MapReduce的发展趋势与弊端可以分点表示和归纳如下：

发展趋势：

1. 持续的大数据处理需求：随着数据量的不断增长，MapReduce作为处理大规模数据集的有效工具，其需求将持续增加。
2. 技术改进与优化：为了提高MapReduce的性能和效率，研究人员和开发者们将持续进行技术改进和优化，如减少数据传输开销、提高资源利用率等。
3. 应用场景的拓展：MapReduce不仅应用于大数据分析和数据挖掘，还将拓展到更多领域，如人工智能、机器学习等。
4. 与其他技术的融合：MapReduce将与流处理、图计算等其他大数据技术融合，形成更加完善的数据处理生态。

弊端：

1. 数据处理模式的限制：MapReduce模型通常包括Map和Reduce两个阶段，对于一些需要多层嵌套或频繁迭代计算的任务，这种模式可能显得笨拙。
2. 资源利用率低：在MapReduce模型中，有时会出现一些任务的计算量远大于其他任务的情况，导致资源利用率的不均衡。
3. 数据传输开销大：在Reduce阶段，大量的中间计算结果需要在不同的节点间进行传输和交换，导致大量的数据传输开销。
4. 难以处理实时数据：MapReduce模型更适用于批处理场景，对于需要实时计算和响应的应用场景来说，其延迟较高。
5. 复杂性：尽管MapReduce提供了高级抽象，但对于开发人员来说，编写和调试MapReduce作业仍然是一项复杂的任务。需要熟悉MapReduce的编程模型和框架，并理解分布式计算的概念和原理。
6. 磁盘IO开销：在MapReduce中，数据需要在Map和Reduce阶段之间进行磁盘IO，这可能会导致性能瓶颈。

综上所述，MapReduce作为一种处理大规模数据集的有效工具，在大数据领域有着广泛的应用。然而，它也存在一些弊端，如数据处理模式的限制、资源利用率低、数据传输开销大等。因此，在使用MapReduce时，需要根据具体的应用场景和需求进行权衡和选择。