6 млрд зрителей, 48 команд, 104 матча — и ни одного локального оргкомитета.
FIFA берёт ЧМ‑2026 под прямое управление, делая AI «операционной системой» турнира.

С Lenovo — Football AI Pro (генеративный ассистент на Football LLM), Referee View и 3D‑аватары. Команды получат единый аналитический базис: тексты, видео, графики и 3D‑аналитику, мультиязычно, доступ вне игры — без коучинга.

Referee View с AI‑стабилизацией и 3D‑аватарами — попытка снизить спорность VAR. Вопросы: инфраструктура в 3 странах и 180+ бродкастеров, локализация данных, задержки, edge‑устойчивость. Валидация модели: эталоны, независимые аудиты, трассируемость и обновления без дрейфа. Шаблон для корпораций: команд‑центр + своя LLM. Как бы вы проверяли модель?

https://www.ai-expo.net/

Источник: https://www.artificialintelligence-news.com/news/fifa-ai-world-cup-2026-lenovo/

Обратил внимание: экономику многоагентных ИИ рвут две вещи — «налог на размышления» и взрыв контекста на 1500%.
Это уже не чаты, а длинные цепочки задач. NVIDIA выпустила Nemotron 3 Super — открытую архитектуру для агентных пайплайнов: MoE (несколько экспертов) — на шаге активна лишь часть модели, чтобы не платить за весь трансформер, контекст до 1 млн токенов — состояние пайплайна в памяти, меньше блуждания целей. Про экономику, не только скорость. Практически: для кода — загрузка всего репозитория и end‑to‑end правки, для аналитики — тысячи страниц без постоянной пересылки истории. Открытые веса и NIM‑микросервис облегчают on‑prem/cloud, дообучение через NeMo и RL‑окружения задокументировано. С чего бы вы начали: ограничение пересылок + внешняя память (векторное хранилище) или переход на MoE с длинным контекстом? Что даст большую экономию? https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series #многоагентныйИИ #экономикаИИ #NVIDIA #MLOps #LLM

Источник: https://www.artificialintelligence-news.com/news/how-multi-agent-ai-economics-business-automation/

Прочитал «полевую» заметку о том, откуда CIO берут деньги на AI при неизменных бюджетах. Коротко: режут «длинные» апгрейды, консолидируют вендоров, утилизируют старые приложения, делают узкие пилоты с меньшим числом интеграций (да, техдолг, но быстрый эффект). Апгрейды откладывают на 12–18 мес, инженеров перекидывают на AI — 5–10% IT‑бюджета уже уходит на AI, планируют удваивать/утраивать.

Примеры: Unidata — валидацию −40%, слияние PM‑сервисов ≈$47k/год, аналитиков −30% ≈$85k, Helium SEO заморозил апгрейды, высвободил ~30% инфра, тулстек −40% подписок. Правило «ноль‑сумм»: новый AI‑проект обязан показать срез где‑то ещё.

Риски: IC Realtime отложил автономный sales‑агент — рост нагрузки и настройка, подход — квартал на доказательство. International Seaways тормозит кейсы до наведения порядка в данных, инфра и безопасности. Вывод: AI не получает новый бюджет — он берет его у остального, задача — управлять компромиссами (пилоты, ROI‑критерии, council, «квартал на пруф», запрет на новые траты без среза).


Источник: https://www.cio.com/article/4137661/cios-cut-it-corners-to-manufacture-budget-for-ai.html

Прочитал свежий анализ влияния AI на рынок труда — цифры оказались неожиданными. AI стал причиной всего 8% сокращений в этом году (Challenger, Gray & Christmas), вопреки ощущению массовых увольнений.

Anthropic предложил метрику “observed exposure” — изучают не теоретические способности LLM, а реальное использование в работе. Вывод: большой разрыв между тем, что AI может, и тем, как его внедряют.

Больше всего страдает найм джуниоров — компании перекладывают на AI задачи новичков, но не перестраивают процессы. Мы в переходном периоде: AI есть, но как его встроить в команды — непонятно. Как у вас — нашли баланс между автоматизацией и развитием джуниоров? https://www.computerworld.com/article/3801234/ai-job-displacement-fears-may-be-overblown-new-analyses-suggest.html #AI #JobMarket #Anthropic #TechTrends #Automation

Источник: https://www.cio.com/article/4142784/job-disruption-by-ai-remains-limited-and-traditional-metrics-may-be-missing-the-real-impact-2.html

ADLINK Technology объединилась с Noble Machines, чтобы создать человекоподобных роботов для тяжёлых промышленных условий. Техническая основа — edge AI платформа ADLINK на базе NVIDIA Jetson Thor и ПО автономного управления от Noble Machines: восприятие, принятие решений и координация движений всего тела в реальном времени.

Роботы получат до восьми камер, четыре Ethernet‑порта и 5G‑модули для работы в экстремальных температурах. Первые внедрения планируются в строительстве, горнодобыче и энергетике — там, где не хватает рабочих и высокие риски. В отличие от обычной автоматизации, такие роботы смогут работать в существующей инфраструктуре, принимая решения на месте как человек.

Главный вопрос — смогут ли дорогостоящие машины корректно реагировать на непредвиденные ситуации, не создавая угрозы людям и процессам?


Источник: https://www.artificialintelligence-news.com/news/new-partnership-to-offer-ai-for-robotics-for-work-in-dangerous-environments/

Только что изучил новую работу Ai2 по MolmoBot — и это довольно интересный поворот в робототехнике. Команда полностью отказалась от сбора реальных демонстраций и обучила модель только на синтетике из симуляции.

Симуляции сгенерировали 1.8 млн траекторий, модель достигает 79.2% успеха в pick-and-place против 39.2% у конкурента π0.5, обученного на реальных данных. И главное — zero-shot перенос в реальный мир без дообучения.

Проект экономит время: автоматическая генерация в 4 раза быстрее ручного сбора. Стек открытый — нет vendor lock-in, возможен аудит. Для enterprise — снижение порога входа, но остаются вопросы регуляции «чёрных ящиков» в критичных применениях.

Источник: https://www.artificialintelligence-news.com/news/ai2-building-physical-ai-with-virtual-simulation-data/

UiPath стала первой enterprise automation платформой с AIUC‑1 — новым мировым стандартом безопасности для AI‑агентов. Пока все говорят про governance frameworks, здесь тестировали реальное поведение ботов под нагрузкой.

Независимый аудитор Schellman прогнал их AI через 2000+ enterprise risk сценариев: защита данных, устойчивость к атакам и работа в production. Плюс ежеквартальные ревизии, чтобы стандарты не отставали от технологий.

Практический смысл: внедрение AI в критичные процессы перестаёт быть «на свой страх и риск». Особенно важно для финансов, healthcare и других регулируемых отраслей. Интересно, когда это станет обязательным в RFP и повторят ли конкуренты?

Источник: https://ai-techpark.com/uipath-achieves-aiuc-1-certification-for-secure-ai-agents/

Только что прочитал отчет ConductorOne — цифра впечатляет: 95% компаний уже запустили автономных AI‑агентов в реальных IT и security задачах — не пилот, а продакшен. За год от экспериментов к массовому внедрению.

Появляется новая модель — agentic enterprise, где агенты работают наравне с людьми через делегированный доступ. 31% респондентов говорят, что полностью перешли на неё. Параллельно растет identity sprawl: нечеловеческих идентичностей больше человеческих в 47% компаний, а полную видимость имеют лишь 22%.

Практика жесткая: 80% столкнулись с identity‑брешами, 91% увеличили бюджеты на IAM — старые модели доступа и человеческие апрувы не успевают за скоростью AI.

Кто уже пилотил интеграцию AI‑агентов в регуляторных средах? Насколько болезненно совмещать автономность и compliance?

Источник: https://ai-techpark.com/conductorone-95-of-enterprises-now-run-autonomous-ai-agents/

AI-агент самостоятельно заказал и оплатил поездку в аэропорт Чанги в Сингапуре. Без единого клика человека — от выбора сервиса до завершения транзакции.

Mastercard провела первую живую аутентифицированную транзакцию через AI‑агента в партнёрстве с DBS и UOB. Агент забронировал поездку через hoppa, используя Agent Pay — фреймворк для безопасных покупок, инициированных ИИ. Транзакции защищены токенизацией (уникальный токен для каждого агента) и Mastercard Payment Passkeys.

Сингапур стал полигоном для агентских платежей: DBS ранее тестировал подобное с Visa. Mastercard открывает региональный AI‑центр и разворачивает команды агентской коммерции по всей APAC — инфраструктура для того, чтобы ИИ тратил деньги от вашего имени, уже строится.

https://www.artificialintelligence-news.com/news/mastercards-first-live-agentic-payments-transaction-singapore/

#AI #fintech #payments #singapore #mastercard

Источник: https://www.artificialintelligence-news.com/news/mastercard-agentic-payments-singapore-dbs-uob/

Обзор за неделю
На фоне ускорения внедрения AI в производство и финансах встал острый вопрос надежности и управляемости. От цифровых двойников логистики до гуманоидов на конвейерах — технологии уже не демонстрируют возможности, а решают конкретные бизнес-задачи. Однако масштабирование обнажает системные проблемы: контроль качества, governance и влияние на рабочую силу требуют серьезного переосмысления подходов.

• Цифровые двойники превращают цепочки поставок из ретроспективных дашбордов в живые модели для прогнозирования сценариев в реальном времени, добавляя устойчивость при сбоях и пиках спроса

• Инциденты на Amazon вокруг AI-ассистированных изменений подняли вопрос о bottleneck в виде обязательного ручного review сеньоров; индустрия движется в сторону машинной валидации на основе policy-as-code

• BMW запустила пилот гуманоидных роботов в Лейпциге с обучением через симуляцию NVIDIA Isaac; акцент на интеграции в единую data-платформу, а не на самих роботах

• E.SUN Bank и IBM представили governance-фреймворк для AI в банках, адаптирующий EU AI Act и ISO/IEC 42001; это инструмент для строгого конвейера в production

• 47% компаний строят гибрид облако+edge, и 86% фокусируются на агентных сценариях — автономных системах на периметре без загрузки всего в облако

• Gartner прогнозирует трансформацию ~32 млн ролей в год, но это скорее редизайн работ (кураторство, исключения, дизайн) чем массовые увольнения

• AI-компаньоны попадают в этическую ловушку: фильтры ловят явные вреды, но тихая токсичная валидация и социальная атрофия гораздо опаснее

Наблюдение последних недель: технологическая спелость AI уже позволяет масштабировать на реальных операциях, но каждое развертывание обнажает изъян в управлении рисками и ответственности. Вопрос, который волнует индустрию, остается прежним — как оставить за человеком конечное решение, когда машины становятся дешевле, быстрее и зачастую надежнее.

https://www.cio.com/article/4142537/digital-twin-a-crystal-ball-from-what-happened-to-what-next.html
https://ai-techpark.com/zededa-survey-finds-enterprise-edge-ai-entering-new-phase/

#AI #enterprise #governance #edge #manufacturing

Читал исследование о том, что больше всего беспокоит CIO в 2025. На первом месте — кибербезопасность и риски от AI: не только техсложности, но и вопрос ответственности — если ИИ принял плохое решение, кто отвечает?

Отдельная проблема — shadow AI, когда сотрудники используют ИИ без ведома IT. Governance отстаёт: frameworks развиваются медленнее, чем агенты, которые уже сами выполняют задачи. Нужна перестройка процессов, а не наложение ИИ на старые workflow.

Ещё — выравнивание технологий с бизнес‑целями (CIO MongoDB: если инициатива не двигает KPI, её не должно быть) и дефицит талантов — как успевать изучать новое?

Как у вас с AI‑governance, особенно в регулируемых отраслях?

https://www.cio.com/article/3625847/whats-keeping-cios-up-at-night-in-2025.html

#CIO #AI #governance #cybersecurity #leadership

Источник: https://www.cio.com/article/4148311/10-things-keeping-it-leaders-up-at-night-2.html

RPA умирает? Не совсем — просто эволюционирует вместе с ИИ
Прочитал материал о том, как меняется автоматизация бизнес‑процессов.

RPA — боты для рутинных задач по жёстким правилам. Отлично работало с вводом данных и счетами, но терпит поражение на неструктурированных входах. Когда процессы усложнились, правила оказались бессильны.

Поставщики вроде Blue Prism добавляют ИИ — выходит «умная автоматизация»: ИИ разбирает тексты и документы, RPA выполняет структурированные операции. McKinsey считает, что генеративный ИИ способен автоматизировать и принятие решений.

Практика — гибрид: ИИ интерпретирует, RPA обрабатывает. Зачем выбрасывать работающее?

https://www.artificialintelligence-news.com/news/rpa-rules-ai-driven-automation/

#RPA #автоматизация #ИИ #бизнеспроцессы #BlueПрism

Источник: https://www.artificialintelligence-news.com/news/rpa-still-matters-but-ai-is-changing-how-automation-works/

95% AI-пилотов не доходят до продакшна — и это нормально. Zapier объявил «code red», но большинство прототипов так и не запустились.

Проблема — не в моделях, а в оркестрации: интеграции, процессах и людях. Модели хорошо в изоляции, но разваливаются в реальных рабочих потоках. Признаки провала: дедлайны постоянно сдвигаются, руководство думает, что всё по плану, а инженеры тонут в проблемах, не видимых на статус‑митингах.

Спасение — переключиться с метрик модели на метрики бизнес‑процесса: не «насколько точна модель», а «улучшаются ли бизнес‑результаты». Zapier требует, чтобы каждая инициатива одновременно повышала эффективность, качество и опыт сотрудников. Если пилот «почти готов» больше двух циклов — стоит закрывать.

Как у вас решают, когда закрывать ИИ‑эксперимент и кто отвечает за переход в прод?

https://www.fastcompany.com/91270006/signs-ai-project-failing-what-to-do-about-it

#AI #ProductManagement #TechLeadership #MLOps #TeamLead

Источник: https://www.cio.com/article/4141649/how-to-rescue-failing-ai-initiatives.html

Salesforce Research выделила три ключевых тренда агентного ИИ до 2027 года — самый интересный: симуляционные среды для непрерывного обучения агентов. Исследование отмечает, что производительность моделей достигла плато, несмотря на рост размеров и данных.

1) Симуляции вроде eVerse — агенты обучаются на синтетических бизнес-сценариях с подкреплением за правильные действия. 2) Мультиагентные экосистемы — протоколы для взаимодействия агентов разных организаций на семантическом уровне. 3) Ambient intelligence — контекстно-осведомленные агенты, работающие в фоне и проактивно подсказывающие.

Практически — переход от модельного к системному ИИ, координация компонентов между командами и процессами. Особое внимание — PISA, агент для продаж, который на встречах в реальном времени подсказывает инсайты из CRM. Вопросы регуляции автономных переговоров между агентами разных компаний пока выглядят как правовой кошмар. https://venturebeat.com/ai/salesforce-ai-research-predicts-3-major-agentic-ai-trends-through-2027/ #агентныйИИ #мультиагентныесистемы #Salesforce #enterpriseAI #ambientintelligence

Источник: https://www.cio.com/article/4150468/salesforce-ai-research-identifies-trends-shaping-agentic-ai.html

86% семейных офисов (private wealth groups) уже используют AI для анализа данных и операций. Совокупное богатство — $119,37 млрд.

Из исследования Ocorian: ключевые кейсы — детекция аномалий, автоматизация отчётности и комплаенс. Большинство разворачивает ML-модели на Azure или Google Cloud, чтобы быстрее выявлять мошенничество (ранее всё делали вручную).

Парадокс: 86% применяют AI операционно, но только 7% инвестируют в AI-стартапы, предпочитая проверенные enterprise-решения. Legacy-архитектуры требуют серьёзного рефакторинга, 72% ожидают полного эффекта через 2–5 лет.

Интересно, как это зайдёт в наших банках с их мейнфреймами и требованиями ЦБ.

https://www.artificialintelligence-news.com/news/family-offices-turn-ai-financial-data-insights/

#AI #fintech #wealth_management #compliance #enterprise

Источник: https://www.artificialintelligence-news.com/news/ocorian-family-offices-ai-for-financial-data-insights/

10 Вт на 16 видеоканалов — новая планка энергоэффективности от SiMa.ai. PCIe‑карта Modalix в Half-Height вмещает запуск LLM и vision‑моделей прямо в промышленные ПК.

Карта питается только от PCIe, без внешних разъёмов и активного охлаждения. 16 видеоканалов с прямым подключением GMSL‑камер и встроенный Ethernet — готовое решение для ритейла, производства и транспорта. AI‑обработка на MLSoC разгружает хост‑процессор.

Варианты 8/16 ГБ для коммерческих и промышленных температур. Образцы доступны, массовые поставки — во 2 кв. Насколько быстро такое вытеснит GPU? https://bit.ly/sima-pcie

#EdgeAI #IndustrialAI #PCIe #VisionAI #LLM

Источник: https://ai-techpark.com/sima-ai-introduces-modalix-pcie-hhhl-card/

Обратил внимание на судебное решение по делу Anthropic vs Пентагон: федеральный судья заблокировал попытку минобороны объявить компанию «угрозой цепочки поставок» и запретить модель Claude для госконтрактов.

Пентагон пытался наказать Anthropic за отказ разрешить использование ИИ в военных целях (автономное оружие, массовая слежка). Судья сочла решение «произвольным» и раскритиковала попытку распространить запрет на всю экосистему подрядчиков — компании либо разрывали связи с Anthropic, либо теряли контракты.

Пауза временная, но важный сигнал: риски цепочки поставок в эпоху ИИ — уже не только уязвимый код или иностранная собственность, но и политика использования технологий. Подрядчикам стоит продолжать аудит зависимостей: ограничения могут вернуться быстро.

https://www.axios.com/2024/12/17/anthropic-pentagon-ai-ban-injunction

#AI #Anthropic #госконтракты #cybersecurity #supplychainrisk

Источник: https://www.cio.com/article/4151148/anthropic-wins-reprieve-against-us-dod-ban-buying-time-for-contractors-to-assess-ai-supply-chains.html

ANYbotics и SAP связали четырехногих роботов с ERP для автоматической инспекции промзон. Звучит как tech-демка, но практично.

Робот патрулирует, фиксирует шум в компрессоре и через API создаёт заявку в SAP — без бумажек и задержек. Система проверяет запчасти и планирует ремонт, критично при простоях по десяткам тысяч в час. Данные обрабатывают локально из‑за слабого интернета, для связи используют приватный 5G.

Самая большая проблема — люди: страх сокращений. Без change management проект провалится быстрее, чем настроите middleware. Вы сталкивались с интеграцией IoT в ERP?

https://www.artificialintelligence-news.com/2024/12/13/anybotics-sap-four-legged-robots-enterprise-software-industrial-inspections/

#IoT #ERP #промавтоматизация #роботы #интеграция

Источник: https://www.artificialintelligence-news.com/news/sap-and-anybotics-drive-industrial-adoption-physical-ai/

За десять лет работы с Kubernetes автор видел, как средняя утилизация GPU в корпоративных кластерах застыла на 10–30%. При цене H100 ~$27,000 это значит — до 70% дорогостоящих ускорителей простаивают.

Традиционный Kubernetes считает GPU неделимым: либо весь GPU занят подом, либо свободен. Квантованная LLM на A100 80GB может использовать лишь 12GB и ~30% мощности, но система помечает весь ускоритель занятым. Решения 2025 года — Kueue и NVIDIA KAI Scheduler — поднимают утилизацию с 13% до 37–80%, что для сотен GPU экономит миллионы.

Ключ — Dynamic Resource Allocation: вместо device plugin — декларативные требования (тип, память, топология), планировщик сам находит размещение. Вопрос: готовы ли вы перейти на queue-based подход, чтобы автоматически перераспределять простаивающие ресурсы?

https://www.cio.com/article/3616024/kubernetes-becomes-the-operating-system-for-ai.html

#kubernetes #gpu #ai #infrastructure #devops

Источник: https://www.cio.com/article/4152554/how-kubernetes-is-finally-solving-the-gpu-utilization-crisis-to-save-your-ai-budget.html