Перестановки в AI-руководстве Google: что они могут изменить для рынка и продуктов

Google объявил о заметной перестройке руководства AI-направления. Демис Хассабис уходит с позиции CEO Google DeepMind, становится председателем подразделения и главным научным сотрудником Alphabet. Новым руководителем DeepMind назначен бывший CTO Корай Кавукчуоглу. Параллельно после 27 лет в компании Google покидает Джефф Дин: он запускает AI-стартап Discovery Loop вместе с несколькими бывшими исследователями Google.

На первый взгляд это обычная ротация людей с очень длинными и сложными должностями. Но для рынка важнее распределение ответственности: кто отвечает за фундаментальные исследования, кто — за скорость поставки продуктов, а кто теперь будет создавать новые компании за пределами Google.

Разделение науки и операционного управления

Переход Хассабиса в роли председателя DeepMind и главного научного сотрудника Alphabet выглядит как попытка освободить одного из ключевых исследовательских лидеров от ежедневного операционного управления. Его заявленный фокус — AGI и долгосрочные исследования.

Это логичная конструкция для корпорации масштаба Alphabet. Фундаментальная наука требует горизонта в годы, а продуктовые команды живут релизными циклами, качеством ответов, стоимостью инференса, безопасностью и интеграцией в уже существующие сервисы.

Но сама по себе организационная схема не решает основное противоречие. Пользователь не оценивает красоту исследовательской стратегии: он сравнивает, насколько хорошо AI помогает найти информацию, подготовить документ, написать код или выполнить задачу в рабочем процессе.

Поэтому назначение отдельного CEO DeepMind можно читать как сигнал о повышенном запросе на управляемое исполнение. Корай Кавукчуоглу, ранее занимавший позицию CTO подразделения, получает прямое подчинение Сундару Пичаи. Вероятно, это должно сократить дистанцию между разработкой моделей, инфраструктурой и решениями на уровне всей компании.

Почему это важно на фоне конкуренции моделей

Перестановки происходят в период, когда OpenAI и Anthropic задают высокий темп в публичном восприятии рынка генеративного AI. Одновременно появляются сообщения о задержках с новыми моделями Gemini. Не стоит превращать кадровые новости в прямое доказательство проблем: внешнему наблюдателю неизвестны реальные причины, сроки и внутренняя логика релизов.

Однако контекст имеет значение. В AI гонке недостаточно быть сильными в исследованиях. Нужно регулярно превращать исследования в продукты, понятные пользователю и бизнесу. Причём делать это в нескольких измерениях сразу:

• повышать качество моделей и надёжность ответов;
• снижать стоимость и задержки при использовании;
• давать разработчикам стабильные инструменты и документацию;
• встраивать AI в массовые сервисы без ухудшения базового опыта;
• объяснять рынку, где заканчивается демонстрация и начинается практическая ценность.

У Google для этого редкое преимущество: огромная инфраструктура, собственные чипы, облако, Android, Workspace, поиск и рекламные продукты. Но преимущество дистрибуции работает только тогда, когда функция действительно решает задачу. Насильно встроенный AI быстро становится ещё одной кнопкой, которую команда отключает в настройках.

Уход Джеффа Дина — не только кадровая новость

Джефф Дин — один из наиболее известных инженеров Google, и его уход после 27 лет работы символически важен. Вместе с бывшими коллегами он запускает Discovery Loop. О конкретном продукте и стратегии стартапа пока корректнее говорить осторожно: публичных деталей может быть немного.

Для индустрии здесь интереснее сам паттерн. Крупные AI-лаборатории остаются центрами концентрации талантов, вычислительных ресурсов и данных. Одновременно они становятся источником новых независимых компаний. Люди, работавшие над базовыми моделями, инфраструктурой или исследовательскими процессами, уходят с пониманием нерешённых задач и с сильными профессиональными сетями.

Это повышает конкуренцию не только за модели, но и за специалистов. Большим компаниям придётся удерживать исследователей не одним лишь доступом к кластерам: важны автономия, скорость принятия решений, понятная миссия и возможность видеть результат своей работы в продукте.

На мой взгляд, уход таких фигур — не обязательно признак кризиса конкретной компании. Скорее это естественный эффект зрелого, перегретого и очень капиталоёмкого рынка: часть сильных команд хочет строить ставку с нуля, а инвесторы готовы эту ставку финансировать.

Что отслеживать маркетологам, аналитикам и продуктовым командам

Не стоит принимать управленческие назначения за сигнал немедленно менять AI-стратегию. Для практиков важнее последующие действия Google в продукте.

Во-первых, темп и качество обновлений Gemini: не только результаты бенчмарков, но и работа на реальных корпоративных сценариях, мультимодальность, контроль данных и предсказуемость стоимости.

Во-вторых, развитие AI-функций в поиске. Именно здесь изменения способны сильнее всего повлиять на SEO, медиамодели и измерение спроса. Если ответы AI забирают часть простых информационных запросов, бизнесу потребуется ещё внимательнее работать с брендом, экспертным контентом, продуктовой ценностью страниц и конверсиями, а не только с видимостью в выдаче.

В-третьих, интеграции в Workspace, Cloud и рекламную экосистему. Для многих компаний ценность AI возникает не в отдельном чате, а внутри привычного процесса: в отчёте, таблице, CRM, редакторе, аналитическом запросе или рекламной кампании.

В-четвёртых, прозрачность измерений. Чем больше AI участвует в поиске, создании креативов и автоматизации кампаний, тем важнее сохранять контроль над инкрементальностью, качеством лидов, атрибуцией и бизнес-метриками. Удобный интерфейс не заменяет эксперимента.

Практический вывод

Кадровая перестройка Google DeepMind интересна не именами сама по себе, а возможным разделением двух контуров: долгосрочной науки и дисциплины поставки продуктов. Получится ли у Google ускорить второй контур, покажут релизы, качество интеграций и реакция пользователей — не пресс-релизы.

Для digital-команд разумная позиция сейчас — не выбирать «победителя» AI-гонки по новостям. Нужнее собрать 3–5 повторяемых сценариев, где AI можно проверить на своей экономике: подготовка контента, анализ данных, поддержка, работа с креативами, поиск знаний. Зафиксировать базовые метрики, провести ограниченный тест и оценить не впечатление от модели, а изменение времени, качества и результата.

В AI особенно легко увлечься громкими анонсами. Но конкурентное преимущество обычно получает не тот, кто раньше всех обсудил смену CEO, а тот, кто раньше построил измеримый рабочий процесс.