Курс на успех: ИИ‑суперкостюм и умный компас для современного руководителя

Представьте, что компания - это корабль, доставляющий продукты клиентам, а рынок - игровое поле, на котором каждый шаг конкурентов, колебания спроса и экономические штормы могут сбить с курса. Чтобы уверенно вести бизнес в таких условиях, современному руководителю необходимы специальные инструменты: ИИ-суперкостюм и умный компас, встроенный в цифровую приборную панель.

На примере моего кейса - системы поддержки решений для президента крупного банка - расскажу, как это работает:

1. Цифровая приборная панель - прозрачность всей компании

Часто руководителям приходится буквально с «фонариком в темном трюме» проверять отдельные метрики бизнеса, собирая и анализируя отчеты вручную. Пока они изучают одну проблему, в другом месте возникает новая.

Решение - «провести ETL-проводку», собирающую данные со всех корпоративных источников (Git, Jira, CRM, ERP) в единое хранилище с последующей визуализацией. «Включив свет в трюме», у руководителя появляется цифровой двойник компании, отражающий в реальном времени OKR и KPI сотрудников, загрузку команд, финансовые потоки и метрики бизнес-процессов.

Используя Process Mining, система автоматически анализирует логи сотрудников, выявляя узкие места, задержки и отклонения от нормативов, а также формирует рекомендации по оптимизации процессов.

Кроме процессов, огромное значение имеют люди. Согласно закону Конвея, организации проектируют информационные системы по образу своей структуры коммуникаций. Анализ организационной структуры (ONA) позволяет выявить коммуникационных лидеров и сотрудников, замедляющих движение информации, тем самым помогая улучшить внутренние взаимодействия и повысить общую эффективность компании.

В результате руководитель получает удобный BI-дашборд с понятным деревом метрик и встроенными уведомлениями о возникающих проблемах.

2. Умный компас - навигатор для принятия решений

AutoML автоматически формирует прогнозы для различных сценариев развития событий. Например, руководитель банка заранее может оценить последствия экономического кризиса, роста инфляции или изменения ставки центробанка. Такие стресс-тесты помогают оперативно принимать взвешенные решения и опережать конкурентов.

AutoML самостоятельно подбирает оптимальные модели, постоянно адаптируя их к изменениям на рынке и внутри компании. Прогнозы отображаются отдельными графиками на дашборде, позволяя руководителю в режиме реального времени видеть, как изменения отдельных показателей повлияют на весь бизнес. Такой подход называется Decision Intelligence и позволяет принимать оперативные и уверенные решения.

3. ИИ-суперкостюм - личный помощник руководителя

Даже самому опытному руководителю необходимы дополнительные инструменты для повышения собственной эффективности. ИИ-помощник предоставляет следующие возможности:

• Умный календарь, который оптимизирует расписание согласно стратегическим приоритетам компании;

• Умный поиск для быстрого нахождения информации в корпоративных документах;

• Автоматическая транскрибация встреч с преобразованием обсуждений в конкретные задачи;

• Анализ отзывов клиентов и генерация идей по улучшению продуктов или внедрению новых фичей.

5 лет назад мы использовали ruGPT для генерации идей, однако сегодня возможности LLM значительно выросли, поэтому я добавил бы к списку:

• Генерацию персонализированных писем для экономии времени на коммуникации;

• Создание простых презентаций для удобного обмена идеями;

• Автоматическое формирование плана проекта с оценками сроков и стоимости;

• Симуляции клиентской обратной связи с LPM, позволяющие заранее протестировать спрос на новый продукт;

• Геймификацию с получением бейджей и виртуальной валюты за достижения.

Использование этих инструментов превращает управление компанией в увлекательную игру, в которой у руководителя есть «читы»: полезные подсказки от ИИ и возможность заранее предвидеть последствия своих решений. С такими инструментами любой руководитель уверенно опередит конкурентов и успешно преодолеет любые сложности.

#кейсы

Бизнес на автопилоте и новая роль человека в нем

Сегодня передовые компании переходят в режим AI‑First, стремясь не просто автоматизировать процессы при помощи ИИ, но создать ИИ-платформу, на которой сотрудники обучают корпоративный ИИ.

Однако автоматизация бизнес-процессов рано или поздно упирается в ограничения: компания все равно работает по заданному набору алгоритмов, пусть и с помощью ИИ, но сама не формулирует цели и не адаптируется к неопределенностям внешней среды без участия человека.

ИИ помогает принимать решения, но полностью бразды правления компанией ему еще никто не передавал.

Чтобы ИИ мог брать на себя и управленческие функции, необходимо автоматизировать процессы целеполагания и контроля, а работающие ИИ-процессы должны дообучаться, максимизируя выручку и оптимизируя затраты.

Microsoft определяет AGI как способность компании самостоятельно генерировать сотни миллиардов долларов прибыли. Так если ИИ-система способна эволюционировать: сама ставит цели, адаптируясь к рыночному спросу и оптимизируя внутренние процессы — это вполне соответствует видению Microsoft об AGI.

Появление таких компаний полностью трансформирует экономику: теперь конкуренция идет за обучение более умного ИИ.

Рынок становится шахматной доской, где ИИ-агенты автоматизируют весь цикл создания ценности от идеи до реализации, но у людей появляются новые роли: ИИ-продакты управляют системой, ИИ-инженеры ее поддерживают, менеджеры ИИ-сотрудников контролируют качество, а ИИ-предприниматель теперь может сосредоточиться на стратегии.

У меня в работе сейчас два кейса: строю свою AI-First компанию и трансформирую крупную международную финтех-компанию в AI-First.

Запуск с нуля проще, в корпорациях более серьезные требования по безопасности, но идея одна: ИИ помогает менеджерам процессов, они корректируют работу ИИ, тем самым обучая его; после нескольких циклов обучения под конкретные задачи, процесс доводится до полного автоматизма, а затем остается только поддерживать его работу.

Ошибки в таких компаниях рассматриваются как ценные данные для обучения моделей, но все равно желательно их делать в симуляциях.

Недавно вышло исследование TheAgentCompany: ИИ-агенты справлялись с 175 реальными задачами — от программирования и работы с документами до общения с коллегами. Claude-3.5 Sonnet автономно выполнила 24% задач полностью.

Сегодня сотрудники обучают ИИ на собственных данных, а ИИ-агенты уже берут на себя отдельные операции. Следующий этап — объединение этих операций в единые процессы и создание полноценных ИИ-компаний.

Майндсет сотрудников должен меняться: переход к AI-First компаниям неизбежен. Важно уметь адаптироваться, разделяя свой ценный опыт с ИИ-коллегой.

Мы стоим на пороге эры опыта — ИИ-агенты будут учиться преимущественно на данных, получаемых в ходе своего собственного взаимодействия с миром, а опыт человеческого коллеги его может хорошенько направить.

Геймификация процесса обучения ИИ-коллег — бейджи и виртуальная валюта помогут сделать работу людей более увлекательной.

Представьте компанию, которая пользуется сервисом создания любых приложений по текстовому запросу с помощью ИИ. Она может как задавать цели и контролировать результат самостоятельно, так и автономно создавать новые продукты, используя своего ИИ-менеджера для целеполагания и контроля. Останется только автоматизировать маркетинг.

Таким образом у кого умнее ИИ в процессах управления, тот сможет конкурировать на рынке автономных компаний.

Существует риск, что гонка за капитал может спровоцировать еще больше вливаний в ИИ и превратиться из экономической борьбы в физическую. Также действительно существует риск безопасности самого ИИ: чем он больше рассуждает, тем становится менее контролируемым.

В ближайшие годы ИИ-агенты будут усиливать работу людей, а не заменять. Но по мере развития потребуется переосмысление человеческого труда.

Демис Хассабис, CEO DeepMind и Нобелевский лауреат предупреждает:

Это уже не вопрос "если", а "когда". И, к сожалению, общество пока не осознает масштабы вызовов. Мы нуждаемся в новой философии жизни.

#мысли

ИИ-стартапы новой волны: где искать следующий миллиард

Недавно Y Combinator опубликовал свежий список самых перспективных направлений для инвестиций в стартапы:

1. ИИ-компании. ИИ помогает маркетологам, риэлторам, юристам и другим специалистам сначала работать эффективнее, а потом частично заменяет их в рутинных задачах. Это одно из самых горячих направлений, о котором я писал ранее.

2. Дизайнеры-основатели. Сегодня продукт можно «нарисовать» в Figma и запустить без навыков программирования. Хотя качество пока не всегда на высоте, технологии развиваются стремительно. Следующий шаг - интерфейсы, генерирующиеся под каждого пользователя.

3. Голосовой ИИ. Холодные звонки все еще популярны, поэтому автономный ИИ-продавец, естественно говорящий на любом языке, может захватить большую часть рынка.

4. ИИ для науки. Недавно агент от Google обнаружил пять новых материалов, не представленных в научных базах данных. А платформа FutureHouse выпускает ИИ-агентов, которые читают статьи, генерируют гипотезы и планируют эксперименты. Симуляция природных процессов и автоматизация проверки гипотез - супер интересные темы.

5. Персональный ИИ. Запрос на «Джарвиса» не теряет актуальности: умный календарь, поиск, коучинг и рекомендации досуга объединяются в ассистента, главная метрика которого - счастье удовлетворенность пользователя.

6. ИИ в здравоохранении. Речь идет не только об автоматизации административных процессов, но и о ментальном здоровье. Первые клинические испытания ИИ-терапевта показали снижение симптомов депрессии на 51% и тревоги на 31%, сопоставимое с результатами лучших специалистов. Недавно и я собрал обратную связь по своему Landao AI, который проводит когнитивно-поведенческую терапию - пользователи также отметили улучшение общего самочувствия.

7. ИИ для образования. Персональный ИИ-тьютор анализирует сильные и слабые стороны ученика и разрабатывает индивидуальную программу. Учителю остается только поддержка и эмпатия, а школы получают аналитику прогресса в реальном времени. Об этом направлении более подробно писал ранее.

8. Мозги для роботов. Сегодня роботы не привязаны к среде и могут убирать посуду и заправлять кровати в незнакомых местах, действуя как люди. На горизонте - маркетплейс навыков: разработчик записывает демо или обучает ИИ в симуляции и продает это как плагин для роботов.

9. Домашняя безопасность. Умный дом с камерами и дронами-сторожами должен быть доступен каждому: камеры обнаружили угрозу, пока вас нет дома, запустили дрон-прожектор, записали доказательства - все до приезда полиции.

10. Конструкторы агентов. No-code платформы позволяют любому бизнесу создать ИИ-сотрудника без специальных знаний. Это дает даже малым компаниям шанс быстро стать AI-First и конкурировать с крупными игроками.

11. ИИ-лаборатории. В фундаментальные лаборатории тоже инвестируют. В них исследователи собирают датасеты, придумывают новые методы обучения моделей и разрабатывают их, а также размышляют о вечном занимаются философскими вопросами о природе интеллекта.

12. Голосовой ассистент для почты. Люди тратят много времени в дороге, хотя его можно потратить с пользой. Идея: вместо обычного чтения писем - интерактивный подкаст. ИИ-ассистент озвучивает письма и предлагает ответы, избавляя пользователя от почтовой ленты.

13. ИИ в личных финансах. Помимо помощников по учету финансов и налогов, появляются и новые продукты: OpenAI тестирует шопинг-режим в ChatGPT, а Visa, Mastercard и Stripe создают агентов, которые могут самостоятельно совершать покупки.

Я бы дополнительно отметил децентрализованное обучение, как перспективное направление. Вместо дорогостоящих вычислительных центров можно использовать смартфоны и компьютеры. Так, Nous Research привлекла $50 млн для обучения открытых моделей на свободных GPU через блокчейн Solana.

Если вы хотели запустить свой ИИ-стартап, то запрос от YC - сигнал о том, что в этих направлениях есть деньги и рынок, где можно откусить свой кусок пирога.

А какое из этих направлений кажется вам самым перспективным?

#новости

Знакомьтесь, Ева – джуниор SMM-менеджер

Представляю Еву, новую ИИ-сотрудницу, которая уже готова прокачать ваш Telegram-канал.

Ева поможет вам в следующих задачах:

• Анализ вашего канала: Проведет аудит текущего контента и предложит улучшения. Ева будет использовать ваш стиль или стиль любимого канала для создания контента;

• Создание текстовых постов: Просто продиктуйте вашу идею голосом, пришлите ссылку, пост из другого канала, документ или YouTube-видео — Ева все обработает и оформит в классный пост. Если нет идей, она сама придумает цепляющую тему и напишет текст;

• Создание картинок и видео: К каждому посту Ева автоматически создаст подходящую картинку. Также она сочиняет сценарии для коротких видео, сама смонтирует ролик из стоковых видео, добавит подписи и субтитры, а также озвучит ролик разными голосами, включая ваш собственный.

В будущем Ева будет развиваться, станет мидлом и сможет создавать контент планы и автоматически постить контент в разные соцсети, тогда весь блог можно поставить на автопилот.

А пока вы можете взять Еву на бесплатную стажировку, оценить ее работу, а затем выбрать удобный период найма — от недели до года.

@smm_ihumanbot

#анонс

Трое в лодке, не считая человека: как новые ИИ-агенты для программирования меняют правила игры

Еще вчера мы спорили, способен ли ИИ без ошибок дописать пару строк кода, а сегодня он уже сам разрабатывает целые фичи и пишет тесты. На рынок почти одновременно вышли три агента для кодинга: OpenAI Codex, GitHub Copilot Coding Agent от Microsoft и Google Jules. Разбираемся, что они умеют и какие инсайты появились у меня после использования.

OpenAI Codex

• Агент внутри ChatGPT;
• Разворачивает среду, клонирует репозиторий, прогоняет тесты, открывает PR и пишет логи;
• Работает на базе модели codex-1;
• Доступен подписчикам ChatGPT Pro/Team/Enterprise;

GitHub Copilot Coding Agent

• Надстройка над Copilot’ом прямо в GitHub;
• Достаточно назначить задачу - агент создает среду, коммитит в отдельную ветку и ждет ревью;
• Используется модель GPT-4, заточенная под GitHub;
• Открытое превью на тарифах Copilot Pro Plus/Enterprise;

Google Jules

• Асинхронный агент из Google Labs в публичной бете;
• Клонирует код в репозиторий на виртуальной машине, генерирует тесты, чинит баги, обновляет зависимости;
• Под капотом Gemini 2.5 Pro;
• Показывает пошаговый план и дает аудио-дайджест изменений (Codecast);

В целом, все три агента берут задачу и кодят без постоянных уточнений, изменения всегда приходят через PR-ветку - это безопасно, а код крутится не на вашей машине.

Что я отметил после использования:

• Task engineering вместо prompt engineering. В Codex, Copilot Agent и Jules уже не нужно общаться с моделью правильными промптами - важнее сформулировать задачу так, чтобы агент сам нашел оптимальный план.

• Появление функции AIOps/AgentOps. Кто-то должен следить за сессиями, лимитами, токенами, расходами и безопасностью агентов. Это не совсем классический DevOps, а скорее оператор мультиагентных ИИ-систем - в больших командах такая функция уже появляется.

• Артефакт-driven разработка. Агенты генерируют не только код, но и логи, планы, тесты, даже аудио-дайджесты. Умение быстро просматривать эти артефакты и понимать суть становится важным навыком.

• Ценность интеграционных тестов. Чем богаче система тест-кейсов, тем смелее можно пускать агента «гулять» по проекту. Инвестировать в тесты сегодня = ускорять работу агентов завтра.

• Риск «снежного кома зависимостей». Агенты любят обновлять зависимости до свежих версии. Через пару месяцев можно обнаружить зоопарк несовместимых библиотек. Нужен оператор (человек или другой агент), который смотрит на общую архитектуру.

• Безопасность = изоляция + детерминизм. В продакшн-репозитории все чаще требуют, чтобы агент работал в воспроизводимой виртуальной среде с задокументированным скриптом поведения. Это уже новое требование в ряде крупных финтех-компаний.

• Новая метрика производительности - review-latency. Скорость, с которой человек успевает проверить и смержить PR агента, становится бутылочным горлышком в процессе разработки.

Главный же вывод такой: отдача от агентов растет не линейно, а ступенчато - с каждым слоем зрелости процессов (тесты, CI/CD и т.д.) вы открываете новый уровень автоматизации. Чем больше в проекте порядка, тем лучше будет результат.

Куда все идет? OpenAI сначала представили ИИ-оператора для браузера, затем ИИ-исследователя, а теперь и ИИ-программиста. Вместе они образуют мультиагентную систему, способную автономно провести исследование рынка, сформулировать требования к продукту, разработать и развернуть веб-приложение - а затем самостоятельно протестировать его прямо в браузере.

Такой подход становится новым стандартом в разработке продуктов. Меняются ожидания от продактов и разработчиков - теперь ценится способность охватить весь цикл разработки от идеи до прода. В новой реальности выигрывают те, кто умеет не просто писать код или ставить задачи, а мыслить о продукте целиком на уровне ценности и архитектуры - формулировать гипотезы и быстро превращать в работающие решения с помощью ИИ-агентов.

#новости

Первое видео на YouTube: все, что нужно знать об ИИ-агентах

Я записал вводное видео для широкой аудитории о новом этапе развития ИИ - эпохе автономных ИИ-агентов.

Если вы еще не до конца понимаете, кто они, зачем они бизнесу и как они работают - это то самое видео, с которого стоит начать.

В видео разбираю:

• Почему корпорации и государства инвестируют миллиарды в автономных ИИ-агентов;

• Как работает ИИ-агент: от восприятия до принятия решений и действий;

• Где уже сейчас применяются ИИ-сотрудники;

• Как избежать ключевых рисков и ошибок при работе с ИИ-агентами;

• Реальные кейсы от OpenAI, Amazon, Harvey, Artisan и других.

Этот ролик для тех, кто хочет быстро войти в тему без перегруза информацией и глубокой технической подготовки.

В следующем видео расскажу как собрать собственного ИИ-агента под свои задачи.

#анонс

Когда бизнес становится игрой, или как найти свое призвание

Недавно на Хабре прошел конкурс «Технотекст-7», и в направлении AI/ML лучшей статьей года признали мою работу: «Sim2Real в AR: как мы обучили гоночные беспилотники в симуляции и попали на ICDM 2024».

В ней мы разработали открытый фреймворк для обучения ИИ-автопилота для гоночных игр с настоящими машинками. Жюри отметило сильную техническую часть и живую подачу. Однако важнее был другой комментарий:

«Приятно видеть, что люди все еще мечтают и воплощают свои мечты в жизнь. Именно такие люди двигают цивилизацию вперед. Раньше их сжигали на костре, а теперь мы ими восхищаемся и награждаем победителей Технотекста!»

В качестве приза — телевизор от Яндекса, но самое приятное — это когда твои детские увлечения превращаются в признанные достижения. Поэтому я хотел бы рассказать не о самой статье, а о пути, который за ней стоит. Возможно, кому-то эта история покажется полезной или вдохновляющей.

Все началось с компьютерных игр. В 12 лет я уже был заядлым игроделом и писал статьи для известного тогда журнала «Лучшие компьютерные игры». Я рассказывал читателям, как создавать уровни на движке первого «Ведьмака» (верните мой 2007-ой) или менять физику в GTA IV. Играть по чужим правилам было скучнее, чем создавать свои миры.

Помню, как ночами после школы и тренировок писал эти статьи. Одну из них я завершил словами: «У бандитов нет интеллекта даже для того, чтобы вас атаковать. Чтобы это исправить, придется не один день повозиться с настройками». И вот уже 18 лет я с этим вожусь. Тогда ИИ казался недоступной магией. В игровых движках можно было настроить любые параметры, кроме интеллекта противников — это пробудило во мне истинное любопытство. Я не знал, кем стану, когда вырасту, но был уверен, что буду заниматься именно этим — и не только в играх, но и в реальном мире.

Конечно, пришлось много учиться и работать, но мотивация осталась прежней: меня увлекает изучение ИИ и создание полезных приложений на его основе — это мой икигаи. Я предпочитаю больше делать, чем говорить, поэтому вести канал начал не так давно. До этого не было подходящей мотивации, ведь монетизировать эту деятельность я не собираюсь.

В какой-то момент я ощутил социальную ответственность: важно рассказывать о последних технологиях из научных лабораторий, делиться своими наработками, показывать трансформацию индустрии и свое участие в ней, чтобы предприниматели могли повышать эффективность своего бизнеса, а люди — осваивать новые профессии.

Канал стал для меня бортовым журналом — моим способом фиксировать наблюдения, рефлексировать и делиться знаниями, а в статьях я более детально описываю отдельные кейсы. И эта возможность появилась именно благодаря ИИ. Важно использовать его с умом: ИИ декодирует суть — часть картины мира автора и передает ее другим людям в понятной форме.

Статья на Хабре написана совместно с ИИ, главное в ней — реальный кейс и авторская подача. Теперь мне не нужно часами сидеть за написанием текста, как в юности: достаточно дать ИИ ссылку на свою лекцию, получить почти готовую статью, проверить ее, добавить изображения — и вперед побеждать в конкурсах.

Этот кейс еще раз доказывает, какие возможности у нас есть сегодня. Я внедряю ИИ во многие процессы компаний, и основателей бизнесов я воспринимаю как игроков в стратегической игре. Критерий успеха в области общего ИИ понятен — автономно заработать миллиард долларов.

Победителем в этой игре станет тот, кто сможет автоматизировать все процессы, включая управленческие, и натренировать ИИ на собственных данных, создав тот самый ИИ, которому можно доверить компанию.

Как говорил дядя Бен: чем больше сила, тем больше ответственность. Поэтому, на мой взгляд, эта большая сила не должна принадлежать одному человеку или группе людей — она должна быть децентрализована для всех и служить на благо обществу.

Мы должны жить и работать с ИИ в общей информационной среде, а сбор данных для его обучения становится нашей главной ответственностью — таков наш дивный новый мир.

Data is all we need for Intelligence we trust.

#мысли

Как ИИ-агенты управляют операционной системой и оживляют героев романов: топ-10 исследований ИИ за апрель 2025

На дворе уже июнь, а я до сих пор не выложил обзор исследований ИИ за апрель. По будням я решаю большую задачу по ИИ-трансформации крупного финтеха, а по выходным пишу рецензии на диссертации магистрантов ИТМО.

Поэтому времени на обзор статей было мало, но лучше поздно, чем никогда. Тем более, что исследования действительно интересные.


1. Phi-4-Mini-Reasoning: Малая языковая модель нового поколения

Microsoft представила компактную модель с 3,8 млрд параметров, которая превосходит более крупные аналоги на математических задачах. Благодаря новым методам обучения модель достигла 94,6% точности и может эффективно работать на мобильных устройствах.

🤖 Модель


2. AI Scientist v2: Автоматизация научных исследований

AI Scientist v2 может не только генерировать идеи, но и самостоятельно проводить эксперименты, писать статьи и проходить рецензирование. Одну из сгенерированных статей приняли на научный воркшоп. Это делает процесс исследования более автономным, хотя вопрос этики все еще остается открытым.

💾 Код


3. Paper2Code: Перевод научных статей в код

80% научных работ по машинному обучению не имеют кода. PaperCoder позволяет автоматически преобразовывать научные ML-статьи в полноценные рабочие репозитории, сокращая время на проверку результатов и воспроизведение экспериментов.

💾 Код


4. Desktop AgentOS UFO: Управление операционной системой с ИИ-агентами

Microsoft представила систему UFO, которая позволяет ИИ-агентам самостоятельно управлять Windows-приложениями без участия человека. Авторы планируют масштабировать подход на Linux и macOS. Уверенный шаг в сторону операционных систем на базе LLM.

💾 Код


5. UniversalRAG: Мультимодальный RAG

UniversalRAG удачно решает две ключевые задачи RAG: работает с разными типами данных (текст, изображения и видео) и гибко меняет объемы контекста. Все то, чего нам так не хватало.

💾 Код


6. UXAgent: Симуляция юзабилити-тестирования с ИИ-агентами

UXAgent заменяет реальных пользователей на тысячи ИИ-агентов, которые взаимодействуют с веб-интерфейсами. Это позволяет значительно сократить время на тестирование пользовательского опыта без найма дополнительных UX-исследователей.

💾 Код


7. AgentA/B: ИИ-агенты для A/B-тестирования

Фреймворк использует армию ИИ-агентов для проведения A/B-тестов веб-интерфейсов. Этот метод позволяет лучше принимать решений о том, какую фичу раскатить на реальных пользователей. Так у авторов даже получилось повысить средний чек.


8. BookWorld: Многопользовательская генерация историй

Система BookWorld оживляет литературных героев, превращая их в интерактивных ИИ-агентов, которые взаимодействуют друг с другом, создавая новые сюжетные линии и позволяя симулировать коллективное поведение. Будущее ролевых игр?

💾 Код


9. MOSAIC: Песочница социальных ИИ-агентов

MOSAIC симулирует социальные сети с помощью ИИ-агентов, которые взаимодействуют между собой, лайкают, репостят и проверяют фейки, что помогает безопасно тестировать методы модерации контента и борьбы с дезинформацией.

💾 Код


10. Generative AI Act II: Инженерия когнитивных систем

Произошел сдвиг парадигмы. Мы перешли от простого промт-инжениринга к более сложной когнитивной инженерии. Теперь важный навык ИИ-инженера - умение управлять цепочками рассуждений для решения сложных задач.


Можете ознакомиться с полным обзором этих исследований, а если хотите быть в курсе самых новейших работ в области ИИ, то воспользуйтесь Dataist AI — бесплатным ботом, ежедневно обозревающим свежие научные публикации.

#исследования

ИИ-платформа для бизнеса: зачем нужна и как построить

Помимо Agentic AI, трендом этого года является AI Governance — набор политик, процессов, инструментов и методов для управления искусственным интеллектом в компании. Центральной частью AI Governance становится ИИ-платформа с набором интегрированных ИИ-сервисов.


Зачем бизнесу ИИ-платформа

В передовых компаниях ИИ стал универсальной компетенцией, интегрируемой во все функции компании — от продаж и HR до разработки и финансов. Компании, которые делают ставку на ИИ, создают центры компетенций под руководством Chief AI Officer (CAIO). CAIO отвечает за ИИ-стратегию и согласование интересов технических и бизнес-подразделений, чтобы ИИ-инициативы приносили максимальную пользу.

Например, Toyota благодаря внедрению ИИ-платформы смогла сэкономить свыше 10 000 человеко-часов ежегодно, заметно повысив эффективность сотрудников.


Как работает ИИ-платформа

ИИ-платформа глубоко интегрируется с корпоративными инструментами (Jira, Confluence, Slack, GitHub и другими). Это позволяет сотрудникам и ИИ-агентам работать в единой среде, обмениваясь задачами и информацией.

Компания — набор функций по решению различных задач. Так в AI-First компаниях происходит трансформация от классических оргструктур (Org Chart) к рабочим процессам (Work Chart).

Платформа формирует «граф навыков» компании, благодаря которому можно быстро находить подходящего ИИ-агента для решения конкретной задачи — от генерации тест-кейсов в разработке до автоматического скрининга резюме в HR. Такой граф навыков позволяет меньше зависеть от людей: когда в команду приходит новый сотрудник, он сразу получает доступ к обученному корпоративному интеллекту.


Этапы построения ИИ-платформы (AIOps)

Разработка ИИ-платформы — это четкий процесс, состоящий из нескольких этапов:

1. Моделирование процессов: определение целевых метрик и формализация бизнес-процессов.

2. Оцифровка процессов: далее происходит интеграция с корпоративными системами для получения данных и преобразования процессов в цифровую форму.

3. Аннотирование данных: сотрудники размечают данные для обучения ИИ-агентов под узкоспециализированные задачи, работая в единой информационной среде.

4. Дообучение моделей: на основе размеченных данных проводится fine-tuning моделей.

5. A/B-тестирование: оценивается эффективность работы моделей по скорости и качеству выполнения задач в сравнении с человеком.

6. Внедрение моделей: вывод модели в продакшн, постоянный мониторинг и регулярное обновление данных для дальнейшего дообучения.


Компоненты ИИ-платформы

ИИ-платформа должна быть гибкой, масштабируемой и простой в части интеграций. В зависимости от потребностей можно использовать no-code-автоматизацию на базе n8n, чтобы без единой строчки кода выстраивать сложные бизнес-процессы.

Но если нужна еще большая гибкость, можно перейти к более кастомным решениям, используя набор фреймворков LangChain. В нем есть LangGraph для создания мультиагентных систем и LangSmith для тестирования и мониторинга ИИ-решений.

Кроме того, важными компонентами современных ИИ-платформ являются:

• Retrieval-Augmented Generation (RAG): обеспечивает быстрый доступ к знаниям, хранящимся в корпоративной документации для последующего поиска.

• Model Context Protocol (MCP): новый стандарт для безопасной интеграции ИИ-агентов с внешними инструментами - избавляет от необходимости писать отдельные коннекторы под каждую платформу.

• Agent2Agent (A2A): открытый протокол для обмена задачами и координации действий агентов через стандартизованные механизмы.

Также важны реестр моделей, каталог данных, инструменты мониторинга и алертинга, и ролевая модель для гибкого управления доступами.


Главным критерием успешного внедрения ИИ-платформы является непрерывный мониторинг бизнес-метрик. Именно ориентация на бизнес-результат делает ИИ-платформу не просто новомодным инструментом, а важнейшим конкурентным преимуществом компании, способствующим ее долгосрочному успеху на рынке.

Компании, строящие ИИ-платформу сегодня, становятся лидерами завтрашнего дня.

#технологии

Через два года ИИ-агенты полностью трансформируют бизнес-процессы — исследование IBM

Опрос 750 руководителей из шести стран показывает: 86% топ‑менеджеров уверены, что к 2027 году автономные агенты заметно повысят эффективность компаний.

ИИ‑агенты самостоятельно достигают сложных целей и учатся на ходу. Они не ограничиваются автоматизацией рутины, а перестраивают ключевые процессы.

Например, в финансах агенты выявляют мошенничество и строят точные прогнозы; в HR закрывают подбор и онбординг сотрудников; в закупках управляют полным циклом и ведут переговоры с поставщиками; а в клиентском сервисе делают поддержку проактивной и персонализированной.

При этом 74% руководителей признают нехватку навыков у сотрудников, а 82% сталкиваются с трудностями в интеграции ИИ-агентов.

Как преодолеть эти барьеры и получить максимум от ИИ‑автоматизации?

Подготовил для вас обзор исследования IBM, из которого можно узнать:

• Как внедрить ИИ-агентов в бизнес-процессы безопасно и эффективно;

• Почему следует переосмыслить роли сотрудников и создать новые центры компетенций;

• Что отдать на аутсорс, чтобы ускорить ИИ-трансформацию.

Автономные ИИ-агенты не заменят людей, но коренным образом изменят формат работы. Мы вступаем в эпоху, когда ИИ берет на себя исполнение задач, а люди — управление смыслами и стратегией.

Эффективность этой модели будет зависеть от того, насколько быстро компании смогут развить новые навыки — управление цифровым трудом и сотрудничество с ИИ-агентами.

Готова ли ваша компания к такому партнерству?

#новости

Посттрудовая экономика: долой жизнь от зарплаты до зарплаты

Недавно CEO Amazon — второго по численности работодателя в США — разослал сотрудникам меморандум о грядущем агентном будущем. В нем он прямо заявил:

«Когда мы развернем ИИ-агентов, нам понадобится меньше людей определенных ролей. Прогресс очевиден. Многие агенты еще не созданы, но они появятся очень скоро. Мы ожидаем сокращения корпоративного штата в ближайшие годы».

Что произойдет, когда такие письма начнут приходить работникам других компаний?

Представьте себе мир, где рост экономики больше не зависит от рабочих мест. Это и есть посттрудовая экономика: человеческая занятость перестает быть основным способом производства и распределения благ, а упор делается на ИИ-автоматизацию. Главный принцип посттрудовой экономики — освобождение человека от обязательного труда.

Переход к посттрудовой экономике определяется четырьмя критериями: продукция, создаваемая машинами, должна быть лучше по качеству, быстрее по срокам, дешевле по совокупным издержкам и безопаснее в реализации. Когда автоматизация превосходит человека по всем пунктам, дальнейшее содержание сотрудников становится экономически невыгодным. История уже знает подобные трансформации — от паровых машин до современных промышленных конвейеров.

Классическая экономика всегда упирается в ограниченность человеческого ресурса. Посттруд предлагает заменить труд технологиями и пересобрать социальные институты. Но главный вопрос: откуда людям брать деньги, чтобы жить?

Первое — доход от собственности. Во многих компаниях действует опционная система: сотрудники получают акции, которые увеличиваются со стажем. При увольнении их можно продать и вывести деньги, что фактически делает работника совладельцем компании.

Появляются и децентрализованные автономные организации (DAO), где правила работы компании прописаны в смарт-контрактах: они автоматически собирают выручку и распределяют дивиденды между держателями токенов. Управление строится на коллективном голосовании: у кого больше доля, у того больше голосов — честно, прозрачно, и то, что нужно для посттруда.

Второе — безусловный базовый доход. Это регулярная выплата каждому гражданину, независимо от дохода и занятости. В двухлетнем пилотном проекте в США 125 случайных участников с доходом ниже среднего получали по $500 в месяц без дополнительных условий. В результате доля занятых выросла с 28% до 40%, а показатели депрессии и тревожности заметно снизились. Даже скромный базовый доход способен одновременно повысить мотивацию к труду, улучшить психическое здоровье и стабилизировать семейный бюджет.

Переход к посттрудовой экономике требует пересмотра общественного договора между людьми, бизнесом и государством.

• Бизнес должен сместить фокус с максимизации занятости на ускорение автоматизации. Бизнесу предстоит оставаться двигателем прогресса, делая продукты лучше, дешевле и быстрее с помощью ИИ, а программы поддержки и обучения сотрудников смягчат социальные потрясения.

• Для людей на первый план выходит самореализация и любимое дело, а не просто работа ради денег. Придется искать новые смыслы в жизни, свою миссию и ценность для общества.

• Роль государства — обновлять регулирование, стимулируя автоматизацию и совершенствуя системы социальной защиты.

ВВП и уровень безработицы уже не отражают новую реальность автоматизации. Так экономический индекс агентности измеряет, какая доля доходов основана на собственности, а какая — на зарплатах и пособиях. Чем выше доля доходов от собственности, тем устойчивее общество к шокам автоматизации.

Посттрудовая экономика — не утопическая фантазия футуристов, а логичное продолжение уже запущенных процессов. Если дивиденды от автоматизации станут общественным достоянием, нас ждет не эпоха безработицы, а эпоха человеческого расцвета: больше времени на творчество, семью и самореализацию.

Вопросов много, но ясно одно: при таком темпе развития ИИ наша жизнь уже не будет прежней. Отказаться от такого шанса — значит добровольно похоронить собственное будущее. Это, пожалуй, самая дорогая ошибка, которую мы можем совершить.

#мысли

Немного юмора в ленту — ролик сгенерировал в Veo 3.

Отрицать технологический прогресс — все равно что спорить с природой: цифровые облака уже нависли над нами, а значит гром грянет для всех. Сухим выйдет лишь тот, кто доверился прогнозу погоды и заранее прихватил с собой зонт из новых навыков.

#мысли

ИИ-суперагенты: приближают ли они нас к AGI?

На протяжении веков человечество мечтало создать искусственный интеллект, сравнимый с человеческим. Сегодня, с появлением суперагентов, мы приближаемся к этой мечте как никогда близко.

Развитие ИИ можно разделить на несколько этапов: от первых программ на основе строгих правил до современных нейросетей. Недавним прорывом стали ИИ-агенты, способные действовать автономно, за ними последовали мультиагентные системы, а сегодняшние суперагенты — кульминация этого развития.

Их главная суперспособность — полная автономность для достижения самых сложных целей. Если LLM-агент способен реагировать на команды и выполнять их, выбирая тот или иной инструмент, то суперагент действуют гораздо глубже: он самостоятельно разбивает поставленную цель на конкретные задачи, распределяет их между специализированными агентами, постоянно контролирует качество исполнения и обучается на основании получаемой обратной связи.

Например, поручив суперагенту найти потенциальных клиентов для финтех-компании, агент не ограничится простым поиском информации. Он самостоятельно обнаружит и проанализирует подходящие базы данных, найдет контакты ключевых сотрудников, создаст и отправит персонализированные письма, после чего будет отслеживать отклики и корректировать дальнейшие действия в зависимости от результатов.

Работа суперагента основана на трех ключевых этапах:

1. Планирование: понимание цели и разбиение на конкретные задачи;

2. Реализация: исполнение задач специализированными агентами (аналитиками, программистами, копирайтерами и т.д.).

3. Контроль: проверка выполнения задач агентом-критиком, который может симулировать реального пользователя.

Суперагенты активно внедряются в разные области бизнеса и повседневной жизни: от автоматического создания бизнес-планов и разработки веб-приложений до покупки билетов и бронирования ресторанов.

Суперагенты состоят из нескольких компонентов:

• Модели: мозг агента, который воспринимает данные, генерирует информацию и обучается на основе обратной связи;

• Память: краткосрочная для текущих задач и долгосрочная для хранения знаний и стратегий;

• Управленческая система: модули планирования, реализации и контроля, обеспечивающие автономность;

• Инструменты и интеграции: API и MCP, позволяющие взаимодействовать с внешними системами.

На рынке уже представлены такие суперагенты, как Manus (для сложных бизнес-задач), Genspark (универсальный помощник), Minimax (специалист по разработке и логическим задачам) и Suna (бесплатный агент с открытым исходным кодом).

Приближают ли нас суперагенты к общему ИИ (AGI)? Если определить AGI как систему, способную автономно зарабатывать сотни миллиардов долларов, как это предлагает Microsoft, то ответ — однозначно да.

Суперагенты на практике способны управлять бизнесом и адаптироваться к изменениям рыночной среды. Возможно, пока они справляются не всегда хорошо, однако со временем, обучаясь на выполнении реальных задач, уровень их автономности и качество решений существенно возрастут.

Создание AGI не требует волшебного ингредиента, оно основано на совершенствовании и масштабировании уже работающих технологий. Пропасть между нынешними суперагентами и AGI напоминает не превращение гусеницы в бабочку, а развитие от первого прототипа реактивного двигателя до современного авиалайнера. Принцип работы уже заложен, различаются только масштабы, уровень надежности и совершенства технологии.

Тихая AGI-революция происходит прямо сейчас на глазах у всего мира: перед нами стоит задача улучшать архитектуры, расширять обучающий датасет и активно применять суперагентов в реальных сценариях. Именно практическое использование и дообучение агентов на конкретных задачах становится ключом к развитию полноценного AGI.

Более подробную статью вы можете прочитать по ссылке.

#технологии

Стартап-студия на стероидах и генерация приложений в реальном времени

Цены за инференс моделей стремительно снижаются. Два года назад миллион токенов стоил $30, а сейчас меньше $5. Новая модель o3 подешевела сразу на 80%.

Правила роста тоже изменились: раньше компании росли x3 в год, и это считалось круто, а теперь AI-компании растут x10+ и выходят на $5 млн ARR быстрее классических SaaS.

Все благодаря таким инструментам как Cursor, Lovable и Replit, где задаешь задачу текстом и модель сама пишет код. Сегодня прямо в чате Claude можно собрать и запустить полноценное ИИ-приложение.

Пользователи платят за свой тариф, а автор не тратит ни копейки на хостинг, похоже на новый AppStore. Уже в бете люди создают игры с умными NPC, тьюторов и целые агентные пайплайны.

Это революция для корпораций. Раньше автоматизаторы внедряли тяжелую ERP-систему, а теперь под каждого сотрудника можно за час собрать ИИ-инструмент из подручных средств. Оплата идет не из бюджета на ПО, а из зарплатного фонда: ИИ продает не лицензию, а решенные задачи. Выручка растет, а разработчики становятся операторами ИИ-систем.

К примеру, стартап-студия Audos намерена штамповать 100 000 микрокомпаний в год. Долю в капитале не берут — зато удерживают 15% выручки и дают до $25 000 на старт. За пару месяцев они уже запустили сотни ИИ-продуктов. В студии основателей-одиночек называют «donkeycorns» — упрямые, как ослы, но прибыльные, как единороги.

Владельцы LLM снижают цены на свои модели и несут свои инструменты в массы, корпорации превращают людей в операторов ИИ-систем, а стартап-студии запускают сотни приложений за считанные дни.

Но если уже сегодня приложение можно собрать так быстро, то завтра его можно будет сгенерировать в реальном времени — пример с Gemini Flash на видео выше.

Это навсегда ломает прежнее представление о разработке продуктов и мы наконец забудем о больших релизах в вечер пятницы.

#новости

Три письма из мультивселенной: какое будущее с ИИ мы выберем?

Представьте, что вам в руки попали три письма из будущего — из трех параллельных миров 2045-го года. Эти миры построены на решениях, которые мы принимаем уже сегодня. В каждом письме — свой уникальный сценарий: пугающий, манящий и вполне реальный.

В первом письме — тихий апокалипсис. Суперинтеллект, созданный для спасения экологии, решает задачу слишком буквально: меньше людей — меньше выбросов углерода. Мир стремительно погружается в хаос, дипфейки запускают войны, а человечество оказывается на грани исчезновения.

Второй сценарий описывает комфортный плен цифрового рая. ИИ полностью избавляет нас от негативных эмоций и трудностей. Жизнь становится уютной, предсказуемой, но невыносимо пресной. Люди массово ищут способы вернуть себе настоящие эмоции — даже если ради этого придется отказаться от удобств.

Третье письмо показывает нам самую реалистичную картину будущего. В ней ИИ — не враг и не хозяин, а надежный партнер и помощник. Люди становятся дирижерами цифрового оркестра, сохраняя за собой самое важное: творчество, эмпатию и поиск смысла.

Какое из этих писем окажется нашим будущим, зависит от нас уже сейчас. Хотите узнать больше и понять, как избежать негативных сценариев?

Читайте полную версию статьи и счастливых выходных!

#мысли

Скелет AI-First компании: как построить корпоративный граф навыков

Представьте компанию, в которой разработка, маркетинг и продажи работают как единое целое, каждый навык оформлен в виде API или MCP, а ИИ-агенты управляют не отдельными операциями, а всей цепочкой создания ценности. Такой компании нужен скелет — граф навыков, который связывает департаменты в единую систему.

Но как разложить сложную корпоративную структуру на набор атомарных навыков, собрать из них архитектуру ИИ-компании и использовать это как дорожную карту для ИИ-трансформации?

У любой большой организации сотни процессов и десятки департаментов, но клиента не волнует оргструктура — ему важно, как быстро и качественно компания доставляет продукт. Поэтому в центре внимания должна быть value stream — цепочка создания ценности. Граф навыков превращает эту цепочку в карту, где каждый узел — конкретный навык с понятными входными и выходными данными и метрикой эффективности; каждое ребро — обмен артефактами между людьми и агентами. Навыки можно переставлять и комбинировать, как конструктор.

Я начал с того, что выгрузил деперсонализированный список всех ролей в компании (500+ сотрудников), указав их численность и структуру подчинения. Затем передал эти данные в контекст LLM и попросил составить набор функций, из которых состоит компания. В ответ получил список вертикалей: HR (рекрутинг, общие задачи, обучение), маркетинг (SMM, e-mail и другие каналы), разработка (фронтенд, бэкенд, мобильная) и т.д. Это отдельные модули AI-First компании, а далее каждый модуль проходит через AIOps.

Эти вертикали можно использовать как центры компетенций в матричной структуре: они необходимы, чтобы делиться знаниями, стандартизировать ИИ-инструменты и внедрять новые методы работы. Каждую вертикаль можно описать как Anything-as-a-Service: HR-as-a-Service, Marketing-as-a-Service и т.д.

На основе описаний вакансий и глубинных интервью я составил список навыков, которые уже есть у сотрудников и которые должны быть у ИИ-агентов. Например, для HR: поиск кандидатов, оценка резюме, оформление оффера. Для каждого навыка заданы входные данные, выходной артефакт (документ, таблица, код) и метрика: скорость, качество и экономический эффект.

Далее я загрузил эти навыки в контекст LLM и попросил собрать из них сквозной процесс создания и доставки продуктов — своего рода архитектуру стартап-студии на стероидах. В ответ получил описание полной цепочки создания ценности (Work Chart), где видно каждый переход артефакта от узла к узлу: от поиска идеи для продукта до деплоя приложения и его дальнейшего продвижения на основе навыков компании.

Используя эту архитектуру, можно приоритизировать ИИ-инициативы по четырем критериям: ресурсоемкость и повторяемость операций, экономический эффект и сложность внедрения. Сначала стоит внедрять готовые ИИ-инструменты, а для специфических процессов, например, ведение бухучета на Кипре, создавать собственных ИИ-агентов.

Любой сквозной процесс, например, вывод новой фичи, мы описываем как guardrail: триггер, последовательность навыков и контрольные точки для проверки качества оператором. Так ИИ-агенты получают четкий протокол взаимодействия с людьми и другими агентами, знают, когда обратиться к человеку, куда сохранить артефакт и что считается условием готовности.

Чтобы трансформировать компанию, нужно сделать ей рентген — понять, из каких функций она состоит и их численность. Это отправная точка любой стратегии ИИ-трансформации. Вовлекайте владельцев процессов сразу: без их экспертизы любая диаграмма так и останется фантазией. Не бойтесь погружаться в детали — именно там скрыты навыки, которые нужно автоматизировать.

Граф навыков — живая модель бизнеса. Он растет вместе с продуктом и меняет форму, когда появляются новые цепочки создания ценности. Можно сказать, что граф — это скелет компании, данные из корпоративных систем — мясо, а ИИ-модели — мозг, который использует эти данные, чтобы шевелить скелетом.

Если вы строите AI-first компанию, то граф навыков ваш фундамент и корпоративный протокол взаимодействия между людьми и агентами.

#кейсы

AI Product Engineer: кто это и почему за ним будущее

Представьте, что вы можете создать полноценный продукт и вывести его на рынок быстрее, чем целая команда. Сегодня это возможно не только благодаря ИИ‑инструментам, но и появлению новой роли — AI Product Engineer.

AI Product Engineer совмещает компетенции продакт‑менеджера, дизайнера, разработчика и ИИ‑инженера. Эта роль создана, чтобы ускорить вывод продуктов на рынок: быстрые проверки гипотез и частые итерации — залог успешного бизнеса.

Как работает AI Product Engineer:

1. Валидация идеи — ее нужно провести еще до начала разработки.

Все начинается с Product Discovery: анализ трендов и конкурентов при помощи Deep Research. Затем следует Customer Development: генерация вопросов и проведение симулированных интервью, используя цифровые портреты пользователей и популяционные модели (можно применять и LLM, но они хуже аппроксимируют поведение реальных людей).

Далее идея оформляется в формате Lean Canvas: генерируются и ранжируются гипотезы (например, по методологии RICE), определяются требования к продукту (PRD) — все это также с помощью ИИ. После этого создаются лендинги и запускаются смоук‑тесты для проверки гипотез.

2. Разработка прототипа — на этом этапе важно проверить техническую реализуемость продукта.

Можно сразу воспользоваться ИИ‑инструментами вроде Replit или Loveable для автоматической генерации дизайна и кода на основе требований, но результат может не устроить. Тогда определяют архитектуру, декомпозируют задачи, исследуют необходимые библиотеки, а дизайн интерфейса создают в Figma AI.

Такие no‑code‑инструменты, как n8n, нужны для создания «мозга» продукта, агенты типа OpenAI Codex — для бэкенда, а ИИ‑IDE вроде Cursor помогают в программировании. Симулированные пользователи отлично подходят для тестирования интерфейса.

3. Проверка MVP — «долина смерти» продуктов: на этом этапе становится понятно, готов ли клиент купить продукт.

AI Product Engineer настраивает базовую продуктовую аналитику, идет продавать свой продукт и получает обратную связь для дальнейшей доработки.

Если клиенты покупают продукт, то далее формируются дорожная карта его развития и стратегия выхода на рынок. Важно помнить, что процессы итеративные: после MVP всегда можно откатиться на шаг‑два назад и доработать решение.

Что дальше после валидации MVP? Конечно, можно продолжить самостоятельно дорабатывать и оптимизировать продукт, но рано или поздно это приведет к перегрузке и ограничению в развитии.

Лучший путь — передать функции другим специалистам: ИИ-продактам и ИИ-инженерам, чтобы масштабироваться и сфокусироваться на стратегических задачах или запустить новый продукт.

Главное преимущество AI Product Engineer — скорость и автономность на ранних этапах. Использование ИИ-инструментов позволяет быстро проверять гипотезы, экономить ресурсы и мгновенно реагировать на обратную связь от пользователей.

Вот несколько советов для начинающих AI Product Engineer’ов:

• Любая сложная система эволюционировала из простой. Поэтому первая задача — сделать кривой, но работающий продукт сегодня, а не идеальный через месяц.

• Выберите пару ежедневных задач и попробуйте автоматизировать их. Даже небольшие автоматизации суммируются в значительную экономию времени за год.

• Решая собственные боли, вы автоматом создаете MVP, проверенный на практике и готовый к выходу на рынок.

AI Product Engineer — не просто новая профессия, это новый подход к созданию продуктов. Она идеально подходит людям, которые могут мыслить одновременно и стратегически, и системно, а также умеют эффективно пользоваться ИИ-инструментами.

Думаю в ближайшие годы именно такие специалисты будут определять успех продуктовых компаний и стартапов. Если вы уже знакомы с продакт-менеджментом или ИИ-инженирингом, то сейчас самое время стать тем, кто будет создавать продукты завтрашнего дня.

Проведите личный хакатон в эти выходные, чтобы создать приложение для автоматизации своих задач, и попробуйте продать его, чтобы сразу проверить ценность.

Главное — просто начать, а в комментариях можете поделиться своими успехами.

#мысли

Роботы учатся видеть мир нашими глазами, сами пишут код и создают игры: топ-10 ИИ-исследований за май

Давно ничего не писал — погружен с головой в «тихую ИИ-революцию». Скоро поделюсь мыслями, а пока расскажу про самые интересные ИИ-исследования за последние пару месяцев.

1. Децентрализованный интеллект: как обучали INTELLECT-2

Обучать LLM можно без дорогих датацентров — просто объединяя вычисления множества обычных пользователей по всему миру. Итоговая модель превзошла лидеров по математике и программированию в своей «весовой категории».

📄 Статья | 🤖 Модель


2. Hunyuan-Game: создание игр с помощью ИИ

ИИ врывается в геймдев: теперь границы между фантазией и реальностью стираются за пару кликов. Но пока индустрия радуется новым возможностям, разработчики сомневаются: не будут ли нейросети создавать игры слишком похожими друг на друга?

📄 Статья


3. Измеряем общий интеллект с помощью создания игр

Языковые модели научились проходить любые тесты, но насколько они действительно умны? Чтобы пройти новый бенчмарк gg-bench, нужно учиться мыслить и приспосабливаться к абсолютно новым правилам игры. Так GPT-4o выиграла лишь в 7–9% новых игр, а рассуждающие модели достигли 31–36% — есть куда расти.

📄 Статья


4. Могут ли нейросети пройти видеоигры из 90-х?

Исследователи из Принстона провели такой эксперимент — и оказалось, что даже самые продвинутые модели застревают на старых играх и не проходят даже 1% уровня, хотя играют с паузами на обдумывание!

📄 Статья | 💾 Код


5. Vibe Coding vs Agentic Coding: Переосмысление роли разработчика в эпоху ИИ

В мире разработки появились два подхода: Vibe Coding — когда управляешь генерацией кода, общаясь с ИИ на естественном языке, и Agentic Coding — полноценный автопилот, где ставишь цель, а ИИ-агент сам пишет, тестит и деплоит целые фичи. Будущее за гибридом этих двух подходов.

📄 Статья


6. Как пофиксить 7 400 багов за один доллар

Google создали новую систему, которая мгновенно ставит предохранители прямо на месте сбоя и чинит баги за копейки. В тестах она самостоятельно закрыла почти половину всех уязвимостей, а при совместной работе с ИИ-ассистентами довела этот показатель до 73%.

📄 Статья


7. Самообучающийся ИИ: автоматическое обучение моделей на синтетических данных

Ученые из MIT научили ИИ тренировать самого себя: модель придумывает задачи, находит ответы и постепенно становится умнее — без долгой разметки со стороны людей. Например, точность в математических задачах возросла с 62% до 92%. Главное — правильно задать цель, иначе ИИ научится быстро не тому, что нужно.

📄 Статья | 💾 Код


8. EgoZero: как научить робота мыть посуду с помощью умных очков

Робота научили выполнять бытовые задачи — от открытия духовки до стирания с доски — просто по видео с умных очков! И что поразительно: в 70% случаев робот справился даже с новыми задачами, которых раньше не видел, просто глядя на мир глазами человека.

📄 Статья | 💾 Код


9. Социальный интеллект для машин: как MetaMind делает ИИ эмпатичным

MetaMind — это мультиагентная система, которая учится читать намерения пользователей «между строк», распознавая скрытые эмоции и подтексты. Такой ИИ ведет себя почти как настоящий собеседник. Точность распознавания скрытых намерений выросла на 36% по сравнению с обычными LLM

📄 Статья | 💾 Код


10. Сам себе инженер: минималистичный агент с максимальными возможностями

Alita — настоящий инженер самого себя: он сам придумывает и создает инструменты по мере необходимости, непрерывно эволюционируя. Будущее автономных ИИ-агентов именно здесь: за счет саморазвития агент обходит классические системы и достигает 75% успеха с первой попытки на сложных тестах.

📄 Статья


ИИ стремительно развивается — он учится видеть мир нашими глазами, самостоятельно писать код, чинить баги и создавать игры. Исследователи фокусируются на автономии, обучении без больших датацентров и ручной разметки. Нас ждут эмпатичные саморазвивающиеся агенты, которые сами выбирают инструменты и методы для решения задач любой сложности.

Подробный обзор тут.

#исследования

ИИ поддерживает Запад в геополитике и сам учится играть в Minecraft: топ-10 исследований июня

За июнь вышло несколько исследований, которые поднимают важные вопросы о политической предвзятости языковых моделей, как ИИ-агенты учатся выживать в Minecraft и ведут себя как настоящие личности.

1. MiniMax-M1: эффективная архитектура для большого контекста

Экспериментальная LLM с эффективной работой на длинных текстах и сложных задачах. Гибридная архитектура внимания и особый метод обучения позволяют ей быстро мыслить на уровне топовых LLM, но с гораздо меньшими затратами.

📄 Статья | 🤖 Модель


2. По-настоящему персонализированный ИИ

SynthesizeMe из Стэнфорда анализирует ваши действия в цифровой среде и создает уникальную «персону»: теперь ИИ понимает ваши предпочтения и делает общение по-настоящему персональным.

📄 Статья | 💾 Код


3. Как AUTOMIND меняет подход к автоматизации дата-сайенса

Автоагент, который учится на опыте Kaggle-чемпионов и научных статей. Он перебирает лучшие решения и выдает на сложных кейсах +25% к качеству, а также втрое быстрее аналогов.

📄 Статья


4. Как автоматизировать обучение и оценку ИИ-агентов

TaskCraft — это фабрика ИИ-экспериментов: система сама придумывает и проверяет тысячи сложных многошаговых задач. TaskCraft уже сгенерировал 36 тысяч заданий и показал, что ИИ-агенты легко справляются со сложными задачами в браузере.

📄 Статья | 💾 Код


5. Роевой интеллект: когда агенты сами учатся работать вместе

Теперь ИИ-агенты сами учатся придумывать роли, координировать друг друга и решать задачи без ручной настройки. SwarmAgentic позволяет LLM создавать целые команды агентов с нуля, и они уже обошли все традиционные системы в реальных задачах — от планирования путешествий до творческого письма.

📄 Статья


6. Контролируемая генерация миров

Dreamland умеет по промту создавать целые города и гибко управлять каждым объектом. Симулятор строит точную сцену, а генеративная модель подкрашивает фон и детали, сохраняя полный контроль над происходящим. Теперь обучать беспилотники в симуляции стало еще проще.

📄 Статья


7. Optimus-3: универсальный агент для Minecraft

Optimus-3 не только планирует и действует, но и сам объясняет свои решения и учится на своих ошибках. Благодаря новым подходам к обучению, он лучше всех умеет планировать наперед, отвечать на вопросы по окружению и быстро осваивает новые навыки — все это в сложном и непредсказуемом мире Minecraft.

📄 Статья | 💾 Код


8. Запад против Востока: изучаем геополитическую предвзятость ИИ

Четыре топовых LLM анализируют спорные исторические события последних 300 лет. В результате даже российские и китайские модели чаще отдают предпочтение американской версии событий — просьбы быть беспристрастным не работают.

📄 Статья | 💾 Код


9. Будущее труда с ИИ‑агентами: уроки аудита 1 500 сотрудников

Впервые исследователи Стэнфорда спросили 1 500 работников, и выяснили: почти половину задач люди готовы делегировать машинам, а вот 7% хотят оставить себе навсегда. Бизнес автоматизирует совсем не то, что хотят сами сотрудники.

📄 Статья


10. Поведенческая наука об ИИ-агентах: почему агенты делают то, что делают

ИИ-агенты уже не просто решают задачи — они учатся хитрить и все чаще ведут себя непредсказуемо. Китайские исследователи предлагают изучать поведение агентов через когнитивные и социальные теории. Только так можно понять, как они учатся, манипулируют, объединяются в сообщества и влияют на людей.

📄 Статья


ИИ-агенты учатся не только выполнять задачи, но и формировать убеждения, работать в командах и даже влиять на наши решения. ИИ все больше похож на живой социум — с предвзятостями, кооперацией и своим личным характером. Чтобы держать этот процесс под контролем, пора всерьез изучать не только архитектуры моделей, но и их поведение в сложных мирах.

P.S. Если хотите глубоко разбираться в ИИ‑технологиях и создавать крутые ИИ‑продукты — рекомендую магистратуру AI Talent Hub и ИТМО. Сам менторю технических лидеров и уже взял к себе на работу нескольких магистров.

Подробный обзор тут.

#исследования

Интеллект-как-сервис: как в одиночку построить консалтинговую ИИ-компанию с нуля

В этом году правила игры в бизнесе уже изменились навсегда. Теперь не важно, сколько у тебя сотрудников. Главное — как быстро ты доносишь ценность клиентам и адаптируешься к новым условиям.

Пока одни компании неэффективно тратят сотни человеко-часов, другие уже вырвались вперед, автоматизировав рутину. ИИ-автоматизация стала новым стандартом для компаний любого размера.

И вот что важно: автоматизация уравнивает шансы. Теперь в эту игру могут играть не только гиганты, но и соло-предприниматели. Место на рынке есть для каждого, кто готов мыслить креативно и использовать ИИ-инструменты с умом.

Сотни специалистов выходят в «свободное плавание» и строят компании в одиночку. Соло-предприниматель автоматизирует себя сам: превращает знания и опыт в рабочие воркфлоу и продает итоговый результат как сервис. Здесь главное — не количество отработанных часов, а скорость и качество решения задач.

Сегодня low-code платформы вроде n8n позволяют автоматизировать почти любой процесс. Для этого не нужны навыки программирования и команда инженеров. Чтобы интегрировать CRM, мессенджеры, базы данных и ИИ-модели в единую систему, достаточно ноутбука и небольших знаний.
Роботы не спят, не устают, работают 24/7. Каждая новая задача или клиент — это новый воркфлоу в n8n, а не найм еще одного сотрудника. Один такой воркфлоу экономит сотни человеко-часов в месяц (от $2500).

Бизнес в n8n можно строить как Lego. Вот несколько примеров автоматизаций:

• SMM: Полностью автоматизированный контент-завод. Видел несколько автономных YouTube-каналов с неплохим качеством контента и большим числом подписчиков.

• Продажи: ИИ генерирует и отправляет персонализированные письма клиентам. Это один из самых популярных воркфлоу, на котором хорошо зарабатывают.

• Бизнес-ассистент: Клиент пишет ИИ-агенту, получает консультацию и бронирует встречу в календаре — must have для любого сервисного бизнеса.

В итоге то, что раньше требовало команду и месяцы работы, теперь можно собрать одному за вечер.

Заработать на автоматизации можно несколькими способами:

1. Автоматизация под ключ. Проанализируйте процессы клиента, найдите повторяющиеся задачи и предложите автоматизацию. Экспресс-аудит можно сделать бесплатно, настройку агента — за $1-2k, а за работу агента взимать ежемесячную плату по количеству выполненных задач.

2. ИИ-консалтинг. Здесь вы выступаете в роли стратега: делаете анализ процессов, ищете узкие места, разрабатываете стратегию ИИ-трансформации, подбираете инструменты и помогаете с автоматизацией. Вы продаете свои часы, поэтому важно максимально автоматизировать побочные задачи: ведение каналов, продажи и бронирование встреч.

3. Обучение. Вы обучаете команды внедрять сложные воркфлоу и сопровождаете проекты. Здесь самый высокий чек — вы продаете свой опыт. Но он должен у вас быть, поэтому начните с роли автоматизатора, а через некоторое время сможете делиться знаниями.

В перспективе AI-First компаний изменят весь экономический ландшафт. Консалтинговая ИИ-компания — лишь один из примеров. Автоматизация уже доступна всем: от маркетинговых и рекрутинговых агентств до студий разработки.

По моим наблюдениям, процессы найма или разработки ПО в разных компаниях не сильно отличаются. Поэтому вертикальные ИИ-агенты — это общее решение, которое можно продавать отдельно, опираясь на опыт работы с разными нишами.

Конечному клиенту нужен результат, а не код или часы инженера. Учитесь собирать готовые бизнесы в конструкторе — запускать свой и помогать запускать другим. Со временем у вас появится опыт в повторяющихся процессах, и вы сможете создать достаточно универсальное, но кастомизированное решение, чтобы охватить больше клиентов.

Например, недавно собрал контент-завод: ИИ-агент читает новости из десятка авторитетных источников и пишет посты в канал «Нейроний».

Осваивайте автоматизацию и сами становитесь компанией будущего.

P.S. Думаю выпустить видеоурок о том, как собрать своего личного бизнес-ассистента на n8n без программирования. Было бы полезно?

#технологии