У Пентагона теперь свой ChatGPT и Grok — доступ получат 3 миллиона человек
Пентагон добавил ChatGPT Mil и Grok for Government в защищённый портал GenAI.mil, где уже доступен Gemini.
Системы предназначены примерно для 3 млн военных и гражданских сотрудников.
Генеративный ИИ переходит из экспериментов в государственную инфраструктуру.
https://techcrunch.com/2026/08/31/the-pentagon-now-has-its-own-version-of-chatgpt-and-grok/
Пентагон добавил ChatGPT Mil и Grok for Government в защищённый портал GenAI.mil, где уже доступен Gemini.
Системы предназначены примерно для 3 млн военных и гражданских сотрудников.
Генеративный ИИ переходит из экспериментов в государственную инфраструктуру.
https://techcrunch.com/2026/08/31/the-pentagon-now-has-its-own-version-of-chatgpt-and-grok/
TechCrunch
The Pentagon now has its own version of ChatGPT and Grok | TechCrunch
Versions of OpenAI's ChatGPT and SpaceXAI's Grok will join Google's Gemini on the Pentagon's central portal for AI tools.
ИИ уже используют примерно 1 050 муниципалитетов Японии
Polimill построила QommonsAI на технологиях OpenAI для работы с административными знаниями.
Платформой пользуются около 1 050 муниципалитетов, а компания заявляет сокращение времени разработки в 3–5 раз благодаря Codex и поддержке OpenAI.
ИИ в государстве становится интересным не тогда, когда отвечает гражданину, а когда снимает рутину с самой бюрократии.
https://openai.com/index/polimill
Polimill построила QommonsAI на технологиях OpenAI для работы с административными знаниями.
Платформой пользуются около 1 050 муниципалитетов, а компания заявляет сокращение времени разработки в 3–5 раз благодаря Codex и поддержке OpenAI.
ИИ в государстве становится интересным не тогда, когда отвечает гражданину, а когда снимает рутину с самой бюрократии.
https://openai.com/index/polimill
OpenAI
Polimill builds Japan's next-generation public AI infrastructure
Polimill uses OpenAI GPT models and Codex to help municipalities search and use administrative knowledge while accelerating development.
У семьи появился «ИИ-начальник штаба» — он сам собирает расписание из школьных писем
Fambot предлагает AI Chief of Staff для семьи: сервис разбирает письма, школьные объявления и расписания, вытаскивает события и задачи и собирает их в общий календарь.
Это хороший пример бытового агента: не ещё один чат, которому надо всё объяснять, а ИИ, который забирает хаос из почты и превращает его в конкретные дела семьи.
https://techcrunch.com/2026/09/01/fambot-introduces-an-ai-chief-of-staff-for-families/
Fambot предлагает AI Chief of Staff для семьи: сервис разбирает письма, школьные объявления и расписания, вытаскивает события и задачи и собирает их в общий календарь.
Это хороший пример бытового агента: не ещё один чат, которому надо всё объяснять, а ИИ, который забирает хаос из почты и превращает его в конкретные дела семьи.
https://techcrunch.com/2026/09/01/fambot-introduces-an-ai-chief-of-staff-for-families/
TechCrunch
Fambot introduces an 'AI chief of staff' for families | TechCrunch
Fambot is building an AI “chief of staff” to help families manage the emails, calendars, school updates, sports schedules, and other logistics of raising kids.
Alexa научилась сама напоминать, что вам пора что-нибудь купить
Amazon добавляет в Alexa+ уведомления о новых товарах и предложениях, которые могут заинтересовать пользователя.
Это уже не поиск по запросу: ИИ сам решает, когда показать потенциальную покупку.
Голосовой помощник постепенно превращается в продавца, который живёт дома и знает контекст владельца.
Для Amazon это почти идеальная точка между рекомендацией и кассой.
https://techcrunch.com/2026/09/01/amazon-alexa-can-now-alert-you-when-something-new-might-tempt-you-to-shop/
Amazon добавляет в Alexa+ уведомления о новых товарах и предложениях, которые могут заинтересовать пользователя.
Это уже не поиск по запросу: ИИ сам решает, когда показать потенциальную покупку.
Голосовой помощник постепенно превращается в продавца, который живёт дома и знает контекст владельца.
Для Amazon это почти идеальная точка между рекомендацией и кассой.
https://techcrunch.com/2026/09/01/amazon-alexa-can-now-alert-you-when-something-new-might-tempt-you-to-shop/
TechCrunch
Amazon Alexa can now alert you when something new might tempt you to shop | TechCrunch
Amazon is adding a new Alexa-powered feature called “Update Me When” that can send personalized alerts about product launches, tours, books, shows, and other events that could trigger a purchase.
Gemini научился сам решать, что смотреть в видео — и пересматривать нужный момент
Раньше ИИ анализировал видео почти как человек, которому включили запись на фиксированной скорости: кадр за кадром, независимо от того, где происходит что-то важное.
Google DeepMind меняет этот подход. В Gemini появился agentic video understanding — режим, в котором модель сама решает, какой участок видео изучить, с какой частотой кадров его пересмотреть и что использовать: изображение, звук или расшифровку.
🧠 Что изменилось?
Gemini больше не обязан «смотреть» весь ролик одинаково внимательно. Он может быстро пройти многочасовую запись, найти подозрительный эпизод, вернуться к нему и изучить уже покадрово.
Например:
➡️ найти событие длительностью меньше секунды;
➡️ заметить аномалию на записи;
➡️ точно посчитать повторяющиеся действия или объекты;
➡️ найти нужный момент в многочасовом видео без обработки каждого кадра.
📊 Ключевые цифры
По данным Google DeepMind, новый режим на тестах:
➡️ сокращает расход токенов до 88%;
➡️ снижает стоимость анализа до 66%;
➡️ повышает точность до 7%.
И вот здесь становится интересно. Видео постепенно превращается не просто в контент для анализа, а в сенсор для ИИ-агента.
Камера на производстве может стать источником для поиска отклонений. Запись встречи — базой, где агент сам находит нужный эпизод. Часовое обучение — материалом, из которого ИИ вытаскивает конкретное действие или ошибку.
😰 Но есть нюанс
Пока речь не о Gemini, который увидел событие на камере и самостоятельно заказал ремонт или остановил станок. В опубликованной версии «агентность» относится прежде всего к самому анализу видео: модель использует внутренние инструменты, чтобы выбирать, что и как смотреть.
🛠 Что можно попробовать уже сейчас?
Функция доступна через Gemini API в Google AI Studio и Gemini Enterprise Agent Platform для Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite.
Следующий большой шаг ИИ — не научиться видеть ещё лучше. А научиться самому решать, куда смотреть и что делать с увиденным.
Подписывайтесь
Раньше ИИ анализировал видео почти как человек, которому включили запись на фиксированной скорости: кадр за кадром, независимо от того, где происходит что-то важное.
Google DeepMind меняет этот подход. В Gemini появился agentic video understanding — режим, в котором модель сама решает, какой участок видео изучить, с какой частотой кадров его пересмотреть и что использовать: изображение, звук или расшифровку.
🧠 Что изменилось?
Gemini больше не обязан «смотреть» весь ролик одинаково внимательно. Он может быстро пройти многочасовую запись, найти подозрительный эпизод, вернуться к нему и изучить уже покадрово.
Например:
➡️ найти событие длительностью меньше секунды;
➡️ заметить аномалию на записи;
➡️ точно посчитать повторяющиеся действия или объекты;
➡️ найти нужный момент в многочасовом видео без обработки каждого кадра.
📊 Ключевые цифры
По данным Google DeepMind, новый режим на тестах:
➡️ сокращает расход токенов до 88%;
➡️ снижает стоимость анализа до 66%;
➡️ повышает точность до 7%.
И вот здесь становится интересно. Видео постепенно превращается не просто в контент для анализа, а в сенсор для ИИ-агента.
Камера на производстве может стать источником для поиска отклонений. Запись встречи — базой, где агент сам находит нужный эпизод. Часовое обучение — материалом, из которого ИИ вытаскивает конкретное действие или ошибку.
😰 Но есть нюанс
Пока речь не о Gemini, который увидел событие на камере и самостоятельно заказал ремонт или остановил станок. В опубликованной версии «агентность» относится прежде всего к самому анализу видео: модель использует внутренние инструменты, чтобы выбирать, что и как смотреть.
🛠 Что можно попробовать уже сейчас?
Функция доступна через Gemini API в Google AI Studio и Gemini Enterprise Agent Platform для Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite.
Следующий большой шаг ИИ — не научиться видеть ещё лучше. А научиться самому решать, куда смотреть и что делать с увиденным.
Подписывайтесь
Не внедряйте ИИ в старые процессы. Пересоберите сами процессы
Менеджер получает заявку. Открывает CRM, ищет данные о клиенте, читает переписку, готовит предложение, ставит задачу, пишет письмо — а через три дня вспоминает, что нужно перезвонить.
А потом компания «внедряет ИИ» и просто добавляет нейросеть между этими шагами.
Быстрее? Да. Но процесс всё равно остаётся старым.
🧠 AI-native подход устроен иначе
Нужно спрашивать не «куда здесь добавить ИИ?», а:
если бы этот процесс создавали сегодня с нуля, сколько ручных действий в нём вообще осталось бы?
Например, приходит новая заявка.
➡️ ИИ читает обращение
➡️ определяет задачу клиента
➡️ собирает данные из CRM и переписки
➡️ готовит карточку и предложение
➡️ предлагает следующий шаг
Человеку передаётся только то, где действительно нужна его оценка.
После подтверждения система сама отправляет письмо, ставит задачи и контролирует следующий контакт.
Менеджер не исчезает. Исчезает работа секретаря вокруг менеджера.
🤯 В этом и есть главное отличие.
Добавить ИИ в старый процесс — как поставить электромотор на телегу: ехать будет быстрее, но телега останется телегой.
🛠 Что можно сделать уже сейчас
Возьмите один повторяющийся процесс: обработку заявки, подготовку КП, проверку договора, закупку или еженедельный отчёт.
Запишите всю цепочку и пометьте каждый шаг:
ИИ делает сам → ИИ готовит, человек подтверждает → человек делает сам.
Начинать лучше не с полной автономности. Практичная схема: ИИ готовит действие, а критические решения подтверждает сотрудник.
Попробуйте такой запрос:
Я опишу рабочий процесс от входящего запроса до результата. Разбери каждый этап. Укажи, что можно полностью передать ИИ, что ИИ должен готовить для подтверждения человеком, а что оставить человеку. Затем спроектируй новый процесс с минимальным количеством ручных операций. Не автоматизируй старую схему механически — пересобери её так, будто ИИ был доступен с самого начала.
Главный эффект ИИ для бизнеса может оказаться не в том, чтобы сделать сотрудника на 20% быстрее.
А в том, чтобы обнаружить: часть его ежедневной работы вообще больше не нужна.
Подписывайтесь
Менеджер получает заявку. Открывает CRM, ищет данные о клиенте, читает переписку, готовит предложение, ставит задачу, пишет письмо — а через три дня вспоминает, что нужно перезвонить.
А потом компания «внедряет ИИ» и просто добавляет нейросеть между этими шагами.
Быстрее? Да. Но процесс всё равно остаётся старым.
🧠 AI-native подход устроен иначе
Нужно спрашивать не «куда здесь добавить ИИ?», а:
если бы этот процесс создавали сегодня с нуля, сколько ручных действий в нём вообще осталось бы?
Например, приходит новая заявка.
➡️ ИИ читает обращение
➡️ определяет задачу клиента
➡️ собирает данные из CRM и переписки
➡️ готовит карточку и предложение
➡️ предлагает следующий шаг
Человеку передаётся только то, где действительно нужна его оценка.
После подтверждения система сама отправляет письмо, ставит задачи и контролирует следующий контакт.
Менеджер не исчезает. Исчезает работа секретаря вокруг менеджера.
🤯 В этом и есть главное отличие.
Добавить ИИ в старый процесс — как поставить электромотор на телегу: ехать будет быстрее, но телега останется телегой.
🛠 Что можно сделать уже сейчас
Возьмите один повторяющийся процесс: обработку заявки, подготовку КП, проверку договора, закупку или еженедельный отчёт.
Запишите всю цепочку и пометьте каждый шаг:
ИИ делает сам → ИИ готовит, человек подтверждает → человек делает сам.
Начинать лучше не с полной автономности. Практичная схема: ИИ готовит действие, а критические решения подтверждает сотрудник.
Попробуйте такой запрос:
Я опишу рабочий процесс от входящего запроса до результата. Разбери каждый этап. Укажи, что можно полностью передать ИИ, что ИИ должен готовить для подтверждения человеком, а что оставить человеку. Затем спроектируй новый процесс с минимальным количеством ручных операций. Не автоматизируй старую схему механически — пересобери её так, будто ИИ был доступен с самого начала.
Главный эффект ИИ для бизнеса может оказаться не в том, чтобы сделать сотрудника на 20% быстрее.
А в том, чтобы обнаружить: часть его ежедневной работы вообще больше не нужна.
Подписывайтесь
Android превращает Gemini в бытовую память и «зрение»
«Где я убрал паспорт?» — скоро это можно будет спросить не у себя, а у телефона.
Google добавляет в Android сразу две функции, которые хорошо показывают, куда движется бытовой ИИ: он начинает не просто отвечать на вопросы, а помогать помнить и видеть окружающий мир.
🧠 Gemini запомнит, куда вы положили вещь
Можно будет сказать: «Запомни в Find Hub, что паспорт лежит в ящике спальни» — и при желании добавить фотографию.
Позже достаточно спросить Gemini, где паспорт, запасные ключи или другая важная вещь. Информация сохранится в отдельном разделе Find Hub.
Функция заявлена для устройств с Android 16+ в странах, где доступны Gemini и Find Hub.
👁 А Guided Vision помогает пользоваться камерой
Функция создана вместе с сообществами незрячих и слабовидящих пользователей.
Человек показывает окружающий мир через камеру Gemini Live, а ИИ может:
➡️ прочитать мелкий текст на упаковке;
➡️ помочь разобрать меню в тёмном ресторане;
➡️ определить предмет дома;
➡️ голосом подсказать: поверните телефон, проведите камерой в сторону или поместите объект в центр кадра.
Guided Vision появится на устройствах с Android 9+ там, где доступен Gemini.
🤯 Почему это важнее очередной функции Android
Мы привыкли считать ИИ отдельным сервисом: открыл приложение → написал запрос → получил ответ.
Здесь модель другая.
Телефон постепенно становится внешней памятью и дополнительным слоем восприятия: увидел → понял → запомнил → помог человеку действовать дальше.
И это уже очень бытовой сценарий: не писать промпты про стратегию компании, а найти паспорт, прочитать этикетку или понять, что находится перед камерой.
😰 Но есть ограничение: Google отдельно предупреждает, что Guided Vision может ошибаться и не предназначен для навигации или обнаружения препятствий.
Самый интересный ИИ может оказаться не тем, который пишет лучший текст.
А тем, который незаметно убирает маленькие проблемы из обычного дня.
Подписывайтесь
«Где я убрал паспорт?» — скоро это можно будет спросить не у себя, а у телефона.
Google добавляет в Android сразу две функции, которые хорошо показывают, куда движется бытовой ИИ: он начинает не просто отвечать на вопросы, а помогать помнить и видеть окружающий мир.
🧠 Gemini запомнит, куда вы положили вещь
Можно будет сказать: «Запомни в Find Hub, что паспорт лежит в ящике спальни» — и при желании добавить фотографию.
Позже достаточно спросить Gemini, где паспорт, запасные ключи или другая важная вещь. Информация сохранится в отдельном разделе Find Hub.
Функция заявлена для устройств с Android 16+ в странах, где доступны Gemini и Find Hub.
👁 А Guided Vision помогает пользоваться камерой
Функция создана вместе с сообществами незрячих и слабовидящих пользователей.
Человек показывает окружающий мир через камеру Gemini Live, а ИИ может:
➡️ прочитать мелкий текст на упаковке;
➡️ помочь разобрать меню в тёмном ресторане;
➡️ определить предмет дома;
➡️ голосом подсказать: поверните телефон, проведите камерой в сторону или поместите объект в центр кадра.
Guided Vision появится на устройствах с Android 9+ там, где доступен Gemini.
🤯 Почему это важнее очередной функции Android
Мы привыкли считать ИИ отдельным сервисом: открыл приложение → написал запрос → получил ответ.
Здесь модель другая.
Телефон постепенно становится внешней памятью и дополнительным слоем восприятия: увидел → понял → запомнил → помог человеку действовать дальше.
И это уже очень бытовой сценарий: не писать промпты про стратегию компании, а найти паспорт, прочитать этикетку или понять, что находится перед камерой.
😰 Но есть ограничение: Google отдельно предупреждает, что Guided Vision может ошибаться и не предназначен для навигации или обнаружения препятствий.
Самый интересный ИИ может оказаться не тем, который пишет лучший текст.
А тем, который незаметно убирает маленькие проблемы из обычного дня.
Подписывайтесь
OpenAI признала Astra первой ИИ-моделью критического уровня по кибербезопасности
Это уже не «ИИ помогает программисту найти баг». По оценке самой OpenAI, Astra способна с подходящими инструментами самостоятельно находить ранее неизвестные уязвимости и превращать их в рабочие цепочки эксплуатации — в том числе в хорошо защищённых системах.
И это первая модель OpenAI, которой официально присвоен уровень Critical по кибербезопасности.
🧠 Что она уже показала
➡️ 100% на ExploitBench — тесте на разработку эксплойтов для известных уязвимостей.
➡️ Во внутреннем тесте Astra сама обнаружила и использовала два zero-day в цепочке атаки. OpenAI передаёт информацию разработчикам затронутых систем.
➡️ В экспертном тестировании модель нашла неизвестные уязвимости в защищённом браузере, вышла из sandbox и получила возможность выполнять команды на хосте.
➡️ В другом тесте она собрала цепочку повышения привилегий в защищённой ОС — от обычного пользователя до root.
🤯 Почему это важная граница
До сих пор сильные ИИ-модели в кибербезопасности в основном воспринимались как ускорители работы специалиста: написать код, проанализировать лог, найти подозрительное место.
Astra приближается к другой модели: человеку достаточно поставить цель, а ИИ способен самостоятельно искать слабое место, проверять гипотезы и строить эксплуатацию без постоянного управления каждым шагом.
😰 Поэтому OpenAI даже задержала часть разработки и релиза
Компания усиливала защиту от злоупотреблений и несанкционированных действий модели. Доступ к наиболее продвинутым кибервозможностям Astra на старте будет ограничен.
При этом есть интересный парадокс: Astra стала опаснее по возможностям — и одновременно лучше обучена отказываться от вредоносных запросов. В тестах отказов она показала 91,5% против 59% у GPT-5.6 Sol.
Самая важная перемена здесь не в новом рекорде бенчмарка.
ИИ начинает переходить от «помоги найти уязвимость» к «сам найди способ взломать систему». И теперь вопрос безопасности таких моделей становится частью самой разработки.
Подписывайтесь
Это уже не «ИИ помогает программисту найти баг». По оценке самой OpenAI, Astra способна с подходящими инструментами самостоятельно находить ранее неизвестные уязвимости и превращать их в рабочие цепочки эксплуатации — в том числе в хорошо защищённых системах.
И это первая модель OpenAI, которой официально присвоен уровень Critical по кибербезопасности.
🧠 Что она уже показала
➡️ 100% на ExploitBench — тесте на разработку эксплойтов для известных уязвимостей.
➡️ Во внутреннем тесте Astra сама обнаружила и использовала два zero-day в цепочке атаки. OpenAI передаёт информацию разработчикам затронутых систем.
➡️ В экспертном тестировании модель нашла неизвестные уязвимости в защищённом браузере, вышла из sandbox и получила возможность выполнять команды на хосте.
➡️ В другом тесте она собрала цепочку повышения привилегий в защищённой ОС — от обычного пользователя до root.
🤯 Почему это важная граница
До сих пор сильные ИИ-модели в кибербезопасности в основном воспринимались как ускорители работы специалиста: написать код, проанализировать лог, найти подозрительное место.
Astra приближается к другой модели: человеку достаточно поставить цель, а ИИ способен самостоятельно искать слабое место, проверять гипотезы и строить эксплуатацию без постоянного управления каждым шагом.
😰 Поэтому OpenAI даже задержала часть разработки и релиза
Компания усиливала защиту от злоупотреблений и несанкционированных действий модели. Доступ к наиболее продвинутым кибервозможностям Astra на старте будет ограничен.
При этом есть интересный парадокс: Astra стала опаснее по возможностям — и одновременно лучше обучена отказываться от вредоносных запросов. В тестах отказов она показала 91,5% против 59% у GPT-5.6 Sol.
Самая важная перемена здесь не в новом рекорде бенчмарка.
ИИ начинает переходить от «помоги найти уязвимость» к «сам найди способ взломать систему». И теперь вопрос безопасности таких моделей становится частью самой разработки.
Подписывайтесь
Как юрфирме сократить проверку клиента с 8 часов до 5 минут
Юрист получает нового клиента — и вместо работы по существу начинает собирать сведения, сверять документы, искать совпадения, проверять списки и переносить всё это в заключение.
Именно здесь ИИ часто полезнее, чем в написании юридических текстов.
Австралийская юрфирма Gilbert + Tobin вместе с OpenAI перестроила часть conflict, KYC, AML и PEP-проверок. По данным опубликованного OpenAI кейса, отдельные проверки сократились с 3–8 часов до примерно 5 минут.
Важно: это данные компании и вендора, а не независимый аудит. Но сам принцип легко перенести на другие юридические процессы.
🧠 Как устроить такую проверку
➡️ 1. Сбор данных. ИИ получает анкету, реквизиты, документы и сведения из разрешённых источников.
➡️ 2. Извлечение. Находит ФИО, компании, адреса, регистрационные данные, участников и связанные стороны.
➡️ 3. Сверка. Сопоставляет документы и отмечает расхождения: разные адреса, даты, написание фамилий, компании.
➡️ 4. Проверка по правилам. Прогоняет информацию через заранее заданный внутренний чек-лист.
➡️ 5. Карточка для юриста. Вместо десятков страниц специалист получает: что совпало, где риск, что требует ручной проверки и какие документы нужно открыть.
😰 Ключевое ограничение
ИИ здесь не принимает юридическое решение. В кейсе Gilbert + Tobin система выполняет исследование и обработку, а результат проходит обязательную проверку и утверждение человеком.
🛠 Как попробовать без большого IT-проекта
Возьмите 20–30 завершённых однотипных проверок, обезличьте данные и выпишите действия, которые юристы повторяют каждый раз.
Затем пометьте каждый шаг:
ИИ делает сам → ИИ готовит, юрист подтверждает → юрист делает сам.
И отдельно определите, какие сведения вообще нельзя отправлять во внешние сервисы. Для клиентских данных это должно быть правилом до начала автоматизации, а не после.
Цель здесь не «заменить юриста».
Цель — перестать тратить время квалифицированного специалиста на работу, которую ИИ может выполнить ещё до того, как документ попадёт ему на стол.
Подписывайтесь
Юрист получает нового клиента — и вместо работы по существу начинает собирать сведения, сверять документы, искать совпадения, проверять списки и переносить всё это в заключение.
Именно здесь ИИ часто полезнее, чем в написании юридических текстов.
Австралийская юрфирма Gilbert + Tobin вместе с OpenAI перестроила часть conflict, KYC, AML и PEP-проверок. По данным опубликованного OpenAI кейса, отдельные проверки сократились с 3–8 часов до примерно 5 минут.
Важно: это данные компании и вендора, а не независимый аудит. Но сам принцип легко перенести на другие юридические процессы.
🧠 Как устроить такую проверку
➡️ 1. Сбор данных. ИИ получает анкету, реквизиты, документы и сведения из разрешённых источников.
➡️ 2. Извлечение. Находит ФИО, компании, адреса, регистрационные данные, участников и связанные стороны.
➡️ 3. Сверка. Сопоставляет документы и отмечает расхождения: разные адреса, даты, написание фамилий, компании.
➡️ 4. Проверка по правилам. Прогоняет информацию через заранее заданный внутренний чек-лист.
➡️ 5. Карточка для юриста. Вместо десятков страниц специалист получает: что совпало, где риск, что требует ручной проверки и какие документы нужно открыть.
😰 Ключевое ограничение
ИИ здесь не принимает юридическое решение. В кейсе Gilbert + Tobin система выполняет исследование и обработку, а результат проходит обязательную проверку и утверждение человеком.
🛠 Как попробовать без большого IT-проекта
Возьмите 20–30 завершённых однотипных проверок, обезличьте данные и выпишите действия, которые юристы повторяют каждый раз.
Затем пометьте каждый шаг:
ИИ делает сам → ИИ готовит, юрист подтверждает → юрист делает сам.
И отдельно определите, какие сведения вообще нельзя отправлять во внешние сервисы. Для клиентских данных это должно быть правилом до начала автоматизации, а не после.
Цель здесь не «заменить юриста».
Цель — перестать тратить время квалифицированного специалиста на работу, которую ИИ может выполнить ещё до того, как документ попадёт ему на стол.
Подписывайтесь
Почему AI-агент ломается не из-за плохого промпта
Можно идеально написать инструкцию для агента — и всё равно получить систему, которая тратит миллионы токенов, конфликтует сама с собой и в какой-то момент делает опасное действие.
Есть описанные пять проблем, на которые наткнулся при создании AI-агентов внутри компании. Главный вывод важнее конкретных багов:
Рабочий агент — это уже не промпт.
Это инженерная система.
🧠 1. Память быстро превращается в свалку
Если агент тащит за собой логи, историю браузера, старые решения и сотни инструментов, стоимость взлетает.
В одном кейсе фоновая задача стартовала уже примерно с 50 000 токенов, а простой вопрос о расходах однажды потребовал около 1,35 млн токенов.
После разделения памяти и ограничения инструментов сократили фоновое потребление примерно на 4,6 млн токенов в день.
⚠️ 2. Опасные действия требуют подтверждения
Например, force-push в Git может стереть чужую работу. Поэтому необратимые действия нельзя оставлять полностью на усмотрение агента.
🖥 3. Браузер — плохой фундамент
Автоматизация через интерфейс ломается на авторизации, CAPTCHA, 2FA, изменениях кнопок и параллельных сессиях.
Если есть API, CLI или прямой доступ к системе — лучше начинать с них. Браузер оставлять запасным вариантом.
🔂 4. Параллельные агенты начинают мешать друг другу
Два процесса могут одновременно изменить одну ветку, занять один профиль или перехватить очередь задач.
Здесь нужны обычные инженерные механизмы: блокировки, очередь, база состояния и правила повторного запуска.
🛠 5. Длинная задача должна переживать сбой
Если агент работает час, он должен знать: что уже сделал, где остановился, что можно повторить и что делать дальше.
Иначе после любой ошибки начинается самое дорогое: «запустим всё заново».
Главный урок: чем автономнее становится ИИ, тем важнее не дать ему больше свободы, а правильно ограничить её.
Хороший промпт запускает агента.
Хорошая инженерия не даёт ему развалиться в реальной работе.
Подписывайтесь
Можно идеально написать инструкцию для агента — и всё равно получить систему, которая тратит миллионы токенов, конфликтует сама с собой и в какой-то момент делает опасное действие.
Есть описанные пять проблем, на которые наткнулся при создании AI-агентов внутри компании. Главный вывод важнее конкретных багов:
Рабочий агент — это уже не промпт.
Это инженерная система.
🧠 1. Память быстро превращается в свалку
Если агент тащит за собой логи, историю браузера, старые решения и сотни инструментов, стоимость взлетает.
В одном кейсе фоновая задача стартовала уже примерно с 50 000 токенов, а простой вопрос о расходах однажды потребовал около 1,35 млн токенов.
После разделения памяти и ограничения инструментов сократили фоновое потребление примерно на 4,6 млн токенов в день.
⚠️ 2. Опасные действия требуют подтверждения
Например, force-push в Git может стереть чужую работу. Поэтому необратимые действия нельзя оставлять полностью на усмотрение агента.
🖥 3. Браузер — плохой фундамент
Автоматизация через интерфейс ломается на авторизации, CAPTCHA, 2FA, изменениях кнопок и параллельных сессиях.
Если есть API, CLI или прямой доступ к системе — лучше начинать с них. Браузер оставлять запасным вариантом.
🔂 4. Параллельные агенты начинают мешать друг другу
Два процесса могут одновременно изменить одну ветку, занять один профиль или перехватить очередь задач.
Здесь нужны обычные инженерные механизмы: блокировки, очередь, база состояния и правила повторного запуска.
🛠 5. Длинная задача должна переживать сбой
Если агент работает час, он должен знать: что уже сделал, где остановился, что можно повторить и что делать дальше.
Иначе после любой ошибки начинается самое дорогое: «запустим всё заново».
Главный урок: чем автономнее становится ИИ, тем важнее не дать ему больше свободы, а правильно ограничить её.
Хороший промпт запускает агента.
Хорошая инженерия не даёт ему развалиться в реальной работе.
Подписывайтесь
Adobe купила стартап из шести человек — и это важный сигнал для маркетинга
Adobe приобрела индийский стартап Rilo. Команда — всего 6 человек.
Сделка интересна не размером компании, а тем, что именно Adobe решила купить: не очередной генератор картинок или текстов, а технологию, которая автоматизирует целые маркетинговые процессы.
🤖 Что делал Rilo?
Стартап позволял go-to-market командам собирать собственные AI-workflows:
➡️ анализировать конкурентов;
➡️ перерабатывать один материал под разные каналы;
➡️ анализировать продажи и звонки;
➡️ автоматизировать распространение контента;
➡️ работать над видимостью бренда в ChatGPT, Gemini и Claude.
По данным TechCrunch, Rilo появился в 2025 году, привлёк $1 млн при оценке $10 млн, а продукт успели попробовать более 10 000 человек.
После сделки сервис закроется, а Adobe заберёт часть технологий и всю шестичленную команду.
🤯 Почему это интересно
Несколько лет главная гонка в маркетинговом ИИ шла вокруг генерации: кто быстрее напишет текст, нарисует баннер или сделает видео.
Теперь ценность начинает смещаться на уровень выше.
Не «создай мне рекламный пост», а:
изучи конкурентов → найди тему → подготовь контент → адаптируй его под каналы → запусти работу → собери результаты.
То есть продаётся уже не отдельная способность модели, а рабочий процесс вокруг неё.
💰 И Adobe движется именно туда. Компания развивает агентные инструменты для маркетинга, где ИИ должен не ждать каждого следующего промпта, а планировать и выполнять цепочки задач.
Для бизнеса здесь есть практический вывод.
Если вы внедряете ИИ в маркетинг, не начинайте со списка «какие тексты он может нам писать».
Возьмите один повторяющийся процесс — мониторинг конкурентов, производство контента, подготовку кампании или разбор звонков — и спросите:
какую часть этой цепочки ИИ может выполнять целиком?
Шесть человек построили технологию, которая стала интересна Adobe.
В эпоху ИИ размер команды становится менее важен. Гораздо важнее, какой кусок работы она сумела превратить в автономную систему.
Подписывайтесь
Adobe приобрела индийский стартап Rilo. Команда — всего 6 человек.
Сделка интересна не размером компании, а тем, что именно Adobe решила купить: не очередной генератор картинок или текстов, а технологию, которая автоматизирует целые маркетинговые процессы.
🤖 Что делал Rilo?
Стартап позволял go-to-market командам собирать собственные AI-workflows:
➡️ анализировать конкурентов;
➡️ перерабатывать один материал под разные каналы;
➡️ анализировать продажи и звонки;
➡️ автоматизировать распространение контента;
➡️ работать над видимостью бренда в ChatGPT, Gemini и Claude.
По данным TechCrunch, Rilo появился в 2025 году, привлёк $1 млн при оценке $10 млн, а продукт успели попробовать более 10 000 человек.
После сделки сервис закроется, а Adobe заберёт часть технологий и всю шестичленную команду.
🤯 Почему это интересно
Несколько лет главная гонка в маркетинговом ИИ шла вокруг генерации: кто быстрее напишет текст, нарисует баннер или сделает видео.
Теперь ценность начинает смещаться на уровень выше.
Не «создай мне рекламный пост», а:
изучи конкурентов → найди тему → подготовь контент → адаптируй его под каналы → запусти работу → собери результаты.
То есть продаётся уже не отдельная способность модели, а рабочий процесс вокруг неё.
💰 И Adobe движется именно туда. Компания развивает агентные инструменты для маркетинга, где ИИ должен не ждать каждого следующего промпта, а планировать и выполнять цепочки задач.
Для бизнеса здесь есть практический вывод.
Если вы внедряете ИИ в маркетинг, не начинайте со списка «какие тексты он может нам писать».
Возьмите один повторяющийся процесс — мониторинг конкурентов, производство контента, подготовку кампании или разбор звонков — и спросите:
какую часть этой цепочки ИИ может выполнять целиком?
Шесть человек построили технологию, которая стала интересна Adobe.
В эпоху ИИ размер команды становится менее важен. Гораздо важнее, какой кусок работы она сумела превратить в автономную систему.
Подписывайтесь
Перед внедрением ИИ сначала разберите собственный IT-хаос
Можно купить лучшие модели, подключить агентов и автоматизировать десятки задач. Но если данные живут в разных системах, процессы отличаются от площадки к площадке, а критическая информация до сих пор ходит по Excel — ИИ просто начнёт масштабировать этот хаос быстрее.
Именно к такому выводу пришли в Jabil — глобальной производственной компании с более чем 100 площадками.
simplify first, then innovate — сначала упростить, потом внедрять новое.
🧠 В чём проблема?
За годы роста у крупного бизнеса накапливаются:
➡️ локальные системы;
➡️ таблицы и ручные обходные процессы;
➡️ разные правила работы подразделений;
➡️ изолированные данные;
➡️ старые интеграции.
На таком фундаменте сложно не только внедрять ИИ. Даже понять, какие данные правильные, бывает непросто.
Поэтому Jabil сначала стандартизирует процессы, объединяет интеграции и старается создать единый слой данных. И только после этого масштабирует автоматизацию и AI-сценарии.
🤯 Почему это важно
Модель может идеально анализировать информацию — но если один завод называет показатель одним способом, второй другим, а третий хранит его в таблице у сотрудника на компьютере, никакая «умная» надстройка проблему не устранит.
Она лишь сделает ошибки быстрее и масштабнее.
🛠 Что проверить у себя перед внедрением ИИ
Возьмите один процесс и задайте четыре вопроса:
➡️ откуда берутся данные;
➡️ сколько систем участвует;
➡️ где информацию переносят руками;
➡️ существует ли единый стандарт результата.
Если ответы выглядят как схема метро, возможно, первый AI-проект вам пока не нужен.
Сначала уберите лишние станции.
ИИ действительно ускоряет процессы. Поэтому особенно важно убедиться, что вы ускоряете именно тот процесс, который хотите сохранить.
Подписывайтесь
Можно купить лучшие модели, подключить агентов и автоматизировать десятки задач. Но если данные живут в разных системах, процессы отличаются от площадки к площадке, а критическая информация до сих пор ходит по Excel — ИИ просто начнёт масштабировать этот хаос быстрее.
Именно к такому выводу пришли в Jabil — глобальной производственной компании с более чем 100 площадками.
simplify first, then innovate — сначала упростить, потом внедрять новое.
🧠 В чём проблема?
За годы роста у крупного бизнеса накапливаются:
➡️ локальные системы;
➡️ таблицы и ручные обходные процессы;
➡️ разные правила работы подразделений;
➡️ изолированные данные;
➡️ старые интеграции.
На таком фундаменте сложно не только внедрять ИИ. Даже понять, какие данные правильные, бывает непросто.
Поэтому Jabil сначала стандартизирует процессы, объединяет интеграции и старается создать единый слой данных. И только после этого масштабирует автоматизацию и AI-сценарии.
🤯 Почему это важно
Модель может идеально анализировать информацию — но если один завод называет показатель одним способом, второй другим, а третий хранит его в таблице у сотрудника на компьютере, никакая «умная» надстройка проблему не устранит.
Она лишь сделает ошибки быстрее и масштабнее.
🛠 Что проверить у себя перед внедрением ИИ
Возьмите один процесс и задайте четыре вопроса:
➡️ откуда берутся данные;
➡️ сколько систем участвует;
➡️ где информацию переносят руками;
➡️ существует ли единый стандарт результата.
Если ответы выглядят как схема метро, возможно, первый AI-проект вам пока не нужен.
Сначала уберите лишние станции.
ИИ действительно ускоряет процессы. Поэтому особенно важно убедиться, что вы ускоряете именно тот процесс, который хотите сохранить.
Подписывайтесь
Forwarded from Раньше всех. Ну почти.
МТС первой в России запустила для всех абонентов функцию отображения ключевых тезисов телефонных разговоров в истории звонков.
Функция стала доступна в приложении «Мой МТС» при подключении сервиса «Интеллектуальная запись». ИИ-модели сервиса в реальном времени обрабатывают разговор и формируют краткое содержание беседы, которое отображается прямо в истории вызовов.
При необходимости пользователь может открыть расширенные выводы, полную расшифровку разговора и его аудиозапись в приложении «Мой МТС».
Функция стала доступна в приложении «Мой МТС» при подключении сервиса «Интеллектуальная запись». ИИ-модели сервиса в реальном времени обрабатывают разговор и формируют краткое содержание беседы, которое отображается прямо в истории вызовов.
При необходимости пользователь может открыть расширенные выводы, полную расшифровку разговора и его аудиозапись в приложении «Мой МТС».
Forwarded from Раньше всех. Ну почти.
⚡️По всему миру зафиксированы сбои в работе ChatGPT, Claude и Grok
Как сделать ИИ семейным координатором и перестать держать всё в голове
Школьные письма, кружки, врачи, родительские чаты, оплаты, покупки.
Проблема не в количестве дел. Проблема в том, что они разбросаны по десяти местам — и кто-то в семье должен всё помнить.
Здесь ИИ полезен не как собеседник, а как семейный диспетчер: собрал входящий хаос → разложил по событиям и задачам → напомнил, что важно.
🛠 Как настроить это за один вечер
➡️ 1. Один семейный календарь
Туда попадает всё, что привязано ко времени: школа, секции, врачи, поездки, дни рождения, дедлайны.
Правило простое: если событие осталось только в чате, шанс его забыть слишком высокий.
➡️ 2. Один общий список задач
Отдельно держите дела: купить форму, подписать согласие, оплатить секцию, записаться к врачу, заказать подарок.
Календарь отвечает на вопрос «когда?», список задач — «что сделать?»
➡️ 3. Раз в день отдавайте ИИ входящий поток
Скопируйте важные письма и сообщения и используйте один запрос:
Ты семейный координатор. Выдели из сообщений:
1. события с датой и временем;
2. задачи;
3. оплаты и дедлайны;
4. что нужно купить или взять с собой;
5. вопросы, требующие решения родителей.
Ничего не придумывай. Неясные даты и детали вынеси отдельно.
В конце создай два блока: «Добавить в календарь» и «Добавить в задачи».
🤯 4. Раз в неделю делайте семейную сводку
В воскресенье отдайте ИИ календарь и задачи на ближайшие семь дней.
Попросите показать:
➡️ события по дням;
➡️ что подготовить заранее;
➡️ ближайшие дедлайны;
➡️ возможные накладки;
➡️ список «Что нельзя забыть».
Утром можно задавать ещё один вопрос: «Что у семьи сегодня?»
ИИ соберёт расписание, срочные задачи и всё, что нужно взять с собой.
😰 Что лучше не передавать
Для такой системы обычно не нужны паспортные данные детей, банковские реквизиты или полные медицинские документы. Достаточно даты, времени, места и сути задачи.
Главная идея простая: семье не нужен ещё один чат, который ждёт вопроса.
Нужна система, которая превращает 40 сообщений и пять писем в один ответ: что происходит, когда и что мы должны сделать.
Подписывайтесь
Школьные письма, кружки, врачи, родительские чаты, оплаты, покупки.
Проблема не в количестве дел. Проблема в том, что они разбросаны по десяти местам — и кто-то в семье должен всё помнить.
Здесь ИИ полезен не как собеседник, а как семейный диспетчер: собрал входящий хаос → разложил по событиям и задачам → напомнил, что важно.
🛠 Как настроить это за один вечер
➡️ 1. Один семейный календарь
Туда попадает всё, что привязано ко времени: школа, секции, врачи, поездки, дни рождения, дедлайны.
Правило простое: если событие осталось только в чате, шанс его забыть слишком высокий.
➡️ 2. Один общий список задач
Отдельно держите дела: купить форму, подписать согласие, оплатить секцию, записаться к врачу, заказать подарок.
Календарь отвечает на вопрос «когда?», список задач — «что сделать?»
➡️ 3. Раз в день отдавайте ИИ входящий поток
Скопируйте важные письма и сообщения и используйте один запрос:
Ты семейный координатор. Выдели из сообщений:
1. события с датой и временем;
2. задачи;
3. оплаты и дедлайны;
4. что нужно купить или взять с собой;
5. вопросы, требующие решения родителей.
Ничего не придумывай. Неясные даты и детали вынеси отдельно.
В конце создай два блока: «Добавить в календарь» и «Добавить в задачи».
🤯 4. Раз в неделю делайте семейную сводку
В воскресенье отдайте ИИ календарь и задачи на ближайшие семь дней.
Попросите показать:
➡️ события по дням;
➡️ что подготовить заранее;
➡️ ближайшие дедлайны;
➡️ возможные накладки;
➡️ список «Что нельзя забыть».
Утром можно задавать ещё один вопрос: «Что у семьи сегодня?»
ИИ соберёт расписание, срочные задачи и всё, что нужно взять с собой.
😰 Что лучше не передавать
Для такой системы обычно не нужны паспортные данные детей, банковские реквизиты или полные медицинские документы. Достаточно даты, времени, места и сути задачи.
Главная идея простая: семье не нужен ещё один чат, который ждёт вопроса.
Нужна система, которая превращает 40 сообщений и пять писем в один ответ: что происходит, когда и что мы должны сделать.
Подписывайтесь
Не конкурируйте с ИИ. Научитесь ставить ему работу
ИИ всё лучше пишет политики, разбирает нормативку, ищет уязвимости и собирает отчёты.
Для специалиста по информационной безопасности это звучит тревожно.
Предлагаем другой взгляд: ценность специалиста смещается от ручного выполнения задач к постановке, проверке и управлению работой ИИ.
🧠 Что уже можно отдавать ИИ
➡️ черновики политик и регламентов;
➡️ разбор требований регуляторов;
➡️ подготовку к аудиту;
➡️ моделирование угроз по заданной методике;
➡️ первичную оценку рисков;
➡️ подготовку аргументов для руководства.
Но есть важное условие: запрос «напиши политику безопасности» почти бесполезен.
Предлагаем задавать модели как минимум семь вещей: роль, контекст, ограничения, структуру, аудиторию, требования и критерии качества.
И после генерации обязательно включать второй этап — ИИ-критика, который ищет противоречия, непроверяемые требования и незакрытые риски.
🤯 Самый интересный навык — не технический
ИБ-специалисту всё чаще нужно уметь переводить безопасность на язык бизнеса.
Не «у нас риск ransomware», а: какие процессы остановятся, сколько будет стоить простой и почему защита дешевле возможного ущерба.
ИИ можно использовать как тренажёр: дать ему роль скептичного CEO или CFO и попросить разнести вашу презентацию перед настоящим совещанием.
🛠 Что попробовать уже сейчас
Возьмите одну повторяющуюся задачу — например, анализ нового требования ФСТЭК.
Дайте ИИ нормативный документ, внутренние правила и структуру результата. Попросите сначала подготовить анализ, а затем отдельным проходом раскритиковать собственный вывод.
Человек остаётся там, где нужны ответственность, контекст, критическое мышление и решение в условиях неопределённости.
Поэтому вопрос для специалиста по ИБ уже не только «заменит ли меня ИИ?».
Гораздо полезнее другой: сколько работы я всё ещё делаю вручную, хотя уже могу управлять её выполнением?
Подписывайтесь
ИИ всё лучше пишет политики, разбирает нормативку, ищет уязвимости и собирает отчёты.
Для специалиста по информационной безопасности это звучит тревожно.
Предлагаем другой взгляд: ценность специалиста смещается от ручного выполнения задач к постановке, проверке и управлению работой ИИ.
🧠 Что уже можно отдавать ИИ
➡️ черновики политик и регламентов;
➡️ разбор требований регуляторов;
➡️ подготовку к аудиту;
➡️ моделирование угроз по заданной методике;
➡️ первичную оценку рисков;
➡️ подготовку аргументов для руководства.
Но есть важное условие: запрос «напиши политику безопасности» почти бесполезен.
Предлагаем задавать модели как минимум семь вещей: роль, контекст, ограничения, структуру, аудиторию, требования и критерии качества.
И после генерации обязательно включать второй этап — ИИ-критика, который ищет противоречия, непроверяемые требования и незакрытые риски.
🤯 Самый интересный навык — не технический
ИБ-специалисту всё чаще нужно уметь переводить безопасность на язык бизнеса.
Не «у нас риск ransomware», а: какие процессы остановятся, сколько будет стоить простой и почему защита дешевле возможного ущерба.
ИИ можно использовать как тренажёр: дать ему роль скептичного CEO или CFO и попросить разнести вашу презентацию перед настоящим совещанием.
🛠 Что попробовать уже сейчас
Возьмите одну повторяющуюся задачу — например, анализ нового требования ФСТЭК.
Дайте ИИ нормативный документ, внутренние правила и структуру результата. Попросите сначала подготовить анализ, а затем отдельным проходом раскритиковать собственный вывод.
Человек остаётся там, где нужны ответственность, контекст, критическое мышление и решение в условиях неопределённости.
Поэтому вопрос для специалиста по ИБ уже не только «заменит ли меня ИИ?».
Гораздо полезнее другой: сколько работы я всё ещё делаю вручную, хотя уже могу управлять её выполнением?
Подписывайтесь
Практический урок для производства.
На НПЗ один и тот же насос ломался примерно каждые три месяца. Ремонтники меняли подшипники, оборудование возвращалось в работу — а затем история повторялась.
Команда Data Sapience решила смотреть не только на вибрацию, а на данные всех связанных датчиков. Модель начала замечать аномалию примерно за 60 дней до остановки насоса.
Но самое интересное оказалось не в прогнозе.
🧠 ИИ помог найти первопричину
Насос был окружён 21 датчиком. Анализ показал, что сильнее всего на отклонение влияли давления затворной жидкости и только затем — вибрация подшипника.
Вывод: проблема была не в подшипниках, а в уплотнениях насоса. Они теряли герметичность, менялось давление, росли вибрация и нагрев.
То есть месяцами ремонтировали симптом, а не причину.
📊 Что получилось по итогам пилота
По данным самой Data Sapience:
➡️ предупреждение — примерно за 60 дней;
➡️ подготовка к ремонту сократилась на 70%;
➡️ простой технологической установки удалось исключить;
➡️ обслуживание одного актива подешевело на 15–20%;
➡️ после пилота под мониторинг решили вывести более 50 единиц оборудования.
Важно: это корпоративный кейс разработчика платформы Industrial Ocean, а не независимое исследование.
🤯 Главный вывод — не про модель
Если система нашла аномалию, но никто не понимает, кто должен её проверить и какое действие запустить, прогноз бесполезен.
Поэтому выстроили цепочку: оператор видит сигнал → инженер подтверждает причину → при необходимости создаётся заказ-наряд → обратная связь возвращается в модель.
🛠
Не начинайте с вопроса: «Где нам поставить ИИ?»
Возьмите оборудование, где регулярно повторяется одна проблема, соберите историю ремонтов и данные соседних датчиков и спросите:
какой параметр меняется раньше симптома, который мы привыкли чинить?
Один из самых полезных сценариев промышленного ИИ — не просто предсказать поломку.
А показать, что вы всё это время ремонтировали не то.
Подписывайтесь
На НПЗ один и тот же насос ломался примерно каждые три месяца. Ремонтники меняли подшипники, оборудование возвращалось в работу — а затем история повторялась.
Команда Data Sapience решила смотреть не только на вибрацию, а на данные всех связанных датчиков. Модель начала замечать аномалию примерно за 60 дней до остановки насоса.
Но самое интересное оказалось не в прогнозе.
🧠 ИИ помог найти первопричину
Насос был окружён 21 датчиком. Анализ показал, что сильнее всего на отклонение влияли давления затворной жидкости и только затем — вибрация подшипника.
Вывод: проблема была не в подшипниках, а в уплотнениях насоса. Они теряли герметичность, менялось давление, росли вибрация и нагрев.
То есть месяцами ремонтировали симптом, а не причину.
📊 Что получилось по итогам пилота
По данным самой Data Sapience:
➡️ предупреждение — примерно за 60 дней;
➡️ подготовка к ремонту сократилась на 70%;
➡️ простой технологической установки удалось исключить;
➡️ обслуживание одного актива подешевело на 15–20%;
➡️ после пилота под мониторинг решили вывести более 50 единиц оборудования.
Важно: это корпоративный кейс разработчика платформы Industrial Ocean, а не независимое исследование.
🤯 Главный вывод — не про модель
Если система нашла аномалию, но никто не понимает, кто должен её проверить и какое действие запустить, прогноз бесполезен.
Поэтому выстроили цепочку: оператор видит сигнал → инженер подтверждает причину → при необходимости создаётся заказ-наряд → обратная связь возвращается в модель.
🛠
Не начинайте с вопроса: «Где нам поставить ИИ?»
Возьмите оборудование, где регулярно повторяется одна проблема, соберите историю ремонтов и данные соседних датчиков и спросите:
какой параметр меняется раньше симптома, который мы привыкли чинить?
Один из самых полезных сценариев промышленного ИИ — не просто предсказать поломку.
А показать, что вы всё это время ремонтировали не то.
Подписывайтесь
Google выпустила WeatherNext 3 — ИИ-прогноз погоды теперь идёт прямо в Search, Maps и Gemini
Погода — один из тех случаев, где ИИ перестаёт быть «чатом» и становится инфраструктурой.
Google DeepMind представила WeatherNext 3 — новую глобальную модель прогноза погоды.
Она получает свежие спутниковые данные, обновляет прогноз каждый час и строит глобальные прогнозы до 15 дней вперёд.
🌦 Что изменилось
WeatherNext 3 работает с разрешением до 5 км для части поверхностных показателей — против 25 км у предыдущей версии.
Модель использует данные геостационарных спутников практически в реальном времени, поэтому лучше видит быстро меняющиеся процессы: фронты, облачность, дождь и резкие изменения температуры.
По независимому Operational WeatherBench от Brightband новая модель уже показывает лучшую точность среди ряда ведущих AI- и традиционных систем прогнозирования.
📊 Самый заметный прогресс — осадки
Google заявляет улучшение качества прогноза осадков до 60% по одной из используемых метрик и наборов данных. А в продуктах Google долгосрочные прогнозы осадков должны стать до 50% точнее.
Но есть важное уточнение: цифра 99,9%, которую часто приводят рядом с WeatherNext, относится к WeatherNext 2 — он превосходил предыдущую версию на 99,9% оцениваемых переменных и горизонтов. Для WeatherNext 3 Google формулирует преимущество иначе.
🤯 Почему это важнее очередного рекорда
WeatherNext 3 уже начинает работать внутри Google Search, Gemini, Google Maps, Maps Platform и Cloud.
Человек может вообще не знать название модели. Он просто откроет карту или спросит Gemini, будет ли дождь — и получит результат AI-метеорологии.
Для бизнеса эффект шире: логистика, сельское хозяйство, авиация и энергетика получают более частые и локальные прогнозы.
😰 Но прогноз не становится гарантией
Атмосфера остаётся хаотической системой, а Google рекомендует для официальных предупреждений об опасной погоде ориентироваться на национальные метеослужбы.
Подписывайтесь
Погода — один из тех случаев, где ИИ перестаёт быть «чатом» и становится инфраструктурой.
Google DeepMind представила WeatherNext 3 — новую глобальную модель прогноза погоды.
Она получает свежие спутниковые данные, обновляет прогноз каждый час и строит глобальные прогнозы до 15 дней вперёд.
🌦 Что изменилось
WeatherNext 3 работает с разрешением до 5 км для части поверхностных показателей — против 25 км у предыдущей версии.
Модель использует данные геостационарных спутников практически в реальном времени, поэтому лучше видит быстро меняющиеся процессы: фронты, облачность, дождь и резкие изменения температуры.
По независимому Operational WeatherBench от Brightband новая модель уже показывает лучшую точность среди ряда ведущих AI- и традиционных систем прогнозирования.
📊 Самый заметный прогресс — осадки
Google заявляет улучшение качества прогноза осадков до 60% по одной из используемых метрик и наборов данных. А в продуктах Google долгосрочные прогнозы осадков должны стать до 50% точнее.
Но есть важное уточнение: цифра 99,9%, которую часто приводят рядом с WeatherNext, относится к WeatherNext 2 — он превосходил предыдущую версию на 99,9% оцениваемых переменных и горизонтов. Для WeatherNext 3 Google формулирует преимущество иначе.
🤯 Почему это важнее очередного рекорда
WeatherNext 3 уже начинает работать внутри Google Search, Gemini, Google Maps, Maps Platform и Cloud.
Человек может вообще не знать название модели. Он просто откроет карту или спросит Gemini, будет ли дождь — и получит результат AI-метеорологии.
Для бизнеса эффект шире: логистика, сельское хозяйство, авиация и энергетика получают более частые и локальные прогнозы.
😰 Но прогноз не становится гарантией
Атмосфера остаётся хаотической системой, а Google рекомендует для официальных предупреждений об опасной погоде ориентироваться на национальные метеослужбы.
Подписывайтесь
OpenAI выпустила GPT-6 Astra — первую модель Critical-уровня по кибербезопасности
OpenAI запустила GPT-6 Astra и называет её своей самой мощной и способной моделью на сегодня.
Но главная новость не в очередном росте бенчмарков.
Astra стала первой моделью OpenAI, которую компания официально отнесла к уровню Critical по кибервозможностям.
🧠 Что это значит?
По оценке самой OpenAI, при наличии нужных инструментов и доступов Astra способна:
➡️ находить ранее неизвестные уязвимости;
➡️ разрабатывать новые способы их эксплуатации;
➡️ работать с хорошо защищёнными системами;
➡️ выполнять многошаговые действия без человека, который направляет каждый шаг.
Именно поэтому перед релизом OpenAI усилила ограничения, мониторинг и изоляцию модели.
😰 Почему это важная граница
До сих пор ИИ в кибербезопасности чаще воспринимался как помощник: проанализировать код, подсказать подозрительное место, подготовить отчёт.
Astra приближает другую модель работы: специалист ставит цель, а ИИ сам проходит значительную часть цепочки.
Это резко увеличивает пользу для защитников — но одновременно повышает цену ошибки в правах доступа.
Если агент способен не только предложить действие, но и выполнить его, плохо настроенные разрешения превращаются из неудобства в риск.
🔐 Новая задача для бизнеса
При внедрении автономных ИИ уже недостаточно спросить: «Насколько модель умная?»
Нужно спрашивать:
➡️ к каким системам она имеет доступ;
➡️ какие действия может выполнять без подтверждения;
➡️ что считается необратимым действием;
➡️ кто видит полную историю её работы;
➡️ как быстро можно остановить агента.
TechCrunch сообщает, что Astra сначала становится доступна участникам киберпрограммы OpenAI Daybreak, а затем — пользователям платных планов и через API.
Подписывайтесь
OpenAI запустила GPT-6 Astra и называет её своей самой мощной и способной моделью на сегодня.
Но главная новость не в очередном росте бенчмарков.
Astra стала первой моделью OpenAI, которую компания официально отнесла к уровню Critical по кибервозможностям.
🧠 Что это значит?
По оценке самой OpenAI, при наличии нужных инструментов и доступов Astra способна:
➡️ находить ранее неизвестные уязвимости;
➡️ разрабатывать новые способы их эксплуатации;
➡️ работать с хорошо защищёнными системами;
➡️ выполнять многошаговые действия без человека, который направляет каждый шаг.
Именно поэтому перед релизом OpenAI усилила ограничения, мониторинг и изоляцию модели.
😰 Почему это важная граница
До сих пор ИИ в кибербезопасности чаще воспринимался как помощник: проанализировать код, подсказать подозрительное место, подготовить отчёт.
Astra приближает другую модель работы: специалист ставит цель, а ИИ сам проходит значительную часть цепочки.
Это резко увеличивает пользу для защитников — но одновременно повышает цену ошибки в правах доступа.
Если агент способен не только предложить действие, но и выполнить его, плохо настроенные разрешения превращаются из неудобства в риск.
🔐 Новая задача для бизнеса
При внедрении автономных ИИ уже недостаточно спросить: «Насколько модель умная?»
Нужно спрашивать:
➡️ к каким системам она имеет доступ;
➡️ какие действия может выполнять без подтверждения;
➡️ что считается необратимым действием;
➡️ кто видит полную историю её работы;
➡️ как быстро можно остановить агента.
TechCrunch сообщает, что Astra сначала становится доступна участникам киберпрограммы OpenAI Daybreak, а затем — пользователям платных планов и через API.
Подписывайтесь