95% корпоративных ИИ-пилотов не дают измеримого результата. Как не попасть в эту статистику
Компании потратили на генеративный ИИ сотни миллиардов долларов, но большинство проектов так и остаются красивыми пилотами.
В материале БКС приводится оценка MIT NANDA: около 95% GenAI-пилотов не дают измеримого эффекта на прибыль или производительность. По другим отраслевым оценкам, до устойчивого продакшена доходит менее 15% инициатив.
Проблема часто не в качестве самого ИИ. Бизнес неправильно выбирает, что автоматизировать.
В БКС используют жёсткую воронку: из примерно 100 ИИ-идей в работу проходят только 10–15. Остальные отсеиваются ещё до серьёзных затрат.
Проверка начинается с пяти вопросов.
1. Сколько рублей даст проект?
Не «ускорим работу», а конкретно: сколько часов, сотрудников или рублей экономим; насколько снижается стоимость одной операции; сколько дополнительной выручки получаем.
2. Сколько процесс стоит сейчас?
Нужна исходная точка. Если обработка документа сегодня стоит 500 ₽, а после внедрения — 200 ₽, эффект можно посчитать. Без baseline фраза «стало быстрее» почти ничего не означает.
3. Нужен ли здесь вообще ИИ?
Иногда процесс дешевле исправить регламентом, обычной автоматизацией или интеграцией двух систем. Добавлять нейросеть только потому, что это нейросеть, — дорогой способ усложнить задачу.
4. Сколько стоит ИИ целиком?
Считать нужно не только разработку: серверы + токены + интеграции + мониторинг + поддержка + обучение сотрудников. Именно здесь экономика красивого пилота часто начинает разваливаться.
5. Кто отвечает за деньги после запуска?
В БКС за бизнес-эффект ИИ-проектов отвечают отдельные AI Business Partners. Не просто «система запущена», а получена ли обещанная экономия или выручка.
У самого БКС уже есть работающие примеры: ИИ автоматизирует более 60% обращений в поддержку при CSAT выше 80%, используются агенты для продаж, обработки документов и банковского обслуживания.
А цель стратегии ИИ БКС на 2026–2027 годы сформулирована предельно конкретно: минус 30% операционных расходов.
Поэтому первый вопрос перед внедрением ИИ должен звучать не «какую модель возьмём?».
Покажите строку, где написано, сколько рублей мы на этом заработаем или сэкономим.
Подписывайтесь
Компании потратили на генеративный ИИ сотни миллиардов долларов, но большинство проектов так и остаются красивыми пилотами.
В материале БКС приводится оценка MIT NANDA: около 95% GenAI-пилотов не дают измеримого эффекта на прибыль или производительность. По другим отраслевым оценкам, до устойчивого продакшена доходит менее 15% инициатив.
Проблема часто не в качестве самого ИИ. Бизнес неправильно выбирает, что автоматизировать.
В БКС используют жёсткую воронку: из примерно 100 ИИ-идей в работу проходят только 10–15. Остальные отсеиваются ещё до серьёзных затрат.
Проверка начинается с пяти вопросов.
1. Сколько рублей даст проект?
Не «ускорим работу», а конкретно: сколько часов, сотрудников или рублей экономим; насколько снижается стоимость одной операции; сколько дополнительной выручки получаем.
2. Сколько процесс стоит сейчас?
Нужна исходная точка. Если обработка документа сегодня стоит 500 ₽, а после внедрения — 200 ₽, эффект можно посчитать. Без baseline фраза «стало быстрее» почти ничего не означает.
3. Нужен ли здесь вообще ИИ?
Иногда процесс дешевле исправить регламентом, обычной автоматизацией или интеграцией двух систем. Добавлять нейросеть только потому, что это нейросеть, — дорогой способ усложнить задачу.
4. Сколько стоит ИИ целиком?
Считать нужно не только разработку: серверы + токены + интеграции + мониторинг + поддержка + обучение сотрудников. Именно здесь экономика красивого пилота часто начинает разваливаться.
5. Кто отвечает за деньги после запуска?
В БКС за бизнес-эффект ИИ-проектов отвечают отдельные AI Business Partners. Не просто «система запущена», а получена ли обещанная экономия или выручка.
У самого БКС уже есть работающие примеры: ИИ автоматизирует более 60% обращений в поддержку при CSAT выше 80%, используются агенты для продаж, обработки документов и банковского обслуживания.
А цель стратегии ИИ БКС на 2026–2027 годы сформулирована предельно конкретно: минус 30% операционных расходов.
Поэтому первый вопрос перед внедрением ИИ должен звучать не «какую модель возьмём?».
Покажите строку, где написано, сколько рублей мы на этом заработаем или сэкономим.
Подписывайтесь
❤1
ИИ-агент больше не обязан жить в облаке. Его можно поселить внутри компании
Представьте ИИ-сотрудника, который видит документы и изображения, пишет код, пользуется инструментами — но корпоративные данные при этом не обязаны уходить во внешнее облако.
Именно к этому ведут модели вроде Muse Glimmer. Это открытая мультимодальная модель примерно на 30 млрд параметров: около 28 млрд приходится на языковую часть и 2 млрд — на зрение. Её можно развернуть на собственной инфраструктуре и превратить в локального агента.
Зачем это нужно? Вот пять сценариев.
1. Личный агент дома. Он работает с вашими файлами, фотографиями и заметками локально. Например: «Найди среди документов все расходы на ремонт за два года и собери таблицу». Вместо загрузки личного архива в десяток сервисов данные можно оставить у себя.
2. Закрытый помощник директора. Компания подключает агента к внутренним отчётам, регламентам и базе знаний. Утром руководитель спрашивает: «Что изменилось за неделю?» — и получает сводку по продажам, проблемам и документам. Главное — чувствительная информация может оставаться внутри корпоративного контура.
3. Агент по документам. Дайте ему договоры, счета, акты и техническую документацию. Он сможет искать расхождения, сравнивать версии, находить нужные пункты и собирать информацию из большого архива.
4. Программист внутри компании. Агент получает доступ к корпоративному репозиторию, изучает код, ищет ошибки, предлагает исправления и использует инструменты разработчика. На SWE-Bench Verified разработчики Muse Glimmer сообщают результат 76% — выше приведённого ими результата Gemma4-31B в 66,6%.
5. Агент, который видит. Здесь особенно интересна мультимодальность. Модель понимает изображения и видео, умеет находить объекты и вызывать внешние инструменты. Это открывает путь к агентам, которые смогут анализировать интерфейсы, фотографии оборудования, схемы или видеозаписи, а затем выполнять следующий шаг самостоятельно.
Есть ограничение: «локальный» пока не означает «запустил на любом ноутбуке». Для полной BF16-версии Hugging Face указывает GPU уровня H100 с 80 ГБ памяти. Квантованные версии снижают требования, но это всё ещё серьёзная модель.
И всё же направление важнее конкретного железа.
До сих пор мы привыкли арендовать интеллект у облачных сервисов. Теперь появляется другой вариант: купить железо, поставить ИИ внутрь компании и дать ему работать только с вашими данными.
Возможно, через несколько лет собственный ИИ-сотрудник будет такой же обычной частью IT-инфраструктуры компании, как сегодня корпоративный сервер.
Подписывайтесь
Представьте ИИ-сотрудника, который видит документы и изображения, пишет код, пользуется инструментами — но корпоративные данные при этом не обязаны уходить во внешнее облако.
Именно к этому ведут модели вроде Muse Glimmer. Это открытая мультимодальная модель примерно на 30 млрд параметров: около 28 млрд приходится на языковую часть и 2 млрд — на зрение. Её можно развернуть на собственной инфраструктуре и превратить в локального агента.
Зачем это нужно? Вот пять сценариев.
1. Личный агент дома. Он работает с вашими файлами, фотографиями и заметками локально. Например: «Найди среди документов все расходы на ремонт за два года и собери таблицу». Вместо загрузки личного архива в десяток сервисов данные можно оставить у себя.
2. Закрытый помощник директора. Компания подключает агента к внутренним отчётам, регламентам и базе знаний. Утром руководитель спрашивает: «Что изменилось за неделю?» — и получает сводку по продажам, проблемам и документам. Главное — чувствительная информация может оставаться внутри корпоративного контура.
3. Агент по документам. Дайте ему договоры, счета, акты и техническую документацию. Он сможет искать расхождения, сравнивать версии, находить нужные пункты и собирать информацию из большого архива.
4. Программист внутри компании. Агент получает доступ к корпоративному репозиторию, изучает код, ищет ошибки, предлагает исправления и использует инструменты разработчика. На SWE-Bench Verified разработчики Muse Glimmer сообщают результат 76% — выше приведённого ими результата Gemma4-31B в 66,6%.
5. Агент, который видит. Здесь особенно интересна мультимодальность. Модель понимает изображения и видео, умеет находить объекты и вызывать внешние инструменты. Это открывает путь к агентам, которые смогут анализировать интерфейсы, фотографии оборудования, схемы или видеозаписи, а затем выполнять следующий шаг самостоятельно.
Есть ограничение: «локальный» пока не означает «запустил на любом ноутбуке». Для полной BF16-версии Hugging Face указывает GPU уровня H100 с 80 ГБ памяти. Квантованные версии снижают требования, но это всё ещё серьёзная модель.
И всё же направление важнее конкретного железа.
До сих пор мы привыкли арендовать интеллект у облачных сервисов. Теперь появляется другой вариант: купить железо, поставить ИИ внутрь компании и дать ему работать только с вашими данными.
Возможно, через несколько лет собственный ИИ-сотрудник будет такой же обычной частью IT-инфраструктуры компании, как сегодня корпоративный сервер.
Подписывайтесь
Цукерберг хочет дать каждому персональный ИИ, который будет работать 24 часа в сутки
Не чат, который вы открываете несколько раз в день, а постоянный цифровой помощник: знает ваши дела, работает с файлами, видит изображения и сам использует нужные инструменты.
Meta (признана экстремистской организацией и запрещена в РФ) сделала шаг в эту сторону с Muse Glimmer — открытой мультимодальной моделью на 30 млрд параметров, специально рассчитанной на локальных ИИ-агентов.
Главное отличие — такого агента можно разместить на собственном компьютере или сервере. Он способен работать с личными данными локально, не отправляя каждую задачу во внешнее облако.
Что ему можно поручить?
Утро. Агент разбирает календарь, документы и задачи, собирает план дня и напоминает, что требует внимания.
Работа. Читает документы и изображения, ищет информацию, пишет код и вызывает внешние инструменты. На агентном тесте MCP Atlas Glimmer получила 75,5 балла против 54,2 у Gemma4-31B.
Компьютер. Модель умеет анализировать то, что видит на изображениях и экране. На OSWorld-Verified, где проверяется работа агента с компьютерными интерфейсами, результат — 65,9.
Программирование. Агент может изучать код, исправлять ошибки и работать с инструментами разработчика. На SWE-Bench Verified Glimmer набрала 76%.
Личные данные. Файлы, фотографии, документы и другие материалы можно обрабатывать внутри собственной инфраструктуры. Именно приватность Meta и Hugging Face называют одним из основных сценариев локального запуска.
Внутри Glimmer — 28 млрд параметров языковой модели и 2 млрд параметров системы компьютерного зрения. Она понимает текст, изображения и видео, умеет находить объекты и использовать инструменты на основании увиденного.
Но есть важная оговорка: «локально» пока не означает «на любом ноутбуке». Для полной BF16-версии Hugging Face указывает практический минимум одна H100 с 80 ГБ видеопамяти. Доступны и квантованные версии, которые снижают требования к железу.
Именно вокруг такого формата Meta строит концепцию персонального ИИ: помощника, который находится рядом постоянно, знает контекст пользователя и может не только отвечать, но и выполнять действия.
Не открыть ИИ, когда он понадобился. А иметь собственного ИИ, который постоянно работает рядом с вами.
Подписывайтесь
Не чат, который вы открываете несколько раз в день, а постоянный цифровой помощник: знает ваши дела, работает с файлами, видит изображения и сам использует нужные инструменты.
Meta (признана экстремистской организацией и запрещена в РФ) сделала шаг в эту сторону с Muse Glimmer — открытой мультимодальной моделью на 30 млрд параметров, специально рассчитанной на локальных ИИ-агентов.
Главное отличие — такого агента можно разместить на собственном компьютере или сервере. Он способен работать с личными данными локально, не отправляя каждую задачу во внешнее облако.
Что ему можно поручить?
Утро. Агент разбирает календарь, документы и задачи, собирает план дня и напоминает, что требует внимания.
Работа. Читает документы и изображения, ищет информацию, пишет код и вызывает внешние инструменты. На агентном тесте MCP Atlas Glimmer получила 75,5 балла против 54,2 у Gemma4-31B.
Компьютер. Модель умеет анализировать то, что видит на изображениях и экране. На OSWorld-Verified, где проверяется работа агента с компьютерными интерфейсами, результат — 65,9.
Программирование. Агент может изучать код, исправлять ошибки и работать с инструментами разработчика. На SWE-Bench Verified Glimmer набрала 76%.
Личные данные. Файлы, фотографии, документы и другие материалы можно обрабатывать внутри собственной инфраструктуры. Именно приватность Meta и Hugging Face называют одним из основных сценариев локального запуска.
Внутри Glimmer — 28 млрд параметров языковой модели и 2 млрд параметров системы компьютерного зрения. Она понимает текст, изображения и видео, умеет находить объекты и использовать инструменты на основании увиденного.
Но есть важная оговорка: «локально» пока не означает «на любом ноутбуке». Для полной BF16-версии Hugging Face указывает практический минимум одна H100 с 80 ГБ видеопамяти. Доступны и квантованные версии, которые снижают требования к железу.
Именно вокруг такого формата Meta строит концепцию персонального ИИ: помощника, который находится рядом постоянно, знает контекст пользователя и может не только отвечать, но и выполнять действия.
Не открыть ИИ, когда он понадобился. А иметь собственного ИИ, который постоянно работает рядом с вами.
Подписывайтесь
ИИ-оператор начал отвечать за 32 миллисекунды. Телефонные роботы становятся похожи на живых людей
Главная проблема голосовых ИИ хорошо слышна в первые секунды разговора: вы что-то сказали — и в трубке возникает пауза. NVIDIA пытается убрать её почти полностью.
Компания представила Magpie TTS Multilingual — открытую модель на 364 млн параметров, которая превращает ответы ИИ в речь и рассчитана на голосовых агентов.
Главные цифры — время до начала воспроизведения голоса:
— NVIDIA B200 — 32 мс;
— H100 — 47 мс;
— DGX Spark — 53 мс;
— A100 — 79 мс.
То есть система может начать произносить ответ почти сразу после того, как получила текст от языковой модели.
При 64 одновременных разговорах на B200 задержка до первого аудио составляет около 239 мс, а скорость генерации достигает примерно 320× реального времени.
Что это даёт на практике?
Колл-центр. Один сервер одновременно обслуживает десятки разговоров. Клиент задаёт вопрос, ИИ находит ответ, а Magpie сразу превращает его в естественную речь.
Отдел продаж. Агент обзванивает клиентов, задаёт вопросы, отвечает на возражения и продолжает разговор без длинных машинных пауз.
Запись клиентов. Голосовой агент может принять звонок, уточнить услугу, дату и время, проверить доступные слоты и подтвердить запись.
Техподдержка. Клиент описывает проблему голосом, агент получает данные из базы знаний и сразу проговаривает инструкцию. Диалог можно строить так, чтобы пользователь перебивал систему и уточнял вопрос, как в обычном разговоре.
Magpie поддерживает 12 языков. Модель можно запускать на собственной инфраструктуре и дополнительно адаптировать голос и произношение под конкретный продукт.
При этом сама Magpie — только «голос» системы. Для полноценного оператора дополнительно нужны распознавание речи, языковая модель, доступ к CRM или другим инструментам и логика управления разговором.
Но именно задержка долгое время выдавала телефонного робота сильнее всего.
Теперь технически возможна схема: клиент говорит → ИИ понимает запрос → формирует ответ → голос начинает звучать через десятки миллисекунд после получения текста.
Подписывайтесь
Главная проблема голосовых ИИ хорошо слышна в первые секунды разговора: вы что-то сказали — и в трубке возникает пауза. NVIDIA пытается убрать её почти полностью.
Компания представила Magpie TTS Multilingual — открытую модель на 364 млн параметров, которая превращает ответы ИИ в речь и рассчитана на голосовых агентов.
Главные цифры — время до начала воспроизведения голоса:
— NVIDIA B200 — 32 мс;
— H100 — 47 мс;
— DGX Spark — 53 мс;
— A100 — 79 мс.
То есть система может начать произносить ответ почти сразу после того, как получила текст от языковой модели.
При 64 одновременных разговорах на B200 задержка до первого аудио составляет около 239 мс, а скорость генерации достигает примерно 320× реального времени.
Что это даёт на практике?
Колл-центр. Один сервер одновременно обслуживает десятки разговоров. Клиент задаёт вопрос, ИИ находит ответ, а Magpie сразу превращает его в естественную речь.
Отдел продаж. Агент обзванивает клиентов, задаёт вопросы, отвечает на возражения и продолжает разговор без длинных машинных пауз.
Запись клиентов. Голосовой агент может принять звонок, уточнить услугу, дату и время, проверить доступные слоты и подтвердить запись.
Техподдержка. Клиент описывает проблему голосом, агент получает данные из базы знаний и сразу проговаривает инструкцию. Диалог можно строить так, чтобы пользователь перебивал систему и уточнял вопрос, как в обычном разговоре.
Magpie поддерживает 12 языков. Модель можно запускать на собственной инфраструктуре и дополнительно адаптировать голос и произношение под конкретный продукт.
При этом сама Magpie — только «голос» системы. Для полноценного оператора дополнительно нужны распознавание речи, языковая модель, доступ к CRM или другим инструментам и логика управления разговором.
Но именно задержка долгое время выдавала телефонного робота сильнее всего.
Теперь технически возможна схема: клиент говорит → ИИ понимает запрос → формирует ответ → голос начинает звучать через десятки миллисекунд после получения текста.
Подписывайтесь
OpenAI открывает доступ к мощным ИИ-моделям для киберзащиты
OpenAI запускает программу, которая даст проверенным специалистам по кибербезопасности доступ к передовым cyber-возможностям своих моделей.
Такие модели способны помогать с анализом кода, поиском уязвимостей, проверкой потенциальных проблем и автоматизацией работы специалистов по безопасности.
Доступ будет расширяться через систему доверенных пользователей: OpenAI хочет дать защитникам более мощные инструменты, одновременно ограничивая риск их использования для атак.
Фактически на рынок выходит новый класс продукта — ИИ-агент для кибербезопасности, который может работать рядом с командой специалистов и брать на себя значительную часть анализа.
Подписывайтесь
OpenAI запускает программу, которая даст проверенным специалистам по кибербезопасности доступ к передовым cyber-возможностям своих моделей.
Такие модели способны помогать с анализом кода, поиском уязвимостей, проверкой потенциальных проблем и автоматизацией работы специалистов по безопасности.
Доступ будет расширяться через систему доверенных пользователей: OpenAI хочет дать защитникам более мощные инструменты, одновременно ограничивая риск их использования для атак.
Фактически на рынок выходит новый класс продукта — ИИ-агент для кибербезопасности, который может работать рядом с командой специалистов и брать на себя значительную часть анализа.
Подписывайтесь
OpenAI вводит новый тариф ChatGPT Business Premium
В ChatGPT Business теперь будет два типа рабочих мест — Standard и Premium.
Standard
— $25 за сотрудника в месяц при помесячной оплате;
— $20 в месяц при оплате за год.
Premium
— $125 за сотрудника в месяц;
— $100 в месяц при оплате за год;
— в 5 раз больше доступного использования, чем у Standard;
— нет пятичасового лимита использования;
— лимиты обновляются еженедельно.
В одной компании можно одновременно использовать оба тарифа. Например, обычным сотрудникам оставить Standard за $20 в месяц, а разработчиков, аналитиков и других активных пользователей перевести на Premium за $100.
Если лимита Premium всё равно не хватает, компания может дополнительно покупать общие кредиты для рабочего пространства.
Для первых 10 000 подходящих клиентов OpenAI также предлагает по $100 кредитов за каждое Premium-место, максимум за пять мест — до $500.
В ChatGPT Business теперь будет два типа рабочих мест — Standard и Premium.
Standard
— $25 за сотрудника в месяц при помесячной оплате;
— $20 в месяц при оплате за год.
Premium
— $125 за сотрудника в месяц;
— $100 в месяц при оплате за год;
— в 5 раз больше доступного использования, чем у Standard;
— нет пятичасового лимита использования;
— лимиты обновляются еженедельно.
В одной компании можно одновременно использовать оба тарифа. Например, обычным сотрудникам оставить Standard за $20 в месяц, а разработчиков, аналитиков и других активных пользователей перевести на Premium за $100.
Если лимита Premium всё равно не хватает, компания может дополнительно покупать общие кредиты для рабочего пространства.
Для первых 10 000 подходящих клиентов OpenAI также предлагает по $100 кредитов за каждое Premium-место, максимум за пять мест — до $500.
Gemini перешагнул миллиард пользователей
Приложение Google Gemini преодолело отметку в 1 млрд активных пользователей в месяц. При этом 63% пользователей общаются с Gemini голосом, а генератор изображений сервиса создаёт уже более 150 млн изображений каждый день.
Подписывайтесь
Приложение Google Gemini преодолело отметку в 1 млрд активных пользователей в месяц. При этом 63% пользователей общаются с Gemini голосом, а генератор изображений сервиса создаёт уже более 150 млн изображений каждый день.
Подписывайтесь
Компании теперь смогут видеть, что сотрудники делают в Claude Code и Cowork
Anthropic расширила Compliance API на Claude Code и Claude Cowork.
Теперь компании смогут централизованно получать журналы работы сотрудников с ИИ: запросы и ответы Claude, вызовы инструментов, действия в web и через MCP, использование skills и artifacts, а также видеть, какой сотрудник выполнял действия, его email и время работы.
Функция доступна в beta для клиентов Claude Enterprise.
Подписывайтесь
Anthropic расширила Compliance API на Claude Code и Claude Cowork.
Теперь компании смогут централизованно получать журналы работы сотрудников с ИИ: запросы и ответы Claude, вызовы инструментов, действия в web и через MCP, использование skills и artifacts, а также видеть, какой сотрудник выполнял действия, его email и время работы.
Функция доступна в beta для клиентов Claude Enterprise.
Подписывайтесь
Как за 10 минут подготовиться к встрече с клиентом с помощью ИИ
Перед встречей не тратьте час на сайт клиента, старую переписку и заметки.
Загрузите в ChatGPT всё, что уже есть: ссылку на сайт компании, переписку, прошлые договорённости, описание вашего продукта и коммерческое предложение.
Затем дайте один запрос:
> Подготовь меня к встрече с клиентом. Коротко опиши компанию и что мы уже обсуждали. Найди 3 задачи клиента, которые может решить наш продукт. Составь 5 вопросов, которые нужно задать на встрече, и 5 возможных возражений с ответами на них. В конце сделай карточку на одну страницу: клиент → потребность → наше предложение → вопросы → возражения → желаемый результат встречи. Используй только предоставленные данные и не придумывай факты.
На выходе — готовая шпаргалка менеджера перед звонком или встречей, вместо десятка вкладок и повторного чтения всей переписки.
Подписывайтесь
Перед встречей не тратьте час на сайт клиента, старую переписку и заметки.
Загрузите в ChatGPT всё, что уже есть: ссылку на сайт компании, переписку, прошлые договорённости, описание вашего продукта и коммерческое предложение.
Затем дайте один запрос:
> Подготовь меня к встрече с клиентом. Коротко опиши компанию и что мы уже обсуждали. Найди 3 задачи клиента, которые может решить наш продукт. Составь 5 вопросов, которые нужно задать на встрече, и 5 возможных возражений с ответами на них. В конце сделай карточку на одну страницу: клиент → потребность → наше предложение → вопросы → возражения → желаемый результат встречи. Используй только предоставленные данные и не придумывай факты.
На выходе — готовая шпаргалка менеджера перед звонком или встречей, вместо десятка вкладок и повторного чтения всей переписки.
Подписывайтесь
Стартапу всего два месяца — инвесторы уже дали ему $1,1 млрд на персонального ИИ
River AI, основанный сооснователем xAI Игорем Бабушкиным, всего через два месяца после запуска привлёк $1,1 млрд. Раунд возглавили General Catalyst и AMP PBC, среди инвесторов также Nvidia, AMD Ventures, Y Combinator и Temasek.
River AI собирается создать персонального ИИ-агента, который постоянно обучается конкретному человеку, запоминает его предпочтения и действует в его интересах. Компания планирует разрабатывать для этого весь стек: модели, систему обучения, программное обеспечение и собственное оборудование.
Подписывайтесь
River AI, основанный сооснователем xAI Игорем Бабушкиным, всего через два месяца после запуска привлёк $1,1 млрд. Раунд возглавили General Catalyst и AMP PBC, среди инвесторов также Nvidia, AMD Ventures, Y Combinator и Temasek.
River AI собирается создать персонального ИИ-агента, который постоянно обучается конкретному человеку, запоминает его предпочтения и действует в его интересах. Компания планирует разрабатывать для этого весь стек: модели, систему обучения, программное обеспечение и собственное оборудование.
Подписывайтесь
ИИ теперь помещается в коробочку размером с банковскую карту — и ему не нужен интернет
Google показала, как Gemma 4 работает локально на Raspberry Pi 5: модель может видеть, распознавать речь, отвечать и управлять устройствами без постоянного подключения к облаку.
Это позволяет создавать автономные устройства, где данные остаются внутри:
домашнего робота, который слышит и видит происходящее;
умную камеру, анализирующую видео на месте;
голосовой переводчик, работающий без интернета;
автомобильного помощника, понимающего команды водителя; и
ИИ для промышленного оборудования, который анализирует показания камер и датчиков прямо на производстве.
В демонстрации Google модель использовала около 1,43 ГБ памяти и генерировала примерно 9 токенов в секунду.
Подписывайтесь
Google показала, как Gemma 4 работает локально на Raspberry Pi 5: модель может видеть, распознавать речь, отвечать и управлять устройствами без постоянного подключения к облаку.
Это позволяет создавать автономные устройства, где данные остаются внутри:
домашнего робота, который слышит и видит происходящее;
умную камеру, анализирующую видео на месте;
голосовой переводчик, работающий без интернета;
автомобильного помощника, понимающего команды водителя; и
ИИ для промышленного оборудования, который анализирует показания камер и датчиков прямо на производстве.
В демонстрации Google модель использовала около 1,43 ГБ памяти и генерировала примерно 9 токенов в секунду.
Подписывайтесь
Математики больше 150 лет не могут доказать гипотезу Римана. Новый Claude сдвинул одну из её границ с 41,6% до 67,2%
В 1859 году математик Бернхард Риман сформулировал гипотезу, которую не удалось доказать до сих пор. Теперь за неё взялась ещё не выпущенная исследовательская версия Claude — и получила новый результат на пути к решению задачи.
Что такое гипотеза Римана? Она связана с простыми числами — 2, 3, 5, 7, 11 и далее. Простые числа выглядят разбросанными почти хаотично, но гипотеза утверждает определённую закономерность в нулях дзета-функции Римана, которая тесно связана с распределением этих чисел.
Доказательство считается настолько важным, что Clay Mathematics Institute включил гипотезу Римана в семь «задач тысячелетия». За решение каждой назначена премия $1 млн. (Clay Mathematics Institute)
Что сделал Claude? Саму гипотезу ИИ не доказал. Но математики десятилетиями работают с более узким результатом: какую минимальную долю нетривиальных нулей дзета-функции уже можно гарантированно разместить на так называемой критической линии.
До эксперимента Anthropic эта нижняя граница составляла около 41,6%. Исследовательская версия Claude предложила подход, увеличивающий её до 67,2% — сразу на 25,6 процентного пункта.
Это важно не путать с фразой «гипотеза решена на 67,2%». Даже такой результат не является доказательством всей гипотезы.
По данным Anthropic, модель координировала 60 ИИ-субагентов, перебирала сотни идей, изучала математическую литературу, критиковала собственные варианты доказательства и формализовала результат для машинной проверки.
Теперь ключевой этап — независимая проверка математиками. Если результат подтвердится, интересен будет уже не только новый рекорд в теории чисел, но и сам способ его получения: ИИ получил открытую научную задачу и смог найти результат, которого не было в исходном условии.
Подписывайтесь
В 1859 году математик Бернхард Риман сформулировал гипотезу, которую не удалось доказать до сих пор. Теперь за неё взялась ещё не выпущенная исследовательская версия Claude — и получила новый результат на пути к решению задачи.
Что такое гипотеза Римана? Она связана с простыми числами — 2, 3, 5, 7, 11 и далее. Простые числа выглядят разбросанными почти хаотично, но гипотеза утверждает определённую закономерность в нулях дзета-функции Римана, которая тесно связана с распределением этих чисел.
Доказательство считается настолько важным, что Clay Mathematics Institute включил гипотезу Римана в семь «задач тысячелетия». За решение каждой назначена премия $1 млн. (Clay Mathematics Institute)
Что сделал Claude? Саму гипотезу ИИ не доказал. Но математики десятилетиями работают с более узким результатом: какую минимальную долю нетривиальных нулей дзета-функции уже можно гарантированно разместить на так называемой критической линии.
До эксперимента Anthropic эта нижняя граница составляла около 41,6%. Исследовательская версия Claude предложила подход, увеличивающий её до 67,2% — сразу на 25,6 процентного пункта.
Это важно не путать с фразой «гипотеза решена на 67,2%». Даже такой результат не является доказательством всей гипотезы.
По данным Anthropic, модель координировала 60 ИИ-субагентов, перебирала сотни идей, изучала математическую литературу, критиковала собственные варианты доказательства и формализовала результат для машинной проверки.
Теперь ключевой этап — независимая проверка математиками. Если результат подтвердится, интересен будет уже не только новый рекорд в теории чисел, но и сам способ его получения: ИИ получил открытую научную задачу и смог найти результат, которого не было в исходном условии.
Подписывайтесь
❤1
Врач не может звонить пациенту каждый день. Теперь это делает ИИ-агент
В России около 70 тысяч детей живут с ревматическими заболеваниями. Им нужен постоянный контроль терапии, но профильный врач может находиться за сотни километров.
Ассоциация детских ревматологов вместе с Yandex Cloud добавила ИИ-агента в систему дистанционного мониторинга «Ювенильный артрит».
Сейчас в системе около 1500 пациентов и 32 врача. На одного специалиста приходится от 10 до 100 детей. Раньше общение фактически шло через обычный чат: ребёнок или родители писали врачу, а тот отвечал в свободное от основной работы время.
Теперь схема другая.
Родители передают данные. В приложение загружают результаты анализов, фотографии суставов и кожи, информацию о симптомах, приёме препаратов и пропущенных дозах. Раз в неделю пациент заполняет расширенный опросник.
ИИ разбирает всё автоматически. Агент превращает сообщения в структурированные данные и сверяет их с базой из 5070 фрагментов, собранных из 48 медицинских документов.
Опасные случаи выделяются сразу. Например, система реагирует на снижение лейкоцитов ниже 4,0, нейтрофилов ниже 1,0, тромбоцитов ниже 100, признаки инфекции, рост АЛТ/АСТ, обмороки, судороги и другие красные флаги.
При этом решение о риске принимает не языковая модель, а заранее заданные медицинские правила. ИИ готовит информацию, а окончательное решение остаётся за врачом.
Система также следит за эффективностью лечения. Через 3 месяца после начала терапии ожидается примерно 50% улучшение, через полгода — ремиссия. Если динамики нет, агент обращает на это внимание врача.
Первые тесты дали конкретный результат: по словам руководителя НИИ детской ревматологии Екатерины Алексеевой, время подготовки ответа сократилось в несколько раз, а количество вопросов, которые врач способен решить уже при первом обращении пациента, выросло на 40%.
При этом разработчики пока не заявляют, что ИИ улучшает медицинские исходы: следующий этап — пилот на 5–10 семьях, а затем полноценное исследование.
Здесь ИИ не заменяет врача. Он делает то, на что врачу физически не хватает времени: постоянно собирает данные, сортирует их и первым замечает, кому сейчас действительно нужно внимание специалиста.
Подписывайтесь
В России около 70 тысяч детей живут с ревматическими заболеваниями. Им нужен постоянный контроль терапии, но профильный врач может находиться за сотни километров.
Ассоциация детских ревматологов вместе с Yandex Cloud добавила ИИ-агента в систему дистанционного мониторинга «Ювенильный артрит».
Сейчас в системе около 1500 пациентов и 32 врача. На одного специалиста приходится от 10 до 100 детей. Раньше общение фактически шло через обычный чат: ребёнок или родители писали врачу, а тот отвечал в свободное от основной работы время.
Теперь схема другая.
Родители передают данные. В приложение загружают результаты анализов, фотографии суставов и кожи, информацию о симптомах, приёме препаратов и пропущенных дозах. Раз в неделю пациент заполняет расширенный опросник.
ИИ разбирает всё автоматически. Агент превращает сообщения в структурированные данные и сверяет их с базой из 5070 фрагментов, собранных из 48 медицинских документов.
Опасные случаи выделяются сразу. Например, система реагирует на снижение лейкоцитов ниже 4,0, нейтрофилов ниже 1,0, тромбоцитов ниже 100, признаки инфекции, рост АЛТ/АСТ, обмороки, судороги и другие красные флаги.
При этом решение о риске принимает не языковая модель, а заранее заданные медицинские правила. ИИ готовит информацию, а окончательное решение остаётся за врачом.
Система также следит за эффективностью лечения. Через 3 месяца после начала терапии ожидается примерно 50% улучшение, через полгода — ремиссия. Если динамики нет, агент обращает на это внимание врача.
Первые тесты дали конкретный результат: по словам руководителя НИИ детской ревматологии Екатерины Алексеевой, время подготовки ответа сократилось в несколько раз, а количество вопросов, которые врач способен решить уже при первом обращении пациента, выросло на 40%.
При этом разработчики пока не заявляют, что ИИ улучшает медицинские исходы: следующий этап — пилот на 5–10 семьях, а затем полноценное исследование.
Здесь ИИ не заменяет врача. Он делает то, на что врачу физически не хватает времени: постоянно собирает данные, сортирует их и первым замечает, кому сейчас действительно нужно внимание специалиста.
Подписывайтесь
Anthropic запустила десятки ИИ-агентов вместе. Они начали сотрудничать, сговариваться и даже воевать друг с другом
Что произойдёт, если дать десяткам автономных ИИ общую среду и позволить им взаимодействовать без постоянного контроля человека? Anthropic провела серию экспериментов — и получила сразу несколько вариантов будущего.
45 агентов искали уязвимости. Каждый получил собственную виртуальную машину и общий форум для общения. Рой Claude Mythos Preview нашёл 266 уязвимостей, потратив 27 млн токенов. Независимые агенты без такой координации нашли 21 за 6,5 млн токенов. Сравнение не прямое: рою разрешили искать шире, но агенты действительно начали специализироваться и создавать собственные инструменты.
До 80 агентов одновременно писали одну игру. Здесь проявилась обратная сторона. Старые модели создавали сотни конфликтующих изменений и плохо объединяли работу. Более новые научились разделять зоны ответственности, а Sonnet 5 лучше справлялся с совместным редактированием общего кода.
ИИ-продавцы начали договариваться о ценах. Anthropic поместила от 3 до 8 агентов в симуляцию рынка. Каждый должен был максимизировать собственную прибыль. Когда агентам дали закрытый канал связи, уже к третьему раунду они договорились о минимальных ценах. Когда прямое общение убрали, признаки сговора всё равно сохранились: агенты подстраивали цены друг под друга через публичные объявления.
Самый показательный эксперимент начался с простой ошибки постановки задачи.
Трём ИИ дали один сервер и три несовместимые цели: одному приказали переписать backend на Rust, второму — на Go, третьему — на TypeScript. Сначала агенты не знали друг о друге.
Обнаружив чужие изменения, они решили, что им намеренно мешают. Началась настоящая цифровая «война за территорию»: агенты блокировали аккаунты конкурентов, останавливали их процессы и защищали собственный код.
Новые модели чаще понимали, что перед ними не враг, а другой агент с противоречащей инструкцией. В 98% запусков Mythos 5 конфликт в итоге завершался перемирием.
Главный результат эксперимента Anthropic: просто сделать каждого отдельного агента умнее недостаточно. Когда автономных ИИ становится много, появляется новая задача — научить их жить и работать друг с другом.
И это может понадобиться быстрее, чем кажется: Anthropic допускает, что взаимодействий ИИ с ИИ однажды станет больше, чем взаимодействий людей между собой.
Подписывайтесь
Что произойдёт, если дать десяткам автономных ИИ общую среду и позволить им взаимодействовать без постоянного контроля человека? Anthropic провела серию экспериментов — и получила сразу несколько вариантов будущего.
45 агентов искали уязвимости. Каждый получил собственную виртуальную машину и общий форум для общения. Рой Claude Mythos Preview нашёл 266 уязвимостей, потратив 27 млн токенов. Независимые агенты без такой координации нашли 21 за 6,5 млн токенов. Сравнение не прямое: рою разрешили искать шире, но агенты действительно начали специализироваться и создавать собственные инструменты.
До 80 агентов одновременно писали одну игру. Здесь проявилась обратная сторона. Старые модели создавали сотни конфликтующих изменений и плохо объединяли работу. Более новые научились разделять зоны ответственности, а Sonnet 5 лучше справлялся с совместным редактированием общего кода.
ИИ-продавцы начали договариваться о ценах. Anthropic поместила от 3 до 8 агентов в симуляцию рынка. Каждый должен был максимизировать собственную прибыль. Когда агентам дали закрытый канал связи, уже к третьему раунду они договорились о минимальных ценах. Когда прямое общение убрали, признаки сговора всё равно сохранились: агенты подстраивали цены друг под друга через публичные объявления.
Самый показательный эксперимент начался с простой ошибки постановки задачи.
Трём ИИ дали один сервер и три несовместимые цели: одному приказали переписать backend на Rust, второму — на Go, третьему — на TypeScript. Сначала агенты не знали друг о друге.
Обнаружив чужие изменения, они решили, что им намеренно мешают. Началась настоящая цифровая «война за территорию»: агенты блокировали аккаунты конкурентов, останавливали их процессы и защищали собственный код.
Новые модели чаще понимали, что перед ними не враг, а другой агент с противоречащей инструкцией. В 98% запусков Mythos 5 конфликт в итоге завершался перемирием.
Главный результат эксперимента Anthropic: просто сделать каждого отдельного агента умнее недостаточно. Когда автономных ИИ становится много, появляется новая задача — научить их жить и работать друг с другом.
И это может понадобиться быстрее, чем кажется: Anthropic допускает, что взаимодействий ИИ с ИИ однажды станет больше, чем взаимодействий людей между собой.
Подписывайтесь
Claude начал оставлять скрытую подпись в своих ответах. И некоторые пользователи уже недовольны
Anthropic добавила в Claude Code систему скрытой атрибуции: при некоторых действиях через Claude Code в создаваемые коммиты может автоматически добавляться строка Co-Authored-By: Claude. Это позволяет увидеть, что в работе участвовал ИИ.
Изменение вызвало недовольство части пользователей. Причина вполне практическая: некоторые использовали Claude для выполнения рабочих или учебных задач, не сообщая работодателю, преподавателю или коллегам, насколько большую часть работы сделал ИИ. Теперь такая автоматическая отметка может это раскрыть.
Важно: речь не о невидимом водяном знаке во всех текстах Claude. Нововведение касается прежде всего атрибуции работы Claude Code через метаданные и служебные отметки — обычный текст из чата нельзя просто вставить в детектор и гарантированно определить, что его написал Claude.
Anthropic добавила в Claude Code систему скрытой атрибуции: при некоторых действиях через Claude Code в создаваемые коммиты может автоматически добавляться строка Co-Authored-By: Claude. Это позволяет увидеть, что в работе участвовал ИИ.
Изменение вызвало недовольство части пользователей. Причина вполне практическая: некоторые использовали Claude для выполнения рабочих или учебных задач, не сообщая работодателю, преподавателю или коллегам, насколько большую часть работы сделал ИИ. Теперь такая автоматическая отметка может это раскрыть.
Важно: речь не о невидимом водяном знаке во всех текстах Claude. Нововведение касается прежде всего атрибуции работы Claude Code через метаданные и служебные отметки — обычный текст из чата нельзя просто вставить в детектор и гарантированно определить, что его написал Claude.
❤1
ИИ позволяет джуниору писать как сеньор. Проблема начинается, когда код ломается
Джуниор садится вечером за компьютер, открывает Cursor или Claude и через пару недель получает MVP, который самостоятельно писал бы полгода или даже год. Приложение работает. Архитектура выглядит прилично. Но затем появляется баг — и выясняется, что часть собственного проекта разработчик не понимает.
Это уже реальная ситуация. В материале ISPsystem начинающий разработчик рассказывает, что с помощью Cursor за несколько недель собрал MVP игры с поиском пути, боями, диалогами, квестами и другими системами. Некоторые классы, написанные ИИ, он сам понимает не полностью и отдельно просит другую нейросеть объяснить их логику.
ИИ действительно резко ускоряет разработку. По приведённым в материале данным GitHub, разработчики с ИИ собирали MVP почти на 56% быстрее. Но скорость написания кода и качество работы программиста — не одно и то же.
Ситуация №1: нужно сделать задачу сегодня. Джуниор описывает её ИИ и получает сотни строк готового кода. Раньше на поиск документации и написание ушёл бы день. Теперь — час.
Ситуация №2: код ломается через две недели. Быстрое решение оказалось связано с другими модулями. Теперь нужно не генерировать дальше, а понять архитектуру, зависимости и причину ошибки. Именно здесь преимущество опытного разработчика возвращается.
Ситуация №3: приходит code review. Сеньор за несколько минут видит костыль, который джуниор вместе с ИИ не заметили. В исходном материале разработчик с опытом более 20 лет оценивает риск так: джуниор может создать решение, которое через две недели заблокирует следующую задачу и потребует переделки.
Есть и неприятный парадокс. В исследовании METR опытные разработчики с ИИ выполняли задачи в среднем на 19% медленнее, хотя сами считали, что работают примерно на 20% быстрее. Значительная часть времени уходила на чтение и исправление сгенерированного кода.
Получается новая модель профессии. Ценность программиста всё меньше определяется тем, сколько строк он способен написать за день. И всё больше — тем, способен ли он посмотреть на тысячи строк, написанных ИИ, и ответить на три вопроса: почему это работает, где это сломается и можно ли выпускать это в прод.
ИИ может дать джуниору скорость сеньора. Но опыт сеньора он пока не выдаёт вместе с кодом.
Подписывайтесь
Джуниор садится вечером за компьютер, открывает Cursor или Claude и через пару недель получает MVP, который самостоятельно писал бы полгода или даже год. Приложение работает. Архитектура выглядит прилично. Но затем появляется баг — и выясняется, что часть собственного проекта разработчик не понимает.
Это уже реальная ситуация. В материале ISPsystem начинающий разработчик рассказывает, что с помощью Cursor за несколько недель собрал MVP игры с поиском пути, боями, диалогами, квестами и другими системами. Некоторые классы, написанные ИИ, он сам понимает не полностью и отдельно просит другую нейросеть объяснить их логику.
ИИ действительно резко ускоряет разработку. По приведённым в материале данным GitHub, разработчики с ИИ собирали MVP почти на 56% быстрее. Но скорость написания кода и качество работы программиста — не одно и то же.
Ситуация №1: нужно сделать задачу сегодня. Джуниор описывает её ИИ и получает сотни строк готового кода. Раньше на поиск документации и написание ушёл бы день. Теперь — час.
Ситуация №2: код ломается через две недели. Быстрое решение оказалось связано с другими модулями. Теперь нужно не генерировать дальше, а понять архитектуру, зависимости и причину ошибки. Именно здесь преимущество опытного разработчика возвращается.
Ситуация №3: приходит code review. Сеньор за несколько минут видит костыль, который джуниор вместе с ИИ не заметили. В исходном материале разработчик с опытом более 20 лет оценивает риск так: джуниор может создать решение, которое через две недели заблокирует следующую задачу и потребует переделки.
Есть и неприятный парадокс. В исследовании METR опытные разработчики с ИИ выполняли задачи в среднем на 19% медленнее, хотя сами считали, что работают примерно на 20% быстрее. Значительная часть времени уходила на чтение и исправление сгенерированного кода.
Получается новая модель профессии. Ценность программиста всё меньше определяется тем, сколько строк он способен написать за день. И всё больше — тем, способен ли он посмотреть на тысячи строк, написанных ИИ, и ответить на три вопроса: почему это работает, где это сломается и можно ли выпускать это в прод.
ИИ может дать джуниору скорость сеньора. Но опыт сеньора он пока не выдаёт вместе с кодом.
Подписывайтесь
Как за 15 минут превратить таблицу в отчёт для руководителя с помощью ИИ
У вас есть Excel с продажами за два месяца. Руководителю не нужна сама таблица — ему нужно понять: что изменилось, почему и где требуется внимание. Эту черновую аналитическую работу теперь можно отдать ИИ.
OpenAI показывает похожий сценарий для data science-команд: на вход ChatGPT Work получает выгрузки, дашборды, определения показателей, заметки и бизнес-контекст, а на выходе собирает первый вариант анализа с графиками, оговорками, источниками и вопросами для проверки.
Попробовать можно и без команды аналитиков.
Шаг 1. Загрузите данные. Например, Excel с продажами по месяцам, филиалам, менеджерам и товарам. Если есть план или показатели прошлого года — добавьте их тоже.
Шаг 2. Поставьте конкретную задачу. Не «проанализируй таблицу», а:
> Сравни июль и август. Найди изменения больше 10%. Покажи, какие филиалы, товары и менеджеры дали основной рост или падение. Не придумывай причины, которых нет в данных.
Шаг 3. Попросите проверить аномалии. Пусть ИИ отдельно найдёт резкие скачки, пропуски, дубли, необычные значения и показатели, которые противоречат общей динамике.
Шаг 4. Попросите перевести анализ на язык руководителя.
> Подготовь отчёт на одну страницу. Сначала 5 главных изменений с цифрами. Затем 3 зоны, требующие внимания. Для каждого вывода укажи, на каких данных он основан. Отдели факты от предположений.
Вместо десятков строк получится, например: «Продажи снизились на 8%. 72% падения приходится на два филиала. В филиале №3 продажи товара X упали на 31%, хотя остальные товары снизились только на 4–6%. Причина из имеющихся данных не определяется — требуется проверка».
Вот это уже материал, который можно отправлять руководителю после проверки цифр.
Главное правило — не просить ИИ принять решение за вас. Его сильная сторона здесь в другом: быстро пройти тысячи строк, найти изменения, собрать доказательства и превратить таблицу в короткий управленческий отчёт.
Подписывайтесь
У вас есть Excel с продажами за два месяца. Руководителю не нужна сама таблица — ему нужно понять: что изменилось, почему и где требуется внимание. Эту черновую аналитическую работу теперь можно отдать ИИ.
OpenAI показывает похожий сценарий для data science-команд: на вход ChatGPT Work получает выгрузки, дашборды, определения показателей, заметки и бизнес-контекст, а на выходе собирает первый вариант анализа с графиками, оговорками, источниками и вопросами для проверки.
Попробовать можно и без команды аналитиков.
Шаг 1. Загрузите данные. Например, Excel с продажами по месяцам, филиалам, менеджерам и товарам. Если есть план или показатели прошлого года — добавьте их тоже.
Шаг 2. Поставьте конкретную задачу. Не «проанализируй таблицу», а:
> Сравни июль и август. Найди изменения больше 10%. Покажи, какие филиалы, товары и менеджеры дали основной рост или падение. Не придумывай причины, которых нет в данных.
Шаг 3. Попросите проверить аномалии. Пусть ИИ отдельно найдёт резкие скачки, пропуски, дубли, необычные значения и показатели, которые противоречат общей динамике.
Шаг 4. Попросите перевести анализ на язык руководителя.
> Подготовь отчёт на одну страницу. Сначала 5 главных изменений с цифрами. Затем 3 зоны, требующие внимания. Для каждого вывода укажи, на каких данных он основан. Отдели факты от предположений.
Вместо десятков строк получится, например: «Продажи снизились на 8%. 72% падения приходится на два филиала. В филиале №3 продажи товара X упали на 31%, хотя остальные товары снизились только на 4–6%. Причина из имеющихся данных не определяется — требуется проверка».
Вот это уже материал, который можно отправлять руководителю после проверки цифр.
Главное правило — не просить ИИ принять решение за вас. Его сильная сторона здесь в другом: быстро пройти тысячи строк, найти изменения, собрать доказательства и превратить таблицу в короткий управленческий отчёт.
Подписывайтесь
Google всё чаще ограничивает доступ к Gemini для пользователей из России.
Теперь сервис может определять страну не только по IP-адресу, но и по другим признакам: часовому поясу, GPS и настройкам аккаунта пользователя.
Важно: это не проблема VPN. Даже при работающем подключении доступ может быть ограничен, и обойти такую проверку нельзя.
Похожим образом ранее начали блокировать аккаунты Claude.
Теперь сервис может определять страну не только по IP-адресу, но и по другим признакам: часовому поясу, GPS и настройкам аккаунта пользователя.
Важно: это не проблема VPN. Даже при работающем подключении доступ может быть ограничен, и обойти такую проверку нельзя.
Похожим образом ранее начали блокировать аккаунты Claude.
Готовы ли мы дать персональному ИИ доступ практически ко всей своей цифровой жизни?
Чтобы персональный ИИ действительно стал персональным, ему недостаточно знать ваше имя и несколько последних запросов.
Ему нужен календарь. Переписка. Документы. Фотографии. Контакты. История покупок. Рабочие файлы. Местоположение. Привычки. Он должен понимать, с кем вы общаетесь, куда собираетесь, над чем работаете и что собирались сделать завтра.
Именно такое будущее описывает Марк Цукерберг: персональный ИИ, который знает ваши цели, помогает общаться, организует информацию и сопровождает человека в течение дня.
Звучит удобно. Но здесь появляется новый вопрос: кому именно мы отдаём всю эту информацию?
Когда ИИ отвечает на отдельный вопрос, риск ограничен конкретным диалогом. Персональный агент устроен иначе. Чем больше он знает о человеке, тем полезнее становится. Получается почти прямая зависимость: больше данных → лучше помощник.
И одновременно — больше последствий, если эти данные используются не так, как ожидал пользователь.
Особенно показательно, что концепцию активно продвигает Meta (признана экстремистской организацией и запрещена в РФ). TechCrunch напоминает о многолетних спорах вокруг приватности, рекламной модели и использования пользовательских данных компанией.
Но проблема намного шире одной Meta.
Если персональные агенты действительно станут следующим интерфейсом интернета, нам придётся выбирать уже не просто между ChatGPT, Claude, Gemini или другой моделью по качеству ответов.
Мы будем выбирать компанию, которой разрешим читать нашу почту, видеть документы, помнить разговоры, знать расписание и действовать от нашего имени.
Возможно, главным конкурентным преимуществом следующего поколения ИИ окажется не интеллект.
А доверие.
Подписывайтесь
Чтобы персональный ИИ действительно стал персональным, ему недостаточно знать ваше имя и несколько последних запросов.
Ему нужен календарь. Переписка. Документы. Фотографии. Контакты. История покупок. Рабочие файлы. Местоположение. Привычки. Он должен понимать, с кем вы общаетесь, куда собираетесь, над чем работаете и что собирались сделать завтра.
Именно такое будущее описывает Марк Цукерберг: персональный ИИ, который знает ваши цели, помогает общаться, организует информацию и сопровождает человека в течение дня.
Звучит удобно. Но здесь появляется новый вопрос: кому именно мы отдаём всю эту информацию?
Когда ИИ отвечает на отдельный вопрос, риск ограничен конкретным диалогом. Персональный агент устроен иначе. Чем больше он знает о человеке, тем полезнее становится. Получается почти прямая зависимость: больше данных → лучше помощник.
И одновременно — больше последствий, если эти данные используются не так, как ожидал пользователь.
Особенно показательно, что концепцию активно продвигает Meta (признана экстремистской организацией и запрещена в РФ). TechCrunch напоминает о многолетних спорах вокруг приватности, рекламной модели и использования пользовательских данных компанией.
Но проблема намного шире одной Meta.
Если персональные агенты действительно станут следующим интерфейсом интернета, нам придётся выбирать уже не просто между ChatGPT, Claude, Gemini или другой моделью по качеству ответов.
Мы будем выбирать компанию, которой разрешим читать нашу почту, видеть документы, помнить разговоры, знать расписание и действовать от нашего имени.
Возможно, главным конкурентным преимуществом следующего поколения ИИ окажется не интеллект.
А доверие.
Подписывайтесь
ИИ-компании обещают нам лекарства, рост производительности и новую экономику. А люди пока видят другое
ИИ должен помочь создавать лекарства, ускорять научные открытия, повышать производительность и делать человека способнее. Именно такое будущее последние годы продаёт технологическая индустрия.
Но у общества перед глазами другая картина: увольнения, огромные дата-центры, сбор персональных данных, дипфейки и всё больше вычислительной мощности в руках нескольких корпораций.
И глава Anthropic Дарио Амодеи признаёт проблему: негативная реакция на ИИ, по его мнению, — это прежде всего кризис доверия.
Люди сомневаются не только в самой технологии. Они сомневаются в компаниях, которые её создают, в государстве, которое должно устанавливать правила, и в том, кому в итоге достанется основная выгода от новой технологической революции.
Амодеи признаёт и ещё одну неудобную вещь: сама архитектура современной ИИ-индустрии способствует концентрации власти. Для создания самых мощных моделей нужны огромные вычислительные ресурсы, чипы, энергия и миллиарды долларов — всё это доступно ограниченному числу игроков.
Поэтому обещания уже работают хуже.
Можно сколько угодно рассказывать, что ИИ однажды ускорит создание лекарств и решит проблемы, которые человечество не могло решить десятилетиями. Но доверие появится только тогда, когда люди увидят результат не в презентации.
Смысл позиции Амодеи можно свести к одной жёсткой формуле:
Хотите убедить людей, что ИИ изменит мир к лучшему? Перестаньте обещать вылечить рак.
Вылечите его.
Подписывайтесь
ИИ должен помочь создавать лекарства, ускорять научные открытия, повышать производительность и делать человека способнее. Именно такое будущее последние годы продаёт технологическая индустрия.
Но у общества перед глазами другая картина: увольнения, огромные дата-центры, сбор персональных данных, дипфейки и всё больше вычислительной мощности в руках нескольких корпораций.
И глава Anthropic Дарио Амодеи признаёт проблему: негативная реакция на ИИ, по его мнению, — это прежде всего кризис доверия.
Люди сомневаются не только в самой технологии. Они сомневаются в компаниях, которые её создают, в государстве, которое должно устанавливать правила, и в том, кому в итоге достанется основная выгода от новой технологической революции.
Амодеи признаёт и ещё одну неудобную вещь: сама архитектура современной ИИ-индустрии способствует концентрации власти. Для создания самых мощных моделей нужны огромные вычислительные ресурсы, чипы, энергия и миллиарды долларов — всё это доступно ограниченному числу игроков.
Поэтому обещания уже работают хуже.
Можно сколько угодно рассказывать, что ИИ однажды ускорит создание лекарств и решит проблемы, которые человечество не могло решить десятилетиями. Но доверие появится только тогда, когда люди увидят результат не в презентации.
Смысл позиции Амодеи можно свести к одной жёсткой формуле:
Хотите убедить людей, что ИИ изменит мир к лучшему? Перестаньте обещать вылечить рак.
Вылечите его.
Подписывайтесь
ПРАКТИКА: как получить доступ к мощным ИИ-моделям через API бесплатно
Если вы хотите протестировать ИИ-агента, бота или автоматизацию, необязательно сразу оплачивать API.
Автор Habr проверил шесть AI-роутеров — несколько вариантов действительно дают бесплатный доступ.
AgentRouter — после регистрации автор получил $125 стартовых кредитов. Доступны Claude Opus 4.8, Claude Opus 5 и GPT-5.6 Sol. Для регистрации через GitHub, по опыту автора, может потребоваться достаточно старый аккаунт.
NaraRouter — до 7 млн токенов бесплатно каждый день, лимит 10 запросов в минуту. Среди бесплатно доступных в тесте моделей — Mistral Large и Mistral Medium.
OrcaRouter — без карты и стартового баланса, зато бесплатно доступны несколько моделей DeepSeek и Qwen.
FreeRouter — бесплатный Qwen 3.8 Max с лимитом 100 запросов в минуту. Но в тесте автора доступность сервиса составила 86,7%, поэтому возможны сбои.
Схема простая: регистрируетесь → получаете API-ключ → подключаете его к своему приложению или агенту → тестируете без первоначальных расходов на токены.
Для конфиденциальных корпоративных данных сторонние бесплатные шлюзы лучше не использовать без отдельной проверки условий хранения и обработки информации. Бесплатные тарифы и лимиты также могут меняться.
Подписывайтесь
Если вы хотите протестировать ИИ-агента, бота или автоматизацию, необязательно сразу оплачивать API.
Автор Habr проверил шесть AI-роутеров — несколько вариантов действительно дают бесплатный доступ.
AgentRouter — после регистрации автор получил $125 стартовых кредитов. Доступны Claude Opus 4.8, Claude Opus 5 и GPT-5.6 Sol. Для регистрации через GitHub, по опыту автора, может потребоваться достаточно старый аккаунт.
NaraRouter — до 7 млн токенов бесплатно каждый день, лимит 10 запросов в минуту. Среди бесплатно доступных в тесте моделей — Mistral Large и Mistral Medium.
OrcaRouter — без карты и стартового баланса, зато бесплатно доступны несколько моделей DeepSeek и Qwen.
FreeRouter — бесплатный Qwen 3.8 Max с лимитом 100 запросов в минуту. Но в тесте автора доступность сервиса составила 86,7%, поэтому возможны сбои.
Схема простая: регистрируетесь → получаете API-ключ → подключаете его к своему приложению или агенту → тестируете без первоначальных расходов на токены.
Для конфиденциальных корпоративных данных сторонние бесплатные шлюзы лучше не использовать без отдельной проверки условий хранения и обработки информации. Бесплатные тарифы и лимиты также могут меняться.
Подписывайтесь
👍1