Друзья, коллеги и подписчики канала!

2025 год стал для нас годом глубокого погружения в тему ИИ и финансов. Мы вместе разбирали новые версии моделей, учились превращать сложные процессы в простые чек‑листы, строили бизнес‑игры и обсуждали будущее цифрового рубля. Главное — мы не просто наблюдали за новостями, а искали практическую пользу и думали о рисках и ответственности.

В новом году нас ждёт ещё больше возможностей: внедрение agentic AI, новые роли в командах, серьёзные проекты с цифровым рублём и продолжение образовательных инициатив. Пусть 2026 год принесёт вам вдохновение, умение совмещать технологии и здравый смысл и поможет превратить финансы и инновации в источники роста для вашего бизнеса.

С наступающим Новым годом! Желаю здоровья, уверенности в завтрашнем дне и радости от того, что вы делаете. Пусть каждый ваш проект будет не просто экспериментом, а шагом к устойчивому будущему.

🏗️ CES‑2026: ИИ вышел из офисов и “залез в железо” — лучший кейс показал Caterpillar

Пока мы спорим «какая модель умнее», на CES‑2026 произошла куда более важная вещь: генеративный ИИ начал превращаться в промышленную функцию — прямо на рабочей площадке.

Caterpillar показал, как выглядит “Physical AI” в реальности:
• Cat AI Assistant — разговорный слой поверх техники и сервисов: спросил → получил ответ + рекомендацию по эксплуатации, запчастям, обслуживанию.
• Голос в кабине вместо инструкций на бумаге: подсказки по безопасности, диагностика “что делать дальше”, быстрый доступ к нужным ресурсам.
• Ключевая идея — edge AI (на борту): не “давайте отправим всё в облако”, а “пусть машина помогает здесь и сейчас”, даже когда связь нестабильна.
• Дальше по цепочке — цифровые двойники (планирование графика/материалов/ресурсов) и больше автономности.

Почему это важно не только строителям, а любому бизнесу с физическими операциями:
1. ИИ становится “операционной системой активов”: снижает простои, ускоряет решения, повышает безопасность и управляемость.
2. Данные превращаются в капитал: телеметрия + контекст + правильные действия → это и есть новая маржа.
3. Побеждают не те, у кого “чат-бот в презентации”, а те, кто встроил ИИ в цикл работы: поле/склад/карьер/цех → решение → действие.

🧠 Когнитивный тренд 2026: почему “дать всем доступ к LLM” — это не внедрение ИИ

В 2024–2025 многие сделали “внедрение ИИ” так:
купили подписку → открыли доступ сотрудникам → ждём эффект.

Это как в 90-х купить Excel и сказать: “у нас теперь управленческий учёт”.

LLM реально мощные. Но проблема в другом:
LLM — это речь. А бизнесу нужно мышление, контроль и ответственность.

🔥 Главная ошибка компаний

Путать: “умение генерировать текст” с “умением принимать решения и выполнять действия по правилам”

Если вы просто раздаёте доступ к LLM:
✅ люди начинают писать письма быстрее
❌ но решения остаются неуправляемыми
❌ риски утечек/ошибок растут
❌ комплаенс и безопасность “едут”
❌ эффект превращается в хаос и “теневой ИИ”

✅ Что такое “внедрение ИИ” по-взрослому

Это переход от “чата” к когнитивной системе — контуру, где интеллект = архитектура:
1. Цели (что считаем успехом, какие приоритеты)
2. Планирование (какие шаги допустимы, зависимости, маршруты согласования)
3. Память как знания (факты, регламенты, решения, прецеденты — а не чат-лог)
4. Правила и ограничения (доступы, лимиты, санкции, политики, контроль данных)
5. Проверка результата (валидация, сверка с источниками, тесты, аудит)
6. Коммуникация (и вот тут LLM идеальна: объяснить, оформить, донести)

Ключевой сдвиг:
LLM перестаёт быть “мозгом”, становится модулем речи и генерации гипотез.
А “мозг” — это цели, правила, память, план и контроль.

👀 Как отличить “LLM в обёртке” от реального когнитивного внедрения

Если у вас:
• один чат и “спроси что угодно”
• нет правил, нет ролей, нет валидации
• нет трассировки “почему так решили”
— это не внедрение. Это раздача микрофона.

Когнитивное внедрение видно по признакам:
• есть задачи/миссии, а не “свободный чат”
• есть планировщик (шаги, зависимости, сценарии)
• есть политики и ограничения (что можно/нельзя)
• есть проверки (валидаторы, источники, тесты)
• есть аудит и объяснимость (“почему решение такое”)

💼 Мини-пример (в духе “как должно быть”)

Договор / закупка / платеж:

“чат-внедрение” → LLM пишет красивое заключение.

“когнитивное внедрение” → система:
• извлекает факты,
• проверяет политики (лимиты, полномочия, санкции, контрагент),
• строит маршрут согласования,
• формирует протокол решения,
• пишет объяснение,
• сохраняет кейс в базу прецедентов.

Это уже не “чат-бот”. Это управляемый цифровой сотрудник.

Что важного есть в вашем ИИ-стартапе, кроме того, что он делает?

Я все чаще ловлю себя на мысли: начинающие фаундеры ходят по кругу с вопросом “какие слабые стороны вы видите?”. Вопрос нормальный, но он редко про победу.

Победу дает сила - то, что рынок оплачивает и что инвестор считывает за полминуты. Сила часто перекрывает слабости: можно быть средним в упаковке, если у вас железный канал продаж или уникальные данные. А вот “мы решаем проблему” - это база. Как на татами: все умеют бороться.

Есть любопытная подсказка из исследований про людей. По данным Gallup, когда человек использует сильные стороны каждый день, он в 6 раз более вовлечен. А команды, которые фокусируются на сильных сторонах, показывают +12,5% к продуктивности; регулярная обратная связь по сильным сторонам связана с +8,9% прибыльности.

В продуктах с ИИ это ощущается острее. “Интеллект” стремительно дешевеет: Stanford AI Index показывает падение стоимости запросов к модели уровня GPT-3.5 с $20 за миллион токенов (ноябрь 2022) до $0.07 (октябрь 2024), то есть более чем в 280 раз. Функции копируются за недели, всетаки.

Поэтому силу ИИ-стартапа полезно прогонять через простой тест из стратегии (VRIN): ценно, редко, трудно скопировать, трудно заменить.

Практически это обычно сидит в 5 местах:
• Данные: доступ, права, обратная связь, качество, контекст.
• Встроенность: продукт живет внутри процесса клиента, экономит конкретный шаг.
• Канал продаж: партнеры, база клиентов, репутация, скорость сделки.
• Скорость цикла: как быстро вы улучшаете продукт по реальным сигналам.
• 🛡️ Риск-контур: безопасность, приватность, контроль качества, журналирование. Клиент покупает не “ИИ”, а спокойствие.

Короткий чек лист :
1. Если завтра модели станут в 10 раз лучше и дешевле, что останется вашим преимуществом?
2. Что у вас нельзя “просто купить” за деньги за 6 месяцев?
3. Где сила дает измеримый эффект: ⏱️ часы, 💰 маржа, 📊 снижение потерь или рисков?

Дальше я бы строил дорожную карту не от списка функций, а от карты силы.
https://t.me/archfinance

Источники: Gallup про силу сильных сторон, Stanford AI Index 2025 про снижение стоимости инференса, Barney 1991 про устойчивое конкурентное преимущество

#стартап #ИИ #продукт #стратегия #архитектура #управление

Как делать продукт с ИИ, а не фабрику из случайного кода

Прочитал на Хабре заметку про spec-driven development и поймал себя на мысли: это не про «как лучше промптить». Это про управляемость.

Когда ИИ пишет код быстро, размытые требования превращаются в огромные MR и бесконечные правки. Симптом знакомый: «написали много, а что именно хотели - так и не ясно».

Мой рабочий рецепт на 7 шагов (и он одинаково годится и для Python-сервисов, и для агентных штук):
1. 🎯 Зафиксируйте контракт фичи
Одна страница: проблема, границы, что НЕ делаем, критерии приемки (проверяемые), 2-3 примера вход-выход.

2. Делайте спеки маленькими
S: до 10 минут, M: 10-20, L: 20+. Одна спека в работе (WIP limit). Так дешевле держать фокус и проще ревьюить.

3. 🧱 Архитектуру пишем текстом, а не «в голове»
Для M/L добавляйте простые диаграммы: последовательность вызовов, модель данных, C4-уровни. Храните это рядом с кодом, как артефакт.

4. Разделите роли ИИ

• Редактор спецификации: превращает голосовой/сырой поток мыслей в структуру и критерии.
• Исполнитель: пишет код строго по спеке.
Человеческое «да/нет» и ответственность остаются у владельца продукта.

5. ✅ Любая правка - через спецификацию
Не «поправь тут в чате», а обнови спеку и только потом меняй код. Иначе теряется воспроизводимость.

6. 🛡️ Для Python-интеграций думайте про надежность раньше красоты
Мои последние эксперименты упёрлись не в модель, а в обвязку: разрывы API, плохая связь, очереди, ретраи, локальный буфер, лимиты. Это, вобщем, и есть продукт. Добавьте метрики качества и журнал решений (что сделал агент и почему).

7. Экономика: считайте цену неопределенности
10-30 минут на спеку часто экономят часы ревью, багфикса и переговоров. Особенно когда продукт живёт долго и его будут «допиливать» разные люди и агенты.

Если хочется быстрый старт: возьмите одну фичу и сделайте S-спеку с 5 критериями приемки. Потом дайте её ИИ и сравните качество с «обычным» промптом. Почти всегда разница видна сразу.

Источники:
• Spec-Driven Development: контроль AI-кодогенерации (Хабр)
• Spec-driven development (Martin Fowler)
• PlantUML (диаграммы как код)

https://t.me/archfinance
#ии #продукт #архитектура #управление #python

ИИ как управленец. Где ИИ уже управляет деньгами (и как именно)

Продолжим.

После разговоров про «ИИ-CEO» всегда возникает логичный вопрос: где ИИ уже реально управляет деньгами, а не презентациями?

Ответ короткий: в финансах ИИ допустили к деньгам раньше, чем в любом другом контуре. И именно там лучше всего видно, что работает, а что ломается.

📌 Где ИИ уже торгует и принимает финансовые решения

1) Кванты и хедж-фонды (институциональный уровень)

В крупных фондах и управляющих компаниях машинные модели давно:
• генерируют торговые сигналы;
• оптимизируют портфель;
• исполняют сделки;
• держат риск в рамках лимитов.

Публичный пример - Numerai: тысячи моделей участников конкурируют, а фонд собирает их в метамодель и использует в торговле. Тут ценность не в «едином ИИ», а в рынке гипотез и отборе моделей.
сайт Numerai
как устроена модель

2) ИИ как управляющий индексом/фондом (упаковано в ETF)

Есть формат, где ИИ фактически управляет выбором акций через правила индекса. Например AIEQ (Amplify AI Powered Equity ETF), где модель EquBot использует IBM Watson для отбора бумаг.
описание стратегии AIEQ
как это описывали в Business Insider

Смысл для управленца: это максимально «юридически удобный» способ пустить ИИ к деньгам - через формализованный контур и публичные правила.

3) Торговое исполнение (execution) в банках

Отдельный класс - ИИ, который не решает «что купить», а решает «как исполнить сделку лучше». Классика кейса: J.P. Morgan LOXM (AI для исполнения крупных заявок), обученный на исторических и симулированных сделках.
упоминание LOXM и принципов обучения (Business Insider, 2017)
подробнее про rollout и DRL (Markets Media, 2017)

Это важный пример: ИИ отлично работает в роли «трейд-операциониста», если стратегия и риск-рамка заданы сверху.

4) Алготрейдинг через API-платформы (массовые эксперименты)

Тысячи команд и одиночек подключают алгоритмы к реальным рынкам через торговые API.
Картина трезвая:
• в стабильных режимах ИИ может зарабатывать;
• при смене режима рынка большинство моделей теряет деньги;
• подгонка под историю и переобучение - главная причина сливов.

Ссылки на то, где это реально делают:
QuantConnect: live trading
Alpaca: algo trading API

Вывод: ИИ отлично оптимизирует прошлое, но плохо чувствует переломы. И это уже управленческая, а не техническая проблема.

5) Казначейство и инвестиции в формате DAO (крипто-полигон)

В крипто-мире есть эксперименты, где агенты участвуют в управлении казначейством и инвестрешениях, например AI16z DAO (публично обсуждаемая связка DAO + AI-агенты + фреймворк Eliza).
обзор проекта (Decrypt)
репозиторий ElizaOS

Управленческий смысл тут не в «крипте», а в уроке: как только агент получает кошелёк, появляется новый класс рисков - манипуляции, уязвимости, социальная инженерия.

6) «ИИ управляет бизнесом на $100» (маленький, но честный эксперимент)

Вирусный кейс HustleGPT: человек дал модели бюджет и роль «предпринимателя», а сам выступал «исполнителем рук». Получилось сделать первые шаги, но устойчивым бизнес это не стало.
разбор (Forbes)
как это обсуждали в медиа (Futurism)

Для меня это иллюстрация простого правила: без контуров контроля ИИ будет хорош в генерации активности, но слаб в управлении реальностью.

📌 Что объединяет успешные кейсы

Во всех работающих примерах есть общее:
• лимиты и риск-рамка;
• автоматические стоп-условия;
• разделение «стратегия / исполнение»;
• возможность мгновенно отключить ИИ;
• понятная цена ошибки.

Как только ИИ дают свободу без контура, он начинает оптимизировать метрику, а не бизнес. Это та же ошибка мотивации, только в цифровом виде.

📌 Вывод для собственников и СД

ИИ можно и нужно пускать к деньгам.

Но не как «директора» и не как «владельца». А как высокоскоростного исполнителя внутри жёсткой архитектуры: ограничения, ответственность, контроль риска.

ИИ не опасен сам по себе.
Опасно отсутствие границ, правил и ответственности.

https://t.me/archfinance

#ии #финансы #алготрейдинг #управление #cfo #board #агенты

Утром за кофе посмотрел сюжет про ксенотрансплантологию.

Мозг сразу выдал аналогию: это как попытка переставить экран или процессор в айфоне. Только вместо айфона — человек, а донор — хрюшка.

Проблема ровно та же, что и с неродной деталью: система защиты видит «чужое» и начинает это дело выносить. Только тут не iOS, а иммунитет. По сути, сейчас ученые пытаются взломать системную защиту организма, чтобы неродные компоненты все-таки работали вместе.

Пока результаты приземленные — говорят о 2-3 месяцах жизни органа. Это стадия прототипа. Следующим шагом логично видится выращивание уже полностью человеческих органов, как развитие этой же технологии. Но вырастить немного ткани и вырастить целый орган с сосудами и прочим- это две большие разницы.

Но есть один момент. Если об этом начали активно говорить по телевизору — значит, результат уже где-то рядом. Мне это напоминает старую историю про акции и таксиста: если уж он говорит, что пора покупать, то на самом деле уже поздно.

Основной прорыв явно случился «в тишине».

Интересно другое: есть ли уже где-то в закрытых лабораториях или «бункерах» действительно устойчивая технология? Интуиция подсказывает, что маловероятно. Такую вещь сложно спрятать — это не софт и не железка, тут нужен постоянный мониторинг, команды врачей и специфическая фарма. Скорее, там сейчас обкатывают более сильные комбинации генных правок, чем те, что попадают в новости.

Но само ощущение, что технология вышла на финишную прямую, уже не покидает.

ИИ в дизайне - это не «сделай красиво», а конвейер с контролями

В X5 Tech классно описали то, что многие на практике чувствуют, но редко формулируют: генерация по одному промпту похожа на оркестр без нот. Каждый запуск разный, а бренду нужна повторяемость.

Что у них сработало: они превратили генеративный ИИ из лотереи в управляемый пайплайн. Скорость производства визуала выросла почти вдвое, часть команд отказалась от фотостоков или сильно сократила их использование, а 40-45% визуального контента «Пятёрочки» и «Чижика» делается с участием ИИ.

📌 Ключевой управленческий вывод

Стиль - это не «вкусовщина», а контракт: структура, палитра, фактура, допуски. Как только вы фиксируете контракт, у вас появляется управляемость по срокам, цене и рискам бренда.

Три класса «контролей», которые описаны в статье
• ControlNet фиксирует структуру (контуры, глубину, позу) и позволяет делать серии, опираясь на референс.
• LoRA обучает модель на небольшом наборе примеров, чтобы воспроизводить конкретный стиль/персонажа без простыней промптов.
• Style Transfer / Style Reference переносят эстетику с референса и дают «варианты в одном стиле», а не случайные картинки.

И отдельная мысль про мультимодальные модели: когда модель понимает и текст, и изображение, работа становится похожа на диалог с виртуальным дизайнером. Но всё равно нужен «дирижёр» - человек, который держит конечный образ и критерии.

🧱 Как бы я перевёл это на язык собственника и СД
Если у вас маркетинг/продукт живёт визуалом, то ИИ - это инвестиция в производительность, но только при наличии:
• стандарта (брендбук как набор тестов, а не pdf на полке),
• конвейера (темплейты и шаги),
• контроля качества (кто принимает, по каким правилам),
• риск-контура (что нельзя генерить, где юридические риски, кто отвечает).

Что можно попробовать уже завтра
1. Соберите «пакет эталонов» из 20-50 картинок: что считается вашим стилем.
2. Разделите задачи: где важна структура (ControlNet), где стиль (Style Reference), где нужен «маскот/персонаж» (LoRA).
3. Опишите промпт как инструкцию: токены смысла + стиль + формат + запреты.
4. Введите приёмку: 5 чеков (палитра, композиция, фактура, узнаваемость, запреты).
5. Посчитайте экономику: стоимость единицы визуала и цикл производства до/после.

Если коротко: ИИ даёт выигрыш не тем, кто «поигрался с промптами», а тем, кто сделал управляемый процесс.

Ссылка на статью: Как облегчить работу дизайнера с помощью ИИ и сохранить визуальный стиль

Подписывайтесь: https://t.me/archfinance

#ии #дизайн #бренд #управление #архитектура #цифровизация

ИИ меняет две вещи одновременно: цену и кассу

Я вижу заметный сдвиг: платформы одновременно удешевляют доступ к мозгам нейросетей и встраивают чат прямо в момент покупки. Это уже не спор «чья модель умнее». Это битва за маржу, риск-контур и за то, кто в итоге будет владеть клиентом.

OpenAI раскатывает ChatGPT Go.

В США это всего $8/мес за GPT-5.2 Instant с огромными лимитами. Плюс — они начинают осторожно тестировать рекламу. Важно: ответы нейросети не будут зависеть от рекламных блоков, а данные не продадут брендам. Но факт остается фактом: ChatGPT становится массовым и доступным инструментом для каждого.

Google на NRF 2026 представил «покупку в ассистенте».

Gemini теперь не просто советует кроссовки, но и доводит до оплаты. По их стандарту Universal Commerce Protocol чекаут происходит прямо в диалоге. Продавцом остается ритейлер, но «дверь» в сделку теперь в руках у Google.
В итоге чат становится новой «главной страницей» бизнеса. Поиск, консультация и оплата сжимаются в одну короткую переписку.

Для собственника это создает новую реальность. Юнит-экономика меняется: платформы будут добирать свое не на подписках, а на комиссиях и рекламе нашего намерения купить. При этом контроль рисков ложится на нас. Любая ошибка ассистента в сроках или цене — это ваша проблема, которую придется разруливать деньгами и репутацией.

Чтобы не пришлось догонять этот поезд:

Сначала стоит найти в воронке 3–5 «точек совета» (подбор товара, сравнение, возвраты) и подготовить для них данные. Это должен быть не просто сайт для людей, а машиночитаемый контур: цены, остатки и условия, которые поймет алгоритм.

Параллельно нужно жестко прописать границы: что ассистент имеет право обещать, а что — категорически нет. А затем просто запустить один сценарий в пилот и замерить реальную маржу после всех скидок и возвратов.

Главный критерий качества здесь прост: если заказ оформляется за 2-3 минуты, а по каждому шагу есть четкий лог (трассировка), чтобы можно было откатить ошибку — значит, вы готовы.

Подробности:
OpenAI: ChatGPT Go
OpenAI: подход к рекламе
Google: Universal Commerce Protocol

Проверьте у себя: «API к кассе» для ассистента у вас уже есть, или пока только сайт?

https://t.me/archfinance

#ИИ #архитектура #commerce #финансы