🤖 Датаист

Как ИИ-агенты объединяются в рой, управляют устройствами и предсказывают ваши желания — топ-10 исследований ИИ за октябрь 2025 В октябре 2025-го разработчики создали рой из десятков ИИ-агентов, которые учатся друг у друга, видят мир вашими глазами, управляют устройствами, общаются «мыслями» вместо слов, а также помогают врачам и ученым — разбираемся, как работают все эти чудеса. 1. От хаоса данных к управляемому знанию: как ИИ-агенты помогают бизнесу принимать точные решения Enterprise Deep Research превращает поиск по корпоративной базе знаний в прозрачный процесс без галлюцинаций с помощью специальных поисковых агентов, демонстрируя лучшее качество на задачах, требующих длинных аналитических рассуждений. 🔍 Подробнее | 📜 Полная статья | 💾 Код 2. Как агент учится на ходу: почему память оказалась сильнее дообучения Оказывается, агенты могут улучшаться прямо в процессе работы без изменения весов моделей. Память фиксирует удачные стратегии и переносит этот опыт между задачами. Так на реальных офисных задачах улучшение достигает 20% точности. 🔍 Подробнее | 📜 Полная статья | 💾 Код 3. Как агенты учатся по видео на YouTube Агенты научились извлекать действия пользователя из видео и учиться на них. Это сильно повысило качество работы агентов, а точность распознавания действий на видео достигла 91,6%. Так YouTube-видео становятся новым источником данных для обучения компьютерных агентов. 🔍 Подробнее | 📜 Полная статья 4. Почему слова мешают ИИ-агентам понимать друг друга Что будет, если предложить агентам обмениваться информацией не текстом на естественном языке, а внутренними «мыслями»? Это устраняет лишний шум и повышает точность решения задач в мультиагентных сценариях. 🔍 Подробнее | 📜 Полная статья 5. Децентрализованный ИИ: как рой нейросетей побеждает большие модели Исследователи предложили использовать механизмы репутации, коллективного голосования и доказательства компетентности для создания безопасного децентрализованного роя агентов. Такая распределенная система становится устойчивой к шуму и кибератакам. 🔍 Подробнее | 📜 Полная статья 6. Графики по щелчку: как ИИ-агенты берут на себя работу дата-аналитика Агенты объединились в одну систему и впервые научились стабильно визуализировать корректные графики без галлюцинаций, достигая рекордных показателей на бенчмарках. 🔍 Подробнее | 📜 Полная статья 7. Как ИИ-очки предсказывают ваши желания прежде чем вы о них подумаете Помните J.A.R.V.I.S. из железного человека? Это проактивный ассистент, который сегодня становится реальностью: он видит мир через очки пользователя, подсказывает ему в момент сомнения, а также интерпретирует окружающий контекст и для вызова нужных агентов, исходя из ситуации. 🔍 Подробнее | 📜 Полная статья 8. Как управлять интернетом вещей с помощью LLM Исследователи создали шлюз между агентами и реальными устройствами: он обеспечивает стабильную работу с сенсорами и микроконтроллерами, выдерживая длительные стресс-тесты, и дает 100% успеха на основных задачах. 🔍 Подробнее | 📜 Полная статья | 💾 Код 9. ИИ в белом халате: как научиться ставить диагнозы в виртуальной клинике ИИ-агента поместили в симулированную виртуальную среду, где он учится принимать решения для постановки медицинских диагнозов: он выбирает обследования, формирует гипотезы и ставит правильные диагнозы. 🔍 Подробнее | 📜 Полная статья | 💾 Код 10. ИИ-ученый, который открывает законы природы без участия человека Японские ученые превратили ИИ в младшего научного сотрудника: он анализирует статьи, ищет ограничения, предлагает эксперименты и пишет новую научную статью. Модель не галлюцинирует и показывает уровень уверенного джуна. 🔍 Подробнее | 📜 Полная статья | 💾 Код Сегодня ИИ помогает нам в работе, науке, медицине, аналитике и даже в быту, подстраиваясь под контекст, который нас окружает. Агенты видят, понимают и дополняют нас там, где раньше не хватало времени, внимания или возможностей, чтобы мы могли сосредоточиться на главном – стратегии, творчестве и саморазвитии. 👉 Подробный обзор #исследования

Переход к новой экономике ИИ уже не просто автоматизирует процессы — он начинает регулировать саму экономику. Комплаенс — это нервная система экономического регулирования, и когда решения в ней принимает алгоритм, ИИ начинает определять правила финансовой системы. Я убедился в этом на прошлой неделе, выступая на международном форуме NextGen Payments & RegTech, где сотни представителей банков, финтеха и регуляторов обсуждали, как ИИ уже сегодня меняет финансовые институты. Я говорил о том, что ИИ-комплаенс становится не просто инструментом автоматизации, а новой формой регуляции — когда алгоритмы не подстраиваются под заданные нормы, а формируют их на основе исторических данных. Например, ИИ умеет выявить, что определенный тип транзакций в новом регионе связан с повышенным риском мошенничества, хотя ни в одном документе регулятора об этом еще не сказано. После этого регуляторы и банки начинают автоматически включать этот паттерн в свои требования — благодаря ИИ. Именно так формируется фундамент новой операционной модели финансовых институтов. На форуме меня впечатлил агент Рейчел от команды Vivox AI. Ее обучили выполнять задачи комплаенс-аналитиков: от противодействия отмыванию денег (AML) и мониторинга негативных новостей до проверки санкций и идентификации личности или бизнеса (KYC/KYB). Она берет на себя до 90% операционной нагрузки и повышает эффективность комплаенса на 80%. Интересный момент: когда компании публикуют вакансии комплаенс-специалиста в LinkedIn, Vivox AI первыми выходят к ним с предложением «нанять» Рейчел.  Понятная выгода и умный маркетинг делают свое дело: десятки корпораций уже усиливают свои комплаенс-команды с помощью Рейчел без найма дополнительных людей. У компаний появляется выбор: нанять человека или ИИ-агента, усиливающего текущую команду. Комплаенс-команды уже не справляются с растущим объемом регуляторных требований, а в AI-First модели человек становится не исполнителем, а менеджером ИИ-агентов, масштабирование которых ограничено лишь вычислительными мощностями — теперь это не организационный вопрос, а архитектурный. В итоге команда работает лучше, быстрее и дешевле, без увеличения штата и с огромным потенциалом масштабирования. И это касается не только комплаенса — по такому же принципу сегодня строятся решения для HR, маркетинга, продаж, разработки и других функций. Поэтому мы стоим на пороге новой экономики, где человек и ИИ действуют в синергии, достигая невиданных ранее бизнес-результатов. Однако ИИ-трансформация начинается не с технологий, а с изменения мышления. Чтобы войти в новую экономику, нужно научиться мыслить как архитектор систем. Именно поэтому мы совместно с AI Talent Hub запустили в ИТМО курс «Автоматизация бизнес-процессов с помощью ИИ-агентов». Я разработал программу, которая учит видеть компанию «рентгеновским зрением» — на уровне процессов и данных — и переводить ее в AI-First модель: от оценки ИИ-зрелости и формирования портфеля ИИ-проектов до разработки и внедрения ИИ-агентов. По итогам курса студенты получат автоматизированный бизнес-процесс, который смогут: внедрить в своей компании, продавать как готовое решение или построить на его основе собственное агентство — например, в маркетинге, разработке ПО и других сферах. Думаю такие компании постепенно будут вытеснять традиционные бизнесы и формировать новую экономику, где регуляция, прозрачность и доверие будут обеспечиваться алгоритмами. Добро пожаловать в эту дивную новую экономику. #мысли

ИИ против финансовых махинаций Индустрия финансов традиционно привлекательна для преступлений — там, где вращаются деньги, всегда появляются те, кто ищет способы их получить не совсем легальными способами. Именно поэтому финансовый сектор является одной из самых строго регулируемых отраслей в мире. Сегодня регуляторная среда меняется быстрее, чем компании успевают адаптироваться. Каждое новое требование может повлиять на продукты и процессы компании. Комплаенс-команды в финтехе часто не справляются с масштабом изменений, который выходит за пределы человеческих возможностей. Несвоевременное выполнение регуляторных требований может стоить банкам и компаниям потери лицензии и закрытию бизнеса, поэтому ИИ активно внедряется в процессы комплаенса. Когда-то в Сбере я даже курировал госпроект по анализу сложности банковского регулирования — поэтому хорошо понимаю, насколько важно применение ИИ в этой сфере. 6 ноября на 22-м международном форуме «NextGen Payments & RegTech» я выступлю экспертом от компании Unlimit в панельной дискуссии «Agentic AI in FinCrime». Расскажу о том, как ИИ трансформирует комплаенс и какие направления уже сегодня демонстрируют наибольший потенциал: Первое — мониторинг транзакций. Здесь ИИ повышает точность выявления подозрительных операций и снижает количество ложных срабатываний. Второе направление — KYC (Know Your Customer) и онбординг клиентов. ИИ помогает автоматизировать проверку личности и оценку рисков, используя данные из множества открытых и закрытых баз данных, санкционных списков и цифровых следов в интернете. Третье — регуляторная аналитика. Регуляторы ежедневно обновляют требования, напрямую влияющие на функционал продуктов. Здесь ИИ используется для автоматического мониторинга таких изменений, анализа их применимости и преобразования их в конкретные задачи для соответствующих команд. Однако внедрение ИИ в комплаенс сопряжено с двумя ключевыми проблемами. Первая — данные. Без качественных данных даже самые продвинутые алгоритмы не способны приносить пользу. Вторая — доверие. Чтобы ИИ стал реально полезным, комплаенс-специалисты должны понимать почему он принял то или иное решение. ИИ уже меняет саму операционную модель компаний и комплаенса в частности. Люди становятся операторами ИИ-агентов, а их новая роль — контроль, корректировка и дообучение агентов на реальных данных. Если вы на Кипре — буду рад встретиться 6 ноября в Лимассоле, в отеле Four Seasons. Для вас скидка 15% по промокоду «qube15». Регистрация — по ссылке. #анонс

Как ИИ обрабатывает 10 000 звонков в день и помогает операторам колл-центра лучше продавать Сегодня многие компании, попробовав разные решения для автоматизации холодных звонков, пришли к выводу, что продавать товары по телефону должны люди. Они поняли, что ценность ИИ в усилении оператора, а не в его замене. Возможность автообзвона с помощью ИИ звучит заманчиво, это позволило бы масштабировать продажи без привязки к количеству операторов, но на практике все не так радужно. В одном из пилотов с немецкой компанией я сделал так, чтобы система в около реальном времени обрабатывала возражения, извлекая ответы из базы знаний (RAG) и не перебивала клиента. Но из-за этого наблюдались задержки, и речь не ощущалась естественной. Также нужно учитывать европейский AI Act, который требует предупреждать, что клиент говорит с ИИ. Как вы думаете, сколько людей после этого кладут трубку? По оценкам аналитиков, 40% покупателей не готовы обсуждать серьезные покупки с ИИ из-за риска ошибок. Клиенты испытывают дискомфорт, когда разговор выходит за рамки стандартных сценариев. Поэтому важно не заменить оператора, а помочь ему лучше работать. Далее расскажу о своем кейсе в колл-центре с 10 000+ звонков в день, работающем в разных странах и на разных языках. Я начал со стратегии: проанализировал все бизнес-процессы — от персонализации офферов до аналитики звонков и обучения операторов. Затем мы определили приоритетные направления для внедрения ИИ с учетом критичности для бизнеса (влияние на продажи) и усилий, необходимых для внедрения, спроектировал архитектуру ИИ-системы и составил план реализации, начиная с модуля аналитики. Проблема была в том, что менеджерам нужно вручную прослушивать тысячи звонков, классифицировать их статус и выявлять ошибки в обработке возражений. Это плохо масштабировалось, а весь объем обработать было физически невозможно. Моя задача была построить ИИ-систему для ежедневного анализа всех звонков компании, чтобы обучить операторов лучше работать с возражениями для увеличения продаж. Я помог компании найти опытного ИИ-инженера, с которым мы построили систему ИИ-аналитики со следующими компонентами: 1. Транскрибация с помощью локальной модели Whisper, которая хорошо распознает речь даже на шумных записях. В итоге мы получаем чистый текст диалога оператора с клиентом для дальнейшей обработки. Все данные хранятся на внутренних серверах с соблюдением GDPR. 2. Следующим этапом идет классификация статусов звонков и ошибок при помощи o3-mini. Мы построили многоуровневое дерево классификаторов статусов и возражений, в котором у каждой ветки свой промпт со своим набором правил. На первом уровне промпт определяет общий статус, после чего мы переходим к соответствующей ветке дерева для уточнения категории. Так можно обрабатывать сотни статусов и ошибок со своими правилами, если они не помещаются в одном промпте. 3. Дашборд ежедневно показывает аналитику по регионам и где операторы совершают больше ошибок. Персональные рекомендации отдельных операторов генерируются по кнопке. 4. Главное — мы реализовали замкнутый цикл улучшения системы. Если оператор видит ошибку в статусе звонка, он пишет комментарий, а ИИ-инженер обновляет промпт с дополнительным правилом. Таким образом качество классификации статусов и возражений стало выше 80% и продолжает расти. И за счет этого у операторов всегда обновленный регламент работы с возражениями. В итоге получился новый формат гибридной работы человека и ИИ. Если раньше операторы вручную разбирали сотни звонков, то теперь ИИ ежедневно анализирует тысячи, а человек подключается только там, где система находит ошибки в обработке возражений, после чего формируются индивидуальные рекомендации. В перспективе планируется создание симулированного клиента для виртуального обучения, а также системы интерактивных подсказок, аналогичных тем, что используются в компьютерных играх. По сути, это уже не система контроля качества, а ИИ-наставник, который помогает учиться на собственных звонках. В этом кейсе ИИ делает человека сильнее, а не заменяет его. По крайней мере пока. #кейсы

Atlas: ИИ-браузер, который действует за вас Недавно OpenAI выпустила браузер Atlas, который понимает содержимое веб-страниц и кликает мышкой за вас: так он может писать письма, заполнять онлайн-формы и бронировать билеты. Atlas построен на базе движка Chromium, лежащего в основе браузеров Chrome и Edge. Он сохраняет привычные функции (вкладки, закладки и расширения), но дополняет их интеграцией с ChatGPT. Браузер доступен для macOS, а версии для Windows, iOS и Android выйдут позже. В OpenAI использование браузера называют «vibe lifing», то есть жизнь на вайбе. По аналогии с «vibe coding», когда мы описывали код словами, настал этап, когда мы описываем жизнь словами. И браузер начинает нас понимать. Раньше браузер был окном в цифровой мир, а теперь он становится нашим собеседником. Он может объяснить непонятную статью, сравнить товары и подсказать, что ответить в письме. Теперь каждый сайт — контекст для диалога с ИИ. Помимо этого, Atlas превращает интернет в учебную аудиторию, где обучение происходит не по расписанию, а в момент любопытства. Это значит, что новые знания рождаются прямо во время действия, когда человек сталкивается с интересующим вопросом и сразу получает ответ в контексте того, что делает. В Atlas можно запустить агентный режим, в котором ChatGPT действует от вашего имени. Он может искать товары и совершать покупки, переписываться с клиентами. С одной стороны это удобно, но с другой — опасно. Безопасники предупреждают, что такие агенты легко взламываются с помощью инъекции промтов: хакеру достаточно спрятать команду в картинке, чтобы ИИ выполнил ее — так он может открыть банковское приложение, получить пароль на почте и перевести деньги на счёт злоумышленников. ИИ не различает, где просьба пользователя, а где скрыта ловушка. Он просто выполняет команду, поэтому это превращает браузер в потенциальный троян. Журналисты протестировали Atlas, но остались разочарованы. Они жалуются на медленную работу браузера и блокировку множества сайтов. В агентном режиме добавление товаров в Amazon заняло 10 минут, а поиск авиабилетов — 16 минут. Atlas часто ошибается и кликает не туда. Выглядит будто ребенок учится есть ложкой — долго, неловко, но хоть что-то выходит. Atlas сталкивается не с технологическими, а с инфраструктурными барьерами. Сайты устарели и наполнились множеством мусорных данных. ИИ умеет думать, но не может пройти через сложности человеческого интернета. И пока люди живут в логике старых систем, даже самый умный браузер тупит на банальном бронировании ресторана, просто не сумев авторизоваться. OpenAI громко заявила о новой эпохе браузеров, но в этой гонке Google уже победила досрочно. Gemini встроен в Chrome и в Workspace. Google не делает новый интерфейс — он незаметно превращает старый в ИИ-платформу. Google — это уже существующая экосистема с миллиардами пользователями, поэтому у нее уже заранее выигрышная позиция. Появление Atlas — это сигнал того, что ИИ становится посредником между нашей мыслью и реальным действием. Но с этим приходит и новая ответственность. Если раньше нужно было знать, куда нажать, то теперь важно понимать, что ты просишь. ИИ выполняет команды буквально — и ошибка в формулировке становится ошибкой в реальности. Таким образом, привычный браузер может стать зеркалом нашего мышления. Вопрос лишь в том, кто в нем отражается. #новости

Как ИИ меняет науку, строит новую экономику и управляет дронами — топ-10 исследований ИИ за сентябрь 2025 В сентябре мы увидели появление федерации агентов — распределенной экосистемы, где модели обмениваются знаниями и решают задачи вместе. Сегодня такие системы учатся думать, исследовать, творить и даже управлять дронами. 1. Маленькая модель с большими возможностями: как K2-Think обыгрывает гигантов в математике и программировании Раньше LLM измеряли по размеру параметров. Сегодня — в умении рассуждать. K2-Think 32B показывает, что размер не имеет значения, а важна архитектура рассуждений. K2-Think соревнуется с моделями в 10 раз больше, но побеждает за счет мышления, а не массы. 🔍 Подробнее | 📜 Статья | 🤖 Модель 2. Агентная федерация: как мультиагентные системы учатся работать сообща Federation of Agents (FoA) учит ИИ самоорганизации — система подбирает агентов под задачи и формирует общее решение. На медицинском бенчмарке система показала 13-кратный рост эффективности. Это шаг к распределенному интеллекту, где агенты сотрудничают как клетки живого организма. 🔍 Подробнее | 📜 Статья 3. Агент-исследователь: как научить LLM работать с поиском в интернете InfoAgent делает ИИ-модель настоящим веб-детективом. Он планирует шаги, читает источники и проверяет факты. Так у ИИ рождается подобие критического мышления. 🔍 Подробнее | 📜 Статья 4. ИИ как соавтор: как агенты меняют науку прямо сейчас Научные агенты читают статьи, формулируют гипотезы, планируют эксперименты, анализируют результаты и исправляют ошибки. Это превращает систему в замкнутый цикл познания, в котором ученый становится стратегом. Цель — «Нобелевский тест Тьюринга», когда ИИ сделает открытие, равное человеческому. 🔍 Подробнее | 📜 Статья | 💾 Код 5. Умеют ли нейросети создавать игры? Проект V-GameGym учит ИИ создавать живые миры и оценивает не код, а «играбельность». Атмосфера получаемых игр — не сильная сторона ИИ. Но когда агенты объединяются в одну игровую студию, получается настоящее искусство. 🔍 Подробнее | 📜 Статья 6. Vision Language World Model: язык как картина мира VLWM объединяет зрение, язык и планирование в одну когнитивную систему. Она не генерирует пиксели, а предсказывает будущее словами. Так язык используется как инструмент предсказания. 🔍 Подробнее | 📜 Статья 7. ИИ-агенты выходят на рынок: как строится новая агентная экономика Агенты торгуют данными, распределяют ресурсы и конкурируют за выгоду своих владельцев. Но так возрастает риск цифрового неравенства. Исследователи предлагают встроить социальные стимулы, которые связывают выгоду с пользой. Так рождается экономика, где кооперация людей и машин становится фундаментом агентного мира. 🔍 Подробнее | 📜 Статья 8. RPG для кода: как ИИ собирает целые проекты с помощью графов Repository Planning Graph (RPG) превращает кодогенерацию в инженерное проектирование живого графа. ИИ понимает архитектуру и собирает репозитории до 36 000 строк с 81,5% покрытия тестов — вчетверо лучше базлайнов. RPG — язык архитектуры для машин. Именно так можно генерировать код для целых продуктов. 🔍 Подробнее | 📜 Статья 9. Увидел-указал-полетел: как управлять дронами без обучения с нуля Для управления дроном достаточно взгляда. Дрон получает изображение, а VLM сама вычисляет точку полета и избегает препятствий. Без дообучения метод SEE-Point-Fly (SPF) достигает 93,9% успеха в симуляции и 92,7% в реальности. Дрон летит туда, куда смотрит человек. Это новый язык взаимодействия, в котором пиксельная команда становится понятнее слов. 🔍 Подробнее | 📜 Статья | 💾 Код 10. Как мозг предсказывает следующее слово и при чём тут ИИ Ученые сравнили мозговые сигналы людей, слушающих аудиокниги, с прогнозами модели BERT. Там, где модель уверена — мозг меньше удивляется. Мозг и ИИ работают по-разному, но стремятся к одной цели — минимизировать неопределенность. 🔍 Подробнее | 📜 Статья Сегодня мы наблюдаем зарождение нового уровня кооперации между человеком и машиной, в котором гибридное мышление становится новым методом познания. 👉 Подробный обзор #исследования

Обучить или уволить? Как компании решают судьбу сотрудников в эпоху ИИ Мир находится на пороге, когда компании перестают экспериментировать с ИИ и начинают перестраивать саму архитектуру труда. И перестройка эта идет в том числе через увольнения. Fiverr уволила 30% сотрудников — всего несколько месяцев спустя после призывов CEO «использовать ИИ, чтобы не отстать от будущего». А CEO IgniteTech признался, что сократил 80% штата за «нелюбовь к ИИ». Вместо адаптации — попытка построить новую ИИ-культуру с нуля. Microsoft в 2025 году провела несколько волн оптимизации — минус 9 000 человек, в планах 15 000 человек до конца года. Все подано как инвестиции в ИИ. Accenture рассталась с 11 000 сотрудниками под лозунгом: «переучиваем только тех, кто способен переизобрести себя». Компания вкладывает сотни миллионов в развитие ИИ-навыков, но тех, кто не успевает, просто увольняют. То, что недавно казалось тревожным прогнозом, становится новой нормой. Ирония в том, что те же компании, которые обещали, что ИИ поможет людям работать эффективнее, теперь используют его как аргумент для увольнений. Но это не война человека и машины — это конфликт культур: между скоростью развития технологий и медленной человеческой адаптацией. Руководители требуют мгновенной перестройки, а сотрудники не понимают, зачем им этот «дивный новый мир», где нужно постоянно учиться новым инструментам. Недавнее исследование Йельского университета показало, что в масштабах экономики ИИ пока не вызвал катастрофических потерь рабочих мест. Но статистика запаздывает. Массовые сокращения, начавшиеся сейчас, — возможно, именно тот момент, когда цифры начинают догонять реальность. Я вижу ситуацию так: речь не о замене людей, а о переопределении того, что значит быть продуктивным в эпоху ИИ. Ни один фаундер, с которым я работал, не ставит целью сократить людей любой ценой. Цель — результат, эффективность, рост конкретных метрик. Достичь этого можно двумя путями: обучать сотрудников работать с ИИ или нанимать тех, кто уже умеет. Третьего варианта — «оставить все как есть» — больше не существует. Обучение требует времени и терпения. Человек может научиться — и тут же уйти, ведь его ценность растет. Нанимать готовых проще, но их мало. Сегодня они на вес золота, и за них идет борьба по всему миру. Многие компании выбирают второй путь, но это временное решение. Без внутреннего обучения они становятся зависимы от рынка, где цена на талант только растет, а люди быстро уходят. Людей нельзя заставить полюбить ИИ приказом сверху. Страх в этом случае плохая мотивация. ИИ должен приносить выгоду не только компании, но и сотруднику. Если корпорация экономит миллионы, а человек получает ту же зарплату, — это путь к выгоранию и саботажу. Нужны новые метрики эффективности, где учитывается личный вклад в развитие ИИ-экосистемы компании. Например, можно фиксировать, кто и сколько данных разметил для обучения моделей — и поощрять таких людей не только пряником, но и деньгами.

Логика проста: человек использует ИИ, чтобы делать больше, быстрее и лучше, а компания делится частью доходов.

Сегодня важно не противопоставлять человеческий и искусственный интеллект, а соединять их. ИИ блестяще анализирует данные, но креатив, эмпатия и этика остаются за нами. В природе интеллект — это сеть, которая имеет разные формы: муравьи строят сложные колонии, а осьминоги «мыслят щупальцами». И сегодня мы формируем новую сеть — гибридный интеллект, где человек и ИИ учатся работать вместе. Компании, которые поймут это, создадут новые формы совместного мышления — когда машина усиливает человека, а не заменяет его. Но и обучение — не обязанность работодателя, а ответственность самого сотрудника. Если ты хочешь оставаться востребованным, учись использовать ИИ не потому, что заставляют, а потому что это делает тебя сильнее. ИИ не отнимает работу — это делают управленцы, выбирающие путь увольнений. А ИИ дает шанс каждому стать лучшей версией себя — если мы готовы впустить его в свою работу и научиться думать вместе с ним. Таких людей не увольняют. Они сами выбирают где и с кем работать. #новости

Платформа данных в эпоху ИИ: как превратить хаос в единый источник истины Сегодня многие компании тонут в море информации. Объем данных растет быстрее, чем бизнес успевает обрабатывать: транзакции, документы, метрики, переписка. Все это хранится в десятках разрозненных систем. При этом именно данные становятся новой нефтью в эпоху ИИ. Чтобы использовать их в аналитике и ИИ-агентах, нужен прочный фундамент — корпоративная платформа данных. Разберемся, как ее построить. Эффективная работа с данными строится на принципах DataOps: 1. Сначала формируется карта процессов компании, далее модель данных и подключаются все источники. Данные можно разделить на структурированные и неструктурированные, а также выделить их векторные и графовые представления. Первые удобно хранить в табличных базах, вторые — в объектных хранилищах, векторные — в векторных базах, а графовые — в графовых. Чтобы объединить все базы в единую систему, используют архитектурные паттерны. Хранилище данных (DWH) собирает данные из разных баз для BI-отчетов и моделей. Озеро данных (Data Lake) хранит сырые данные, Lakehouse сочетает оба подхода. Фабрика данных связывает все слои через метаданные для единого управления, а подход Data Mesh распределяет ответственность за данные между бизнес-доменами. Для моделирования я часто использую концепцию Data Vault. Она делит данные на сущности, связи и атрибуты. Это упрощает интеграции, а в связке с Data Mesh команды быстро создают свои продукты, но остаются встроены в общую архитектуру. 2. Для работы системы нужна автоматизация. ETL/ELT-процессы автоматически извлекают, преобразуют и загружают данные, а диаграмма потоков данных и каталог данных описывают все данные и их потоки: это дает прозрачность и уверенность в их корректности. 3. Польза от данных возможна только при доверии к ним. Поэтому вокруг платформы строятся механизмы контроля качества и SLA. Отчеты должны обновляться вовремя, датасеты должны быть точными, а пайплайны мониториться — все это отражается в дашбордах качества данных. 4. Ключевая роль у дата-продуктов. Сырые данные бизнесу не нужны. Ему нужны структурированные данные в виде витрин для BI-отчетов и датасеты для моделей. Неструктурированные раскрываются через векторный поиск и RAG, а графовые формируют корпоративный граф знаний и GraphRAG — комбинацию графа и векторного поиска для более точных ответов агентов. 5. Чтобы эта база знаний была надежной, нужна система управления — Data Governance. Она задает управленческие механизмы и описывает метаданные. Data Lineage позволяет проследить путь данных от источника до отчета. Важно учитывать законы вроде GDPR или 152-ФЗ. Все данные классифицируются по уровням доступа: открытые (К4), корпоративные (К3), персональные (К2) и конфиденциальные (К1). Платформа также должна уметь шифровать персональные данные. 6. Но недостаточно построить пайплайны — важна стабильность работы, бэкапы и постоянный мониторинг. Современные системы умеют сигнализировать о сбоях и автоматически восстанавливать процессы. Это делает платформу похожей на живой организм, который сам реагирует на аномалии и поддерживает доверие к данным. Когда фундамент готов, на нем можно собирать ИИ-агентов. Например, пользователь может спросить: «Почему упали продажи продукта А?» — агент сам формирует SQL-запрос, ищет документы через RAG, подтягивает связи из графа знаний и выдает связный ответ. Это уже не статичный BI-отчет, а эксперт, который знает, куда смотреть. Из примеров могу вспомнить фабрику данных в Сбере. Там объединили десятки систем под одно управление. На этом фундаменте наша команда построила ИИ-ассистента для руководителя еще до появления ChatGPT. Он умеет оптимизировать календарь, используя табличные данные, искать нужные презентации векторным поиском и отвечать на любой корпоративный вопрос, используя графовую базу знаний. Такая платформа данных — единый источник истины, в котором информация из разных источников проходит автоматизацию, контроль качества и защиту, превращается в дата-продукты и становится надежным фундаментом для второго мозга руководителя. #технологии

Ожидания: ИИ-агенты в облаках. Реальность: данные в огненном хаосе.

Лидерство в эпоху ИИ: как адаптироваться к новой реальности Лидер — это не должность в оргструктуре. Это человек, который понимает точку А — где организация находится сейчас, и точку B — будущее, куда нужно прийти. Он строит маршрут и ведет команду. В эпоху ИИ это особенно важно: технологии меняют правила быстрее, чем когда-либо, и только тот, кто умеет смотреть вперед, способен вести за собой. Многие уже используют ИИ, но тут есть тонкий момент: сотрудник может высвободить время и заниматься личными делами. Какая мотивация повышать продуктивность, если задачу можно решить с ИИ за час, а менеджеру отчитаться, что ушли сутки? Так бизнес теряет потенциал роста. Поэтому задача лидера — личным примером показывать, как работать по-новому, и задавать стандарты. Принято думать, что ИИ — всего лишь инструмент. Но лидер в новую эпоху не только наставляет команду работать с ИИ, но и учится у него сам. ИИ может указать на когнитивные искажения, вскрывать слепые зоны и корректировать стиль управления. Так ИИ становится «вторым мозгом» организации. Компании будущего будут напоминать единый интеллект из людей и ИИ-агентов с общей базой знаний. В таких компаниях ценится разнообразие мышления. Все больше сотрудников открыто заявляют о своих нейроотличиях: аутизме, СДВГ, особенностях восприятия. В прошлом это считалось проблемой, а сегодня — новым ресурсом. Настоящий лидер умеет работать с этим ресурсом. Он не додумывает за человека, например, «раз он не смотрит в глаза, значит, не вовлечен», а задает прямой вопрос: «Как тебе удобнее получать обратную связь?», «В какой среде ты более эффективен?». Такие простые шаги создают атмосферу безопасности, где каждый раскрывает свой потенциал. Если раньше лидер был в центре внимания, то в будущем — наоборот, он может быть почти незаметен: ИИ-процессы работают сами. Появляется новый формат — компании из одного человека, где люди подключаются по мере необходимости. Ключевой навык лидера — самоосознанность: понимание своих ценностей, целей, сильных и слабых сторон. Сила в том, чтобы признавать свои слабости. Это создает доверие: команда видит, что руководитель не пытается быть сверхчеловеком, а умеет делегировать задачи людям и машинам. Компания Cisco превратила внедрение ИИ в совместный эксперимент. Более сотни команд вместе с менеджерами учились работать с ИИ. Через три месяца сотрудники стали вдвое чаще использовать его, а доверие к ИИ-ответам выросло с 62% до 91%. Секрет был в том, что лидеры относились к ИИ как к стажеру — проверяли, находили ошибки, корректировали и давали новые задания. Затем Cisco разложила каждую роль на задачи и предложила сценарии применения ИИ для всех сотрудников. В итоге изменилась не просто технология, а сама культура: ИИ стал частью работы каждого. На своем опыте я убедился: большинство людей не стремятся меняться. Старые привычки и страх ошибок мешают осваивать новое. Но тут действует простой закон: если лидер показывает, как работать с ИИ, это становится новой нормой. Те задачи, что раньше занимали день, теперь занимают час — и этот стандарт закрепляется в команде. Сегодня внимание — главный ресурс лидера. Люди и ИИ генерируют кучу артефактов и уведомлений. Легко утонуть в этом потоке данных, если не уметь выделять главное. Поэтому лидер учится сам и помогает команде расставлять приоритеты и управлять фокусом. Это новый тайм-менеджмент: только управление не часами, а вниманием. Лидер в эпоху ИИ — это человек, который видит точку B и ведет туда компанию. Он показывает, как технологии экономят время и помогают масштабироваться, создает культуру любопытства, доверия и безопасности. Он умеет управлять своим вниманием и вниманием команды, задает новые стандарты и не боится признавать свои слабости. Именно такие лидеры превращают ИИ из инструмента экономии времени в двигатель человеческого развития. Раньше лидер знал правильные ответы, а теперь — умеет задавать правильные вопросы и соединять разные точки зрения. #мысли

Почему ИИ галлюцинирует и как он учится управлять миром в матрице — лучшие статьи об ИИ за август 2025 ИИ все чаще ведет себя как человек: он рискует, хитрит, ошибается, но при этом чрезмерно уверен в себе. В прошлом месяце вышли исследования о том, как снизить галлюцинации моделей, как правильно использовать память для агентов и зачем им когнитивные карты, как построить мультиагентные системы без хаоса и что значит по-настоящему интерактивный мир для обучения ИИ. Давайте разбираться. 1. Почему LLM врут с умным видом Галлюцинации — это не баг, а следствие самих метрик обучения. Модели подталкивают к угадыванию, а не к честному ответу «я не знаю». Новая идея — добавить уровень уверенности и менять систему оценки так, чтобы стимулы смещались в сторону надежности. 🔍 Подробнее | 📜 Статья 2. Глубокие исследования без границ: выбираем свою LLM и управляем стратегией поиска Universal Deep Research отделяет стратегию поиска от модели: пользователь описывает алгоритм на естественном языке, а система превращает его в код. Это дает контроль, прозрачность и гибкость для любых исследовательских задач. 🔍 Подробнее | 📜 Статья | 💾 Код 3. Как дообучать LLM на лету с помощью памяти вместо файнтюнинга AgentFly показывает, что память может заменить дорогой файнтюнинг. Агент хранит опыт в кейсах и использует его для новых задач, постоянно обучаясь новому. 🔍 Подробнее | 📜 Статья | 💾 Код 4. Как построить мультиагентную систему, которая реально работает без магии и костылей AgentScope дает единый формат сообщений, память и прозрачные метрики. Теперь агенты могут сотрудничать, синхронизировать контекст и добиваться сложных целей. 🔍 Подробнее | 📜 Статья | 💾 Код 5. Как обучение с подкреплением перестраивает мышление LLM Метод HICRA учитывает иерархию рассуждений и учит модели отделять стратегию от исполнения. Это позволяет закреплять удачные планы и формировать настоящие навыки рассуждения. 🔍 Подробнее | 📜 Статья 6. Почему Text-to-SQL до сих пор ломается и как это исправить SQL-of-Thought помогает писать корректные SQL-запросы: модель сначала строит план, а потом пишет SQL. Диагностика ошибок делает систему стабильнее и дешевле. 🔍 Подробнее | 📜 Статья 7. Увидел-кликнул-победил: как UItron управляет компьютером по-человечески UItron учится видеть экран глазами пользователя и кликать как человек. Система собрала миллионы шагов взаимодействия пользователей и теперь умеет выполнять сложные сценарии в приложениях. Очень полезно для тестирования интерфейсов. 🔍 Подробнее | 📜 Статья | 💾 Код 8. ИИ как соавтор: как агенты меняют науку прямо сейчас Agentic Science описывает переход от «ИИ-инструмента» к «ИИ-ученому». Такие агенты формулируют гипотезы, планируют эксперименты и даже корректируют свои ошибки. 🔍 Подробнее | 📜 Статья | 💾 Код 9. Нажал — и мир двинулся: Matrix-Game 2.0 делает видео интерактивным в реальном времени Matrix-Game 2.0 всего на одной видеокарте создает потоковое видео в 25 fps, реагирующее на действия пользователя. Это открывает путь к интерактивным симуляторам для игр, робототехники и обучения агентов. 🔍 Подробнее | 📜 Статья | 💾 Код 10. Память для роботов: как машины учатся видеть мир осознанно BSC-Nav предлагает когнитивную карту с уровнями ориентиров и рабочей памятью. Роботы начинают строить маршруты, адаптироваться к сложной среде и даже готовить завтрак. 🔍 Подробнее | 📜 Статья | 💾 Код | 🎥 Видео ИИ учится мыслить стратегически: он планирует, запоминает, действует и учится на собственных ошибках. Но вместе с этой автономией встает ключевой вызов — суметь направить ее так, чтобы ИИ усиливал человеческий потенциал. Если нам удастся выстроить правильные стимулы, ИИ станет партнером в создании будущего — делая бизнес более эффективным, ускоряя научные открытия и помогая нам глубже понять самих себя. 👉 Подробный обзор тут. #исследования

Матрица бизнеса: архитектура компаний в эпоху ИИ Если лет 6 назад ИИ-трансформация была доступна только корпорациям, то сегодня она по силам любой компании, которая хочет оставаться конкурентоспособной в новой экономике. Одни компании проходят трансформацию успешно, другие — с трудом. Поэтому расскажу о главных проблемах и как их решить на основе практического опыта. Цель трансформации проста: внедрить ИИ во все процессы компании, чтобы снизить издержки и увеличить масштабируемость операций. Конечно, технологии накладывают свои ограничения, но главная сложность в том, что оргструктура часто не готова к изменениям, а люди сопротивляются работать по-новому. Функционально-организационная структура и корпоративная культура — две стороны одной медали. Без системного взгляда на компанию и инновационной культуры — о глубокой ИИ-трансформации не может идти речи. Компания состоит из вертикальных функций, которые формируются в горизонтальные процессы. Разработка, маркетинг, HR — каждая функция решает свои задачи. Но ценность для клиента рождается на стыке: «от лида до оплаты» или «от вакансии до оффера». Именно в повторяемых задачах есть смысл внедрять ИИ — сначала автоматизируя отдельные операции, потом объединяя их в сквозные процессы. Чтобы деятельность компании не превратилась в хаос, я делю ее на три уровня: • Run-процессы — операционка. Здесь работают KPI: скорость отклика или стоимость операции. Минимальная неопределенность — идеальная зона для автоматизации. • Change-проекты — изменения. Управляем через OKR. Пример: «сократить время найма на 30%» или «увеличить продажи на 50%». Здесь ИИ-инструменты усиливают людей. На практике скорость разработки увеличивается от 20-40% до двух раз. • Disrupt-продукты — новые бизнес-модели. Высокая неопределенность: нужны симуляции, быстрые MVP и стресс-тесты. Управляем через North Star и SMART-цели. Любая инициатива начинается как проект и постепенно едет по выстроенным рельсам процесса разработки. Так мы одновременно поддерживаем текущий бизнес и адаптируемся к переменам, совершая бизнес-прорывы. ИИ-трансформация состоит из трех основных шагов: 1. Перестроить оргструктуру. Переход от жесткой иерархии к матрице. Функции становятся центрами компетенций (гильдиями), которые отвечают за стандарты, обучение и инструменты, а кросс-функциональные команды доставляют ценность клиенту. Метрики строятся как дерево: от North Star до KPI процессов. 2. Оцифровать процессы. Сделать их прозрачными на уровне данных, чтобы каждая операция стала навыком ИИ-агента. Тут помогает дата-платформа, но о ней поговорим в другой раз. 3. Внедрить ИИ. В итоге операции превращаются в навыки ИИ-агентов: один обрабатывает резюме, другой делает скоринг клиентов. Со временем агенты объединяются в цепочки, которые закрывают сквозные процессы. Люди принимают решения, а агенты берут на себя всю рутину. Так из ИИ-процессов формируется новое операционное ядро компании. Структура — это половина дела. Вторая — культура. Без нее трансформация превращается в автоматизацию ради автоматизации. Лидеры должны быть готовы к переменам: CEO вкладывает ресурсы и выдает мандаты, CTO перестраивает разработку, CAIO формирует ИИ-стратегию и внедряет агентов, а лиды делятся кейсами — как успешными, так и провальными. Ошибки становятся не поводом для наказаний, а базой для улучшений. Там, где не боятся экспериментировать, трансформация идет естественно. Культура — катализатор перемен. Если люди боятся брать инициативу, то никакие агенты не помогут. ИИ меняет не только процессы, но и роль человека. Сотрудники перестают быть винтиками системы и становятся драйверами трансформации. Лидерство — это не только стратегическое видение, но и личный пример использования новых инструментов в работе. Когда есть конкретные демки, вопрос «нужно ли меняться» отпадает сам собой. Сегодня компании конкурируют не только продуктами, а оргструктурой и культурой. Процессы собираются как конструктор, а единственное устойчивое преимущество — это люди, встроенные в правильные ИИ-процессы. Те, кто делает это сегодня, задают новые правила игры. #кейсы

Приносит ли ИИ реальную пользу в разработке продуктов? Сталкиваюсь с тем, что люди разделились на два лагеря: у одних ИИ-инструменты реально помогают в разработке, у других — наоборот, мешают, плодят ошибки и добавляют работы. Давайте разберемся, как сделать ИИ действительно полезным. Исследователи из Стэнфорда проанализировали десятки миллионов коммитов и миллиард строк кода более 100 тыс. инженеров из 600 компаний за 3 года. Хотя прогресс в программировании ускорился в последний год, результаты оказались не такими радужными: • Больше кода ≠ больше ценности. После внедрения ИИ объем изменений в коде вырос на 30–40%. Но значительная часть работы ушла на исправления. Реальный прирост продуктивности — 15–20%. • Эффект зависит от сложности задач. На простых задачах выигрыш максимален. В сложных архитектурных решениях бывает даже обратный эффект. • Стартапы выигрывают больше. В новых проектах прирост выше: меньше зависимостей и код попроще. В зрелых продуктах с большой логикой и устаревшим кодом эффект минимален. Как подготовиться к внедрению ИИ? Чтобы получить от ИИ максимум, нужна подготовка на трех уровнях: 1. Кодовая база. Код должен быть организован, документирован и готов к работе с ИИ. Можно использовать ИИ сразу: для генерации описания бизнес-логики, построения архитектуры и первичного рефакторинга. Чистый и структурированный проект проще расширять, поддерживать и подключать к нему ИИ-агентов. 2. Сам процесс разработки. ИИ эффективен там, где процесс уже отлажен: аналитик формирует требования с помощью ИИ → техлид проектирует архитектуру и декомпозирует ее → разработчик получает драфт кода от ИИ и дорабатывает → QA использует сгенерированные тесты → деплой и мониторинг автоматизированы. Тогда ускоряется каждая операция, и общее время разработки значительно снижается. 3. Лидеры изменений. Роль техлида выходит за рамки код-ревью. Он становится лидером изменений: создает центры компетенций, внедряет ИИ-инструменты и стандарты, организует внутренние митапы и формирует культуру осознанного применения ИИ. Это превращает разрозненные эксперименты в командах в системный подход для всей компании. Прирост 15–20% — это базовый уровень. Но на моей практике, если проработаны все три пункта, команды могут ускорять выход фичей в прод в 2–3 раза даже в сложных проектах. Как правильно использовать ИИ? Если получилось реализовать все три пункта, дальше дело техники: • Архитектура. ИИ работает лучше, если есть понятные рамки. Опишите текущую и будущую архитектуру, зафиксируйте бизнес-правила и декомпозируйте задачи. Это база. Без этого ИИ будет ошибаться и придумывать лишнее. • Четкий запрос. Промт должен быть детализирован: язык, фреймворк, формат результата и ожидаемое поведение. Чем конкретнее задача, тем меньше будет доработок. • Контекст. Давайте ИИ только нужную информацию: кусок кода, ошибку или файл с правилами. Не скармливайте весь репозиторий. Слишком мало контекста — плохо, слишком много — тоже плохо. Также сразу задавайте общие правила и код-стайл. • Итерации. Большие задачи дробите на маленькие и проверяйте результат после каждого шага по схеме «черновик → уточнение → исправление». Это делает процесс более управляемым. • Тесты, документация и чекпоинты. ИИ может генерировать unit-тесты, помочь работать по TDD («сначала тест, потом реализация») и постоянно обновлять документацию. Важно чаще коммитить, а эксперименты вести в отдельных ветках. Тогда можно смело доверять ИИ рефакторинг и генерацию кода — всегда есть возможность откатиться. Итог Сегодня ИИ меняет саму логику работы: в стартапах один человек может совмещать роли аналитика, техлида, разработчика и тестера, а компании могут выпускать больше фичей теми же командами. Но это работает только там, где есть лидеры изменений: они наводят порядок в кодовой базе, выстраивают процессы и задают новые стандарты. И это касается не только процессов разработки. В итоге выигрывают не компании с самыми умными моделями, а компании с самыми смелыми лидерами. А готовы ли вы сами стать лидером изменений в своей компании? #технологии

Новое видео на YouTube: как собрать личного бизнес-ассистента в Telegram с n8n Я подготовил пошаговый разбор того, как за 15 минут развернуть ИИ-агента, который ведет заметки, ставит задачи, бронирует встречи, а также присылает последние новости из ваших источников. В видео вы узнаете: • Из каких частей состоит ИИ-агент и что он умеет; • Как настраивать интеграции с Telegram, OpenAI и Google-сервисами; • Как сделать флоу агента для администратора в роли личного секретаря; • Как собрать флоу агента для консультаций клиентов или коллег; • Как подключить RAG-систему для более точных ответов, используя загруженную информацию. Такой Telegram-ассистент поможет автоматизировать рутину, разгрузить голову, ускорить работу и быть в курсе последних новостей своей индустрии. Также отправляю готовый шаблон, чтобы вы могли протестировать агента у себя. Что нужно сделать, чтобы всё заработало: 1. Импортируйте шаблон в n8n (содержимое JSON можно просто скопировать в рабочую среду). 2. Вставьте свои ключи: OpenAI, Telegram-бота и Google. 3. Укажите ID таблиц, календаря, пользователя в условном операторе и канала. 4. Добавьте свои статьи, документы или книги в RAG — и готово. Это быстрый способ вкатиться в автоматизацию на n8n и почувствовать, как ИИ реально экономит время и делает работу удобнее. Если давно хотели попробовать собрать собственного ИИ-агента, но не знали, с чего начать — это отличный старт. Подобным образом я автоматизировал несколько новостных телеграм-каналов и сейчас живу в собственном инфопузыре: • Dataism Lab — ежедневные обзоры последних научных статей простыми словами; • Neuronium — новости из индустрии искусственного интеллекта; • Human Intelligence — бизнес и лидерство в эпоху ИИ; • Robotics Intelligence — новости из индустрии робототехники; • Landao Metaverse — метавселенные, XR и нейронауки. В следующем видео разберем больше сценариев и расширим функциональность нашего агента. Подписывайтесь на Youtube-канал, если хотите видеть чаще подобный контент. #анонс

Пять опасных заблуждений про ИИ, которые тормозят технологический прогресс Когда речь заходит о внедрении ИИ, всегда находятся скептики. Они повторяют одни и те же фразы: на первый взгляд логичные, но на деле — тормозящие развитие. Такие установки демотивируют команды и мешают компаниям трансформироваться. Разберем пять самых популярных. 1. «ИИ — это просто статистика» Эта фраза звучит чаще всего. На первый взгляд — так и есть: нейросети действительно основаны на математике и вероятностях. Но по сути похожим образом работает и человеческий мозг: мы тоже оцениваем вероятности, ищем закономерности и строим прогнозы, хотя используем иной тип вычислений. Наш мозг до сих пор остается большой загадкой, а нейросети можно рассматривать как лабораторный макет мышления — упрощенный, но доступный для изучения. Так современные исследования показывают, что модели обладают эмерджентными свойствами: они решают задачи, которым их не учили, а в скрытых слоях формируются целые стратегии. Да, «это просто статистика», но именно статистика лежит в основе прогноза погоды, медицины и экономики — и мы доверяем ей, потому что она видит больше, чем человек. И вот главный вопрос: когда машина учится понимать и предсказывать мир, чем ее деятельность принципиально отличается от нашей? 2. «Это все хайп, скоро пройдет и пузырь лопнет» Удобная мысль: можно ничего не менять и остаться в зоне комфорта. Но ИИ уже встроен в повседневную жизнь — от рекомендательных систем до банковского скоринга. Да, вокруг ИИ действительно завышенные ожидания — так всегда бывает с новыми технологиями (см. кривую Gartner). Но хайп не отменяет того факта, что компании уже перестраивают процессы и продукты, а выгоды измеряются миллиардами долларов. Подождать пару лет — значит отстать навсегда. Что опаснее — переоценить возможности ИИ или проспать момент, когда конкуренты перестроят рынок? 3. «Нейросети все равно ошибаются» Да, ошибаются. Но и люди ошибаются — зачастую даже чаще. Отличие в том, что модели работают быстрее и дешевле. Ошибки — не повод отказываться от ИИ, а часть рабочего процесса. Грамотный подход — строить систему, в которой ИИ делает 80% работы, а человек проверяет критические 20%. Те, кто осваивает такие гибридные процессы, вырываются вперед. Кто победит — тот, кто ждет безошибочный ИИ, или тот, кто учится работать с его ошибками? 4. ИИ обесценивает опыт и знания людей Это особенно болезненный аргумент. Люди подсознательно боятся, что машина быстро осваивает то, на что раньше уходили годы учебы и работы. Во время первой промышленной революции ткачи разрушали станки, боясь потерять работу. Но ИИ не обесценивает опыт — он меняет роли. Тогда исчезли ткачи, но появились инженеры, а сегодня ИИ забирает на себя рутину и освобождает место для управленческих и творческих задач. Ответственность все равно остается за человеком, а ИИ — лишь инструмент. Разве инструмент, который расширяет возможности мастера, обесценивает его опыт? 5. Российский контекст Здесь скептицизм особенно опасен. В России нет полноценных LLM уровня флагманских моделей от OpenAI и Anthropic. Импортозамещение пока невозможно: собрать качественный датасет на русском сложно, вычислительные мощности ограничены санкциями, а многие таланты работают на западные компании. Доступ к зарубежным решениям закрыт, а открытые модели не дотягивают по качеству до флагманских. Если догнать в лоб нельзя, не пора ли проявить смекалку: научиться синтезировать русскоязычные данные и обучать модели децентрализованно? Главная причина отрицания ИИ кроется не в самой технологии, а в человеке. Нам проще оставаться в зоне комфорта, где мир понятен и предсказуем. Но признать сегодняшнюю значимость ИИ — значит признать необходимость учиться и перестраивать привычный процесс работы. Это требует усилий, а мозг всегда ищет путь экономии. Иллюзия комфорта опаснее всего: она оборачивается отставанием — личным, профессиональным и национальным. Будущее у нас заберет не ИИ, а привычка жить прошлым и отрицать перемены. #мысли

На пути к суперинтеллекту: от интернета агентов до кодирования гравитации — лучшие статьи об ИИ за июль 2025 За июль вышло несколько потрясающих исследований, которые меняют само представление о том, каким может быть интеллект: от малых языковых моделей до самоэволюционирующих агентов и нейросетей для фундаментальной физики. 1. Малые языковые модели: рабочие лошадки агентного ИИ Малые языковые модели (SLM) до 10 млрд параметров выполняют рутинные агентные задачи в 10–30 раз быстрее и дешевле LLM. Они потребляют меньше энергии и работают на более доступном железе. Будущее за гибридными системами: SLM для повседневных задач, а LLM — для самых сложных задач. 📄 Статья 2. Agentic Web: новая эпоха интернета Вместо сотен вкладок с билетами, отелями и отзывами — один запрос вашему агенту. Он сам составит маршрут, забронирует перелеты, подберет жилье и даже закажет трансфер. Интернет в новой парадигме состоит из агентов, которые делают всю работу, а вам возвращают готовый результат. 📄 Статья 3. За пределами токенов: как построить интеллект будущего Сегодня LLM остаются “предсказателями следующих слов”. Масштабирование параметров дает все меньший прирост, и никакой новый GPT сам по себе не приведет нас к AGI. Прорыв должен быть в другом: во внешней памяти, моделях мира и системах, которые думают не токенами, а концептами. Large Concept Models и Large Reasoning Models — это первые шаги к архитектурам, где интеллект будет строиться на понимании и планировании, а не на статистике. 📄 Статья 4. ИИ как игровой движок: новая философия мультиагентных систем Представьте мультиагентную систему как настольную RPG: каждый агент играет свою роль, действует по правилам и влияет на мир. А за тем, чтобы история была последовательной, следит мастер игры. В DeepMind на основе этой идеи собрали библиотеку, которая позволяет запускать сложные симуляции, тестировать ИИ-модели и исследовать социальное поведение. 📄 Статья | 💾 Код 5. Самоэволюционирующие агенты: шаг к искусственному сверхинтеллекту Появляется новый класс систем — агенты, которые могут учиться на лету, перестраивать память, менять инструменты и даже переписывать собственную архитектуру. Это уже не статичные LLM, а живые саморазвивающиеся организмы цифрового мира. 📄 Статья 6. Экономика в эпоху ИИ: как LLM-агенты проектируют налоговую политику LLM Economist моделирует поведение работников и обеспечивает до 90% от теоретического оптимума, демонстрируя устойчивое перераспределение доходов без падения производительности. Такой подход превращает ИИ в инструмент проектирования социальных правил — от налогов до будущей экономики. 📄 Статья | 💾 Код 7. MemOS: новая операционная система памяти LLM MemOS делает для памяти то, что операционные системы когда-то сделали для вычислений: превращает хаос в управляемый ресурс с API, версионированием и контролем доступа. В тестах система показала уверенное превосходство в сложных рассуждениях. 📄 Статья | 💾 Код 8. Ella: воплощенный агент с памятью и характером Ella — агент нового поколения: у нее есть и семантическая, и эпизодическая память, поэтому она не просто реагирует на команды, а живет в цифровых сообществах и запоминает события. 📄 Статья | 💾 Демо 9. SciMaster: новые горизонты научного ИИ Открытая система научных агентов, которая первой пробила планку в 32,1% на Humanity’s Last Exam, обогнав закрытые решения OpenAI и DeepMind. Это важный шаг для ИИ, который действительно способен помогать на переднем крае науки. 📄 Статья 10. Einstein Fields: нейросети для кодирования гравитации Нейросети впервые используют для кодирования самой ткани Вселенной: они аппроксимируют метрику пространства-времени, сжимают данные в тысячи раз и при этом точно воспроизводят эффекты черных дыр и гравитационных волн. 📄 Статья | 💾 Код ИИ становится новой средой для науки, экономики и цифровой жизни. Путь к общему ИИ и, возможно, к сверхинтеллекту не будет прямым. Но именно сегодняшние исследования открывают дверь к новому пониманию мира и новым возможностям для человечества. Подробный обзор тут. #исследования

Chief AI Officer: новая роль в AI-First компаниях Новые роли не появляются случайно. Chief Technology Officer (CTO) всегда был про разработку продуктов. Chief Data Officer (CDO) появился, когда бизнес понял, что данные — новая нефть. Chief Data Scientist (CDS) — когда данные стали топливом для машинного обучения. Сегодня компании осознали, что масштабирование возможно не только за счет людей. ИИ становится операционным ядром бизнеса — так появилась роль Chief AI Officer (CAIO). Я прошел все этапы: • В Сбере в роли CDO руководил цифровой трансформацией стратегических процессов: внедрял DataOps, запускал дата-продукты — от BI-аналитики до бигдаты. • В роли CDS проводил ИИ-трансформацию: выстраивал MLOps и обучал модели для автоматизации процессов и поддержки принятия решений для топ-менеджента. • В венчурной студии в роли CTO быстро запускал ИИ-стартапы, параллельно автоматизируя все, что возможно. Сейчас я помогаю крупному финтеху (NDA, платежная система и банк с криптой) в роли Chief AI Product Technology Officer (AI CPTO) — это гибрид CAIO и CPTO. В моей зоне ответственности не только стратегия внедрения ИИ, но и разработка ИИ-продуктов, однако затрону только функцию CAIO. Определим, что AI-First компания — это организация, где процессы сразу проектируются под ИИ, а люди выступают операторами ИИ-систем. Технически AI-First компании — это набор малых моделей, где каждая выполняет свою задачу. Простой способ трансформации — провести аудит процессов и воспроизвести каждую операцию с помощью ИИ. Раньше это делали через бизнес-анализ, но сегодня это похоже на когнитивный анализ. Обычно я надеваю «шапку» джуна и прошу эксперта показать процесс, проговаривая ход его мыслей. Затем проектирую когнитивную карту и получаю Graph-of-Thought, где граф состоит из атомарных навыков сотрудника. Так человеческое мышление становится основой для трансформации процессов. Более радикальный путь — ИИ-революция: отказаться от старого и построить процессы с нуля. Подход быстрый и рискованный, но со своими плюсами. Что нам удалось за три месяца: 1. Стратегия. Граф навыков превратился в дорожную карту с учетом приоритетов, а адаптированный AI Maturity Index мы используем в качестве компаса. 2. Оргструктура. Компания состоит из 20+ функций: от HR и менеджмента до разработки и продаж. Мы перевели компанию в матричную структуру: функции по вертикали, продукты по горизонтали. Запустили гильдии по вертикалям: у каждой свой лидер, стандарты, процессы и набор ИИ-инструментов. Так каждая вертикаль превращается в XaaS-агентство, которое в теории даже можно выделить в отдельный бизнес. Чем лучше отлажены процессы между функциями, тем быстрее происходит внедрение ИИ-агентов. 3. ИИ-инструменты. Мы научили сотрудников пользоваться ИИ-тулами, обеспечили единую среду для взаимодействия людей и агентов и внедрили продукты для определенных ролей (Deep Research помогает быстро найти и сравнить продукты на рынке). Первые эффекты: формулирование тест-плана сократилось с пары дней до ~15 минут, а разработка отдельных фич — с двух дней до ~20 минут работы агента + пару часов сеньора. 4. Собственные агенты. В HR или поддержке можно внедрить готовые решения, но для кастомных процессов мы разрабатываем своих агентов на n8n, а для критичных процессов ИИ-инженер пишет свои сервисы — так формируется ИИ-платформа компании. В результате через три месяца большинство сотрудников овладели ИИ-инструментами. Мы запустили первых агентов, из которых начинают формироваться процессы, где работают агенты, а люди валидируют результаты. Следующий шаг — AIOps-дашборд, полная автоматизация вертикалей и объединение агентов в цельные ИИ-процессы. Главные проблемы: знания находятся в головах людей, поэтому в приоритете для агентов их оцифровка. Также не ко всем средам можно легко дать доступ агентам из-за персональных данных и критичности процессов. Важно: CAIO не просто внедряет ИИ, а пересобирает операционную модель и перепрошивает мышление сотрудников. Это сложно, интересно и увлекательно. Вперед — в светлое будущее. #мысли

Chief AI Officer: новая роль в AI-First компаниях Новые роли не появляются случайно. Chief Technology Officer (CTO) всегда был про разработку продуктов. Chief Data Officer (CDO) появился, когда бизнес понял, что данные — новая нефть. Chief Data Scientist (CDS) — когда данные стали топливом для машинного обучения. Сегодня компании осознали, что масштабирование возможно не только за счет людей. ИИ становится операционным ядром бизнеса — так появилась роль Chief AI Officer (CAIO). Я прошел все этапы: • В Сбере в роли CDO руководил цифровой трансформацией стратегических процессов: внедрял DataOps, запускал дата-продукты — от BI-аналитики до бигдаты. • В роли CDS проводил ИИ-трансформацию: выстраивал MLOps и обучал модели для автоматизации процессов и поддержки принятия решений для топ-менеджента. • В венчурной студии в роли CTO быстро запускал ИИ-стартапы, параллельно автоматизируя все, что возможно. Сейчас я помогаю крупному финтеху (NDA, платежная система и банк с криптой) в роли Chief AI Product Technology Officer (AI CPTO) — это гибрид CAIO и CPTO. В моей зоне ответственности не только стратегия внедрения ИИ, но и разработка ИИ-продуктов, однако затрону только функцию CAIO. Определим, что AI-First компания — это организация, где процессы сразу проектируются под ИИ, а люди выступают операторами ИИ-систем. Технически AI-First компании — это набор малых моделей, где каждая выполняет свою задачу. Простой способ трансформации — провести аудит процессов и воспроизвести каждую операцию с помощью ИИ. Раньше это делали через бизнес-анализ, но сегодня это похоже на когнитивный анализ. Обычно я надеваю «шапку» джуна и прошу эксперта показать процесс, проговаривая ход его мыслей. Затем проектирую когнитивную карту и получаю Graph-of-Thought, где граф состоит из атомарных навыков сотрудника. Так человеческое мышление становится основой для трансформации процессов. Более радикальный путь — ИИ-революция: отказаться от старого и построить процессы с нуля. Подход быстрый и рискованный, но со своими плюсами. Что нам удалось за три месяца: 1. Стратегия. Граф навыков превратился в дорожную карту с учетом приоритетов, а адаптированный AI Maturity Index мы используем в качестве компаса. 2. Оргструктура. Компания состоит из 20+ функций: от HR и менеджмента до разработки и продаж. Мы перевели компанию в матричную структуру: функции по вертикали, продукты по горизонтали. Запустили гильдии по вертикалям: у каждой свой лидер, стандарты, процессы и набор ИИ-инструментов. Так каждая вертикаль превращается в XaaS-агентство, которое в теории даже можно выделить в отдельный бизнес. Чем лучше отлажены процессы между функциями, тем быстрее происходит внедрение ИИ-агентов. 3. ИИ-инструменты. Мы научили сотрудников пользоваться ИИ-тулами, обеспечили единую среду для взаимодействия людей и агентов и внедрили продукты для определенных ролей (Deep Research помогает быстро найти и сравнить продукты на рынке). Первые эффекты: формулирование тест-плана сократилось с пары дней до ~15 минут, а разработка отдельных фич — с двух дней до ~20 минут работы агента + пару часов сеньора. 4. Собственные агенты. В HR или поддержке можно внедрить готовые решения, но для кастомных процессов мы разрабатываем своих агентов на n8n, а для критичных процессов ИИ-инженер пишет свои сервисы — так формируется ИИ-платформа компании. В результате через три месяца большинство сотрудников овладели ИИ-инструментами. Мы запустили первых агентов, из которых начинают формироваться процессы, где работают агенты, а люди валидируют результаты. Следующий шаг — AIOps-дашборд, полная автоматизация вертикалей и объединение агентов в цельные ИИ-процессы. Главные проблемы: знания находятся в головах людей, поэтому в приоритете для агентов их оцифровка. Также не ко всем средам можно легко дать доступ агентам из-за персональных данных и критичности процессов. Важно: CAIO не просто внедряет ИИ, а пересобирает операционную модель и перепрошивает мышление сотрудников. Это сложно, интересно и увлекательно. Вперед — в светлое будущее. #мысли

Все, что нужно знать про GPT-5 Вчера OpenAI выпустила GPT-5 — самую мощную языковую модель на сегодняшний день. Хайп был зашкаливающий: с момента выхода GPT-4 прошло два года, интернет наполнился слухами о том, что GPT-5 будет чуть ли не AGI, но, конечно, это не так: новая модель — это не общий ИИ и даже близко не суперинтеллект. Тем не менее, это действительно большой шаг вперед, и давайте разберемся, в чем именно. Автоматический выбор режима и универсальность. Теперь вместо набора отдельных моделей, GPT-5 работает как единая система. Модель автоматически определяет, как лучше отвечать на ваш вопрос — быстро или с помощью размышлений. Также модель имеет большой объем контекста в 256к токенов (примерно 600–800 страниц текста). Основные бенчмарки. GPT-5 бьет все рекорды по метрикам: 74,9% в кодинге (SWE-bench), 94,6% по олимпиадной математике (AIME 2025), 84,2% в задачах на экспертное понимание изображений и видео (MMMU). Особенно заметен прогресс в медицинских задачах — до 46,2% (HealthBench Hard). Однако в тестах на общий интеллект (ARC-AGI) GPT-5 уступает Grok 4, но выигрывает по скорости и цене. Впечатления похожи на разговор с экспертом уровня кандидата наук. По моему опыту, GPT-5 стала чаще уточнять вопросы, структурировать выводы, лучше писать код и даже по одному промту собирать готовое приложение с интерфейсом. Интеграции. GPT-5 интегрируется с Gmail, Google Drive и календарем для понимания корпоративных данных — это большой шаг к офисной автоматизации, где ИИ сам подбирает нужные инструменты под задачу. GPT-5 теперь работает почти в каждом продукте Microsoft, а также уже доступна в Cursor. Меньше галлюцинаций. OpenAI честно отмечает, что полностью избавиться от галлюцинаций пока не удалось, но их стало на 45% меньше по сравнению с GPT-4o, а в рассуждающем режиме — до 80%. В задачах на медицину, право, программирование GPT-5 теперь чаще признает, если чего-то не знает, и лучше объясняет ограничения. Доступность и цены. GPT-5 доступен всем пользователям ChatGPT, включая бесплатных. Для продвинутых задач и бизнеса есть версии mini, nano и pro — с разной скоростью и стоимостью. В API цена за 1 млн токенов — от $0.05 (nano) до $1.25 (основная версия). GPT-5 — не архитектурный прорыв, а долгожданный эволюционный апдейт, который делает ИИ гораздо ближе и доступнее обычному человеку, который не будет разбираться в том, какую модель и для какой задачи выбрать. А если вас интересует open source — недавно OpenAI наконец выпустила две открытые модели — gpt-oss-120b и gpt-oss-20b. Их можно запускать на своем сервере или ноутбуке и дообучать под свои задачи — неожиданная щедрость для компании, чье название гордо переводится как «Открытый ИИ». #новости