вот и не сдержался - но это важно - ИИ-чаты будут убиты в Q1 2026 (у меня уже стандартно - после работы с исследованиями через чаты-ИИ - переход к notebooklm от google — чтобы увидеть текст в виде нормальной короткой презентации или инфографики, а тут и роботизация обычной рутинной работе)

🤖 Manus API: от чатбота к универсальному движку автоматизации

Иван Лео из Manus AI (теперь часть Meta) показал, как новый Manus 1.5 API превращает ИИ в инструмент для реальных бизнес-задач — с подключением к приватным данным, Slack, браузерам и Microsoft 365.

💡 Кейс 1: Масштабирование контента

Допустим, вам нужно управлять 24 YouTube-каналами и выкладывать по 2 Shorts ежедневно. Вручную это почти невыполнимо — кто-то обязательно ошибется с прокси или настройками окружения, и YouTube вас заблокирует.

Год назад Manus демонстрировал подобное с TikTok. Сейчас TikTok такое быстро вычисляет, но остальные соцсети относятся нейтрально — и именно через API такие задачи легко реализуются.

💡 Кейс 2: Из документации в продукт

HR-менеджер столкнулся с проблемой: подробный онбординг в Notion перегружал новых сотрудников. Решение: Manus через MCP-коннектор извлек весь контент из Notion, создал полноценное веб-приложение с трекингом прогресса и AI-чатботом для вопросов, развернул на публичном URL.[1]

Результат: интерактивный портал вместо статичной страницы — за один промпт.[1]

🔧 Что показали на воркшопе

Создание исследовательского агента с живыми примерами:
- Приложение для изучения французского с синтезом речи
- Система автоматизации email
- Оператор удаленного браузера для работы с LinkedIn и Instagram

📊 Контекст

Воркшоп прошел через день после сообщений о покупке Manus компанией Meta за $2 млрд. Стартап достиг $100 млн годового дохода за 8 месяцев — рекордный темп роста в истории.

Подробнее

Вместо тысячи хочу: как использовать праздничную паузу

Да, мы снова получили 12 дней официальных каникул — с 31 декабря по 11 января (это, кстати на 1 день больше чем в 2025). Помню те первые годы, когда длинные праздники ввели: бесконечные застолья, хождение по кругу к друзьям и родственникам, а к концу — нужен был отпуск от отпуска.

Но сейчас эти дни — не про оливье на седьмой день подряд. Это редкая возможность остановиться и спросить себя не «Что делать?», а «Зачем делать?».

Четыре вопроса вместо ста желаний

Японская концепция Икигай предлагает найти точку пересечения четырех кругов:

- Что я люблю делать? — твоя страсть
- В чем я хорош? — твои навыки
- Что нужно миру? — ценность для других
- За что мне готовы платить? — экономика

Там, где эти круги пересекаются, и находится твой смысл — то, ради чего ты встаешь по утрам.

Не нужно 100 целей. Нужна одна правильная точка опоры.

Практика для праздников

Возьми любой день из оставшихся каникул. Не тот, где похмелье, а тот, где ясная голова:

1. Выпиши честные ответы на 4 вопроса икигай
2. Найди проекты/задачи, где пересекаются хотя бы 3 круга
3. Проверь: если убрать это из жизни — станет легче или пустее?

Если пустее — ты нашел свой маяк на 2026-й.

Остальное — это уже не цели, а маршрут к найденной точке. И его можно строить хоть весь год, хоть всю жизнь.

Не загадывайте сто желаний. Найдите одно предназначение.

Hugging Face выпустили новогодний подарок, который превратит вас в гуру нейросетей — 12 (!) бесплатных курсов по самым топовым направлениям ИИ.

В одном месте собрали всю базу, за которую на платных курсах просят деньги. Вас ждут:

— AI Agents: база по самой горячей теме года — учимся делать автономных агентов.
— LLM Course: как работают «мозги» современных чат-ботов и библиотек типа Transformers.
— Smol-course: если мало времени, это самый быстрый способ разобраться в тонкой настройке (fine-tuning) моделей.
— MCP Course: свежак, созданный вместе с Anthropic — учимся подключать ИИ к любым данным.
— Deep RL: всё про обучение с подкреплением (то, на чем гоняют роботы и OpenAI o1).
— ML для игр: как встроить нейронки прямо в геймдев.
— Robotics: путь от классических железяк до роботов на нейронках.
— Deep RL: всё про глубокое обучение с подкреплением (привет, OpenAI o1).
— Computer Vision: учим ИИ видеть и понимать изображения.
— Audio Course: работа со звуком и голосом через Transformers.
— Diffusion Course: полный гайд по генерации картинок и работе с библиотекой Diffusers.
— Open-Source AI Cookbook: отдельная имба — сборник готовых рецептов и кода для решения любых ИИ-задач.

@exploitex

🚍 95% корпоративных ИИ‑проектов проваливаются. Почему?

CEO Invisible Technologies Мэтт Фицпатрик говорит прямо:
> «Компании пытаются строить GenAI‑решения внутри — без темпа, дисциплины и нужных людей».

Он доказал обратное: внешние forward‑deployed инженеры добиваются результата вдвое чаще, чем внутренние команды. Потому что у них другая цель — сделать win‑win быстро, а не «развивать процесс».

Invisible подняла $100M при оценке $2B и вышла на уровень Scale AI. Их ставка — не на модели, а на качество работы: точная постановка задачи, человеческий feedback, быстрая итерация.

💡 Вывод: когда нужен реальный результат — зовите внешнего командора. Внутренние строят отчёты. Внешние строят победы.

🧭 Для нас, в 2026: выигрывают не те, у кого больше данных, а те, у кого лучше сделан каждый цикл работы. Качество решает. А командор делает качество системным.

Подробнее

🎯 Как писать промпты в 2026: перестаньте командовать ИИ

Большинство до сих пор пишут промпты как инструкции для джуна. А надо — как бриф для сеньора.

Главное правило 2026 года:
Не говорите ИИ что делать. Говорите, как выглядит успех.

Сравните сами

❌ Слабо: «Действуй как старший стратег»

✅ Сильно: «Ты консультируешь SaaS-компанию из 50 человек. CEO заботится о скорости выхода на рынок, а не о совершенстве. Успех = конкретный план на 90 дней с метриками»

❌ Слабо: «Будь лаконичен»

✅ Сильно: «Каждый раздел — один абзац. Читатель должен понять суть за 2 минуты в лифте»

❌ Слабо: «Объясни это хорошо»

✅ Сильно: «Человек без технического бэкграунда должен понять без гугления терминов. Используй аналогии из повседневной жизни»

5 принципов сильных промптов

1. Цели > Инструкции
Не «сделай так-то», а «мне нужно достичь того-то»

2. Ограничения > Правила
Задайте границы. Пусть ИИ сам выберет путь

3. Примеры > Описания
Покажите 2-3 образца вместо длинных объяснений

4. Важное — в начало и конец
ИИ буквально забывает середину длинных промптов

5. Меньше значит больше
Каждое лишнее требование размывает фокус

Готовые шаблоны для работы

📊 Стратегический анализ

Контекст: [отрасль], компания [размер], выход на [рынок/продукт]
Аудитория: [кто будет читать и их уровень]
Критерий успеха: Топ-менеджмент принимает 1 из 3 сценариев за 1 встречу
Ограничения: каждый сценарий — 1 страница, без технического жаргона
Формат: Риски/возможности/ресурсы в таблице

Пример:
«Анализ для b2b-маркетплейса, 20 человек в команде, запуск AI-фичи. Для основателей без техбэкграунда. Успех = они выбирают 1 из 3 стратегий внедрения на совещании 15 января. Каждый вариант — 1 слайд с цифрами»

✍️ Контент-маркетинг

Целевая аудитория: [кто + их главная боль]
Формат: [пост/статья/письмо]
Ожидаемое действие: [что читатель должен сделать]
Тон: [для кого пишем — уровень экспертизы]
Критерий: [метрика успеха]

Пример:
«Telegram-пост для основателей стартапов, которые не успевают внедрить AI. Формат: 3 абзаца + чек-лист. Действие: скачают шаблон. Тон: опытный коллега, а не учитель. Успех = 25%+ CTR на ссылку»

🔍 Анализ данных

Данные: [что анализируем]
Кто смотрит: [роль читателя]
Что решает: [какое решение принимается]
Формат ответа: [как должен выглядеть output]
Критерий: читатель объясняет выводы за [время] без вопросов

Пример:
«Анализ 6 месяцев метрик SaaS-продукта (MRR, churn, LTV). Для CPO, который защищает бюджет перед CFO. Решение: куда инвестировать 2М₽ — в retention или acquisition. Формат: 1 график + 3 пункта рекомендаций. Успех = CPO объясняет CFO за 5 минут»

💼 Консалтинг / Презентация

Проблема клиента: [боль одной фразой]
Аудитория: [кто принимает решение]
Их KPI: [что для них важнее всего]
Формат: [презентация/документ/встреча]
Успех: [какое действие + когда]

Пример:
«Клиент теряет 30% лидов между заявкой и первым касанием. Аудитория: Head of Sales, ему важна скорость закрытия сделок. Формат: 10 слайдов на созвон. Успех = он запускает пилот CRM-интеграции через неделю»

🚀 Продуктовая разработка

Функция: [что делаем]
Пользователь: [кто + сценарий использования]
Проблема: [что решаем]
Метрика успеха: [как измеряем]
Ограничения: [технические/бюджетные/временные]

Пример:
«Онбординг для b2b-платформы. Пользователь: офис-менеджер без опыта в SaaS, первый раз в системе. Проблема: 60% не завершают настройку. Успех = 80%+ завершают за 10 минут. Ограничение: без разработки, только no-code инструменты»

Формула промпта-2026

Контекст + Аудитория + Критерий успеха = Результат

Вместо: «Напиши стратегический документ»

Пишите: «Документ для нетехнических PM, чтобы они объяснили руководству 3 ключевых решения по внедрению AI-инструмента за 15-минутную встречу»

Чек-лист перед отправкой промпта

✅ Указан конкретный контекст (не «компания», а «SaaS, 50 человек, B2B»)
✅ Описана аудитория с её приоритетами
✅ Задан измеримый критерий успеха
✅ Важная информация в начале или конце промпта
✅ Нет лишних инструкций — только цели и ограничения

Запомните: современные LLM не нужно учить — нужно правильно ставить задачу.

#промпты #ai2026 #startobus

Mistral тестирует конструктор рабочих процессов Workflow Builder

На платформе Mistral появились признаки новой функции Workflow. Она отображается как бета-элемент в боковой панели. Название и расположение указывают на агентоподобный конструктор. Пользователи смогут выстраивать цепочки шагов с ветвящейся логикой.

Функция позволит создавать повторно используемые сценарии. Наибольшую пользу получат команды с повторяющимися задачами. Обработка документов, сортировка обращений в поддержку, извлечение данных, многошаговые контент-конвейеры - все это войдет в сферу применения.

https://mltimes.ai/mistral-testiruet-konstruktor-rabochih-proczessov-workflow-builder/

Дифференцируйся или умри

— Могу в 100 раз больше, — похвастался фрилансер, освоивший ИИ
— А лучше бы в 100 раз круче

Искусственный интеллект открыл ящик пандоры. Все кинулись генерировать лендинги, тексты, картинки в стиле «сделай как у Х». Копипаста промышленных масштабов превратила ленту в кашу клонов. Планка качества упала в ад.

И это лучшее время, чтобы выделиться. Потратить 15 минут на вопрос «а что делает меня мной?» Ценность сместилась со «сделать» на «сделать иначе».

Вывод прост: если твой продукт, контент, бизнес — «сделай как Х»; тебя уже заменили. Просто еще не заметил.

Вышел бесплатный курс по Claude Code: это подробный гайд о том, как выжать максимум из ИИ-агента для написания кода.

Рассказывают, как:

– Пользоваться горячими клавишами и создавать свои команды для ускорения повторяющихся процессов;
– Эффективно управлять контекстом;
– Использовать ключевые инструменты Claude Code для обработки файлов, выполнения команд и анализа кода;
– Настроить интеграцию с GitHub для автоматизации проверки кода.

Всего — 15 лекций, ролики общей длительностью ~1 час и квиз для закрепления материала. Можно пройти за пару часов.

Забираем по ссылке.

Почему 95% корпоративных AI-проектов сливают бюджет — и как это исправить за €4,400

Исследование MIT обнажило неприятную правду: 95% enterprise AI-проектов не приносят ROI. Главная причина — LLM не умеют непрерывно учиться из взаимодействий с пользователями.

Проблема глубже, чем кажется

Классические LLM работают как калькуляторы: получили данные при обучении — и всё. Хотите добавить корпоративные знания? Три пути, все плохие:
телями.

Проблема— дорого ($50k-500k), медленно (недели), и модель "забывает" общие навыки

RAG (Retrieval Augmented Generation) — поисковик не понимает контекст LLM, плюс квадратичная сложность: каждое удвоение контекста = рост затрат в 4 раза

Расширенный контекст — упирается в длину окна и катастрофически растёт в цене

Решение: Grafted Titans

Исследователь Maria Sukhareva взломала архитектуру Google Titans (которую обычно обучают за миллионы долларов) и создала plug-and-play версию за €4,400.

Как это работает:
- Берёте замороженную open-source LLM (например, Qwen-2.5-0.5B)
- "Прививаете" к ней trainable модуль памяти через cross-attention
- Модель непрерывно учится из каждого взаимодействия, сохраняя знания

Результаты на бенчмарке BABILong:
- Базовая модель с полным контекстом: 34% точности
- Grafted Titans с памятью: 44.7% точности
- При этом память была инициализирована случайно, а не pre-trained

Почему это важно для бизнеса

1. Демократизация AI — технология уровня Google доступна на consumer GPU
2. Continuous learning — система растёт вместе с вашими данными, без дорогих retraining
3. Open-weight — полный контроль, без зависимости от OpenAI/Anthropic

Применение в российских реалиях

Для компаний, которые:
- Накапливают уникальные корпоративные знания
- Работают с конфиденциальными данными (нельзя в облако)
- Нуждаются в адаптации под специфику бизнеса
- Ограничены бюджетом

Это путь от "AI-эксперимента" к рабочему инструменту, который окупается.

Ссылка на исследование: https://msukhareva.substack.com/p/grafted-titans-i-built-a-plug-and

#AI #LLM #EnterpriseAI #MachineLearning #OpenSource

Любителям пожаловаться на коленки: учёные нашли способ заново вырастить хрящ прямо в суставе

С возрастом в организме накапливается белок 15-PGDH и он мешает тканям восстанавливаться, исследователи заблокировали появление белка с помощью инъекции - и у старых мышей хрящ в коленях заметно утолщился и начал работать как новый

Самое интересное: никаких стволовых клеток не понадобилось, существующие клетки хряща просто «перепрограммировались» на более молодой режим работы. Бонусом метод предотвратил развитие артрита после травм, похожих на разрыв передней крестообразной связки - частую проблему спортсменов

И самое клевое: человеческие образцы хряща, взятые при операциях по замене сустава, тоже отреагировали положительно

Таблеточная версия препарата уже проходит клинические испытания (пока для лечения мышечной слабости)

Если всё пойдёт по плану, в будущем можно будет восстановить изношенный хрящ уколом или таблеткой - короче записываем бабушек и дедушек на игры в падел, пора

Венчур или дивиденды: дорожная карта масштабирования бизнеса

Этот материал представляют собой комплексное руководство по выбору между венчурной моделью и дивидендным бизнесом, подчеркивая, что ключевое различие заключается в масштабируемости и потенциале возврата инвестиций.

В нем описывается шесть этапов развития компании — от поиска идеи до зрелости — и приводят конкретные целевые показатели, такие как темпы роста, рентабельность и стоимость привлечения клиентов.

Особое внимание уделяется типичным ошибкам на каждой стадии, которые ранжируются по степени их критичности и финансовым последствиям. С помощью наглядных схем и сравнительных таблиц объясняется, как трансформировать стратегию в зависимости от того, нацелен ли предприниматель на доминирование на рынке или на стабильное получение прибыли.

В конечном итоге источники служат дорожной картой для принятия стратегических решений, помогая определить, стоит ли привлекать внешнее финансирование или развиваться за счет собственных средств.

Что показывают триллионные оценки ИИ-компаний

«Microsoft достигла триллиона долларов за 44 года. OpenAI — за 4. Вот она, скорость новой эры», — говорят нам «эксперты». И это — ловушка.

Microsoft стартовала в мире без венчурного капитала, без глобального интернета, без мгновенного масштабирования. OpenAI начала с $1 млрд. от инвесторов, эксклюзивным партнерством с той же Microsoft и доступом к лучшим исследователям планеты.

Сравнивать годы — всё равно что сравнивать скорость парусника и самолёта и делать выводы о качестве капитана.

Интереснее другое.

Четверть новых миллиардеров 2025 года — из ИИ. Но почти все они — основатели или ранние сотрудники буквально нескольких компаний. OpenAI, Anthropic, пары инфраструктурных стартапов.

Это — концентрация богатства. Несколько команд с исключительным сочетанием: доступ к вычислительным мощностям, лучшие исследователи, правильные инвесторы в правильный момент.

«Порог входа минимальный» — опасная полуправда. Да, API доступен всем. Но когда у всех одинаковый доступ к моделям, конкурентное преимущество смещается к тому, что API не даёт: уникальные данные, экспертиза в узкой области, дистрибуция.

Настоящий вопрос не «почему вы ещё не запустили ИИ-продукт». А «что у вас есть такого, чего нет у тысяч людей с таким же доступом к Claude и GPT?»

Если честный ответ — «ничего» — повод сначала построить это преимущество.

Окно действительно открыто. Но в него все ломятся одновременно.

Почему я перешёл на Perplexity Max?

1. Лимиты сложных запросов — боль
На Pro всего 300+ сложных запросов в день — вроде много, но при интенсивной работе упираешься в потолок. Можно было покупать несколько аккаунтов — так и работал пол-осени. Но на праздниках начал путаться, и дико бесило таскать за собой контекст между аккаунтами.

2. Email-ассистент — киллер-фича
Самое раздражающее в моей работе — когда присылают расписания в чёрт-знает-каком формате: таблицы, PDF, фото с экранов... Всем кажется — легко открыть календарь, проверить время, поставить встречу. Но это 2–4 раза в неделю × 30–40 минут = 2–3 часа убитого времени. Раньше на это был секретарь. А теперь просто пересылаю письмо на assistant@perplexity — и он сам всё разруливает: парсит расписание, проверяет мой календарь, ставит события. Лучше любого живого ассистента.

3. Работа с репозиториями
Много стал «кодить» — писать правила и инструкции для агентов. Храню всё в GitHub. Perplexity Max умеет анализировать репозиторий и помогает дополнять правила с учётом контекста всего проекта.

Что ещё даёт Max:
- Безлимитный Labs — генерация отчётов, таблиц, дашбордов без оглядки на квоты
- Топовые модели — o3-pro, Claude Opus 4 всегда доступны, без даунгрейдов при нагрузке. Я практически полностью перешел на Claude Opus 4 - она больше всего для меня дает правильные ответы, остальные использую для проверки готовых ответов.
- Comet Assistant — автоматизация постинга, публикаций, действий в браузере - в максе он работает чуть быстрее.
- Deep Research без ограничений — многочасовые исследования запускаются одной командой

Почему заплатил в 50 раз дороже Pro?
Посчитал: моё время простоя из-за путаницы между аккаунтами стоит дороже. Это инвестиция в фокус. Если кому интересно как я это сделал - пишите Max в коментарии - пришлю ссылку.

P.S. Да, параллельно использую Claude Code, Antigravity, Windsurf — всё это помогает выстраивать структуру собственного оркестра агентов для работы в большой компании. Скоро начну делиться, как мы это делаем. Там бомба получается!

P.S.S. Еще не пробовал - но в Mac Destop - Perplexity - можно подключать MCP - а всех своих агентов я сразу делаю с такой функцией. Это обозначает, что как только доделаю правила корпоративные - то я смогу из Perplexity на реальных живых данных опрашивать всех агентов и документы - и например - перед новой встречей с Клиентом - Perplexity соберет всю последнюю переписку - звонки, обсуждения - и задачи по клиенту - чтобы все не забыть обсудить.

Искусственный интеллект впервые в истории смог победить программистов на хакатоне. Sakana AI — один из участников турнира AHC058. ИИшка обошла 800 человек из 35 стран.

Машина решила за 1,5 минуты 98 задач из 100. На это у людей уходило по 3–6 часов.

@lobushkin