Автор оригинала: Cuy Sheffield, вице-президент Visa и руководитель криптобизнеса
Компиляция: Saoirse, Foresight News
По мере того как криптовалюты и ИИ постепенно созревают, важнейшие преобразования в этих двух областях уже не являются «теоретически возможными», а «надёжно реализуемыми на практике». В настоящее время обе технологии преодолели ключевые пороги, достигнув значительного повышения производительности, однако уровень их практического внедрения остаётся неравномерным. Именно этот разрыв между «производительностью и распространённостью» лежит в основе ключевых тенденций развития 2026 года.
Ниже приведены несколько ключевых тем, которые я отслеживаю в долгосрочной перспективе, а также первоначальные размышления о направлениях развития технологий, областях накопления стоимости и о том, «почему конечные победители могут кардинально отличаться от пионеров отрасли».
Тема 1: Криптовалюты трансформируются из спекулятивного класса активов в качественную технологию
Первое десятилетие развития криптовалют характеризовалось «спекулятивным преимуществом» — их рынок был глобальным, непрерывным и высоко открытым, а высокая волатильность делала торговлю криптовалютами более динамичной и привлекательной, чем традиционные финансовые рынки.
Однако в то же время базовые технологии ещё не были готовы к массовому применению: ранние блокчейны были медленными, дорогими и недостаточно стабильными. За исключением спекулятивных сценариев, криптовалюты почти никогда не превосходили существующие традиционные системы по стоимости, скорости или удобству.
Сейчас этот дисбаланс начинает выравниваться. Технология блокчейн стала быстрее, экономичнее и надёжнее, а наиболее привлекательные сценарии применения криптовалют сместились от спекуляций к инфраструктуре — особенно в области расчётов и платежей. По мере того как криптовалюты становятся более зрелой технологией, центральная роль спекуляций будет постепенно ослабевать: они не исчезнут полностью, но перестанут быть основным источником стоимости.
Тема 2: Стейблкоины — это явный результат «чистой практической полезности» криптовалют
Стейблкоины отличаются от прежних нарративов о криптовалютах: их успех основан на конкретных, объективных критериях: в определённых scenarios стейблкоины быстрее, дешевле, имеют более широкий охват, чем традиционные платёжные каналы, и при этом seamlessly интегрируются в современные программные системы.
Стейблкоины не требуют от пользователей воспринимать криптовалюты как «идеологию», их применение часто происходит «неявно» в рамках существующих продуктов и рабочих процессов — это позволяет учреждениям и компаниям, которые ранее считали криптоэкосистему «слишком волатильной и непрозрачной», наконец-то чётко понять её ценность.
Можно сказать, что стейблкоины помогают криптовалютам заново закрепиться на основе «практической полезности», а не «спекулятивности», и устанавливают чёткий ориентир для «того, как криптовалюты могут успешно внедряться».
Тема 3: Когда криптовалюты становятся инфраструктурой, «способность к дистрибуции» важнее «технологической новизны»
В прошлом, когда криптовалюты в основном играли роль «спекулятивного инструмента», их «дистрибуция» была внутренней — новые токены могли естественным образом накапливать ликвидность и внимание, просто «существуя».
Когда же криптовалюты становятся инфраструктурой, их сценарии применения смещаются с «рыночного уровня» на «продуктовый уровень»: они встраиваются в платёжные процессы, платформы и корпоративные системы, и конечные пользователи часто не осознают их присутствия.
Этот сдвиг чрезвычайно выгоден двум типам субъектов: во-первых, компаниям, имеющим существующие каналы дистрибуции и надёжные отношения с клиентами; во-вторых, учреждениям, обладающим regulatory permits, системами compliance и инфраструктурой управления рисками. Одной лишь «новизны протокола» уже недостаточно для масштабного внедрения криптовалют.
Тема 4: ИИ-агенты обладают практической ценностью, их влияние выходит за рамки сферы программирования
Практическая полезность ИИ-агентов (Agents) становится всё более очевидной, но их роль часто misunderstood: наиболее успешные агенты — не «автономные decision-makers», а «инструменты, снижающие координационные издержки в рабочих процессах».
Исторически это наиболее ярко проявлялось в области разработки программного обеспечения — инструменты-агенты ускоряли эффективность coding, debugging, refactoring и настройки environments. Однако в последние годы эта «инструментальная ценность» значительно распространилась на更多 областей.
Возьмём, к примеру, такие инструменты, как Claude Code: хотя он позиционируется как «инструмент для разработчиков», его быстрая популярность отражает более глубокую тенденцию: системы-агенты становятся «интерфейсом для knowledge work», а не ограничиваются только programming. Пользователи начинают применять «рабочие процессы, управляемые агентами» для исследований, анализа, написания текстов, планирования, обработки данных и operational tasks — эти задачи ближе к «универсальной профессиональной работе», чем к традиционному программированию.
Ключевым является не само «ambient coding», а лежащая в его основе модель:
- Пользователь делегирует «целевое намерение», а не «конкретные шаги»;
- Агент управляет «контекстной информацией» across files, tools и tasks;
- Рабочий режим смещается от «линейного продвижения» к «итеративному, диалоговому».
В различных видах knowledge work агенты擅长 (хороши) в сборе контекста, выполнении ограниченных задач, сокращении handoffs процессов, ускорении итерационной эффективности, но всё ещё имеют shortcomings в области «open-ended judgment», «accountability» и «error correction».
Поэтому в настоящее время большинство агентов, используемых в production-сценариях,仍需 (всё ещё нуждаются) в «ограничении scope, надзоре,嵌入 (встраивании) в системы», а не в полностью independent работе. Реальная ценность агентов проистекает из «реконфигурации workflows knowledge work», а не из «замены劳动力» или «достижения полной автономии».
Тема 5: Узкое место ИИ сместилось с «интеллектуального уровня» на «степень доверия»
Интеллектуальный уровень моделей ИИ быстро вырос, и теперь ограничивающим фактором является не «отдельная беглость языка или способность к reasoning», а «надёжность в реальных системах».
Production-среда не терпит трёх types проблем:一是 (во-первых) «галлюцинации» ИИ (генерация ложной информации),二是 (во-вторых) inconsistency результатов输出,三是 (в-третьих) непрозрачность режимов failure. Как только ИИ затрагивает customer service, денежные операции или compliance, результатов «приблизительно правильных» уже недостаточно.
Для建立 (установления) «доверия» необходимы четыре основы:一是 (во-первых) traceability результатов,二是 (во-вторых) наличие memory способности,三是 (в-третьих) verifiability,四是 (в-четвёртых) способность actively暴露 (обнаруживать) «неопределённость». Пока эти способности не станут достаточно зрелыми, автономность ИИ должна быть limited.
Тема 6: Systems engineering определяет, может ли ИИ быть внедрён в production-сценариях
Успешные ИИ-продукты рассматривают «модель» как «компонент», а не «готовый продукт» — их надёжность проистекает из «архитектурного design», а не «optimization подсказок».
«Архитектурный design» здесь включает state management, control flow, системы evaluation и monitoring, а также механизмы обработки failures и recovery. Именно поэтому развитие ИИ如今 (сегодня) всё больше приближается к «traditional software engineering», а не к «передовым theoretical исследованиям».
Долгосрочная стоимость будет склоняться к двум типам субъектов:一是 (во-первых) system builders,二是 (во-вторых) владельцы платформ, контролирующие workflows и каналы distribution.
По мере того как инструменты-агенты расширяются из области coding в research, writing, analysis и operational процессы, важность «systems engineering» будет further highlighted: knowledge work往往 (часто) сложна, зависит от state информации и contextually dense, что делает более ценными агентов, «способных reliably управлять memory, tools и iterative процессами» (а не仅仅 (только) генерировать output).
Тема 7: Противоречие между открытыми моделями и centralized control порождает нерешённые проблемы governance
По мере усиления возможностей систем ИИ и их интеграции с экономической сферой, вопрос «кто владеет и контролирует самые мощные модели ИИ» вызывает核心 (ключевое) противоречие.
С одной стороны, исследования в авангарде ИИ остаются «capital-intensive» и подвержены влиянию «доступа к compute power, regulatory policy и геополитики», что приводит к growing концентрации; с другой стороны, open-source модели и инструменты, подстёгиваемые «широким experimentation и удобством deployment», продолжают iterative optimization.
Это сосуществование «концентрации и открытости» породило ряд нерешённых вопросов: риски зависимости, auditability, прозрачность, долгосрочная переговорная сила и control над关键 (критической) инфраструктурой. Наиболее вероятным outcome является «гибридная модель» — передовые модели推动 (продвигают) прорывы в technological capabilities, а открытые или semi-open системы затем integrate эти capabilities в «широко distributed software».
Тема 8: Programmable money催生 (порождает) новые payment flows для агентов
Когда системы ИИ functioning в рабочих процессах, у них растёт потребность в «экономическом interaction» — например, оплата услуг, вызов API, оплата вознаграждения другим агентам или settlement «взаимодействий на основе объёма использования».
Эта потребность вновь привлекла внимание к «стейблкоинам»: их рассматривают как «machine-native money», обладающую programmability, auditability и способностью transferred без human intervention.
Возьмём, к примеру, такие «протоколы для разработчиков», как x402: хотя они всё ещё находятся на ранней стадии experimentation,但他们 указывают (указывают) на вполне определённое direction: payment flows будут работать в форме «API», а не традиционных «checkout pages» — это позволит software агентам осуществлять «непрерывные, granular transactions» между собой.
В настоящее время эта область仍显 (всё ещё остаётся) незрелой: small объемы transactions, грубый user experience, системы security и permissions всё ещё совершенствуются. Но инновации в инфраструктуре往往 (часто) начинаются именно с таких «ранних исследований».
Стоит отметить, что смысл заключается не в «автономности ради автономности», а в том, что «когда software может programmed совершать transactions, становятся возможны новые economic поведения».
Заключение
Будь то криптовалюты или искусственный интеллект, на ранних стадиях развития предпочтение отдавалось «привлекающим внимание концепциям» и «технологической новизне»; на следующем этапе «надёжность», «способность к governance» и «способность к distribution» станут более важными competitive измерениями.
Сегодня сама технология уже не является основным ограничивающим фактором, «встраивание технологии в реальные системы»才是关键 (является ключевым).
На мой взгляд, отличительной чертой 2026 года станет не «какая-либо прорывная technology», а «постепенное накопление infrastructure» — эти设施 (объекты), quietly работая, также незаметно重塑 (переформатируют) «способы flow стоимости» и «模式 работы».
