Будущее описывается сотнями отчётов, графиков и прогнозов, но почти никто не читает их целиком. Мы сделали это за вас: собрали корпус ключевых тренд- и foresight-репортов 2026 года, оценили их качество, отобрали наиболее значимые, разобрали каждый из них на конкретные утверждения о будущем и превратили этот массив данных в визуальные карты.

Так появился Unspoken Futures — проект о том, из каких идей складывается наше коллективное представление о будущем. С помощью визуализаций Trend Radar, Consensus vs Contention и Pressure Roadmaps мы зафиксировали точки согласия и зоны напряжения, возникающие между разными источниками.

Unspoken Futures — проект об идеях, из которых мы собираем образ общего будущего. О том, где мы не договариваемся — и не договариваем.

Здесь можно подробнее вчитаться в методологию, а ниже — изучить визуализации и ознакомиться с нашими выводами.

Мы начали с папки тренд- и foresight-репортов, собранной независимыми исследователями (Amy Daroukakis, Ci En Lee, Gonzalo Gregori, Iolanda Carvalho). Мы взяли её как базу, затем проверили полноту корпуса и добавили недостающие отчёты, которые нашли самостоятельно.

В результате получился каталог из 184 аналитических отчётов и прогнозов на 2026 год с унифицированными метаданными. Для каждого репорта мы зафиксировали издателя, географию, индустрии и тематические теги.

Этот каталог стал исходной точкой: дальше на его основе мы провели оценку качества источников и отобрали репорты для извлечения данных и построения визуализаций.

📎 Папка c отчетами (Amy Daroukakis, Ci En Lee, Gonzalo Gregori, Iolanda Carvalho)

📎 Таблица с метаданными по корпусу

Все репорты из каталога мы оценили по методологии AACODS — инструменту для оценки качества серой литературы. Каждая буква в AACODS соответствует отдельному критерию: Authority, Accuracy, Coverage, Objectivity, Date, Significance.

В нашем исследовании мы оценивали Authority, Accuracy, Coverage и Objectivity по трёхбалльной шкале 0 / 1 / 2, затем считали средний балл для каждого отчета. Критерии Date и Significance мы не применяли: Date — потому что корпус изначально формировался из актуальных тренд-репортов, а Significance — потому что все источники были одинаково ценны на этом этапе. Для дальнейшей работы мы отобрали только репорты с средним баллом 2.0 или 1.8.

📎 AACODS Methodology Checklist

Дальше мы взяли каждый отобранный репорт и вручную разобрали его на claims — чёткие утверждения о будущем, в формате «что изменится/произойдёт», с указанием предполагаемого временного горизонта.

Из каждого репорта мы извлекали 10–20 ключевых утверждений (в зависимости от длины и плотности текста); если потенциальных утверждений было больше, мы оставляли те, которые сформулированы наиболее конкретно и лучше подкреплены аргументацией внутри репорта.

Сначала мы фиксировали сырые значения так, как они встречаются в тексте (формулировки тем, акторов, географий, типов доказательств и т.д.) c помощью Gemini 3 Flash и Heptabase, а затем нормализовывали данные через словари нормализации (набор правил и соответствий, которые мы составили заранее и дополняли по мере работы) вручную. Это позволило объединять разные формулировки одного и того же понятия в единые категории и корректно считать частоты, кластеры и пересечения.

Визуализации мы собирали итеративно. Сначала делали черновые прототипы в Google Colab на Python: считали нужные агрегации и метрики, тестировали правила размещения точек/кластеров и проверяли, что логика визуализации корректно отражает данные. После этого мы фиксировали финальную логику, переносили их в веб-формат и верстали интерактивную версию вместе с Claude Code.

Trend Radar — это карта утверждений из отчётов.
Одна точка — одно утверждение. Положение точки показывает о чём и когда это утверждение: сектор по кругу — primary topic (экономика, AI, безопасность и т.д.), а расстояние от центра — горизонт времени (от “сейчас/0–1” к 1–3, 3–5 и 5–10+ лет). Чем больше точек в секторе и на кольце, тем чаще источники говорят о теме и в этом горизонте.

Цвет точки — уровень уверенности источника, а ниже — фильтры: можно сузить карту по типу утверждения (forecast / warning / recommendation и т.д.), secondary topic, актору и затронутой сущности — чтобы видеть, какие именно группы утверждений формируют картину будущего.

Эта карта показывает, о каких будущих изменениях говорят аналитические отчёты и насколько источники между собой согласны.

Каждая точка — это кластер утверждений о будущем, близких по смыслу. Ось X отражает уровень консенсуса: слева — темы, где источники расходятся в оценках направления, скорости или последствий, справа — где между ними есть устойчивое согласие. Ось Y — ожидаемый impact: чем выше точка, тем сильнее потенциальное влияние этих идей на экономику, технологии, общество или институты. Размер точки показывает объём кластера (сколько claims в него вошло), цвет — зону карты: Mainstream Futures (высокий impact и высокий консенсус) и Contested Futures (высокий impact при низком консенсусе).

Consensus Score измеряет степень согласия между источниками через четыре независимых компонента. Первый — directional alignment (50% веса) — проверяет, говорят ли утверждения в кластере об одном и том же направлении изменений: если 80% claims предсказывают рост (increase), а 20% — спад (decrease), это низкое согласие; если 95% говорят об одном направлении — высокое. Второй — source diversity (20%) — считает разнообразие независимых источников: мы берём поле support_sources (на какие исследования ссылается каждое утверждение), считаем сколько уникальных источников упомянуто в кластере, и проверяем не доминирует ли один источник слишком сильно — если 30 claims ссылаются на 25 разных исследований, это высокая diversity; если все 30 ссылаются только на McKinsey — низкая. Более того, если один источник внутри кластера то поддерживает рост, то спад, мы штрафуем за противоречие. Третий — confidence convergence (15%) — смотрит на уверенность авторов: если все claims в кластере помечены как "high confidence" или все как "low", это сходимость оценок; если половина "high", половина "low" — расхождение. Четвёртый — temporal consistency (15%) — проверяет согласованность временных горизонтов: утверждения про 2026-2027 год vs 2030 и далее формируют разные ожидания, и если в кластере смешаны краткосрочные и долгосрочные прогнозы, консенсус падает. Итоговый Consensus Score — это взвешенная сумма четырёх компонентов, нормализованная от 0 до 1. Высокий консенсус (>0.6) означает, что институциональное сообщество движется в одном направлении с похожими оценками и сроками, но не гарантирует правоту — история полна примеров коллективных заблуждений экспертов.

Impact Score отвечает на вопрос: насколько серьёзный сигнал о будущем несёт это утверждение, независимо от того, согласны ли с ним многие? Здесь мы считаем пять компонентов, опираясь на принципы evidence-based foresight. Первый и главный — source reliability (40% веса) — использует AACODS-рейтинг институции. Второй — evidence type (входит в те же 40%) — различает утверждения, основанные на количественных данных ("data": полный балл), экономических моделях ("model": 0.75), экспертных оценках без цифр ("expert opinion": 0.5), и общих предположениях ("general": 0.25) — чем конкретнее доказательная база, тем выше вес. Третий — author confidence (25%) — напрямую использует поле confidence_signal: "high" даёт 1.0, "medium" — 0.6, "low" — 0.3; если сами авторы не уверены, мы снижаем вес утверждения. Четвёртый — temporal urgency (20%) — оценивает срочность через поле time_horizon: прогнозы на 2025-2027 получают максимальный балл (1.0), на 2028-2030 — средний (0.6), на 2030 и далее — минимальный (0.3), потому что краткосрочные прогнозы операционально важнее для принятия решений сегодня. Пятый — scale of impact (15%) — смотрит на географический охват (geo_scope): "global" получает 1.0, "regional" — 0.7, "national" — 0.5, "local" — 0.3 — глобальные тренды критичнее локальных.

Карта из 420 утверждений распределилась между двумя зонами высокого воздействия: 11 кластеров попали в Mainstream Futures (правый верхний квадрант) — это темы, где надёжные источники согласны между собой, формируя устойчивые ожидания о ближайших 1-3 годах. Сюда вошли трансформация бизнес-процессов топ-компаниями через AI, рост синтетических данных до 80% обучающих датасетов, инвестиции в AI-инфраструктуру масштаба $100+ млрд.

9 кластеров оказались в Contested Futures (левый верхний квадрант) — здесь сигнал о важных изменениях сильный (надёжные источники, данные, краткосрочные горизонты), но направление или масштаб эффекта остаются предметом спора. Автономные AI-агенты, отчётность по Scope 3 выбросам в цепочках поставок, всплеск энергопотребления дата-центров — по этим темам институциональное сообщество расходится: одни видят революцию, другие эволюцию, третьи риски без отдачи. Это критические развилки, где нужна работа со сценариями, потому что реальность может пойти по разным траекториям.

Ни один кластер не попал в нижние квадранты (Settled Truths и Noise & Speculation). Это артефакт выборки: мы анализировали флагманские отчёты крупных институций за 2025-2026 годы, которые по определению фокусируются на значимых трендах.

Это две карты — для людей и организаций. Они показывают, какие «давления» и сдвиги чаще всего повторяются в тренд-отчётах, и когда именно эти изменения, по мнению источников, будут проявляться.

Данные были агрегированы по принципу: для каждой комбинации (стейкхолдер × временной период × тема) мы подсчитали количество утверждений, определили доминирующее направление изменения и создали краткое саммари на основе содержания утверждений.

Визуализация построена на принципе временной развёртки: пять колонок представляют временные горизонты от ближайшего будущего (0-1 год) до отдалённого (10+ лет), внутри каждой колонки показаны топ-5 наиболее значимых тем для данной группы стейкхолдеров.

Карточки тем кодируются цветом по направлению изменения (красный для роста, жёлтый для сдвига, зелёный для возникновения нового и т.д.), размер индикатора отражает количество claims, а цветная полоска слева идентифицирует подгруппу стейкхолдеров. Интерактивность позволяет переключаться между режимом "All" (видны все подгруппы одновременно с цветными маркерами) и фокусировкой на конкретной группе, при наведении на карточку появляется саммари с кратким описанием паттерна изменений.

Ключевая ценность метода — возможность увидеть волны трансформации и концентрации давления во времени: когда много карточек собирается в одном горизонте, это сигнализирует о критическом периоде адаптации. Ограничения включают зависимость от полноты исходных данных (карты отражают только те утверждения, что есть в отчётах), потерю нюансов при агрегации и субъективность при создании саммари.

Институциональный дискурс демонстрирует структурную асимметрию: о корпоративных трансформациях говорят в 3.6 раза больше, чем о влиянии на людей (162 vs 45 утверждений), при этом с консенсусом в 1.6 раза выше (consensus score 0.841 vs 0.514) — но на доказательной базе в 1.3 раза слабее (evidence score 0.562 vs 0.750).

Кластер с самым высоким консенсусом (0.84) — «AI pivots from cost-cutting to growth driver» — построен на 8 утверждениях от 5 институций: McKinsey, PwC, WTW, EY, Internal Audit Foundation. Все это — консалтинговые компании, обслуживающие корпоративных клиентов. Из восьми утверждений только шесть основаны на expert opinion (экспертных оценках), одна не имеет доказательств вообще, и только одно подкреплено данными.

Для сравнения: кластер «AI-driven workforce cuts» (консенсус 0.51) содержит 28 утверждений от 15+ институций разного типа — правительства (OECD, European Commission), академия (University of Sydney), международные организации. 14 из 28 утверждений основаны на конкретных данных: опросах McKinsey, статистике Bureau of Labor Statistics, исследованиях OECD.

Консалтинговый сектор производит знание о корпорациях через узкий круг похожих институций, генерируя высокий консенсус на слабых доказательствах. Правительства и академические организации описывают влияние на людей через разных стейкхолдеров, создавая низкий консенсус при сильных доказательствах. Первое позиционируется как «Mainstream Futures», второе — как «Contested Futures». Но именно в contested зоне больше данных, больше источников и более сложная картина реальности.

Pressure Maps подтверждают паттерн, но уже на контрасте дискурса об организациях и людях: Organizations демонстрируют 48% positive claims при 68% high confidence, Workers — 35% positive при 38% high confidence.

Дискурс о будущем труда раскалывается на две несовместимые реальности, разделённые не объективными данными, но структурой их производства и интерпретации. С одной стороны, корпоративный нарратив о позитивной трансформации: 48% positive claims при 68% high confidence, основанный преимущественно на expert opinion от консалтинга (Deloitte, McKinsey, PwC — 40 из 75 claims про Organizations). С другой — не самая позитивная реальность, но построенная на значительно более сильной доказательной базе (Evidence Score 0.750 vs 0.562), производимой правительствами и академией (OECD, EU Commission, University of Sydney — 29 из 26 claims про Workers).

Парадокс усугубляется тем, что именно кластер с наибольшим количеством данных — «AI-driven workforce cuts» — демонстрирует самый низкий консенсус (0.514). 28 утверждений этого кластера, половина из которых основана на конкретных данных (опросы McKinsey, статистика Bureau of Labor Statistics, исследования OECD), не сходятся в единую картину. Внутри одного кластера сосуществуют зеркальные прогнозы: 32% респондентов McKinsey предсказывают сокращение штата на 3%+, тогда как 13% того же источника — рост на 3%+. 69% австралийских руководителей уверены, что AI «поглотит» entry-level работу, и одновременно утверждается, что AI skills увеличат зарплаты на 29%. Consensus score 0.514 статистически усредняет эти противоположные позиции, маскируя реальную войну интерпретаций за фасадом «умеренного разногласия».

При этом обе реальности обрываются примерно на одном горизонте: 53% утверждений об организациях и 58% утверждений о работниках концентрируются на горизонте 1-3 лет, а промежуток в 5-10 лет почти пуст для обоих. Будущее заканчивается там, где заканчиваются текущие инвестиционные циклы и бюджетные модели — примерно в 2028-2029 году. Институциональное воображение не простирается дальше финансовых горизонтов.

Географическая оптика добавляет третье измерение расхождения. Корпоративные трансформации описываются абстрактно-глобально: Кластер «AI strategy shift» на 100% состоит из «global» claims, создавая нарратив неизбежности. Влияние на Workers конкретизируется через локальные рынки труда: только 39% утверждений обозначены как global, остальные фрагментированы по регионам — US (32%), EU (11%), Australia (7%), OECD countries (7%). «Глобальность» корпоративного действия противопоставляется партикулярности человеческих последствий. Workers страдают в конкретных национальных рынках труда с их специфическими законами, разрывах в квалификации и локальными решениями о паузе в найме новых сотрудников.

Недоговорённость этого раскола — не пробел знания, но структурная необходимость институционального дискурса. Консалтинг не может признать слабость своей доказательной базы, правительства не могут навязать единую интерпретацию данных о Workers, не игнорируя легитимность множественных стейкхолдеров. Между этими двумя режимами производства знания возникает зона структурной слепоты: мы знаем, что 77% профессионалов сообщают об увеличении рабочей нагрузки с приходом AI, что вакансии, требующие минимального опыта, исчезают, что безработица в США достигнет 4.5% к середине 2026. Но мы не договариваем вслух, что эти данные опровергают корпоративный нарратив об экономическом росте. Параллельные реальности труда существуют не потому, что мы не знаем истину, но потому, что истина институционально невыразима.

Из 420 утверждений о будущем подавляющее большинство (более 60%) сконцентрировано в горизонте 1-3 года. Горизонт 5-10 лет практически пуст — туда попадают единичные утверждения, преимущественно с низкой уверенностью.

Институциональное сообщество — McKinsey, Gartner, OECD, European Commission, Fidelity, J.P. Morgan — коллективно отказывается заглядывать дальше 2028-2029 года. При этом те же институции уверенно говорят о «трансформации», «революции», «фундаментальном переустройстве». Но конкретные прогнозы заканчиваются там же, где заканчивается текущий инвестиционный цикл.

Никто не берётся описать, как будет выглядеть мир после того, как AI действительно «трансформирует всё». Есть подробные прогнозы инвестиций, но что может случиться, когда эти системы заработают в полную силу — не проговаривается.

Один из самых показательных результатов исследования — кластер, связанный с ответственным использованием AI. Формально он попадает в зону Contested Futures: уровень консенсуса здесь средний (0.565), однако ожидаемый impact высокий (0.758), а уверенность источников — исключительная (0.880).

Это сочетание сигнализирует не о неопределённости, а о переходном моменте. Внутри одного временного окна фиксируются два противоположных движения: корпорации сворачивают добровольные инициативы — сокращают команды Responsible AI, сужают пространство для ESG-инициатив, — в то время как регуляторы, напротив, усиливают обязательные требования. Важно, что значительная часть этих утверждений относится не к будущему, а к уже произошедшим изменениям: половина утверждений в кластере зафиксирована в горизонте 0–1 год.

Доказательная база этого кластера тоже симптоматична. Около четверти утверждений опираются на прямые данные — законодательные акты, регуляторные решения, формальные изменения правил. Остальные в основном основаны на экспертных оценках, но в отличие от корпоративных AI-кластеров, здесь expert opinion не создаёт вдохновляющий нарратив, а фиксирует институциональный откат. Высокая уверенность авторов связана не с единством интерпретации, а с очевидностью самого факта: эпоха добровольного движения к ответсвенному AI заканчивается.

Самое важное остаётся непроговорённым. По данным корпуса, лишь около 52% компаний имеют полноценные программы развития ответственного AI. Разрыв между риторикой и практикой не проблематизируется как системный риск. В результате возникает временное окно: в 2025–2028 годах внедрение AI ускоряется быстрее, чем формируются устойчивые институциональные ограничения и механизмы контроля. Добровольные инициативы уже демонтируются, обязательные ещё не выстроены, а дискурс продолжает говорить о «ответственной трансформации», не связывая эти элементы в единую модель. Это и есть непроговорённое будущее — период, когда ответственность (надеемся, временно) оказывается ничьей.

Кластер, описывающий рост энергопотребления дата-центров, оказывается одновременно одним из самых спорных по консенсусу (0.518) и одним из самых важных по системному воздействию. Это означает, что вопрос затрагивает сразу несколько ключевых систем — экономику, климат и рынок труда — и не складывается в единый нарратив. Разные типы институций видят лишь отдельные фрагменты проблемы: техно-аналитики говорят об инфраструктурной осуществимости, финансы — о масштабах инвестиций и доходности, регуляторы — о требованиях к раскрытию данных. Но ни один из акторов не связывает эти элементы в целостную модель.

Факты при этом известны и зафиксированы. Инвестиции в AI-инфраструктуру исчисляются сотнями миллиардов долларов в год; энергопотребление дата-центров уже сегодня формирует значительную долю роста глобального спроса на электричество. Параллельно в том же временном окне ужесточаются климатические требования: Scope 3 emissions признаются основной частью корпоративного углеродного следа, вводятся обязательные режимы раскрытия данных в США и ЕС. Эти два процесса — масштабное наращивание AI-инфраструктуры и усиление климатического регулирования — происходят синхронно, описываются одними и теми же институциями, но аналитически существуют в разных плоскостях. В корпусе нет ни одного утверждения, которое прямо связывало бы инвестиции в AI-дата-центры с их вкладом в Scope 3 emissions.

Географическое измерение лишь усиливает это противоречие. В дискурсе энергопотребление AI описывается как глобальное явление, но реальные возможности реагирования на него радикально различаются. Китай наращивает генерирующие мощности и получает структурное преимущество по стоимости энергии. США вынуждены модернизировать устаревшую инфраструктуру, что требует крупнейших в истории капитальных вложений. Европа пытается одновременно обеспечивать энергетическую безопасность, соблюдать климатические цели и удерживать фискальные ограничения. Эти различия напрямую влияют на глобальное развёртывание AI, но не артикулируются как часть стратегической проблемы: AI по-прежнему подаётся как «глобальный» и бесшовный процесс, не зависящий от региональных энергетических и климатических ограничений.

Недоговорённость этого кластера не в отсутствии осознания, а в отсутствии согласования известных фактов. Hyperscalers (главные инвесторы в AI) публично декларируют амбициозные климатические цели — carbon-free или carbon-negative в горизонте ближайших лет — и одновременно инвестируют в инфраструктуру, энергопотребление которой сопоставимо с целыми странами. В отчётах регулярно упоминаются возобновляемая энергия и power purchase agreements, но нигде не появляется математика: сколько именно новых генерирующих мощностей требуется, за какое время они могут быть построены, и как будет обеспечена стабильность сетей. Проблема видна уже сейчас — большинство утверждений относятся к горизонту 1–3 года, — но решения не проектируются дальше текущего инвестиционного цикла. Энергетический «слон в комнате» не скрыт: он подробно описан. Он остаётся непроговорённым потому, что его признание потребовало бы синтеза — а синтез разрушил бы удобный нарратив AI как безусловной технологической возможности, не требующей политического и климатического выбора.

Garden Research — платформа и медиа о практике исследования в новом мире. Мы объединяем эпистемические методы и экспериментальные подходы, чтобы развивать исследовательские практики за пределами академических границ.

Мы создаём это пространство для тех, кто хочет развивать исследовательскую грамотность, ориентироваться в сложности и строить устойчивые системы системы управления знаниями.

Свяжитесь с нами, чтобы получить доступ к полным датасетам из этого исследования или обсудить ваш проект:

📎 e-mail: angelina@gardendigital.eu

📎 tg: t.me/angzay

📎 Подписаться на нас