В октябре 2026 года сообщество InfoQ выпустило ежегодный отчет
AI, ML and Data Engineering Trends, в котором представлены ключевые тенденции в области искусственного интеллекта, машинного обучения и инженерии данных.
InfoQ — это международное сообщество для инженеров, архитекторов и технических лидеров, которое проводит конференции QCon и Dev Summit, выпускает статьи, подкасты и аналитические отчеты о развитии технологий, инженерной культуры и практик в индустрии. Отчет подготовлен редакцией InfoQ совместно с ведущими экспертами индустрии, среди которых Srini Penchikala, Chip Huyen, Daniel Dominguez, Hien Luu и Arthur Casals. Для визуализации технологий в отчете используется модель Джеффри Мура Crossing the Chasm, которая показывает, какие практики находятся на стадии экспериментов у новаторов (Innovators), какие начинают активно внедрять (Early Adopters), какие становятся массовыми (Early Majority), а какие уже закрепились как стандарт в индустрии (Late Majority).
В 2026 году отмечено 49 технологий, из них 15 в категории Innovators, 15 в Early Adopters, 11 в Early Majority и 8 в Late Majority. По
сравнению с 2025 годом добавлено 18 новых технологий, 16 технологий сменили категорию и 15 технологий перестали упоминаться.
Практики на стадии экспериментов (Innovators):- Agent-to-Agent Protocols — стандартизация взаимодействия между AI агентами и мультиагентными системами;
- Agent Security and Governance — обеспечение безопасности и управление AI агентами;
- Voice Agents — создание голосовых AI агентов;
- Specialized Decision Models (например, Jev от TypeSafeAI) — использование специализированных детерминированных моделей для быстрого и экономичного принятия решений;
- Vision Language Models — объединение компьютерного зрения и языковых моделей в единой модели;
- Inference Engines (vLLM, SGLang, llm-d) — запуск и эксплуатация собственных сервисов инференса для open-weight моделей;
- AI Gateways — централизованное управление доступом, маршрутизацией и политиками обращений к моделям;
- GraphRAG — генерация ответов AI с использованием графов знаний в качестве источника контекста;
- Harness Engineering — построение среды исполнения агентов (harness) с управлением памятью, контекстом, исполнением кода и инструментами;
- Spec-Driven Development — разработка на основе спецификаций, которые служат контекстом для AI агентов;
- AI Software Factories — автоматизация полного жизненного цикла разработки с помощью AI, от анализа требований до генерации кода и pull request;
- LLMOps / GenAIOps — эксплуатация и управление большими языковыми моделями и генеративными AI системами;
- Physical AI / Embodied AI — внедрение AI в роботизированные и физические системы;
- Digital Twins for Robotics — использование цифровых двойников для симуляции и обучения роботов;
- Brain-Computer Interfaces — создание интерфейсов прямого взаимодействия мозга и компьютера.
Практики, которые начинают активно внедрять (Early Adopters):- AI Agents / Agent Orchestration — построение и оркестрация AI агентов и мультиагентных систем;
- Agentic Coding / Autonomous Software Engineering — использование AI агентов для автономного выполнения задач разработки;
- Agent Observability — внедрение практик наблюдаемости за работой AI агентов;
- Inference Optimization and Model Routing — оптимизация инференса и маршрутизация запросов между моделями;
- Small Language Models (SLMs) — использование малых языковых моделей для специализированных задач;
- Reasoning Models — разработка моделей с расширенными возможностями рассуждения и планирования;
- AI Evaluations for Models and Agents — оценка качества моделей и агентов по результату выполнения задачи, стоимости, времени и безопасности;
- LLM-as-Judge — использование LLM для оценки результатов работы других моделей и агентов;
- Explainable AI — построение интерпретируемых и объяснимых моделей AI;
- Virtual Reality (VR/AR/MR/XR) — применение технологий виртуальной и дополненной реальности в продуктах с AI;
- Cognitive Services — использование готовых когнитивных сервисов (обработка речи, текста, изображений);
- Edge AI Inference — запуск инференса моделей на edge устройствах;
- Model Context Protocol (MCP) — стандартизация обмена контекстом между моделями и инструментами;
- Multimodal AI — объединение текста, изображений, аудио и видео в единой модели;
- AI DevOps / AI-powered SRE — применение AI в DevOps и SRE для поддержки, диагностики и эксплуатации систем.
Практики, которые становятся массовыми (Early Majority):- Generative AI / Large Language Models (LLMs) — применение генеративных моделей и больших языковых моделей;
- Context Engineering — управление контекстом, который получают модели и агенты, включая отбор источников, права доступа и сжатие контекста;
- Retrieval-Augmented Generation (RAG) — генерация ответов AI с использованием внешних источников данных;
- Knowledge Graphs — построение и использование графов знаний;
- MLOps — применение практик эксплуатации и сопровождения ML-моделей;
- Vector Databases — использование векторных баз данных;
- Data Contracts — заключение контрактов на данные для повышения качества и согласованности;
- Data Observability — внедрение практик наблюдаемости и контроля качества данных;
- Graph Data Analytics — проведение аналитики на основе графов данных;
- Synthetic Data Generation — генерация синтетических данных для обучения моделей;
- Open Table Formats (OTFs) — внедрение открытых форматов таблиц (Iceberg, Delta, Hudi).
Практики, ставшие стандартом в индустрии (Late Majority):- Automated Machine Learning (AutoML) — автоматизация построения и оптимизации ML-моделей;
- Image Recognition (Computer Vision) — применение технологий компьютерного зрения для распознавания изображений;
- Digital Assistants — внедрение цифровых ассистентов в продукты и сервисы;
- Data Mesh — построение децентрализованной архитектуры управления данными;
- Stream Processing and Analytics — использование потоковой обработки и аналитики данных;
- Recommendation Engines — разработка и внедрение рекомендательных систем;
- Lakehouses — внедрение архитектур, объединяющих Data Lake и Data Warehouse;
- Spark — применение Apache Spark для обработки и аналитики больших данных.
Основные технологии из отчета InfoQ AI, ML and Data Engineering Trends 2026 приведены ниже: