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

NHL мигрировала все данные в SAP HANA Cloud и запустила планировщик зарплат для плей‑офф — теперь 32 клуба в реальном времени моделируют составы и проверяют salary cap.

Тех: переход от разрозненных legacy‑систем (включая DOS‑based!) к единой облачной платформе с контрактами, статистикой и видео каждой смены. Организационно: ответ на CBA‑2025, которая закрыла лазейку с LTIR и мешала честному учёту лимита в плей‑офф.

Кейс: классическая модернизация legacy → облако с жёсткими требованиями к качеству данных и real‑time доступу. UX сценарного анализа критичен — каждый трейд создаёт каскад ограничений, всё нужно просчитывать мгновенно.

Интересно, как часто заказчики готовы пересмотреть data governance ради одного функционала?

https://www.sap.com/news/2024/11/nhl-sap-front-office-app-playoff-salary-cap-planner

#DataMigration #SAPHANACloud #EnterpriseIntegration #ScenarioPlanning #LegacyModernization

Источник: https://www.cio.com/article/4152204/the-nhl-unveils-playoff-salary-cap-planner-for-front-offices.html

Пока мы обсуждали безопасность AI‑моделей, настоящая проблема — данные, питающие автономные системы.

Изучил, как компании вроде Denodo решают управление данными: единый слой доступа ко всем корпоративным данным без их перемещения, единые политики безопасности и аудит запросов — можно проследить, как AI пришёл к решению.

Для регулируемых отраслей это критично: при разрозненности данных автономки дают непредсказуемые результаты. Data governance — не опция, а базовое требование. Следующая волна AI‑внедрений зависит от качества управления инфраструктурой. Готова ли ваша организация контролировать данные так же строго, как модели?

https://aimagazine.com/articles/denodo-how-data-governance-shapes-autonomous-ai-systems

#ai #datagovernance #autonomousai #compliance #aimanagement

Источник: https://www.artificialintelligence-news.com/news/autonomous-ai-systems-depend-on-data-governance/

Китай утвердил 15‑й пятилетний план — AI везде

План до 2030: AI рядом с квантовыми вычислениями и биотехом. Приоритеты: AI‑чипы, национальные «интеллектуальные вычислительные кластеры» и аренда мощностей для малого бизнеса.

Ставка на лёгкие, открытые и эффективные модели вместо больших закрытых: развитие мультимодальных, агентных и «воплощённых» систем — от адаптивного образования до диагностической поддержки.

Регулирование: регистрация алгоритмов, безопасность, прозрачность, борьба с дипфейками, 5G+ и 6G под AI.

Если «много маленьких открытых» окажутся эффективнее, придётся ли пересматривать архитектуру продуктов?

Источник: https://www.artificialintelligence-news.com/news/chinas-five-year-plan-details-the-targets-for-ai-deployment/

AI Volatility Tax съедает до 20% валовой прибыли — каждое взаимодействие с GenAI уносит деньги в токенах, API‑вызовах и вычислениях.

GenAI ломает модель «построил раз — продавай вечно»: в traditional SaaS добавление юзера было дешёвым, теперь любой активный может стать убыточным. В legal‑tech на $1 подписки уходило $1.20 (роутинг простых поисков через дорогую reasoning‑модель). Product–market fit есть, unit economics провалены.

Спасают динамическая оркестрация (lightweight router) и жёсткие лимиты на autonomous agents — иначе зацикленный агент съест прибыль. Плюс verification penalty — проверка дороже генерации. Мониторите AI‑расходы на пользователя?

https://www.foundry.com/article/ai-volatility-tax-how-generative-ai-is-silently-inflating-your-opex

#AI #GenAI

Источник: https://www.cio.com/article/4151360/the-hidden-inflation-of-ai-why-model-collapse-is-a-business-risk.html

Разработчики с AI стали писать на 30–40% больше кода, но вендоры не снижают цены и часто не признаются в использовании ИИ.

Рост продуктивности должен приносить выгоды заказчикам — более быстрые релизы, гибкие контракты, лучшее качество. На практике многие просто увеличивают маржу, оставляя те же SLA и сроки. При этом растёт объём непроверенного AI‑кода с риском уязвимостей: скорость опережает валидацию.

Не ждите автоматических скидок — требуйте улучшений: более частые апдейты, сокращение времени на фичи, усиленные гарантии качества. Используйте эти рычаги в переговорах.

Проверьте delivery‑метрики трёх ключевых подрядчиков за последний год перед продлением: если скорость выросла, а счета — нет, это ваш козырь.

https://www.cio.com/article/3608542/how-ai-coding-assistants-should-benefit-enterprise-customers.html

#AI #разработка #аутсорсинг #переговоры #productivity

Источник: https://www.cio.com/article/4151988/ai-is-altering-the-economics-of-software-development-but-who-gets-a-cut.html

83% крупных компаний всё ещё переводят документы вручную или полуавтоматически, при том что объём корпоративного контента вырос на 50% с 2023 года.

Исследование DeepL выявило парадокс: компании массово инвестируют в ИИ, но языковые процессы — самая неавтоматизированная часть. Лишь 17% используют современные языковые модели для многоязычных операций.

Где применяют языковой ИИ: 33% — глобальная экспансия, 26% — продажи/маркетинг, 23% — поддержка. Это уже критическая бизнес‑инфраструктура, а не просто «переводилка».

Сколько фич не запускают глобально из‑за локализации?

https://www.ai-news.com/2026/03/10/deepl-2026-language-ai-report-reveals-83-of-enterprises-havent-modernized-translation-workflows/
#AI #translation #enterprise #workflow #localization

Источник: https://www.artificialintelligence-news.com/news/deepls-borderless-business-report-reveals-83-of-enterprises-are-still-behind-on-language-ai/

$186 млн в год тратят компании на AI, но только 11% реально масштабируют агентов. KPMG: разрыв между инвестициями и результатами растёт.

Изучил их Global AI Pulse — 64% видят пользу, но в виде мелких приростов продуктивности. Лидеры 11% перестраивают процессы под агентов, а не накладывают модели на старые workflow.

Два вывода: скрытые расходы интеграции (векторные базы, RAG, интеграция с legacy ERP) съедают бюджеты, governance у зрелых ускоряет развёртывание — 49% vs 20% уверены в управлении рисками.

Как это в финтехе и фарме, где регуляторика жёсткая — не станет ли governance критичным для скорости?

https://www.artificialintelligence-news.com/news/kpmg-survey-reveals-performance-gap-ai-investment-outcomes/ #AI #MLOps #EnterpriseAI #AIGovernance

Источник: https://www.artificialintelligence-news.com/news/kpmg-inside-ai-agent-playbook-enterprise-margin-gains/

Недавно наткнулся на исследование, объясняющее, почему многие компании не видят отдачи от инвестиций в ИИ.

Дело не в технологии: ИИ ускоряет задачи, но не улучшает достижение бизнес‑целей. Авторы предлагают framework из четырёх потоков: purpose flow (ясность целей), work flow (как работа движется от идеи к результату), knowledge flow (доступ к информации) и intelligence flow (применение ИИ).

Цифры: команды с сильным purpose flow в 6,4 раза чаще делают качественную работу и в 4,9 раза чаще укладываются в дедлайны. Knowledge‑работники тратят 20–30% времени на поиск информации — ≈1,5 дня в неделю. Когда автор помог маркетинг‑команде наладить work flow, число встреч резко упало, а пропускная способность выросла.

Вывод: ИИ масштабирует сломанные системы. Не лучше ли сначала наладить процессы, прежде чем внедрять новый AI‑инструмент?

Источник: https://www.cio.com/article/4150703/translating-ai-investment-into-enterprise-performance.html

Исследование показывает: 70% барьеров для масштабирования AI — процессы и люди, только 10% — алгоритмы. Но есть нюанс, который многие упускают.

AI‑агенты не падают там, где код или сервер, они натыкаются на пробелы в архитектуре — системы без интеграций, процессы без интерфейсов, данные, которые передавали вручную. Координатор сверяет выписки в трёх системах, менеджер закупок шлёт email за недостающими данными — эти «костыли» не в оргструктуре, но держат бизнес.

Масштабирование агентов без устранения таких пробелов даёт изолированные решения, конфликты и людей‑арбитров. Google DeepMind и MIT называют это «налогом координации». Учитесь читать эти сигналы сейчас: доля агентного AI в бизнес‑ценности почти удвоится к 2028 году.

https://www.csoonline.com/article/3621840/agentic-ai-failures-are-actually-integration-roadmaps.html

#AI #агенты #интеграция #автоматизация #архитектура

Источник: https://www.cio.com/article/4152582/when-agents-hit-the-walls.html

Компании уже внедряют автономные AI‑системы, которые сами планируют задачи и принимают решения — но только 21% имеют надёжные механизмы контроля. К 2026 году таких систем станет в три раза больше.

Deloitte: 23% компаний уже используют AI‑агентов, через два года — 74%. Проблема в непредсказуемости — агенты сами выбирают шаги для достижения цели.

Вывод: governance нужно встраивать на всех этапах — от дизайна до продакшена: ограничения доступа, логирование действий и мониторинг в реальном времени. Пример: система обслуживания оборудования, где каждое действие фиксируется и имеет чёткие границы.

Особенно актуально для банков и медицины, где решения AI придётся объяснять регулятору.

https://artificialintelligence-news.com/news/deloitte-governance-autonomous-ai-systems/

#ai #governance #automation #aiagents #risk


Источник: https://www.artificialintelligence-news.com/news/as-ai-agents-take-on-more-tasks-governance-becomes-a-priority/

Прочитал исследование про AI в HR — 88% HR‑лидеров не видят значимого ROI, хотя внедрение идет полным ходом.

Классика: в переговорках говорят о быстром запуске, сотрудники массово пользуются инструментами (9 из 10 по опросу EY), но лишь 28% компаний получают реальную бизнес‑ценность. Причина — HR внедряет инструменты, но не меняет процессы.

Отдельная беда — shadow AI: 80% компаний с этим сталкиваются, и только 37% имеют политики по AI. В HR это особенно опасно — утечки персональных данных и риски предвзятости при найме.

Появляются гибридные роли вроде People Analytics Engineer или HR AI Product Manager — знак, что ни HR, ни дата‑сайенс поодиночке не справляются. Интересно, как быстро такие роли появятся в других функциях?

Источник: https://www.cio.com/article/4150722/the-state-of-ai-in-hr-big-promises-uneven-reality.html

JPMorgan начал включать частоту использования ИИ‑инструментов в оценку производительности своих 65 000 инженеров и технологов — значит ChatGPT и Claude теперь влияют на зарплату и карьеру.

Банк отслеживает, как часто сотрудники используют ИИ для написания кода, ревью документов и рутинных задач. Система автоматически классифицирует людей на "активных" и "пассивных" пользователей, и менеджеры учитывают эти данные при аттестации. Умение работать с ИИ стало базовым требованием, как когда‑то Excel или Git.

Дилемма: если ИИ ускоряет работу в 2–3 раза, должны ли разработчики делать 2–3 раза больше? Как отличить "хорошее" использование ИИ от накрутки метрик? В банке каждый вывод ИИ нужно перепроверять из‑за регулирования. Дойдет ли это до российского рынка и станут ли навыки промптинга частью технического интервью?

Источник: https://www.artificialintelligence-news.com/news/jpmorgan-begins-tracking-how-employees-use-ai-at-work/