MCP: как AI-агенты становятся умнее и самостоятельнее благодаря новому протоколу

В мире ИИ появился новый язык общения — Model Context Protocol (MCP). За несколько месяцев его подхватили OpenAI, Microsoft, Google, Amazon и другие гиганты. Но что это значит для бизнеса, и почему MCP может изменить рынок ИИ-агентов, разбирались аналитики BCG.

MCP — «переговорная комната» для ИИ
Представим, что каждый агент — гениальный одиночка: варится в своём «котле» данных, интеграция и координация сложные. MCP решает эту проблему, создавая единый протокол, позволяющий агентам:

⚫️быстро обмениваться данными, инструментами и знаниями;
⚫️координировать действия между собой и с людьми;
⚫️легко интегрироваться с корпоративными системами через REST/gRPC API и SDK с открытым исходным кодом на Python, JS, Go.

Протокол поддерживает работу с популярными платформами (LangChain, HuggingFace и др.), сборку без программирования и автоматизацию сложных процессов.

Зачем MCP бизнесу?
⚫️Ускорить внедрение AI: запускайте агентов за дни благодаря low-code-платформам и API. Подключайте новых агентов и интегрируйте их с существующими системами без головной боли. MCP позволяет создавать мультиагентные системы, в которых агенты разных производителей и на разных языках могут работать вместе.
⚫️Обеспечить безопасность: MCP включает контроль доступа, стандартизацию запросов и аудит, чтобы ваши данные были в безопасности.

Выводы
По выводам отчета каждые 7 месяцев ИИ-агенты удваивают время автономной работы без необходимости контроля со стороны человека — сегодня они могут работать без надзора уже час и приходить к вам с готовым результатом. Получается, к 2027-2028-му они смогут трудиться с 9 до 18, а к 2030-му — приходить с отчетом раз в месяц.

MCP ускоряет этот прогресс, превращая одиночных помощников в настоящую автономную команду, которую можно смело оставлять без постоянного надзора.

Подробнее — в прикрепленном файле
#агенты

Immersive Factory — платформа для VR-тренировок и обучения в области безопасности на рабочем месте

Компания проводит обучение с помощью популярных гарнитур (Pico Neo 3, Meta Quest 2 и другие) и собственного ПО и работает с различными отраслями — например, со стройкой, фармой, логистикой и другими. Среди клиентов: Shell, Colas, Siemens, Moët Hennessy, Suez, Volvo, P&G, Engie, Airbus и другие.

Кейсы:
⚫️Tyson Foods сократила после обучения производственный травматизм на 20%. 89% учащихся заявили, что почувствовали себя более подготовленными после обучения в виртуальной реальности.
⚫️Компания Verizon обучала сотрудников действиям при вооружённом нападении на магазин. В результате 97% сотрудников заявили, что чувствуют себя готовыми к опасной ситуации.

В Deep Research в ChatGPT добавили интеграцию с GitHub — пока в бета-версии

Вайбкодеры, возрадуйтесь: теперь можно напрямую анализировать репозитории кода и связанные с ними документы, размещённые на GitHub.

Что можно
🔵задавать вопросы о конкретных репозиториях кода;
🔵запрашивать сводки структуры кода и шаблонов;
🔵понимать, как реализовывать API с помощью примеров, взятых непосредственно из подключённого контента GitHub.

Как работает
Подключаете репозиторий → ChatGPT выполняет расширенный анализ, по времени от 5 до 30 минут → после интерпретации кода и документации ИИ составляет структурированный отчёт со ссылками на конкретные строки кода.

Фича пока доступна подписчикам ChatGPT Plus, Pro и Team, но собираются раскатить и на пользователей Enterprise и Education.

CAD-Llama —  фреймворк, который адаптирует LLM для создания параметрических 3D-моделей по обычному текстовому описанию

В чём фишка? Обычные LLM хорошо пишут тексты и даже код, но вот с 3D-моделями всё не так просто: команды для CAD — это не их родной язык. Поэтому, если просто «скормить» LLM задание «сделай цилиндр с двумя выступами», она вряд ли выдаст что-то полезное.

Авторы CAD-Llama придумали, как научить LLM понимать структуру 3D-моделей. Они сделали специальный формат — Structured Parametric CAD Code (SPCC). Это такой «псевдокод» на Python, где подробно описывается каждая деталь и шаг построения. К этому добавляются текстовые описания — что за деталь, где она находится, как связана с другими.

В итоге CAD-Llama может по сложному тексту («создай цилиндр с двумя выступами, как у шестерёнки») выдать не просто картинку, а полноценную параметрическую модель, которую реально можно дорабатывать и использовать дальше.

Как работает
Вся магия CAD-Llama строится на двух вещах: иерархических аннотациях и специальном обучении модели.

1. Иерархические аннотации
⚫️Сначала для каждой детали 3D-модели делается подробное текстовое описание. Например: «Центральный цилиндр с двумя прямоугольными выступами по бокам, вытянут вверх на 12 единиц».
⚫️Потом для всей сборки пишется общий обзор и объясняется, как детали соединяются между собой. Это нужно, чтобы модель «видела» не только отдельные части, но и их взаимное расположение.

2. Обучение
⚫️Модель сначала «кормят» этим структурированным кодом и аннотациями, чтобы она научилась связывать текст с реальными CAD-командами.
⚫️Потом её дообучают на задачах вроде «допиши недостающую часть модели», «удали компонент» или «опиши, что делает этот кусок кода».

Зачем всё это?
Авторы исследования пишут, что такой подход позволяет LLM не просто повторять шаблоны, а реально генерировать сложные, редактируемые CAD-модели по тексту. Причём CAD-Llama уже обгоняет по точности и сложности моделей не только старые методы, но даже такие мощные LLM, как GPT-4 и Llama3.

«Преобразует набор данных DeepCAD в удобный для LLM текстовый формат, а инструкция настраивает модель Llama-8B для генерации и редактирования САПР. Точность увеличивается в 4 раза по сравнению с GPT4, в 2 раза по сравнению с инструкцией на более "сыром" представлении САПР», — отметил Артур Ишмаев, руководитель направления отдела ИИ ПИК Digital.

Исследование ученых Школы компьютерных наук и технологий Университета Фудань.

Главные тренды ИИ в 2025 — BCG AI Radar 2025

⚫️Инвестиции в генеративный ИИ вырастут на 60% за 3 года. Каждая третья из 1800 опрошенных компаний планирует потратить более $25 млн в 2025.

⚫️75% руководителей считают ИИ приоритетом, но только 25% видят реальную пользу. ИИ повышает производительность на 10-20%, эффективность процессов — на 30-50%, помогает создавать новые продукты.

⚫️76% компаний считают, что кибербезопасность ИИ требует улучшения. Главные риски: защита данных и контроль решений ИИ.

⚫️67% компаний считают, что ИИ-агенты (автономные помощники) ускорят работу в 3 раза и улучшат взаимодействие с клиентами. Важно ставить реалистичные цели.

⚫️60% компаний не отслеживают финансовую отдачу от ИИ. Лучшие тратят 10% усилий на алгоритмы, 20% — на технологии, 70% — на обучение и процессы.

⚫️В 70% компаний хотя бы четверть сотрудников обучены работать с ИИ, 68% планируют продолжать обучение.

⚫️Рекомендации BCG: сосредоточьтесь на 2-3 ключевых задачах, внедряйте KPI, усиливайте безопасность и начинайте с небольших проектов с ИИ-агентами.

Подробнее — в приложенном отчете👆

LLM на борту дрона без облаков — исследование лаборатории DroneCam

Одна из проблем использования LLM на дронах — ограниченные ресурсы бортовых компьютеров. Традиционные LLM вроде GPT-4 требуют серверных мощностей. Ученые из лаборатории DroneCam (из ИПУ РАН Трапезникова и Московского Политеха) придумали способ, как работать прямо на борту дрона — без облака и внешнего сервера.

Что делали:
🔵Оптимизировали модели через квантование (сжатие без потери качества).
🔵Протестировали Qwen2.5-Coder в трёх размерах (0.5B–3B) на одноплатнике Orange Pi 5B (NPU Rockchip RK3588S).
🔵Для проверки кода разработали бенчмарк на 125 сценариев: LLM должна была сгенерировать код для автономного полёта на основе задания на естественном языке.

Результаты
🔵NPU позволяет значительно увеличить скорость обработки данных без потери качества модели. Все три сборки продемонстрировали стабильное качество на бенчмарке.

🔵Так что автономный дрон с LLM-интерфейсом — это уже не что-то из разряда фантастики. Главное — правильно выбрать модель, аппаратную платформу и отловить типовые ошибки генерации.

6 репозиториев Гитхаба для тех, кто проектирует — архитектуру или агентов

Мы уже писали, что MCP становится стандартом для интеграции ИИ, как когда-то REST для API. А мультиагентные системы — следующий шаг после одиночных LLM. Ниже — 6 интересных проектов с Гитхаба для тех, кто разрабатывает ИИ-агентов или использует нейросети в проектировании.

1️⃣ OpenWebUI превращает инструменты MCP в HTTP-серверы, совместимые с OpenAPI. Теперь ИИ-сервисы легко интегрируются с RESTful API без «костылей».

2️⃣ Unbody — модульный сервер для создания ИИ, который понимает контекст, а не просто перебирает данные. Он преобразует необработанные данные в структурированные знания, умеет рассуждать и выдавать результат через API. Работает в 4 слоях: восприятие → память → рассуждение → действие. Пригодится тем, кто строит умные чат-боты или аналитические системы с памятью и логикой.

3️⃣ OWL: мультиагентные системы в действии. Фреймворк для мультиагентных систем на основе CAMEL-AI. Позволяет запускать несколько специализированных ИИ-агентов, которые взаимодействуют друг с другом через браузер, терминал, API или MCP-инструменты.

OWL отлично подходит для экспериментов с распределённым ИИ, где разные агенты выполняют разные роли и задачи, а результат достигается за счёт их взаимодействия.

4️⃣ F/mcptools — MCP Tools CLI — терминал для взаимодействия с MCP-серверами через командную строку. Позволяет находить, вызывать и тестировать ИИ-инструменты прямо из терминала. Поддерживает JSON, HTTP и даже мок-серверы для тестов. Если вы работаете с MCP-инфраструктурой, то можно ускорить интеграцию, отладку и тестирование.

5️⃣ Letta — универсальный формат для ИИ-агентов. Открытый стандарт для упаковки и переноса ИИ-агентов между LangGraph, CrewAI и другими фреймворками без переписывания кода, с контролем версий и чекпоинтами. Letta использует файл-архив .af, в котором сохраняются память, поведение и состояние агента.

6️⃣ Блендер-MCP — инструмент для интеграции Blender с Claude AI через MCP. Теперь можно проектировать на Blender с помощью текста — в том числе управлять сценами, объектами и материалами. Мы даже показывали эксперименты с ним или с чем-то похожим.

#агенты

Квантовые коммуникации: тренды и перспективы для ИТ и строительства — McKinsey, Quantum Tech Trends 2025

McKinsey предсказывает: к 2035 году рынок квантовых коммуникаций взлетит в 15 раз (с $1 млрд до $15 млрд). А после Q-Day, когда квантовые компьютеры начнут взламывать обычное шифрование, эти технологии станут необходимостью.

Тренды
⚫️PQC (постквантовая криптография) — уже внедряется (Apple, Google), она дешевле и проще, чем QKD.
⚫️QKD (квантовое распределение ключей) — максимальная защита, но пока дорого и сложно.
⚫️Госсектор — главный заказчик (62% рынка), но телеком и финтех догоняют.
⚫️География: США лидируют в технологиях, Европа — в практических решениях, Китай — в масштабных сетях.

Реальные кейсы
⚫️IBM, AWS, Cisco уже тестируют квантовые соединения в дата-центрах.
⚫️Китай построил QKD-сеть 4600 км между 4 городами.
⚫️Европа запускает защищенные квантовые сети для критической инфраструктуры.

Подробнее — в прикрепленном отчете.

4 реальных кейса, как ИИ экономит деньги промышленности — KPMG

Главные цифры отчета KPMG — Intelligent Manufacturing 2025:
🔵93% лидеров индустрии уверены: только компании, полностью интегрировавшие ИИ, получат реальное конкурентное преимущество.
🔵96% отмечают рост операционной эффективности, а 62% фиксируют возврат инвестиций выше 10%.
🔵84% разрабатывают ИИ-решения собственными силами, а 70% активно используют открытый исходный код.

Однако внедрение ИИ — это не только цифры, но и реальные кейсы, которые меняют подход к производству.

🟢 Siemens — умное проектирование
Siemens внедрил ИИ в процесс проектирования деталей. Теперь алгоритмы сами предлагают варианты конструкции, анализируя прошлые проекты и требования к новым продуктам. Инженеры получают готовые оптимальные решения, а не тратят недели на перебор вариантов. В итоге время на разработку сократилось на 33%, а ошибок стало на 25% меньше.

🟣 Volkswagen — предиктивное обслуживание
На заводах Volkswagen ИИ анализирует данные с датчиков на оборудовании — температуру, вибрацию, загрузку. Система заранее предсказывает поломки и варианты их предотвращения — например, составляет график обслуживания оборудования. Это позволило снизить незапланированные простои на 20% — меньше аварий, больше выпуска.

🔵 Bosch — оптимизация запасов и логистики
Bosch использует ИИ для прогнозирования спроса и управления запасами. Система учитывает и внутренние данные, и внешние — например, рыночные тренды и погоду. В итоге на складах стало на 15% меньше лишнего товара — деньги не заморожены, места больше, и всё под контролем. Планирование стало точнее, компания быстрее реагирует на любые сбои и даже может проводить акции, если видит, что какой-то товар начал залеживаться.

🔴 ABB — энергосбережение с помощью ИИ
ABB внедрила ИИ для управления энергопотреблением на заводах. Система анализирует производственные циклы, погоду и тарифы, чтобы оптимально включать и выключать оборудование. Это дало экономию энергии на 12% и помогло компании стать «зеленее».

Подробнее — в отчете.

«Яндекс» купил у «Самолета» PropTech-платформу «Домиленд»

Напомним, что «Домиленд» принадлежит «Самолету» ещё с 2022-го — тогда застройщик купил долю у ВТБ. Сама компания была основана в апреле 2017 года Кириллом и Дарьей Вороновыми.

Команда во главе с соосновательницей и гендиректором Дарьей Вороновой перейдет в «Яндекс» и продолжит работу под брендом «Домиленд».

«Мы являемся крупнейшим девелопером и заинтересованы в максимально технологичном и клиентоориентированном партнере daily-сервисов для жителей своих ЖК. Уверены, что именно Яндекс сможет вывести платформу на качественно новый уровень в самые кратчайшие сроки»,— прокомментировала сделку генеральный директор группы «Самолет» Анна Акиньшина.

Добавим, что цифровые решения «Домиленда» используют более 1 млн жителей, а среди клиентов: «Донстрой», «А101», Брусника, MR Group, Level Group, Vesper и другие. Всего на платформе доступны 30 продуктов по модели SaaS.

📍Эксперты оценивают сделку в диапазоне 300-675 млн рублей.

#цифровизация

Учимся: 9 бесплатных курсов по ИИ от Google

📎Введение в генеративный ИИ — вводный курс по генИИ и инструментам Google Tools, которые помогут вам разрабатывать собственные приложения на основе генеративного ИИ.
📎Введение в LLM — вводный курс.
📎Введение в ответственный ИИ — курс о принципах разработки и внедрения ИИ с учётом безопасности, надёжности и этических норм.
📎Введение в генерацию изображений — курс про диффузионные модели, их теорию и практическое применение в Vertex AI.
📎Архитектура кодера-декодера — курс про архитектуру «кодировщик-декодировщик», которую используют для задач последовательного преобразования данных: перевода, обобщения текста, генерации. В лабораторной работе вы создадите простую модель на TensorFlow.
📎Модели трансформаторов и модель BERT — вводный курс по Transformer и BERT, об их использовании для классификации, ответов на вопросы и генерации текста.
📎Создание моделей подписей к изображениям — о различных компонентах модели для описания изображений, таких как кодировщик и декодировщик, а также о том, как обучать и оценивать модель.
📎Generative AI Studio — курс по платформе Vertex AI Studio, инструменту для всего цикла работ с LLM. Здесь можно узнать, как использовать Vertex для создания мультимодальных приложений Gemini, разработки запросов и настройки моделей.
📎Применение принципов ИИ с Google Cloud — курс о том, как внедрить ответственный ИИ в компании.

Общая продолжительность: около 9 часов. Пройдете все, сдадите лабораторные и соберете набор из 9 ачивок Гугла, а также сертификат Generative AI Explorer–Vertex AI. #учимся

ИИ-агент Manus стал доступным для всех

Кредитов, которые выдают при регистрации, хватает на пару задач в день. Умеет он, утверждают создатели, почти всё: от поиска и заказа билетов на самолёт до создания кода и написания докторских. Внутри: планировщик, ризонинг, поиск, помощник.

Решила протестировать:
⚫️Из России его скачать нельзя, а при регистрации по VPN требуют подтверждение телефона, так что выбирайте из списка «Казахстан», у них тоже код «+7».

⚫️Дала задачу написать пост про VR/AR/MR-технологии для стройки, с подробным анализом разработки и кейсами.

⚫️С задачей он не справился, потому что написал практически докторскую на 20 листов, а не пост.

⚫️Я выборочно проверила 10 фактов из статьи — все они подтвердились. Также в конце статьи были сноски на источники.

Итого:
Неплохо, если забыть, что я осталась без поста, а результат требует доработки под формат. А ещё: Манус трудился над задачей 40 минут 🙈. В фоновом режиме — так что особо мне не мешал.

Попробовать можно здесь.

Сбер запустил Kandinsky 3D — первый российский сервис на базе ИИ для быстрой генерации 3D-моделей с текстурами. За минуту можно создать модель по тексту или изображению

Что умеет Kandinsky 3D:
⚫️Генерирует полигональные 3D-модели с геометрией и текстурами, которые можно использовать и оптимизировать в САПР. На нем можно быстро прототипировать объекты разной сложности — от зданий до промышленных деталей.
⚫️Подготовить модели для 3D-печати.
⚫️Генерировать интерактивные 3D-объекты для мобильных приложений, виртуальных встреч, игр и аватаров.

Сервис открыт для тестирования здесь, есть API для интеграции с другими системами.