Google притормозил Gemini 3.5 Pro. Что происходит со всей гонкой моделей

В мае, на Google I/O, Sundar Pichai показал Gemini 3.5 Pro как флагман нового поколения — с окном контекста на 2 миллиона токенов, режимом глубоких рассуждений DeepThink и обещанием выхода в июне. Июнь прошёл. Модели нет до сих пор.

По данным Bloomberg, ссылающегося на десять нынешних и бывших сотрудников компании, причина — не безопасность и не галлюцинации, а банально код: результаты по генерации кода не дотягивают до внутренних целевых показателей. В конце июня Google даже обновил обучающие данные модели специально под эту проблему — и результат снова разочаровал. Акции Alphabet после публикации отчёта просели почти на 3%.

Публично компания это признаёт крайне обтекаемо: тестируем Pro-версию, выпускает обновлённую Flash-модель и другие системы вместе с партнёрами и государством. Даты нет. По состоянию на конец июля топовой доступной моделью линейки остаётся Gemini 3.1 Pro Preview — версия годичной давности по меркам ИИ-рынка.

Почему это не просто «Google не успел»

Интереснее всего не сама задержка, а то, что её объясняет. Отчёты называют внутреннюю раздробленность компании: над собственными инструментами для кодинга параллельно и независимо друг от друга работают Google Cloud, DeepMind и команда Android. Это дублирование усилий и конкуренция за одни и те же вычислительные мощности внутри одной корпорации. Сейчас компания пытается свести всё это в единую платформу — но такая реорганизация не делается за квартал.

Есть и вторая, более человеческая причина: внутри компании часть инженеров придерживается пуристской позиции — важный код должен писать человек, а не модель, ради соответствия внутренним стандартам качества. При этом, по данным на апрель, около 75% нового кода в Google уже генерируется ИИ и лишь утверждается инженерами — рост с 50% прошлой осенью. Это ровно то напряжение, в котором сейчас живут вообще все продуктовые команды, которые внедряют ИИ-кодинг: между «давайте ускоримся» и «давайте не сломаем то, что работает».

Сам Pichai публично признавал, что Google отстаёт именно в агентном кодинге — то есть не в разовой генерации сниппета, а в способности модели самостоятельно вести сложную многошаговую задачу. Это ровно тот класс задач, который сейчас определяет конкуренцию на рынке.

Гонка моделей больше не про один впечатляющий релиз

Ещё год-полтора назад цикл был простым: лаборатория анонсирует модель, показывает бенчмарки, все обсуждают, следующая лаборатория повторяет цикл. Сейчас ставки выросли на порядок — окна контекста считаются миллионами токенов, агентные сценарии требуют устойчивости на десятках последовательных шагов без потери цели, а конкуренты не ждут, пока кто-то донастроит модель.

Пока Gemini 3.5 Pro застрял на этапе внутреннего тестирования, OpenAI 9 июля выпустила заточенную на кодинг GPT-5.6 Sol, а модели линейки Claude Opus продолжают лидировать в ряде оценок именно по разработке. Рынок не будет вежливо ждать, пока один из игроков разберётся с внутренней организацией труда.

Это иллюстрирует более широкую вещь, которая пока недооценена: конкурентное преимущество в ИИ-гонке всё меньше зависит от того, у кого самая большая модель, и всё больше — от того, у кого внутри компании меньше организационного трения между командами, которые эту модель делают и обучают. Google — крупнейшая техкомпания на рынке с огромным ресурсом, и даже она спотыкается именно на координации, а не на исследовательской мощности.

Что это значит для тех, кто строит продукт на этих моделях

Три практических вывода для бизнеса, который выбирает модель под свой продукт или процессы:

Дорожная карта вендора — это не обязательство. Публично анонсированная дата релиза флагманской модели может сдвинуться на месяцы без предупреждения, даже если модель уже показывали на конференции и использовали внутри компании. Планировать продуктовый роадмап вокруг конкретной будущей модели конкретного вендора — рискованная стратегия.

Разрыв между «модель хороша на бенчмарках» и «модель готова для продакшена» — это реальность, а не абстракция. Google обновляла тренировочные данные специально под код и всё равно не прошла собственную внутреннюю планку. Если крупнейшая лаборатория с огромным ресурсом спотыкается об этот разрыв, у любой команды есть смысл закладывать его в свои ожидания при выборе модели под конкретную задачу.

Мультимодельная стратегия — это уже не подстраховка, а рациональный дефолт. Привязка продукта к одному вендору означает, что задержка или откат релиза на его стороне становится вашей проблемой без вашего на то согласия. Компании вроде образовательной платформы Platzi уже переключались с моделей Google на модели Anthropic из-за производительности, качества структурированных данных и цены — и таких переключений на рынке будет больше, а не меньше.

Задержка Gemini 3.5 Pro — не история про то, что у Google «не получилось». Это история про то, что конкуренция в ИИ перешла в фазу, где выигрывает не тот, кто первым покажет впечатляющую демонстрацию на конференции, а тот, кто быстрее превращает эту демонстрацию в стабильно работающий продукт. Для рынка это хорошая новость: означает, что дальше конкуренция будет только жёстче, а значит — дешевле и качественнее для тех, кто эти модели использует.

Больше про LLM и AI — в нашем Telegram-канале (@devgeek_sh). Разбираем новые модели, делимся опытом и полезными находками.