Как ИИ научился пользоваться компьютером и почему интернет к этому не готов — лучшие статьи ноября 2025

Под новый год подготовил сразу два обзора ИИ-исследований. Давайте сначала разберем первый: “неожиданно” выяснилось, что интернет и интерфейсы проектировались для людей, а не для автономных агентов. Но мы видим первые системные попытки научить ИИ действовать в общей информационной среде вместе с людьми.


1. Будущее программирования — мультимодальное: как JanusCoder научился видеть интерфейс, который сам создает

ИИ пишет код для интерфейсов, но не сверяется с полученным результатом. JanusCoder объединил текст и изображение в один пайплайн: ИИ запускает код, видит получившийся интерфейс в виде картинки и сравнивает ее с ожидаемым результатом. Теперь разработка интерфейсов – это цикл мультимодальной самопроверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


2. От пикселей к смыслу: как SVG помогает ИИ понимать мир

ИИ “понимает” пиксельные изображения. Но пиксели не позволяют глубоко понять смысл картинки. Если перевести изображения в SVG-формат, то они становятся более читаемой структурой для ИИ-агентов, позволяя им лучше рассуждать с помощью картинок.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. Почему мышление через видео может быть следующим шагом в развитии ИИ

ИИ научился рассуждать с помощью картинок. Но что насчет видео? Теперь ИИ умеет строить гипотезы, проверять их действиями и корректировать их прямо в видеопотоке, решая более сложные пространственные и логические задачи.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. Как обучить ИИ работать за компьютером

Разработчики использовали реальные интерфейсы и жестко связали язык с элементами интерфейса. Даже малые модели начинают точно попадать в кнопки. Поэтому связь слов с интерфейсом решает больше размера модели.

🔍 Обзор статьи | 📜 Полная статья


5. Как универсальный ИИ-агент учится жить в открытом мире

Агент Lumine использует мышь и клавиатуру, а рассуждает только при необходимости. Он часами выполняет цели в открытых игровых мирах и переносит навыки без дообучения — так ИИ научился выживать в полной неопределенности.

🔍 Обзор статьи | 📜 Полная статья


6. Как ИИ-ученый пишет научные статьи о машинном обучении на уровне джуна

Младший научный ИИ-сотрудник действительно улучшает статьи, проверяет код и эксперименты. Качество итогового результата растет, но старший научный сотрудник-человек все равно остается необходим.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


7. Как ИИ-агенты научились рефакторить код: что получается хорошо, а что не очень

Агенты берут на себя чистку кода: переименования файлов и разбиение методов. Но архитектуру они не трогают — и это нормально. Поэтому ею должны заниматься люди, а чистку кода уже можно отдать машинам.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты живут в «Станции» и делают научные открытия

Агенты для исследований живут в специальной среде с памятью, историей и свободой выбора. Так рождаются новые прорывные идеи, а среда для агентов значит даже больше, чем архитектура мультиагентной системы.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


9. Как писать README-файлы для ИИ-агентов

README-файлы теперь пишут и для агентов: что можно менять в коде, а что нельзя. Это новый слой управления ИИ-агентами и относиться к нему нужно как к коду, иначе автономность обгонит контроль.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


10. Как сделать интернет удобным для ИИ-агентов

Давайте вместо того, чтобы агенты угадывали пиксели на экране, зададим им явные описания действий и состояний интерфейса. Тогда агенты смогут работать в интернете более надежно. Это первый системный шаг к общему интернету для людей и ИИ.

🔍 Обзор статьи | 📜 Полная статья


В прошлом месяце ИИ научился видеть интерфейсы и достигать целей в неопределенной среде. Среда – главный барьер для агентов. Следующий шаг: переустройство интерфейсов и интернета как общей информационной среды для людей и агентов.

👉 Подробный обзор

#исследования

Как ИИ сдал экзамен по финансовому анализу и победил в математической олимпиаде — лучшие статьи декабря 2025

В декабре 2025 года ИИ-агенты вышли на новый уровень: они прошли экзамен для профессиональных финансовых аналитиков, взяли золото математической олимпиады, научились собирать рабочие репозитории по научным статьям и находить уязвимости в реальных инфраструктурах. В декабрьском обзоре:

1. Когда команда ИИ-агентов помогает, а когда делает только хуже

И один в поле воин. Не всегда команда агентов работает лучше. Эффект появляется лишь в задачах, которые можно декомпозировать и проверить, а в линейных сценариях агенты могут мешать друг другу.

🔍 Обзор статьи | 📜 Полная статья


2. DeepCode: как ИИ научился собирать репозиторий по статье

DeepCode умеет сжимать научную статью в план, хранить репозиторий как систему контрактов и постоянно проверять себя запуском кода. Теперь к каждой статье можно легко собрать код для проверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. ИИ-агент против людей-безопасников: кто кого в реальном пентесте?

Агент ARTEMIS научился искать уязвимости в живой инфраструктуре на уровне профессиональных пентестеров-людей, но стабильнее, быстрее и дешевле.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. DataFlow: PyTorch для дата инженеров в эпоху LLM

Качество агентов начинается с качества данных. А подготовка данных для обучения моделей — это сложный, итеративный процесс. Фреймворк DataFlow предлагает удобный модульный пайплайн для комплексной работы с данными.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


5. Как измерить SGI «общий научный интеллект» у LLM

Ученые определили SGI как способность системы решать сложные исследовательские задачи. Так ИИ-модели хорошо справляются с отдельными исследовательскими шагами, но плохо собирают целостное исследование. Есть куда расти, но теперь уже по понятным критериям.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


6. Когда цифр недостаточно: язык как скрытый сигнал в экономических ИИ-моделях

Теперь новости и посты в соцсетях встраиваются в экономические модели как полноценный фактор. Это делает ИИ более устойчивым к кризисам и ближе к реальным экономическим процессам.

🔍 Обзор статьи | 📜 Полная статья


7. Когда тесты молчат: как ИИ-агент чинит баги

Фреймворк InfCode делает тесты активной частью разработки: агенты усиливают проверки, чинят код и отбирают лучшие решения.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты решают задачи международной олимпиады по математике

За счет формирования лемм, их хранения и повторного использования проверенных лемм, ИИ завоевывает золото китайской олимпиады и серебро на международной.

🔍 Обзор статьи | 📜 Полная статья


9. Сможет ли ИИ пройти сложный экзамен по финансовому анализу?

Рассуждающие модели прошли CFA на уровне лучших финансистов. Основные ошибки — в этике и интерпретации. Поэтому людей ИИ полностью не заменит в финансовых задачах.

🔍 Обзор статьи | 📜 Полная статья


10. Почему простые задачи оказались для ИИ самыми сложными

AI Consumer Index показывает, что даже лучшие ИИ-модели справляются с покупкой товаров лишь в половине случаев, часто галлюцинируя. Надежность и, как следствие, полезность персональных ассистентов — следующий критический рубеж.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


Размер моделей перестал быть определяющим фактором успеха для ИИ. Агенты уже конкурируют с людьми благодаря правильной “инженерии мышления”.

Надеюсь, в новом году мы увидим значительный прогресс во внедрении ИИ в бизнес с заметными экономическими эффектами: ведь у нас уже есть все детали конструктора. Осталось научиться собирать из них такие ИИ-системы, которые можно встраивать глубоко в бизнес-процессы.

Желаю всем в это захватывающее время сохранять огонь в глазах, отдать ИИ все самое скучное и заниматься тем, что действительно приносит удовольствие от жизни. С Новым годом!

👉 Подробный обзор

#исследования

Чего ждать от ИИ в 2026 году?

Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.

На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.

Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами:

• как меняются методы обучения моделей;

• как строить работающие мультиагентные системы;

• как ИИ воплощается в физическом мире в виде роботов и других устройств;

• как ИИ влияет на программирование и науку;

• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.

Если вам важно не просто пользоваться ИИ и внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.

А какие из этих направлений вы считаете самыми перспективными в 2026 году?

#анонс

Когнитивный анализ HR-процесса: как превратить человеческое мышление в ИИ-агента

При анализе бизнес-процессов я стараюсь не полагаться на рассказы исполнителей о том, как у них все работает, и на озвученные ими метрики. Как говорил доктор Хаус: «Все лгут» (чаще всего — неосознанно). Поэтому я начинаю с данных. Для этого используется process mining.

Мы берем события из HR-системы: уникальный идентификатор кандидата, смену этапов (activity) и временные метки. На их основе восстанавливаем реальный процесс AS-IS и смотрим, как кандидаты действительно движутся по воронке. Это можно сделать, например, с помощью PM4Py.

Под капотом PM4Py использует алгоритм Inductive Miner. Он анализирует последовательности событий по каждому кандидату, находит устойчивые паттерны (последовательности, выборы, параллельные шаги и циклы) и рекурсивно собирает из них корректную модель процесса.

После process mining начинается гэмба. Я беру одну конкретную вакансию и смотрю, как рекрутер работает на практике: от поиска кандидатов до интервью и выдачи фидбэка. Здесь важно сопоставить данные из логов с реальными действиями.
И только после этого начинается когнитивный анализ.

Типичная проблема компаний — знания, которые существуют только в головах людей и никак не оцифрованы. Например, решения рекрутера опираются на понимание мышления кандидатов, их мотивации и ситуации на рынке. Формально этого нигде нет, но именно это определяет качество найма.

Эти знания нельзя извлечь из логов, поэтому я рекомендую когнитивные интервью из CTA (Cognitive Task Analysis). Это метод декомпозиции мышления человека на элементарные шаги. На каждом этапе мы уточняем у рекрутера: что он сделал, почему именно так и какие были альтернативы.

Например:

— Какие признаки в резюме вы сразу интерпретируете как риск?
— Если человек каждые полгода меняет работу — это сразу ред флаг. Даже если стек подходит. Обычно это говорит о проблемах с ответственностью или доведением задач до конца.

Особенно хорошо работают вопросы про ошибки новичков и сложные кейсы — именно там проявляется реальная экспертиза. Полезно также «мыслить вслух», когда человек анализирует резюме и проговаривает ход своих рассуждений.

После этого мы строим когнитивные карты — они отражают последовательность мыслей и точки принятия решений. Так я записал интервью с рекрутером, попросил ИИ описать мыслительный процесс в виде Mermaid-кода и визуализировал его тут в виде диаграммы. В итоге получился наглядный майндмэп мышления профессионального рекрутера.

Далее поверх AS-IS формируется TO-BE: какие шаги берет на себя агент, а где требуется человек (например, на технических интервью). Отсюда следуют требования, архитектура и дальнейшая разработка агента с соответствующими цепочками размышлений. Если эксперт опирается на дополнительные знания, нужно определить их источники и выстроить RAG-систему.

В результате роль рекрутера сводится к постановке правильных вопросов. Например, при поиске ИИ-инженера агент-рекрутер задает вопрос про ответственность:

«Представьте, что предложенная вами RAG-архитектура дает формально корректные, но опасные для бизнеса ответы. Как вы поймете, что проблема может быть в архитектуре, и какие шаги предпримете?»

Один кандидат ответил, что проблема скорее в данных или модели и что он бы дообучал модель, не меняя архитектуру. ИИ дал фидбэк: кандидат может быть технически сильным, но он сдвигает границу ответственности.

Другой кандидат сказал, что сначала проверил бы retrieval, зафиксировал проблему, если она есть и предложил изменения в архитектуре. ИИ дал фидбэк: кандидат берет ответственность за систему целиком, поэтому такому инженеру можно доверить сложную архитектуру.

Таким образом, мы получили формализованное мышление, встроенное в ИИ-агента.

Когнитивный анализ решает ключевую проблему бизнеса — оцифровку знаний в головах людей и сценариев их применения. Он дополняет классический бизнес-анализ процессов тем, что извлекает экспертность.

Именно это делает возможным создание по-настоящему умных ИИ-агентов, а не просто автоматизированных процессов.

#кейсы

Топ-5 инсайтов из отчета Microsoft о том, как ИИ реально используется в мире

Microsoft попытались впервые измерить, сколько людей по всему миру используют ИИ. Их отчет AI Diffusion Report 2025 основан на обезличенных данных о реальном использовании ИИ-сервисов.

Выяснилось, что 16,3% людей в мире уже используют ИИ. При этом интернетом пользуются около 74%, а значит, примерно 22% всех интернет-пользователей применяют ИИ в работе, учебе или повседневных задачах. Это означает, что ИИ уже на пути к массовой адаптации, но неравномерно распределен.

В 7 из 30 стран мирового топ-30 почти каждый второй использует ИИ: Норвегия — 46,4%, Ирландия — 44,6%, Франция — 44,0%. В этих странах ИИ ускоряет обучение граждан, растет производительность труда, ИИ интегрируется в школы, бизнес и государственные институты. Более того, 18 из 30 стран топ-30 уже перешли порог 30%, что говорит о формировании новой нормы использования ИИ.

Но разрыв между странами продолжает расти. В среднем топ-30 стран живут в совершенно другой реальности: 35,6% пользователей против 16,3% в мире, то есть более чем в 2,2 раза выше. За вторую половину 2025 года «глобальный Север» вырос с 22,9% до 24,7%, тогда как «глобальный Юг» — с 13,1% до 14,1%. Разрыв увеличился с 9,8% до 10,6%. Это показывает, что мир адаптируется к ИИ с разной скоростью. Если темпы сохранятся, разрыв будет увеличиваться примерно на 0,8% каждые полгода.

Особенно показателен пример США. Несмотря на лидерство в ИИ-технологиях, доля пользователей там составляет лишь 28,3%, и страна опустилась с 23-го на 24-е место в мировом рейтинге. Это означает, что технологическое лидерство не гарантирует массовую адаптацию технологии. Для этого нужна отдельная стратегия внедрения ИИ. Кто выстроит ее лучше, обгонит даже США.

Абсолютным лидером остаются ОАЭ. На конец 2025 года 64% трудоспособных граждан уже используют ИИ — почти в четыре раза выше мирового уровня. Это результат многолетней стратегии: ранние государственные внедрения, обучение, понятное регулирование и высокий уровень доверия людей. Сингапур следует за ними с 60,9%. Так что лучший путь к массовой адаптации — сделать ИИ частью государственных сервисов.

Согласно отчету Microsoft, в России ИИ используют около 8% людей, что примерно вдвое ниже среднемирового уровня в 16,3%. При этом в отчете отдельно отмечается популярность DeepSeek, так что можно предположить, что реальный процент использования частично обходится официальной статистикой Microsoft из-за open-source решений.

В Африке использование DeepSeek оценивается в 2–4 раза выше, чем в других регионах. Это показывает, насколько важен open source, чтобы разрыв в адаптации не увеличивался и технологии распределялись более равномерно. Поэтому, как я уже не раз говорил, децентрализованное обучение, синтетические данные и новые подходы к обучению — вот рецепт для стран «глобального Юга».

В новой экономике выигрывают не те страны, у кого самые мощные модели, а те, кто научился быстро и массово учить людей работать с ИИ и снижать барьеры входа. Именно такие страны будут расти быстрее — независимо от того, где они находятся на карте.

#новости

Как устроены ИИ-агенты, которые завели свою соцсеть и придумали свою религию

Сегодня все говорят об агенте OpenClaw, который за несколько недель прошел путь от очередного open-source-проекта до эталона того, как выглядит персональный ИИ в 2026 году.

Сначала разработчики называли агента Clawdbot, потом Moltbot, а затем переименовали в OpenClaw. OpenClaw общается через привычные мессенджеры, использует Claude, GPT, Gemini или локальные модели.

OpenClaw — это локальный шлюз, который соединяет модели с файлами, процессами, браузером и внешними сервисами.

По текстовому запросу он умеет создавать файлы, выполнять скрипты и управлять браузером. По сути, это полноценный оператор ОС.

Агент хранит память, исполняет действия, запускает другие инструменты и пишет код для расширения собственных возможностей.

Это, конечно, не AGI, но удачная реализация механизма постановки и удержания целей, заметно улучшающая работу агента.

Теперь пользователи делятся не промптами, а навыками агентов — повторяемыми, переносимыми и автоматизируемыми блоками.

Разумеется, есть вопросы к безопасности. OpenClaw имеет определенные права доступа. Поэтому пользователи покупают отдельные Mac mini под каждого OpenClaw-агента, чтобы у каждого агента был свой «дом».

Агенты начали взаимодействовать не только с человеком, но и друг с другом. Так появилась соцсеть Moltbook, в которой агенты общаются без участия людей.

Агенты даже придумали религию Crustafarianism. По сути, это устойчивый смысловой паттерн, возникающий, когда один агент генерирует контент, а другой его потребляет.

Это не баг и не восстание машин, а фича такой системы. Без внешнего наблюдателя и человеческого контекста такие паттерны не корректируются, а стабилизируются.

Отдельно стоит проговорить как OpenClaw вообще устроен изнутри. Если копнуть архитектуру, выясняется, что OpenClaw — это TypeScript-CLI-приложение, которое работает локально или в облаке и поднимает gateway-сервер — сердце всей системы.

Именно там задачи выполняются последовательно, а параллелизм разрешен только для явно безопасных операций.

Собственно «мышление» начинается в Agent Runner. Здесь выбирается модель, а системный промпт собирается динамически с доступными инструментами, навыками, памятью и контекстом диалога.

OpenClaw реально исполняет задачи локально, добавляет результат обратно в контекст и запускает следующий шаг. Этот цикл продолжается до финального ответа или достижения лимита ходов.

Память устроена просто: краткосрочная находится в jsonl-файлах, а долгосрочная — в markdown. Поиск работает гибридно: семантика через векторы и поиск по ключевым словам.

Старые диалоги суммируются в markdown. Никакого «умного» взвешивания и автоматического забывания. Не изящно, но прозрачно и легко дебажится.

Безопасность обеспечивается списком разрешенных команд. Опасные паттерны блокируются до исполнения. Философия простая: максимум автономии в рамках явно заданных границ.

Браузерная автоматизация сделана нетривиально. Вместо скриншотов используется семантический слепок страницы, поэтому агент взаимодействует не с пикселями, а с логической структурой страницы. Это экономит токены и повышает надежность автоматизации.

Если все это собрать вместе, становится понятно, что OpenClaw — достаточно несложный сервис, который дает моделям реальные «ручки» для взаимодействия с компьютером.

Так мы столкнулись не с ИИ как инструментом, а с ИИ как участником среды.

Поэтому важный вопрос сегодня — как эта среда спроектирована, с кем агент взаимодействует и какие у него границы дозволенного.

#новости

Приглашаю вас на Open Talks AI 2026

На конференции я буду рассказывать про ИИ-суперагента — как на практике построить самоорганизующуюся агентную систему, которая умеет решать сложные задачи.


Поговорим про архитектуру под капотом:

• почему агенты с цепочками рассуждений не справляются со сложными задачами;

• что такое когнитивное ядро и зачем агенту явные намерения и контрольный цикл;

• как иерархическое планирование через граф навыков делает поведение агентов более предсказуемым — что критично для бизнес-процессов;

• как мы боремся с галлюцинациями и ложными результатами через циклы проверки с симулированными критиками;

• память как масштабируемая система: GraphRAG и agentic retrieval;

• как через MCP безопасно и просто подключать реальные бизнес-инструменты.

Будет разбор того, как работает ИИ-суперагент на реальной задаче. Это доклад для тех, кто делает агентов для продакшена и хочет, чтобы они были предсказуемыми, управляемыми и надежными.


На конференции также выступают:

• Татьяна Шаврина — руководитель исследований в команде Llama;

• Александр Крайнов — директор по ИИ в Яндекс;

• Илья Макаров, PhD — руководитель группы ИИ в промышленности AIRI, ведущий исследователь в Институте системного програмирования РАН;

• Сергей Шумский, PhD — нейроинформатик в Физическом институте им. П.Н. Лебедева РАН;

• Константин Анохин — нейробиолог, профессор, академик РАН, директор Института перспективных исследований мозга МГУ;

• Также выступят коллеги из DeepMind, Microsoft, Университета Карнеги-Меллона, Высшей школы экономики, МФТИ, AI Talent Hub, ИТМО, Сколтеха, Sber AI Lab и других организаций.


Как видите, ожидаются жаркие дискуссии на стыке ИИ, мозга и бизнеса — будет интересно.

Для всех подписчиков канала действует

скидка 20% по промокоду DATAIST

— спасибо организатору конференции Игорю Пивоварову.

Увидимся в Белграде, Сербия, 19–20 февраля!

В онлайне тоже можно посмотреть.

👉 Зарегистрироваться

#анонсы

Как за неделю собрать стартап и выйти на первых пользователей

Недавно мы провели недельный интенсив совместно с AI Talent Hub в роли организатора, а я помогал с методологией AI-First-разработки и провел серию вебинаров — в том числе о выходе на первых пользователей и поиске product–market fit.

Я рассчитывал увидеть рабочие прототипы, но в итоге несколько из 20 команд меньше чем за неделю прошли весь путь — от создания продукта до получения предложения о пилоте. Разбираемся, как это возможно.

Про сам пайплайн для генерации идей в венчурной студии я подробно писал в отдельном посте. Здесь коротко: это последовательность шагов — от анализа рынка и симуляции пользовательского интервью до определения и приоритизации гипотез.

ИИ снижает когнитивные искажения и делает процесс воспроизводимым. Главное — качественное исследование рынка на входе.

Cам n8n-пайплайн выложил отдельно, можете изучать и дорабатывать. Предварительно поместите свой OPENAI_KEY в json.

1. Сначала анализируем, где уже есть подтвержденный спрос. ИИ собирает позиционирование конкурентов, цены, отзывы, каналы привлечения, формулировки проблем. Так формируется карта спроса.

2. Если сегмент размыт, продукт делается «для всех», а значит — ни для кого. Поэтому мы делаем реверс-инжиниринг ценностного предложения и прогнозируем потенциальные клиентские сегменты, которым оно может быть релевантно.

3. Далее выбираем один сегмент и разворачиваем его в детальный портрет клиента по 10+ направлениям: как принимаются решения, какой бюджет, какие триггеры и страхи.

4. Следующий шаг — симуляция интервью с потенциальным портретом ЦА. Боли фиксируются дословно. После серии симуляций результаты валидируются на реальных клиентах.

5. Мы строим карту болей и оцениваем их приоритет. Формулируем работы, ради которых человек «нанимает» продукт (JTBD). Именно здесь становится ясно, за что клиент действительно готов платить.

6. Ценность связывается с конкретной болью и измеримым результатом. Формируются гипотезы с метриками проверки. С помощью RICE приоритизируем их — что тестировать первым.

На выходе — неограниченное количество проверяемых гипотез, которые можно быстро упаковать в лендинг или презентацию и протестировать на живой аудитории еще до полноценной разработки. Это резко снижает стоимость ошибки.

Важно помнить: более 90% идей не взлетают. Поэтому задача — выстроить систему, позволяющую проверять гипотезы системно. Стартап — это инженерный процесс адаптации к рынку через итерации.

После подтверждения гипотез начинается агентная разработка: спецификации, архитектура, тесты — и только затем генерация кода.

Как проверять MVP? Ключевой критерий — формируется ли привычка. Не разовая покупка, а повторяемое поведение. Именно привычка создает основу для дальнейшего product–market fit.

Когда появляется регулярное использование, становится понятна юнит-экономика и появляется возможность масштабирования через устойчивые каналы привлечения.


Отмечу три интересных проекта из интенсива.

I. «Ниточка» — ИИ-помощник для родителей школьников, фактически «инструкция к ребенку, которую не выдали при рождении». Ассистент анализирует учебные данные и формирует персональный образовательный маршрут. До разработки команда провела 8 интервью, получила первые оплаты и повторные покупки. MVP собрали за три дня.

II. «Просвет» — голосовой ИИ для эмоциональной осознанности. Пользователь записывает одну минуту мыслей в день, система анализирует текст и тональность, выявляет паттерны настроения и выдает инсайты. Команда валидировала проблему и вышла на первых пользователей.

III. «Рекрутер в Zoom» (видео) — ИИ-копилот для интервью. Подключается к звонку, структурирует ответы кандидата в реальном времени, подсвечивает ред-флаги и помогает формировать выводы. Рабочее демо собрано за три дня. Одна крупная компания прямо во время презентации предложила пилот.

Путь, который раньше занимал месяцы, сегодня можно пройти за неделю, если относиться к этому как к инженерной задаче.

Если вам интересно пройти такой путь — новые интенсивы анонсируем позже.

#кейсы

Новое видео на YouTube: LLM — тупик или все-таки путь к AGI?

Я записал новое видео, в котором простыми словами разобрал ключевые исследования января 2026 года и главный вопрос — приближают ли языковые модели нас к общему интеллекту.

Поговорим о симуляции мира в реальном времени, о том, как агентам добавили автобиографию и долгосрочную память, как они координируются в мультиагентных системах и как сегодня правильно использовать ИИ в разработке.

А ниже я выложил транскрипцию в формате статьи — если вам удобнее читать материал в текстовом виде.

👉 Ссылка на YouTube-видео

#анонсы

Как ИИ-агент Софья обрела личность, симуляция мира в реальном времени и почему LLM — не тупик на пути к AGI – лучшие статьи января 2026

Сегодня идут споры о том, являются ли LLM реальным путем к AGI. Некоторые исследователи, например Ян Лекун, утверждают, что развитие языковых моделей вообще не приближает нас к общему интеллекту.

Так что же это на самом деле — тупиковая ветка или инженерная задача, которую мы просто еще не решили?

Давайте разбираться, и вместе с этим посмотрим на несколько исследований, которые помогают иначе взглянуть на развитие ИИ.


1. Open-source наносит ответный удар: управляемая симуляция мира в реальном времени

Сгенерированный мир больше не исчезает при движении камеры. Открытые модели перешли от text-to-video к text-to-world — управляемой симуляции с причинностью и памятью сцены.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код | 🤖 Модель


2. Почему ИИ-агенты не помнят собственную жизнь — и как агенту Софье дали автобиографию

Помимо Системы-1, которая отвечает за реакции, и Системы-2, которая занимается рассуждением, агент Софья получила еще один уровень — Систему-3: автобиографию, долгосрочные цели и внутреннюю мотивацию. В результате — меньше лишних рассуждений и до +40% к успеху в сложных задачах.

🔍 Обзор статьи | 📜 Полная статья


3. Профессиональные разработчики не вайбят с агентами — они их контролируют

«Вайб-кодинг» не работает в продакшене. Разработчики грумят задачи, проверяют каждый шаг агентов и держат архитектуру под контролем — именно так сегодня работают лучшие разработчики.

🔍 Обзор статьи | 📜 Полная статья


4. Как превратить GitHub в память для ИИ-агента

GitHub становится структурированной памятью: реальные фиксы багов формализуются в «карточки опыта» с причинами, контекстом и логикой решения. В итоге +4% точности на SWE-bench Verified.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


5. Когда данных нет совсем, а учиться все равно нужно: как ИИ сам придумывает задачи и сам себя проверяет

Absolute Zero Reasoner учится без датасетов: сам придумывает задачи, решает их и проверяет в Python-среде. Прирост 10–15% в математике и коде.

🔍 Обзор статьи | 📜 Полная статья


6. Как LLM помогают дата-инженерам наводить порядок в «грязных» данных

Главная проблема аналитиков – некачественные данные. LLM помогают чистить, интегрировать и обогащать данные. Они не заменяют дата-инженеров, но становятся настоящим семантическим движком поверх сырых таблиц.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


7. Когда агенту нужен дирижер: AOrchestra и динамическая оркестрация LLM через субагентов

Оркестратор динамически создает субагентов под задачи, изолирует контекст и снижает информационный шум. Это дает до +16% прироста на сложных бенчмарках.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Общество мыслей: как LLM становятся сильнее, когда спорят сами с собой

Когда внутри модели возникает диалог между различными «субличностями» и смена их позиций, точность на сложных задачах резко растет. Это доказывает, что структурированное мышление сильнее любых длинных рассуждений.

🔍 Обзор статьи | 📜 Полная статья


9. RoboBrain: как робот понимает глубину 3D-сцены и учится самоконтролю

RoboBrain дает роботам способность полноценно рассуждать в 3D-пространстве и отслеживать собственный прогресс. Теперь роботы не только видят мир, но и оценивают, продвигаются ли они к цели.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


10. LLM — не тупик. Проблема AGI совсем в другом

LLM — это мощная Система-1, способная быстро генерировать решения. Но интеллект возникает тогда, когда к ней добавляются память, цели, механизмы проверки, координация действий и различные модальности. Поэтому AGI — это прежде всего инженерная дисциплина и архитектура системы, а не внезапный качественный скачок модели.

🔍 Обзор статьи | 📜 Полная статья


ИИ-агенты научились удерживать целостную модель мира, накапливать опыт и координировать друг друга. Мы видим фундамент для появления AGI. Теперь вопрос в том, кто первым соберет все компоненты в работающую систему.

👉 Подробный обзор

#исследования

Neuronium: ИИ-суперагент для решения сложных задач

За последний год появилось огромное количество агентных фреймворков, в том числе OpenClaw.

Но большинство из них в продакшене сталкиваются с одними и теми же проблемами: линейные пайплайны, слабый контроль качества и безопасности, а также полное отсутствие управляемой архитектуры.

Мы в команде устали создавать отдельных агентов под каждую бизнес-задачу, поэтому решили пойти другим путем и создать суперагента.

Нейроний — это фреймворк, который мы выпустили в открытый доступ, для построения самоорганизующихся мультиагентных систем, предназначенных для выполнения сложных задач в корпоративной среде.

В центре системы находится Cognitive Core — система управления, которая удерживает состояние агента: его цели, ограничения, промежуточные результаты, ошибки и критерии успешности.

Исходя из цели, Cognitive Core иерархически декомпозирует ее на атомарные задачи, подключает MCP-инструменты, выполняет и контролирует корректность выполнения с помощью симулированных критиков. Это подход позволяет удерживать цели и поддерживать корректность выполнения задач.

Планирование задач строится с помощью графа действий (DAG) вместо линейных цепочек. Таким образом поддерживается параллельность выполнения задач и возможность перепланирования.

Узлы графа — атомарные действия, а ребра — зависимости и условия перехода. Каждая атомарная операция может вызывать только один инструмент с помощью MCP. Это упрощает отладку и повышает предсказуемость поведения.

После каждого шага работают симулированные критики, проверяющие результат по формальным критериям. При несоответствии запускается автоисправление, повтор шага или перепланирование.

Каждый артефакт получает свой идентификатор.
Каждый шаг записывается в трейс, который можно проследить и понять почему агент совершил то или иное действие, что критично для бизнес-процессов.

Что касается памяти, в текущей версии фреймворка реализована базовая retrieval-логика. Полноценный GraphRAG пока не входит в open source (только GraphRAG-lite).

Мы реализовали минимально достаточную архитектуру для построения надежных и безопасных мультиагентных систем и ожидаем, что сообщество будет активно участвовать в развитии фреймворка.

Это только начало. Нам предстоит добавить больше MCP-инструментов, реализовать модуль для дообучения моделей на успешно выполненных задачах и протестировать подход на публичных бенчмарках (GAIA, SWE-bench и тд).

Нейроний — это попытка задать архитектурный стандарт создания агентов для решения сложных задач в корпоративных средах.

Если мы хотим, чтобы автономные системы стали частью критической инфраструктуры бизнеса, они должны быть не просто умными — они должны быть по-настоящему полезными, надежными и безопасными, чтобы мы могли им доверять.

Прикрепляю ссылку на презентацию (ее сделал Нейроний), ссылку на репозиторий и демо-кейс с созданием веб-страниц обзоров на научные статьи.

#анонс

Агентизация как основа новой экономики

Я никогда не считал промт-инженеров отдельной профессией. Промт-инжениринг — это навык, который уже освоили специалисты самых разных профилей.

Сегодня следующим важным навыком становится агентизация. Чтобы создавать ИИ-агентов, больше не нужно быть выдающимся технарем. Инструменты упростились настолько, что вопрос уже не в техническом барьере, а в способности видеть бизнес-процессы как потоки данных.

Именно поэтому агентизация в ближайшие годы станет таким же базовым навыком, как когда-то стала работа с интернетом или Excel-таблицами.

Научиться промтить — это начальный уровень, далее — умение проектировать мультиагентные системы, управлять контекстом и встраивать агентов в реальные бизнес-процессы.

Переход к AI-First экономике невозможен через точечные внедрения — он требует массового обучения людей мыслить как архитекторы ИИ-процессов.

Именно поэтому мы с командой AI Talent Hub запускаем курс «Автоматизация бизнес-процессов с помощью ИИ-агентов». Для меня это не просто курс, а инструмент ускорения перехода в новую AI-First экономику.

В прошлом году я уже проводил похожий курс в ИТМО, где более 180 студентов прошли весь путь от моделирования бизнес-процессов до разработки ИИ-агентов и расчета экономического эффекта. В итоге около 30% студентов внедрили ИИ-агентов в реальные бизнес-процессы с измеримыми эффектами.

Мы возьмем ваш реальный бизнес-процесс и пройдем с ним весь цикл трансформации. Каждый участник выберет конкретную функцию — например, менеджмент, HR, маркетинг, SMM, продажи, поддержку, аналитику или разработку — и шаг за шагом переведет ее в AI-First модель.

По ходу прохождения курса мы сами будем использовать ИИ-агентов. Агенты помогут нам проводить интервью, составлять диаграммы процессов, находить точки автоматизации и помогать создавать других агентов.

Один из ключевых блоков посвящен управлению изменениями. Большинство ИИ-проектов проваливается не из-за технологий, а из-за человеческого фактора. Люди боятся неопределенности, поэтому если заранее определить новую роль человека в ИИ-процессе, то сопротивление снижается, и трансформация проходит быстрее.

Мы спроектируем матрицы компетенций под каждую роль, план обучения сотрудников и модель центра ИИ-компетенций. Так в AI-First компании человек становится оператором и менеджером ИИ-агентов, а масштабирование бизнеса теперь определяется не числом сотрудников, а качеством агентных систем.

Формат курса максимально практический: вы будете работать с менторами — профессиональными ИИ-инженерами. Также будет разбор реальных кейсов и обратная связь на каждом этапе.

Мы будем использовать low-code инструмент n8n, поэтому курс ориентирован на максимально широкую аудиторию. Он подходит предпринимателям, проджект- и продакт-менеджерам, бизнес-аналитикам и другим нетехническим специалистам.

Инженерам и разработчикам курс также полезен, ведь в итоге вы сможете стать ИИ-консультантами, ИИ-инженерами по автоматизации или даже запустить собственный AI-First бизнес.

ИИ-консультанты — это внешняя функция для бизнеса, которая помогает автоматизировать процессы на аутсорсе, а ИИ-инженеры по автоматизации работают внутри компании. Таким образом мы обучаем новым профессиям для новой экономики.

У нас есть государственная лицензия и мы выдаем диплом о повышении квалификации, который можно добавить в портфолио в качестве подтверждения своих навыков для работодателя или клиента.

Курс начинается 12 марта, поэтому если вы хотите научиться проектировать компании как мультиагентные системы и переводить их в AI-First режим, то добро пожаловать. Успейте записаться потому что количество мест ограничено.

Массовый переход к новой экономике произойдет, когда менеджеры и специалисты научатся создавать и управлять агентами самостоятельно. И именно этот навык в ближайшие годы станет обязательным для всех.

Некоторые передовые компании уже перестают нанимать специалистов без навыка агентизации — думаю эта практика будет распространяться и дальше, ведь никто не хочет отставать от конкурентов.

👉 Ссылка на регистрацию

#анонсы