое утверждение в проверяемый цифровой сигнал: факт должен иметь источник, артефакт, связь, статус и машиночитаемую форму.

Такая логика уже закреплена в BK Site Watch: доказательный слой превращает заявление в проверяемый цифровой сигнал, а сама связка включает факт, источник, артефакт, структурную связь и актуальный статус.
Это и есть принципиальный сдвиг.
Недостаточно написать: «мы производим», «мы поставляем», «мы экспертны», «нам доверяют», «у нас есть опыт».
Нужно связать утверждение с проверяемым основанием:
страницей;
документом;
карточкой товара;
параметром;
кейсом;
изображением;
внешним источником;
структурированной сущностью;
актуальным статусом;
разметкой, пригодной для машинного чтения.
То, что мы называем доказательным слоем, на техническом уровне выражается через структуру страниц, Schema.org, JSON-LD, entity graph, внутренние связи, источники, документы и актуальные статусы.
08
Номенклатура цифрового контура: зачем нам собственный язык
Когда среда меняется, старых слов становится недостаточно.
«Сайт», «SEO», «контент», «презентация», «бренд» — это слишком широкие термины. Они не объясняют, как именно цифровая среда считывает компанию, где возникает доверие, где сигнал теряется, как утверждение связывается с фактом и почему один бизнес попадает в поле выбора, а другой остаётся цифровой тенью.
Поэтому в Бизнес-Классе была собрана Номенклатура цифрового контура.
В ней цифровой контур описан как связанная система сайта, источников и внешнего следа, по которой цифровая среда считывает компанию; Data Evidence Layer — как доказательный слой, связывающий утверждения бизнеса с фактами, источниками и цифровыми артефактами; BK Site Watch — как технический контур наблюдения за целостностью страниц и Schema.org-разметки.
Важна не сама терминология, а её инженерная функция.
Номенклатура фиксирует границы понятий, чтобы они не растворялись в маркетинговой трактовке. Каждый термин получает прикладную роль, системную связь и место в общей архитектуре.
Согласованные названия и описания помогают связывать сведения о компании. Граф — один из возможных способов их представления. AI-системы могут работать и с обычным текстом; отсутствие графа само по себе не исключает бизнес из ответов.
BK.NOM.61 / DEFINED TERM SET
PUBLISHED LAYER
Опубликованный терминологический слой БК
НАЗНАЧЕНИЕ

Синхронизация человека, сайта, поисковой системы и AI-среды на одном наборе сущностей.

01
Цифровой контур
система сайта, источников и внешнего следа
02
Data Evidence Layer
доказательный слой цифрового актива
03
Trust-Protocol 61
стандарт цифрового доверия
04
Proof-layer
связка утверждений с проверяемыми артефактами
05
Machine Readability
пригодность данных к машинному считыванию
06
AI-репутация
сигналы доверия в AI-среде
07
Site Watch
наблюдение за целостностью цифрового контура
СТАТУС

Опубликованный терминологический слой БК.

09
Что мы можем раскрыть из собственных полигонов
Мы не раскрываем внутренние методики полностью. Это было бы некорректно по отношению к клиентам, закрытым проектам и коммерческим режимам.
Часть наблюдений опубликована в открытом контуре БК. Дополнение от 07.10.2026: публичный AI-полигон агентства.
В Акте I опубликован фрагмент внутреннего лога «Гравитация 61» за 2024–2026 годы. Его категории описывают наблюдавшиеся авторами сценарии. Этот фрагмент не является независимым исследованием эффективности и не даёт основания обещать рост вероятности выбора клиенту.
На странице BK Site Watch раскрыт технический слой наблюдения: доступность URL, скорость отклика, наличие JSON-LD-разметки, TTL, semantic hash, integrity status и режим проверки без персональных данных.
На странице аудита цифровой видимости зафиксировано, что первичный срез смотрит не на внешний вид сайта, а на открытую цифровую пригодность страницы: техническую базу, смысловую читаемость и доверительный контур.
Эти материалы показывают, как Бизнес-Класс описывает собственный подход. Авторские публикации не заменяют независимую проверку результатов.
Мы не просто говорим: «бизнесу нужен доказательный слой». Мы показываем собственный доказательный слой: Акты, полигоны, номенклатуру, Site Watch, Trust-Protocol 61, опубликованные логи и прикладные маршруты.
10
Как решения БК закрывают причинную цепочку
Как рабочую гипотезу для подготовки данных мы используем следующую последовательность:
проверка утверждений → указание источников → согласование структуры → проверка извлечения в выбранной системе → наблюдение за изменениями. Пригодность этой последовательности и её эффект проверяются отдельно в каждом проекте.
Эта последовательность помогает объяснить предмет предлагаемых работ Бизнес-Класса.
Аудит цифровой видимости показывает, какие сигналы сайт уже передаёт цифровой среде, а где он теряет понятность, доверие и машиночитаемость.
BK Site Watch фиксирует первичный открытый слой: технические сигналы, смысловую читаемость, Schema.org и JSON-LD, коммерческие признаки, доказательные сигналы и актуальность.
Project61 работает с цифровой пригодностью бизнеса: не просто с тем, есть ли сайт, а с тем, может ли компания быть распознана как самостоятельный, проверяемый и устойчивый субъект.
Data Evidence Layer переводит заявления в связку: claim, fact, source, artifact, connection, status, machine readability.
Trust-Protocol 61 — авторская рабочая методика Бизнес-Класса для рассмотрения цифрового контура и оснований доверия. Это не общепринятый стандарт и не сертификат признания компании внешними поисковыми или AI-системами.
Номенклатура цифрового контура фиксирует общий язык системы: цифровой контур, цифровое доверие, DEL, proof-layer, Trust-Protocol 61, машинное считывание и AI-репутацию.
Так решения БК перестают выглядеть как набор услуг.
Это маршрут:
диагностика → структура → источники и основания утверждений → проверка машиночитаемости → наблюдение. Влияние на доверие, видимость и обращения оценивается отдельно.
11
Что это значит для бизнеса
Бизнесу не нужно повторять гонку Big Tech. Ему не нужно строить дата-центры, покупать GPU-кластеры или пытаться создать собственную языковую модель.
Его задача другая: собрать инфраструктуру собственной доказуемости.
В старой логике компания конкурировала за внимание.

В новой логике ей нужно конкурировать ещё и за пригодность к извлечению, сопоставлению и проверке.
12
Финальная фиксация
Инфраструктурная гонка ИИ не доказывает, что искусственный интеллект окончательно победил.
Она не доказывает и то, что искусственный интеллект провалился.
Она показывает масштаб инфраструктурных обязательств. Вывод о том, как это повлияет на качество данных и выбор источников, остаётся предметом исследования.
Устранение неподтверждённых утверждений — практическая редакционная задача независимо от стоимости вычислений.
Для работы с AI-ассистентами и поиском полезно проверять доступность, ясность и согласованность сведений. Структура и источники не исключают ошибок моделей и не гарантируют цитирование или коммерческий результат.
Поэтому вопрос уже не в том, использует ли бизнес искусственный интеллект.
Вопрос в том, сможет ли искусственный интеллект корректно использовать данные самого бизнеса.
«Наш практический вывод — связывать важные утверждения о бизнесе с доступными основаниями и проверять, как эти сведения извлекаются. DEL остаётся авторским подходом, который требует проверки в конкретных условиях. Инвестиции Big Tech и внутренние наблюдения БК не доказывают универсальную эффективность методологии и не гарантируют попадание компании в системы отбора».
Редакционная проверка формулировок: 15.10.2026. Финансовые сведения приведены по отчётам компаний за указанные в источниках периоды; выводы о Project61 и DEL являются авторской интерпретацией, а не независимым подтверждением результата.

Место фиксации: Полигон 61.

Метка фрагмента: RQ.61.BK.LEMMA_DEL_VALIDATION
Буглакова Евгения Васильевна