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/

Прочитал статью о том, как банки меняют подход к ИИ. Раньше всё ради скорости — торговые роботы на миллисекунды быстрее, баланс рос.

Сейчас регуляторы в ЕС и США требуют полной прозрачности: если банк не объяснит, почему ИИ отказал в кредите, — штрафы. Правильно — модели могли неосознанно дискриминировать заёмщиков.

Автор советует не считать compliance тормозом, а закладывать этику в архитектуру с первого дня и делать полную прослеживаемость данных: каждый байт тренировочной выборки криптографически подписан, иначе источник ошибки не найти.

Инвестиции в этику и oversight ускоряют вывод продукта на рынок. А у нас в продуктовых командах как с этим обстоят дела?

https://www.artificialintelligence-news.com/2024/12/12/financial-institutions-learning-deploy-compliant-ai-solutions-greater-revenue-growth-market-advantage/

#ИИ #финтех #compliance #машинноеобучение #регулирование


Источник: https://www.artificialintelligence-news.com/news/secure-governance-accelerates-financial-ai-revenue-growth/

$2,52 триллиона — столько вложат в ИИ к 2026 году. Рост 44% г/г. Но большинство компаний не может доказать CFO, что эти инвестиции окупаются.

Проблема не в технологиях, а в ROAI: когда ИИ реально увеличивает выручку, снижает затраты и улучшает маржу, а не просто красиво смотрится в презентациях. Главная беда: скорость внедрения ≠ скорость принятия. Можно за месяц развернуть модель, но люди продолжат работать по‑старому.

Предлагают «Strategic Quad»: CEO, CIO, CFO, CHRO — каждый за свой кусок. CIO уже не «поднять сервер», а «показать прибыль».

Ключ — встроить ИИ в ERP, HR и процессы, чтобы это стало естественной частью работы. Практики: берёте ли личную ответственность за ROI ИИ‑проектов или остаетесь «техисполнителями»?

Источник: https://www.cio.com/article/4147718/why-enterprises-arent-seeing-ai-roi-and-what-cios-can-do-about-it.html

Обратил внимание на исследование Utimaco о безопасности AI. Главный барьер для внедрения ИИ — риски безопасности, а не техническая сложность. Проблема шире: кроме prompt injection — порча тренировочных данных (data poisoning), кража моделей и утечки чувствительных данных при обучении и инференсе. Квантовые компьютеры могут через ~10 лет сломать текущую криптографию, злоумышленники уже собирают зашифрованные данные в расчёте на будущее расшифрование. Utimaco предлагает crypto‑agility — менять алгоритмы без переписывания систем — и аппаратные модули для изоляции ключей. Пора закладывать защиту от квантовых атак, если модели живут дольше пары лет. Кто внедрял post‑quantum в продакшене? https://www.ai-expo.net/ #AI #security #quantum #cryptography #MLOps

Источник: https://www.artificialintelligence-news.com/news/quantum-resilient-ai-needs-migration-and-hardware-protected-data-enclaves/

5% трафика AI‑ботов могут быть фрилоадерами, взрывающими бюджет в 10× — и это не покажут отчёты об аномалиях.

Это "denial of wallet": пользователи нагружают корпоративных чат‑ботов тяжёлыми вычислениями вместо простых запросов. "Где мой заказ?" — 200–300 токенов, "Напиши код на Python" — 2000+.

Ник Кейл (Coalition for Secure AI): система видит обычный диалог, но экономически это неограниченные вычисления. Amazon уже попал — их бот генерировал Фибоначчи и рецепты (проверял).

Есть решения, но с компромиссами: лимиты токенов режут легитимные запросы, дополнительный AI для контроля повышает расходы. Как защищать AI‑эндпоинты?

https://www.cio.com/article/3625048/enterprises-deploying-chatbots-face-a-new-risk-ai-bill-shock.html #AI #ChatBot #InfoSec #AIGovernance #CyberSecurity

Источник: https://www.cio.com/article/4155404/ai-token-freeloaders-are-coming-for-your-customer-support-chatbot.html

ServiceNow запускает Context Engine — систему, которая запоминает не только что решила компания, но и почему. Каждое AI‑взаимодействие, решение и эскалация формируют картину реальной работы бизнеса.

Context Engine встраивается во все процессы ServiceNow, собирая контекст через данные, политики и историю. Основана на Traceloop, Veza и планируемой покупке Armis. Новый SDK позволяет разработчикам использовать знакомые модели вроде Claude или Cursor, но деплоить в экосистему ServiceNow.

Аналитики видят попытку стать единым AI‑слоем (как Copilot или AgentForce). Подвох — ценообразование по потреблению (Build Agent calls) пока туманно, риск непредсказуемых счетов. Если команда уже в ServiceNow, Context Engine упростит автоматизацию, но стоит ли делать их единственной AI‑платформой?

https://www.cio.com/article/3620187/servicenow-introduces-context-engine-to-drive-ai-driven-workflows.html #ServiceNow #EnterpriseAI #ContextEngine #PlatformEngineering #FinOps

Источник: https://www.cio.com/article/4156549/servicenow-rolls-out-context-engine-to-embed-ai-governance-across-its-platform.html

Пока все говорят об автономных AI-агентах, крупные компании идут другим путём — больше контроля, меньше автономии. Особенно там, где ошибка дорого стоит.

Кейс S&P Capital IQ Pro: их AI помогает аналитикам с отчётами и транскриптами, но привязан к верифицированным источникам — показывает, откуда взяты данные. Никакой "магии", всё прослежимо и объяснимо.

McKinsey подтверждает: компании применяют AI точечно и боятся масштабировать. В финансах это критично — решения влияют на инвестиции и комплаенс, нужна подотчётность.

Лучше прозрачный "скучный" AI, чем красивый автономный агент, которого нельзя объяснить регулятору. Как вы решаете дилемму governance vs autonomy?

https://aimagazine.com/articles/why-autonomous-ai-is-taking-a-back-seat-to-controlled-systems

#AI #governance #fintech #autonomy #compliance

Источник: https://www.artificialintelligence-news.com/news/companies-expand-ai-adoption-while-keeping-control/