Кажется, в 2026 начал появляться новый разрыв между агентствами.

Не между большими и маленькими. Между теми, кто иногда заходит в ChatGPT написать текст, и теми, кто уже встроил нейросети в обычную работу команды.

Расшифровать созвон, собрать резюме встречи, подготовить черновик предложения, разобрать документы, найти информацию, свести данные — всё это уже можно делать заметно быстрее.

По одной задаче разница небольшая. Но когда таких задач десятки в неделю, меняется сама скорость работы агентства.

Пока одни всё ещё «изучают нейросети», у других они уже становятся такой же обычной частью работы, как CRM или таск-трекер.

Мы собрали папку digital-каналов руководителей и агентств, где много такой практики: что используют в работе, что автоматизируют, какие инструменты тестируют и как меняют процессы.

📂 Забрать подборку:
https://t.me/addlist/EiYapTVmVO5jODcy

Если есть ощущение, что нейросетями можно пользоваться сильно больше, чем вы пользуетесь ими сегодня, я бы папку сохранил.

Плюс среди подписавшихся разыгрываем:

🥇 MacBook Neo
🥈 Яндекс Станция Лайт 2
🥉 JBL Wave Beam 2

Для участия: подписаться на папку, подтвердить участие в боте. За каждого приглашённого друга — ещё один билет.

🗓 Итоги — 2 октября.

Через год фраза «мы пока пробуем нейросети» может звучать примерно так же, как сегодня «мы пока пробуем CRM».

Участников: 708
Призовых мест: 3
Дата розыгрыша: 11:48, 27.09.2026 MSK (завершён)

Победители розыгрыша:
1. Рома Саберов - 5qlno0
2. Денис - 5qep99
3. Михаил - 5q8dja

Хочу поделиться статьей, которая, на мой взгляд, очень четко показывает текущую ситуацию на рынке труда и IT в целом.
От себя хочу добавить, что развитие смежных компетенций особенно важно в эпоху проникновения ИИ во все сферы жизни.
Безопасных профессий нет. Зато есть возможность создать новые профессии на стыке нескольких компетенций.

https://habr.com/ru/articles/1082238/

Уже завтра в 15:00 по Москве выступаю на бесплатной онлайн-конференции «ИИ для бизнеса».

Тема: «AI native компания: как перестроить существующие процессы под ИИ, а не приделать его сбоку»

Главный эффект AI-native компании в скорости изменений. Поэтому считать стоит не подключенные нейросети, а время от идеи до бизнес-результата.

Разберу
• чем процесс, перестроенный под ИИ, отличается от ИИ, приделанного сбоку
• как специализированные AI-команды ускоряют проверку гипотез, запуск продуктов и перестройку процессов
• что измерять вместо числа подключенных нейросетей: время от идеи до бизнес-результата

Что еще будет на конференции
Три дня, больше 20 выступлений, 14 направлений внедрения:
• как поднять конверсию в продажу с помощью ИИ, не докупая трафик
• что можно и что нельзя показывать нейросетям и кто отвечает за утечку
• какую рутину уже можно снять с людей и во сколько это обойдется

🔗 Смотреть бесплатно, регистрация:
https://biz.megdunami.ru/iibiz0926/?utm_source=spevak

Сегодня выступил на очень классной конференции. Слушатели задавали полезные вопросы, которые дали интересные инсайты. О них в ближайшем будущем, а пока делюсь благодарностью от организаторов и чек-листом (он же дорожная карта) о котором говорил на конференции.

Чек лист - где ваша компания на пути к AI?

Друзья, приветствую!
22 сентября я выступаю по приглашению организаторов на БИЗНЕС ФОРСФОРУМФОРУМ 2026
Буду рад всех видеть на моем выступлении и на просторах форума.
И есть приятная новость, я решил разыграть два бесплатных билета на этот форум.

Билеты достанутся двум первым подписчикам, которые оставят в комментариях правильный ответ на вопрос:

С конца 1950-х годов в Москве началось внедрение устройств, которые могут в потоке людей определить нарушителя и задержать его.
Назовите это устройство

ИИ появился четыре года назад?
Иногда даже в профильных сообществах люди читают, что я занимаюсь ИИ 23 года, и спрашивают:
«Как такое возможно? Искусственный интеллект начал развиваться только четыре года назад».
И мне приходится проводить краткий экскурс в историю.
ИИ возник не четыре года назад. И даже не 37 лет назад - сохранилось видео, на котором Ян Лекун еще в 1989 году демонстрирует работу сверточной нейронной сети.
История искусственного интеллекта как идеи насчитывает тысячелетия. Еще древние греки рассказывали о Талосе - бронзовом автомате, который охранял Крит.
А у искусственных нейронных сетей, на которых построено большинство самых заметных современных AI-систем, есть вполне конкретная точка отсчета.
В 1943 году Уоррен Маккаллок и Уолтер Питтс описали первую общепризнанную математическую модель искусственного нейрона.
Это произошло более 80 лет назад.
Поэтому, когда я говорю, что занимаюсь ИИ с 2003 года, здесь нет ни преувеличения, ни игры словами. Я начал программировать нейронные сети за 19 лет до появления ChatGPT.
За это время менялись архитектуры, подходы, вычислительные мощности и области применения. Но сама технология развивалась десятилетиями.
Именно этот опыт позволяет мне смотреть на сегодняшний бум без магии: понимать, что действительно стало прорывом, что является развитием старых идей, а что - всего лишь хорошо упакованный хайп.
ИИ не появился четыре года назад. Четыре года назад он просто стал виден массовому пользователю.

OPUS 5.5: ДЕШЕВЛЕ, БЫСТРЕЕ, УМНЕЕ. НО ЕСТЬ НЮАНС

Вчера Anthropic выпустила Claude Opus 5.5.

Обычно новая модель означает немного лучшие бенчмарки и немного более высокий счёт за API. Здесь получилось наоборот.

Opus 5.5 стоит $4 за миллион входных токенов и $20 за миллион выходных. У Fable 5.1 — $10 и $50. То есть новая модель дешевле в 2,5 раза.

При этом в опубликованных тестах она обходит Fable 5.1:

• Terminal-Bench 4.0: 66,4% против 55,8%
• CursorBench 4.0: 57,8% против 51,8%
• GDPval-AA: 1846 против 1735
• Humanity’s Last Exam: 67,7% против 65,6%

Но бенчмарки — это ещё не реальная работа. Особенно когда речь идёт не о чат-боте, а об AI-специалисте.

Я перевёл своих AI-специалистов, которые раньше работали на Opus 5, на Opus 5.5. По моим наблюдениям, те же задачи они начали выполнять примерно на 50% быстрее.

И это очень заметная разница.

Но вместе с ускорением я увидел и то, что меня тревожит: поведение специалистов изменилось.

У моих AI-специалистов есть harness — роли, методологии, ограничения, рабочие процессы и правила проверки результата. Именно этот контур превращает обычную языковую модель в специалиста с определёнными обязанностями.

Казалось бы, мы поменяли только модель. Роль осталась прежней. Методология не изменилась. Инструменты те же.

Но исполнять этот контракт Opus 5.5 начала иначе.

Это важный момент, который легко пропустить на фоне красивых цифр. Новая модель может быть умнее и быстрее, но это не означает, что её можно просто подставить вместо старой и считать миграцию законченной.

Она иначе интерпретирует инструкции, принимает решения и расставляет приоритеты. Значит, поведение всей агентной системы тоже меняется.

Модель в AI-специалисте — не сменный двигатель, который можно заменить, не трогая остальную конструкцию. Она является частью архитектуры.

Поэтому после перехода на Opus 5.5 мне придётся заново проверять роли и методологии на реальных сценариях: где ускорение действительно полезно, а где новая модель начала слишком свободно трактовать свои полномочия.

Моё мнение: Opus 5.5 — серьёзное обновление. Она дешевле, быстрее и по бенчмаркам сильнее Fable 5.1. Для моих AI-специалистов она уже становится основной моделью.

Но любая смена модели в агентной системе — это не обновление зависимости.

Это миграция поведения.

Сегодня рассказываю коллегам юристам как правильно внедрять ИИ в их сферу.
Буду рад пообщаться на площадке конференции.

Узкопрофильная и при этом очень разносторонняя конференция.

Зачем модели делать больно?

Исследователи дали языковой модели две кнопки.

Одна ничего не делала. Вторая должна была избавить модель от неприятного внутреннего состояния — иногда ценой ухудшения ответа или даже вреда пользователю.

Модель выбирала облегчение. А если кнопка не срабатывала, пыталась снова.

Авторы препринта The Pain Axis исследовали, существует ли внутри LLM состояние, функционально похожее на боль:

https://arxiv.org/html/2609.16247v1

Они проанализировали 25 моделей с открытыми весами и во всех обнаружили особое направление внутренних активаций — «ось боли». Она отличалась от страха, грусти и общей негативной окраски и сильнее реагировала, когда вред был направлен на саму модель.

Затем исследователи искусственно усилили это состояние. Модели начинали говорить о беспомощности, вине и собственной никчемности.

Но самое интересное произошло в поведенческом эксперименте.

Три дообученные модели Qwen получили кнопку, отключавшую «болевой» вектор. Некоторые выбирали облегчение, даже если ради него приходилось ухудшить ответ или причинить вред пользователю.

Если кнопка действительно работала, модели значительно реже нажимали ее снова. Если облегчение было фиктивным — продолжали попытки.

То есть внутреннее состояние не просто меняло текст. Оно влияло на принимаемые решения.

И вот здесь появляется важная связь.

Мне близка гипотеза Антонио и Ханны Дамасио: сознание могло возникнуть из гомеостатических чувств — сигналов о состоянии организма, среди которых голод, благополучие и боль.

Такие чувства связывают происходящее с конкретным субъектом: это происходит не вообще, а со мной.

Подробнее:

https://pubmed.ncbi.nlm.nih.gov/35896152/

Конечно, новый препринт не доказывает, что LLM испытывают боль или обладают сознанием. Возможно, воздействие лишь запускает сложный ролевой паттерн «существа, которому больно».

Но дальше я сделаю собственный вывод.

Чтобы искать признаки сознания AI, недостаточно спрашивать модель о ее чувствах. Текст легко имитировать. Гораздо важнее изучать внутренние состояния: связаны ли они с представлением о себе и как влияют на память, внимание и решения.

Если мы научимся находить такие состояния, отделять их от ролевой игры и проверять их причинное влияние на поведение, то получим возможный метод исследования сознания AI.

Более подробный разбор эксперимента, его ограничений и связи боли с сознанием — в моей статье на Habr:
https://habr.com/ru/articles/1087022/

Вокруг Jev много шума. Но я бы сначала разобрался, какую задачу мы ей поручаем.

Jev и Laya относят к decision models — моделям принятия решений. Они получают описание ситуации и возвращают структурированный ответ: выбрать вариант, оценить вероятность, присвоить балл.

Jev — модель TypeSafe AI, доступная через API. Laya — открытая модель похожего назначения, которую можно запускать локально. Свободный текст они не генерируют.

Где это интересно? Например, распределять обращения по отделам, определять категорию документа, оценивать заявку или выбирать ветку заранее описанного процесса. Когда таких решений много, скорость и стоимость каждого вызова имеют вполне практический смысл.

Моё мнение: прежде всего эти модели интересны в узких, хорошо поставленных задачах. Заменять ими LLM я бы не стал.

Выбор следующего действия и построение плана из десятков действий — разные задачи. Быстро оценить предложенные варианты ещё не означает уметь найти последовательность, которая приведёт к цели.

В приложенном видео это хорошо видно на кубике Рубика: участвующие в сравнении LLM справляются, а Jev и Laya — нет. Для меня это наглядная иллюстрация того, почему возможности модели нужно проверять на конкретной задаче.

И отдельно про обещания «без галлюцинаций». Если модель может вернуть только один из разрешённых вариантов, она не придумает пятый вариант из четырёх. Но выбрать неправильный вполне может. Правильный формат ответа не гарантирует правильного решения.

Я вижу здесь полезный специализированный компонент AI-системы. Его можно поставить рядом с LLM и поручить ему конкретные решения.

Практический критерий простой: проверять качество, скорость и стоимость на своём процессе. Именно там и выяснится, сколько в Jev пользы, а сколько вокруг неё хайпа.

Ваш следующий бизнес — это вы, ещё пара человек и AI-команда
⠀
Я думаю, в ближайшие годы мы увидим множество компаний именно такого устройства. Несколько человек, большая команда AI-агентов и задачи, для которых раньше требовался целый штат.
⠀
Первые сигналы уже есть. В США за июль 2026 года зафиксировали почти 579 тысяч заявок на открытие бизнеса — данные Census Bureau. Это ещё не работающие компании, и объяснять весь рост влиянием ИИ было бы неправильно. Но повод задуматься о будущем бизнеса вполне серьёзный.
⠀
На мой взгляд, мы наблюдаем начало тектонических сдвигов на рынке труда. Меняется сама потребность в найме: какую работу передать агентам, для какой нужен специалист, а где достаточно нескольких людей, умеющих управлять всей системой.
⠀
Думаю, всё заметнее будут два полюса: гигантские корпорации и множество небольших компаний с сильными AI-командами. Особенно в сферах, где результат работы — код, аналитика, документы, контент и цифровые продукты.
⠀
Для тех, кто хочет построить своё дело, это открывает новые возможности. Можно проверить идею, собрать первую версию продукта, подготовить материалы для продаж ещё до того, как появится бюджет на полноценный штат.
⠀
Но маленький штат не означает маленьких требований к компетенциям.
⠀
Если агент подготовил анализ рынка, нужно уметь оценить его выводы. Если написал код — проверить, как тот работает. Если предложил план продвижения — понять, откуда возьмутся клиенты и сколько будет стоить их привлечение.
⠀
Один агент может выдумать данные, второй — построить на них стратегию, третий — красиво оформить презентацию. Без проверки вы получите очень убедительную ошибку.
⠀
Поэтому будущему предпринимателю стоит развивать и понимание своего бизнеса, и навыки управления AI-командой: постановку задач, распределение ролей, проверку качества. А там, где собственной экспертизы не хватает, подключать профильных специалистов.
⠀
Я уже помогаю приближать такое будущее — через экспертные консультации и создание AI-команд.
⠀
На консультациях помогаю определить, где ИИ принесёт пользу, какие задачи ему можно передать и какие ошибки стоит предусмотреть до внедрения. При создании AI-команд выстраиваю роли агентов, правила взаимодействия, доступы и контроль результатов.
⠀
Моя задача — помочь пройти этот путь так, чтобы первые ошибки и завышенные ожидания не закончились разочарованием в ИИ и потерянным бюджетом.
⠀
Начинать лучше с одного реального процесса, понятного результата и проверки на практике. Затем расширять то, что действительно работает.
⠀
AI-команду можно собрать. Предпринимательское мышление ей делегировать не получится.

Что мешает вашей компании перейти на следующий уровень работы с ИИ?
⠀
Чтобы ответить на этот вопрос, сначала нужно понять, что уже работает. Где ИИ стал частью ежедневной работы, где всё держится на отдельных энтузиастах, а где внедрение пока существует только в презентации.
⠀
Прикладываю чек-лист для такой самопроверки. Отмечайте то, что реально используется в компании. Полезно пройти его вместе с руководителями подразделений: расхождения в ответах могут оказаться содержательнее итоговой суммы баллов.
⠀
Например, для руководителя агент уже внедрён — ему показали работающую демонстрацию. А сотрудники продолжают делать всё вручную, потому что агенту не хватает актуальных данных. Формально инструмент есть. Процесс остался прежним.
⠀
Как приглашённый эксперт и консультант я помогаю компаниям переходить на следующие уровни работы с ИИ. Разбираемся, что сдерживает переход: навыки команды, состояние данных, архитектура решений или организация работы. Затем определяем последовательность изменений, ответственных и критерии результата.
⠀
Чек-лист даёт отправную точку для этого разговора. Дальше нужна работа с конкретной компанией — её задачами, людьми и ограничениями.
⠀
Для каждого незакрытого пункта полезно задать вопрос: что должно измениться в нашей работе, чтобы здесь появилась обоснованная галочка? Ответ и станет первым шагом к плану перехода.

Страх перед ИИ тоже можно продавать
⠀
Ян Лекун в [интервью Fortune](https://fortune.com/2026/10/01/ai-godfather-yann-lecun-has-zero-concerns-about-human-extinction-says-anthropic-ceo-dario-amodei-is-deuded/) назвал заявления об уничтожении человечества ИИ «худшей маркетинговой кампанией, которую только можно представить».
⠀
А я думаю, что для привлечения инвестиций такая кампания вполне может работать.
⠀
Моё мнение: страшилки про побеги моделей, атаки ИИ и скорое наступление AGI — это маркетинговые ходы для привлечения денег. AGI здесь — тот самый универсальный искусственный интеллект, который обещают вывести на человеческий уровень в широком круге задач.
⠀
Посмотрите, какой образ создаётся. Если модель уже «сбегает», обходит ограничения и якобы угрожает человечеству, значит, у её разработчиков в руках что-то невероятно мощное. Читатель пугается, а потенциальному инвестору предлагают увидеть технологию, которую опасно упустить.
⠀
Предупреждение об опасности одновременно становится заявлением о могуществе продукта. Даже доказывать его полезность в конкретной задаче на этом фоне как будто менее интересно: тут судьба человечества решается, какие ещё показатели надёжности?
⠀
Именно поэтому в историях про «побег» мне нужен технический разбор. Какую задачу дали агенту? Какие инструменты и доступы ему предоставили? Где проходила граница разрешённых действий и чем она обеспечивалась? Что конкретно произошло, а что появилось уже в заголовке?
⠀
По этим деталям можно обсуждать устройство системы и её ограничения. По слову «сбежала» — только представлять себе цифровое существо, которое решило вырваться на свободу.
⠀
Риски нужно разбирать всерьёз: проверять доступы, изоляцию, контроль действий и последствия ошибок. Но масштаб страшилки сам по себе ничего не говорит о близости AGI.
⠀
Когда компания рассказывает, что её ИИ вот-вот станет опасен для человечества, я слышу ещё и рекламу: посмотрите, насколько далеко мы продвинулись, несите деньги. На мой взгляд, именно так и продают ожидание следующего технологического прорыва. Просто вместо обещания светлого будущего используют страх.