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

ИИ-диагностика бизнеса: готова ли ваша компания к ИИ-сотрудникам?

В прошлом посте я рассказал, как в Абу-Даби провел ИИ-диагностику более двухсот компаний — и как предприниматели впервые увидели честный рентген своего бизнеса.

Сейчас хочу поделиться методологией ИИ-диагностики.

Я внедрял ИИ в крупные международные компании — в условиях реального хаоса: разрозненные источники данных, сопротивление людей, вечно недоступная инфраструктура и отсутствие согласованной стратегии. За несколько лет практики стало понятно: любой путь к зрелой ИИ-компании начинается с диагностики. Без нее ИИ превращается в набор случайных пилотов.

Недавно я начал преподавать курс “Автоматизация бизнес-процессов с помощью ИИ-агентов” в совместной магистратуре ИТМО и AI Talent Hub в рамках которого я затронул тему того, как оценивать, насколько компания
готова к внедрению ИИ-агентов, но вся методология оказалась слишком объемной для одной вводной лекции.

Именно поэтому я решил собрать все в одну методичку. В ней я объясняю, как начать видеть компанию на уровне потоков данных, как системно внедрять ИИ в бизнес-процессы, какие виды ИИ-компаний бывают и как достичь максимальной зрелости. Так я формирую полное понимание того, что такое современная ИИ-компания.

В ИИ-диагностике 35 критериев: от стратегии и культуры до инфраструктуры, данных и моделей. Это система координат, которая позволяет просветить компанию рентгеном в части готовности к ИИ-трансформации.

Методология важна, потому что ИИ нельзя встроить в хаотичную организацию. Если процессы не описаны, данные разрознены, а культура боится перемен — никакой ИИ не даст результат. Он выступает в роли мультипликатора, поэтому только помножит хаос.

Теперь у предпринимателей и ИИ-лидеров появилась простая, структурированная и воспроизводимая методичка. Чтобы любой бизнес мог оценить свою ИИ-зрелость и построить стратегию перехода к новой операционной модели.

ИИ уже стал новой нормой. Главный вопрос: готова ли ваша компания к новой нормальности?

🤖 ИИ ДИАГНОСТИКА БИЗНЕСА

#анонс

Возможна ли сегодня компания, полностью управляемая ИИ-сотрудниками?

Идея компании, где все сотрудники – ИИ-агенты, звучит как фантастика. Но Сэм Альтман утверждает, что вскоре появится предприниматель-одиночка, который создаст единорога с миллиардной капитализацией. Теоретически это логичное продолжение технологического прогресса, но на практике все не так радужно. Рассмотрим один эксперимент.

В этом году журналист Эван Рэтлифф создал компанию HurumoAI, состоящую из пяти ИИ-агентов: CEO, CTO, маркетолога, HR и продавца. Они имели память, доступ к почте и работали автономно. Но спустя несколько недель стало понятно, что они существуют в своей виртуальной реальности: они часами спорили и придумывали прогресс, которого не было. Они либо «засыпали», ожидая внешней команды, либо бесконечно генерировали сообщения, пока не закончились деньги на LLM. При этом они хорошо решали отдельные задачи: писали код, готовили презентации и даже создали реальный продукт для прокрастинаторов.

Эксперимент показал, что такая команда не может работать без менеджера-человека, а полная автономность – это иллюзия. Агенты выполняют задачи, но не удерживают долгосрочные цели. Но важно другое: уже сейчас можно построить компанию, где человек один, а операционная деятельность почти полностью автоматизирована.

Чтобы понять путь одиночки-миллиардера, давайте посмотрим на рынок. Объем рынка SaaS – около $260 млрд, а рынок специалистов интеллектуального труда – около $5,5 трлн. Именно сюда и нацелены ИИ-агенты, которые выполняют работу как внутри компании, так и для внешних клиентов.

Чтобы компания стоила $1 млрд при мультипликаторе ×10, ей нужно зарабатывать около $100 млн в год, то есть $8 млн в месяц. Уже существуют соло-предприниматели, зарабатывающие $50–200 тыс. в месяц: Марк Лоу и Питер Левелс. То есть задача сводится к созданию продуктов на потоке.

Предположим, наши клиенты – это малый и средний бизнес (SMB) и корпорации. Продукт для SMB стоит $200 в месяц, а для корпораций – $2000. Только на рынке США около 6 млн SMB и 20 тыс. корпораций. Если занять 0,65% обоих сегментов, это даст примерно 39 тыс. SMB и 130 корпораций – как раз около $8 млн в месяц. Понятно, что чем больше регионов и сегментов, тем доля будет еще меньше. В целом для единорога достаточно захватить 0,002% всего рынка интеллектуального труда.

Что нужно делать основателю-одиночке? Разработать агентов для помощи себе и другим:

Первый – менеджер, который ведет задачи, структурирует информацию и распределяет работу. Второй – HR-агент, поскольку продуктовый бизнес масштабируется за счет инженеров, и под каждый продукт нужно нанимать AI Product Engineer.

Далее подключается маркетинговый агент для анализа рынка, позиционирования и брендинга. После SMM-агент ведет контент для повышения узнаваемости бренда, а агент-продавец ищет клиентов и пишет им письма. Потом агент поддержки обрабатывает заявки и собирает фидбек.

Агент-аналитик анализирует фидбек и формирует требования к фичам, агент-дизайнер создает интерфейсы, и все это уходит к агенту-разработчику, в то время как агент-инженер поддерживает инфраструктуру. Эта структура покрывает весь цикл создания продукта, но это хорошо работает при наличии людей-инженеров. Эти же агенты продаются SMB и корпорациям.

Основатель решает юридические и финансовые вопросы – там ставки слишком высоки. И если представить, что эта компания один за одним запускает продукты и постепенно захватывает свою долю рынка, то модель единорога из одного человека становится вопросом времени.

Можно ли сегодня построить компанию, полностью управляемую ИИ-сотрудниками? Если понимать «полностью» как «без единого человека», то еще нет. Но если понимать как «компания, где один основатель управляет системой из агентов, которые делают 90% всей работы», то да.

И однозначно, первый соло-предприниматель будет не тем, кто заменит людей, а тем, кто научится правильно строить гибридные организационные системы из людей и агентов. А это уже гораздо интереснее.

Поэтому в этой гонке победит тот, кто умеет управлять компанией, как мультиагентной системой.

#мысли

Что значит быть AI-First компанией и как ею стать

AI-First бизнес — это не только про внедрение ИИ, а про полную пересборку операционной модели компании. Меняется все: от процессов и ролей до принятия решений. Именно поэтому одни компании с ИИ ускоряются в разы, а другие застревают в бесконечных пилотах.

Завтра, 16 декабря в 19:00 (мск) я буду участвовать в подкасте, организованном AI Talent Hub совместно с университетом ИТМО. Будем обсуждать AI-First бизнес без хайпа на реальном практическом опыте.

Разберем, что на самом деле означает быть AI-First компанией, где чаще всего ожидания от ИИ не оправдываются, и как не попасть в ловушку бесконечных экспериментов без результата.

В диалоге участвуют Дмитрий Ботов (сооснователь AI Talent Hub), Игорь Акимов (CEO Abasis AI), и Артем Астапенко (фаундер AgentArea). Мы поговорим о реальных кейсах, типовых ошибках и о том, как уже сейчас меняется роль человека в AI-First компаниях.

Можно и нужно приходить с вопросами – их разберем прямо в эфире.

Также вместе с командой AI Talent Hub мы запускаем практический интенсив по AI-First разработке продуктов — от анализа рынка до реализации и тестов на реальных пользователей. За неделю участники пройдут полный цикл создания собственного стартапа с помощью ИИ-агентов и провалидируют свои гипотезы на реальной аудитории. Результатами этого формата поделюсь отдельно, а подобные интенсивы мы будем запускать еще.

P.S. Что касается подобных интенсивов, руководители часто спрашивают меня, как быстро научиться внедрять ИИ. Могу порекомендовать команду AIM Education: за два дня в офлайне они проводят аудит ИИ-зрелости компании, приоритезируют процессы и помогают внедрить первого ИИ-агента. По сути, это то, что я подробно разбираю в рамках магистерской программы в ИТМО, только вместо двухмесячного курса, плотный двухдневный интенсив. Маст хэв для лидеров ИИ-трансформации.

👉 Смотреть подкаст в записи

#анонс

Допустим, ИИ пришел вас автоматизировать. Что будет дальше?

Сегодня Chief AI Officer – важная функция во многих компаниях. CAIO взаимодействует не только с бизнесом и айтишниками, но и с HR. И приходят HR к нему с конкретными вопросами: какие роли будут автоматизированы, когда это произойдет, и нужно ли замораживать найм? Иными словами — “когда людям начинать бояться?”. Бояться не надо. Но стоит понять, что именно происходит.

Разберем на примере рекрутера. Нельзя сказать, что ИИ полностью заменит рекрутера. Но и утверждать, что для рекрутера ничего не изменится тоже неверно. Чтобы ответить честно, CAIO нужно в первую очередь разобраться, что именно делает рекрутер в реальности. Не какой-то абстрактный рекрутер, а живой человек: в каких системах он работает, в какие моменты начинает рассуждать, где принимает решения, где действует по инструкции, а где полагается на “интуицию”.

Без этого понимания любые разговоры об автоматизации — это гадание на кофейной гуще. Именно поэтому работа начинается не с внедрения нейронок, а с анализа процессов:

1. С гембы, когда своими глазами видишь, как работает процесс.

2. Далее по возможности (если процесс имеет достаточную цифровую зрелость) подключаем process mining и понимаем, как процесс работает в реальности на уровне данных.

3. После чего проводим интервью с участниками, которое на самом деле является когнитивным анализом.

Когнитивный анализ – это ключевая штука. Потому что рекрутмент выглядит как понятная последовательность действий. В когнитивном же плане — это весьма интересная смесь всяких эвристик, предубеждений и искажений.

Потому что рекрутер, смотря на резюме, мгновенно строит определенную цепочку выводов о кандидате: частая смена работы — значит ненадежный; долгий карьерный перерыв — точно выгорел; необычный карьерный путь — большой риск. Но часто люди думают, что это не предвзятость, а паучье чутье профессиональная интуиция.

Задача автоматизаторов — декомпозировать мышление сотрудников на отдельные цепочки, деревья или графы размышлений (CoT/ToT/GoT). Теперь-то станет понятно, почему большинство топовых кандидатов отсеиваются из-за “не того” знака зодиака. Все предвзятости можно выявить и при необходимости убрать для целевого процесса.

Так автоматизируется не весь рекрутинг, а сам рутинный процесс: подготовка описаний вакансий, поиск и ранжирование кандидатов, первичный скрининг и назначение встреч. В новой парадигме HR имеет большую воронку более релевантных кандидатов, и его работа – определить мотивацию человека, его софт скиллы и в случае успеха заонбордить в компанию.

Метрики процесса остаются прежними. Главная метрика – скорость найма. Остальные по всей воронке: от количества найденных кандидатов до финальных собеседований. Все они на практике растут в разы.

Люди – субъекты управления. Ими нельзя управлять: можно только мотивировать или манипулировать. Поэтому одни компании делятся с сотрудниками прибылью от автоматизации в виде бонусов, другие – пугают увольнениями. Тут все зависит от культуры компании.

Думаю, что ИИ-трансформация – это не совсем про полную замену всех людей, как все привыкли думать. А сокращают, как правило, тех, кто не смог адаптироваться. У бизнеса есть конкретные цели – повышение эффективности, и для этого необязательно увольнять людей.

Трансформация – это скорее про правильное распределение человеческого интеллекта внутри компании. Про то, чтобы перестать использовать его в низкоинтеллектуальных задачах, а направить туда, где он будет реально полезен бизнесу.

Поэтому хватит заниматься бесполезной рутиной – наши мозги созданы не для этого. Пусть машины займутся своей работой, а у нас хватает и своей.

👉 Полная статья

#технологии

2026 год — точка невозврата для компаний без ИИ-агентов

Под конец года OpenAI, Anthropic и Google выпустили по отчету, которые, хоть и написаны разными командами, но сходятся в одном: ИИ-агенты глубоко внедрились в бизнес-процессы многих компаний.

В каждом отчете свой фокус: Google рассматривает ИИ-агентов как новую форму организации труда, Anthropic делает акцент на том, где бизнес может получить отдачу уже сейчас, а OpenAI описывает явление ИИ в массы.

Таким образом, это позволяет понять, где именно ИИ-агенты уже дают максимальную отдачу, какие организационные изменения необходимы для их внедрения и что на практике означает переход к новой операционной модели.


OpenAI

Более 1 миллиона компаний уже используют OpenAI. 75% сотрудников отмечают ускорение или более высокое качество работы благодаря ИИ.

Среднее время, сэкономленное ими — 40–60 мин/день, а у инженеров — 60–80 мин. Сотрудники говорят, что с помощью ИИ способны выполнять задачи, ранее им недоступные, например, кодинг, анализ данных и автоматизация.

OpenAI отмечают, что те, кто экономит 10 и более часов в неделю, используют ИИ в 8 раз чаще, чем остальные.

Главный вывод OpenAI в том, что ИИ в корпорациях – это новая бизнес-инфраструктура, а решающим фактором при внедрении ИИ становится уровень ИИ-зрелости компании и глубина внедрения.

О том, как измерить ИИ-зрелость, я писал недавно.

👉 Отчет OpenAI


Anthropic

Anthropic исследуют, что происходит, когда ИИ-агенты наконец выходят из стадии экспериментов. Опрос проводился среди более чем 500 технических директоров из США.

Оказалось, что 57% компаний уже применяют ИИ-агентов для сложных процессов. А кросс-функциональных и end-to-end агентов удалось внедрить лишь 16% компаний.

90% компаний уже используют ИИ в разработке продуктов: от ресерча и создания документации до генерации кода и тестирования. Оптимизация каждого шага дает ускорение всему циклу разработки.

60% опрошенных отметили пользу агентов в анализе данных, 48% выделяют внутреннюю автоматизацию процессов. В следующем году ожидается наплыв корпоративных решений в исследованиях и аналитике (56%) и постепенный переход от внедрения агентов в разрозненные отделы к организации сквозных процессов на основе мультиагентных систем.

80% компаний уже получают возврат на инвестиции от внедрения ИИ-агентов.

Основные затыки не технологические, а организационные — интеграция со старой инфраструктурой (46%), доступность и качество данных (42%) и стоимость развертывания (43%).

👉 Отчет Anthropic


Google

Из доклада Google следует, что ИИ-агенты – это новая парадигма работы компаний.

Агенты понимают цель, сами планируют действия и исполняют их в цифровой среде под присмотром людей. Интерфейс взаимодействия с ИИ становится интерфейсом намерений. То есть работник описывает результат, а система сама должна определить путь к его реализации.

В Google сообщили, что из всех компаний, использующих ИИ, 52% уже имеют ИИ-агентов в продакшене, то есть они внедрены в бизнес-процессы. Человек в этом случае управляет агентом: ставит задачи, проверяет качество, и принимает финальное решение.

Отмечается, что 88% ранних пользователей ИИ-агентов получают возврат на инвестиции.

Google считает, что чтобы внедрить ИИ-агентов, нужно полностью переосмыслить роли сотрудников, все процессы и определить кто за какую бизнес-операцию отвечает.

👉 Отчет Google


Главный итог из отчетов сошелся в одном: ИИ-агенты к концу 2025 года — это уже не просто ассистенты, а совершенно иная парадигма организации бизнеса.

Однако основными ограничивающим факторами ИИ-трансформации являются незрелость инфраструктуры и данных. От себя добавлю также то, что если в компании не царит культура инноваций, а сотрудники не готовы экспериментировать и меняться, то ИИ будет использоваться фрагментарно, и масштабировать его эффект не получится.

Поэтому 2026 год – точка невозврата для многих компаний. Главный вопрос следующего года: будет ли ИИ в вашей компании просто модным инструментом или он полностью изменит то, как ваша компания функционирует? Если так, то чем тогда займетесь вы?

#новости

Как ИИ научился пользоваться компьютером и почему интернет к этому не готов — лучшие статьи ноября 2025

Под новый год подготовил сразу два обзора ИИ-исследований. Давайте сначала разберем первый: “неожиданно” выяснилось, что интернет и интерфейсы проектировались для людей, а не для автономных агентов. Но мы видим первые системные попытки научить ИИ действовать в общей информационной среде вместе с людьми.


1. Будущее программирования — мультимодальное: как JanusCoder научился видеть интерфейс, который сам создает

ИИ пишет код для интерфейсов, но не сверяется с полученным результатом. JanusCoder объединил текст и изображение в один пайплайн: ИИ запускает код, видит получившийся интерфейс в виде картинки и сравнивает ее с ожидаемым результатом. Теперь разработка интерфейсов – это цикл мультимодальной самопроверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


2. От пикселей к смыслу: как SVG помогает ИИ понимать мир

ИИ “понимает” пиксельные изображения. Но пиксели не позволяют глубоко понять смысл картинки. Если перевести изображения в SVG-формат, то они становятся более читаемой структурой для ИИ-агентов, позволяя им лучше рассуждать с помощью картинок.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. Почему мышление через видео может быть следующим шагом в развитии ИИ

ИИ научился рассуждать с помощью картинок. Но что насчет видео? Теперь ИИ умеет строить гипотезы, проверять их действиями и корректировать их прямо в видеопотоке, решая более сложные пространственные и логические задачи.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. Как обучить ИИ работать за компьютером

Разработчики использовали реальные интерфейсы и жестко связали язык с элементами интерфейса. Даже малые модели начинают точно попадать в кнопки. Поэтому связь слов с интерфейсом решает больше размера модели.

🔍 Обзор статьи | 📜 Полная статья


5. Как универсальный ИИ-агент учится жить в открытом мире

Агент Lumine использует мышь и клавиатуру, а рассуждает только при необходимости. Он часами выполняет цели в открытых игровых мирах и переносит навыки без дообучения — так ИИ научился выживать в полной неопределенности.

🔍 Обзор статьи | 📜 Полная статья


6. Как ИИ-ученый пишет научные статьи о машинном обучении на уровне джуна

Младший научный ИИ-сотрудник действительно улучшает статьи, проверяет код и эксперименты. Качество итогового результата растет, но старший научный сотрудник-человек все равно остается необходим.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


7. Как ИИ-агенты научились рефакторить код: что получается хорошо, а что не очень

Агенты берут на себя чистку кода: переименования файлов и разбиение методов. Но архитектуру они не трогают — и это нормально. Поэтому ею должны заниматься люди, а чистку кода уже можно отдать машинам.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты живут в «Станции» и делают научные открытия

Агенты для исследований живут в специальной среде с памятью, историей и свободой выбора. Так рождаются новые прорывные идеи, а среда для агентов значит даже больше, чем архитектура мультиагентной системы.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


9. Как писать README-файлы для ИИ-агентов

README-файлы теперь пишут и для агентов: что можно менять в коде, а что нельзя. Это новый слой управления ИИ-агентами и относиться к нему нужно как к коду, иначе автономность обгонит контроль.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


10. Как сделать интернет удобным для ИИ-агентов

Давайте вместо того, чтобы агенты угадывали пиксели на экране, зададим им явные описания действий и состояний интерфейса. Тогда агенты смогут работать в интернете более надежно. Это первый системный шаг к общему интернету для людей и ИИ.

🔍 Обзор статьи | 📜 Полная статья


В прошлом месяце ИИ научился видеть интерфейсы и достигать целей в неопределенной среде. Среда – главный барьер для агентов. Следующий шаг: переустройство интерфейсов и интернета как общей информационной среды для людей и агентов.

👉 Подробный обзор

#исследования

Как ИИ сдал экзамен по финансовому анализу и победил в математической олимпиаде — лучшие статьи декабря 2025

В декабре 2025 года ИИ-агенты вышли на новый уровень: они прошли экзамен для профессиональных финансовых аналитиков, взяли золото математической олимпиады, научились собирать рабочие репозитории по научным статьям и находить уязвимости в реальных инфраструктурах. В декабрьском обзоре:

1. Когда команда ИИ-агентов помогает, а когда делает только хуже

И один в поле воин. Не всегда команда агентов работает лучше. Эффект появляется лишь в задачах, которые можно декомпозировать и проверить, а в линейных сценариях агенты могут мешать друг другу.

🔍 Обзор статьи | 📜 Полная статья


2. DeepCode: как ИИ научился собирать репозиторий по статье

DeepCode умеет сжимать научную статью в план, хранить репозиторий как систему контрактов и постоянно проверять себя запуском кода. Теперь к каждой статье можно легко собрать код для проверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. ИИ-агент против людей-безопасников: кто кого в реальном пентесте?

Агент ARTEMIS научился искать уязвимости в живой инфраструктуре на уровне профессиональных пентестеров-людей, но стабильнее, быстрее и дешевле.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. DataFlow: PyTorch для дата инженеров в эпоху LLM

Качество агентов начинается с качества данных. А подготовка данных для обучения моделей — это сложный, итеративный процесс. Фреймворк DataFlow предлагает удобный модульный пайплайн для комплексной работы с данными.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


5. Как измерить SGI «общий научный интеллект» у LLM

Ученые определили SGI как способность системы решать сложные исследовательские задачи. Так ИИ-модели хорошо справляются с отдельными исследовательскими шагами, но плохо собирают целостное исследование. Есть куда расти, но теперь уже по понятным критериям.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


6. Когда цифр недостаточно: язык как скрытый сигнал в экономических ИИ-моделях

Теперь новости и посты в соцсетях встраиваются в экономические модели как полноценный фактор. Это делает ИИ более устойчивым к кризисам и ближе к реальным экономическим процессам.

🔍 Обзор статьи | 📜 Полная статья


7. Когда тесты молчат: как ИИ-агент чинит баги

Фреймворк InfCode делает тесты активной частью разработки: агенты усиливают проверки, чинят код и отбирают лучшие решения.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты решают задачи международной олимпиады по математике

За счет формирования лемм, их хранения и повторного использования проверенных лемм, ИИ завоевывает золото китайской олимпиады и серебро на международной.

🔍 Обзор статьи | 📜 Полная статья


9. Сможет ли ИИ пройти сложный экзамен по финансовому анализу?

Рассуждающие модели прошли CFA на уровне лучших финансистов. Основные ошибки — в этике и интерпретации. Поэтому людей ИИ полностью не заменит в финансовых задачах.

🔍 Обзор статьи | 📜 Полная статья


10. Почему простые задачи оказались для ИИ самыми сложными

AI Consumer Index показывает, что даже лучшие ИИ-модели справляются с покупкой товаров лишь в половине случаев, часто галлюцинируя. Надежность и, как следствие, полезность персональных ассистентов — следующий критический рубеж.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


Размер моделей перестал быть определяющим фактором успеха для ИИ. Агенты уже конкурируют с людьми благодаря правильной “инженерии мышления”.

Надеюсь, в новом году мы увидим значительный прогресс во внедрении ИИ в бизнес с заметными экономическими эффектами: ведь у нас уже есть все детали конструктора. Осталось научиться собирать из них такие ИИ-системы, которые можно встраивать глубоко в бизнес-процессы.

Желаю всем в это захватывающее время сохранять огонь в глазах, отдать ИИ все самое скучное и заниматься тем, что действительно приносит удовольствие от жизни. С Новым годом!

👉 Подробный обзор

#исследования

Чего ждать от ИИ в 2026 году?

Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.

На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.

Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами:

• как меняются методы обучения моделей;

• как строить работающие мультиагентные системы;

• как ИИ воплощается в физическом мире в виде роботов и других устройств;

• как ИИ влияет на программирование и науку;

• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.

Если вам важно не просто пользоваться ИИ и внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.

А какие из этих направлений вы считаете самыми перспективными в 2026 году?

#анонс