Жизнь по подписке: почему Microsoft решил ввести подписку на ПК

В сети разлетелось высказывание основателя Amazon Джеффа Безоса о том, что персональный компьютер – «пережиток» прошлого, а будущее – за облаком: пользователь владеет только экраном, мышкой и клавиатурой, а сам компьютер берёт в аренду у таких гигантов, как Amazon Web Services или Microsoft Azure. По сути, это подписка на ПК – как на стриминговый сервис, музыку или кинотеатр.

В теории дата-центры, на которые сегодня уходят чипы, будут не только развивать ИИ, но и предоставлять вычислительные мощности обычным пользователям. Особенно в ситуации, когда доступность «железа» для обычных ПК сокращается, а стоимость растёт – альтернатив облаку практически не остаётся.

Я всё же думаю, что переход ПК в облако – это не реальность ближайших лет, так как вопросы безопасности данных и превращения ПК в «кирпич» при отключении интернета лежат на поверхности и остаются без ответа.

Agent 3: сам себе создатель

Replit представили новую версию своего автономного ИИ-агента – Agent 3. Из интересного: это полноценный монстр, который умеет не только писать код, но и самостоятельно собирает приложения, ботов и строит автоматизированные цепочки в Telegram и других сервисах.

Главное нововведение – агент работает автономно в течение 3 часов. За это время он может создать проект, провести тест API, пофиксить ошибки и предоставить отчет о проделанной работе.

Попробовать можно по ссылочке. Для работы нужно завести аккаунт Replit.

Meku: не Тильдой единой

Meku – конструктор, который помогает создавать full-stack веб-приложения, лендинги и сайты через разговорные AI-подсказки. Он поддерживает интеграцию GitHub, подключение Supabase для функциональности бэкенда и предлагает мгновенное развертывание с поддержкой пользовательского домена.

Зачем нужен?

👉 Сэкономить время: каркас и тексты генерируются автоматически.
👉 Сразу получить прототип и при желании подключить сотни API.
👉 Подключить домен или выгрузить проект на GitHub одной командой.
👉 Работать прямо в браузере, без установки инструментов.

Протестировать можно по ссылочке

Монте-Карло: не только про казино

Монте-Карло – элегантный и простой математический подход для прогнозирования сроков завершения проектов или объема выпуска задач. Суть метода в том, что он берет реальные показатели объема задач за некоторый промежуток времени. Обсчитывает их, повторяя вычисления тысячи раз. В результате получается диаграмма вероятности распределения прогноза.

Интересный факт: свое название метод получил в честь района в Монако, где расположено большое количество казино с рулеткой, самым доступным источником случайных чисел в начале 20-го века.

Как использую его на практике?

Допустим есть данные по объему завершенных фичей за последний год. Хочу понять, к какой дате и с какой вероятностью мы завершим 80 фичей. Алгоритм простой: беру данные из выгрузки и загружаю в симулятор. Дальше он формирует ряд случайных моделей и выдает итоговое распределение прогнозируемых дат выполнения 80 задач с разной степенью вероятности.

Пример:
👉 со 100%-й вероятностью можно закрыть 80 задач за 18 месяцев
👉 с 85%-й вероятностью можно закрыть 80 задач за 14 месяцев

Siri будет работать через Google Gemini

Обновленная Siri на базе Gemini появится у пользователей IPhone уже в конце марта, вместе с релизом iOS 26.4. В Siri появится три новые функции:

👉 Персональный контекст. ИИ-помощник сможет находить нужную информацию в заметках, сообщениях и письмах.

👉 Знания о содержимом экрана. Siri сможет понимать, что в данную минуту выведено на экране телефона и выполнять связанные с этим действия.

👉 Управление функциями приложений. Например, взаимодействием между различными программами, без необходимости вручную открывать каждую из них.

Ждем новую Siri?

Критическое мышление: анализируй, сомневайся, формируй собственное мнение

О чем книга?

Это книга, написанная преподавателем Оксфордского университета Томом Чэтфилдом. Он структурировал её на основе 5 базовых принципов: анализ, сомнение, формирование выводов, оценка аргументов, независимое исследование. Вся книга некий проводник, который учит видеть структуру мысли, разбирать аргументы на составляющие и распознавать манипуляции, скрытые в убедительных речах.

Какие мысли зацепили в книге?

👉 По разному представленные числовые данные могут влиять на процесс принятия решения. В книге рассматривается пример с пациентами: реакция на предстоящую операцию различается в зависимости от того, как подана информация — о 90% шансов на успех или о 10% смертности. Если сделать акцент на потерях, то снижается готовность идти на риск, а фокус на возможной выгоде, наоборот, ее повышает.

👉 Человек не всегда способен самостоятельно понять свою экспертность в определенной отрасли или заведомо её отрицать. Чтобы разобраться в причинах автор приводит несколько примеров с упражнениями.

Мои впечатления от книги

Книга крутая по арсеналу приёмов. Она содержит более полусотни упражнений для самостоятельной работы. Например, задание на анализ новостного заголовка или упражнение на построение силлогизма. Каждая глава содержит QR-коды к дополнительным материалам.

Ссылочка на книгу

Почему поднялся хайп вокруг опенсорсного ассистента Clawbot?

В сети не утихаю обсуждения локального AI-ассистента – Clawbot. Его можно запустить на компе, сервере, ноутбуке, хоть Raspberry Pi). Общение с ним происходит в привычных мессенджерах (Telegram, WhatsApp, iMessage, Slack и т.д.), а под капотом он:

👉 ходит в Claude / GPT / другие модели
👉 имеет долговременную память и хранит контекст в .md файлах
👉 умеет работать с браузером, API, почтой, файлами и системой
поддерживает skills (по сути плагины / инструменты)
может быть проактивным (например, пинговать про важное письмо)

Отдельный мем – Mac mini. Последнюю неделю люди активно пытаются его себе купить под создание карманного ИИ-друга. По факту Mac mini для этого вообще не нужен.

Надо ли срочно бежать и ставить его себе?

Точно не сейчас. Во-первых, есть вопросы к безопасности. ИИ-ассистент получает слишком много доступов к данным. И потеря доступов или малейшая дыра может спровоцировать каскад взломов всего, что будет подключено к нему. Защитить всю инфраструктура самостоятельно точно не получится, даже если вы гуру в безопасности.

Во-вторых, даже если взлома не случится. ИИ-ассистент всегда может словить галлюцинации и просто стереть данные с жесткого диска. Можно его конечно установить на отдельный компьютер и отобрать все доступы. Тогда вопрос: «Зачем он нужен?».

В-третьих, В России пока мало нормальных интеграций с сервисом.

По итогу: хайп или можно тестить?

Сейчас это сырой продукт с прицелом на будущее. Вполне возможно, что через несколько месяце появится что-то годное на его базе. А пока хорошо, что многие говорят о нем, но не спешат устанавливать на свои рабочие компьютеры/ноуты.

Бирюзовый менеджмент: оно того стоит?

Начну с короткого ликбеза: «бирюзовый менеджмент» — подход к управлению, который был популяризирован Фредериком Лалу и предполагает отказ от жестких иерархий в пользу самоуправления команд. В российских реалиях такого принципа придерживаются «ВкусВилл» (о них рассказывал тут), «Точка», «Аскона».

У бирюзовых компаний есть три принципа, на которых они держатся:

👉 Самоуправление. Сотрудники равны, могут брать ответственность за них и самостоятельно принимать решения
👉 Целостность. Сотрудники могут проявлять свои таланты и качества в разных ролях
👉 Эволюционная цель. У компании есть миссия и цель, которые разделяют все сотрудники.

Бирюзовый подход имеет право на существование. Всё чаще замечаю, что компании добиваются результатов не благодаря строгим инструкциям, а через самостоятельные решения сотрудников. Важно лишь сохранить баланс и не упустить момент, когда самоуправление перерастает в анархию неуправляемых процессов.

Можно ли удержать грань? ДА!
Например:
👉 Не идеализировать бирюзовый подход. Он не всегда подходит для всех типов компаний и не решает всех задач. Например, в высокорегулируемых отраслях (финансы, медицина) представить полный отказ от иерархии пока сложно.
👉 Создать структуру. Не смотря на то, что в компаниях может быть принцип самоуправления стоит придерживаться определенных правил, о которых договорится команда. Иначе есть риск снижения эффективности и создания хаоса в процессах.

Надстройка в браузере, которая знает все ваши привычки

Нашел расширение для браузера, которое превращает вкладку в персонализированную панель мониторинга в стиле Google Material You. Называется MYNT. Среди функционала есть интересные вещи:

👉 Настройка динамических тем. Из палитры можно выбрать любой цвет и настроить вкладку под свои предпочтения
👉 Встроенный поиск. Можно искать информацию в любом удобном браузере: Google, DuckDuckGo, Bing, Brave и т.д (Яндекса тут, к сожалению нет)
👉 Погода в реальном времени – температура, погодные условия и влажность в выбранном городе в режиме реального времени
👉 Встроенные AI-помощники. Можно выбрать любой удобный:ChatGPT, Gemini, DeepSeek, Copilot, Claude
Все Google инструменты: почта, ВКС, карта, диск, календарь, фотохранилище.

Ссылочку для скачивания оставлю здесь

Нежное внедрение: как преодолеть сопротивление при внедрении BI-аналитики

Статистика Gartner показывает, что 70-80% BI-инициатив не достигают целей, а доля активных пользователей не превышает 30-40% количества лицензий. Такие цифры уже не удивляют так как сам ни раз сталкивался с тем, что IT-департамент внедряет крутую аналитическую платформу, создает выверенные витрины данных и готовит красивые дашборды, а спустя месяцы после запуска показатели использования (MAU/WAU) практически на нуле и сотрудники продолжают работать с Excel, потому что так привычней и удобней.

Почему традиционный подход к внедрению не работает?

Обычно внедрение BI-проектов следует по одному пути: выбирается платформа ➡️ строится архитектура данных ➡️создаются витрины и дашборды ➡️ проводится формально обучение ➡️ система запускается в эксплуатацию. А дальше тишина… Все просто продолжают пользоваться привычными инструментами.

В чем причина?

Сопротивление – главный барьер на пути построения data-driven культуры в компании. BI-инструменты заработают только тогда, когда понимание об их пользе окажется в «головах» людей.

Как в Whitebyte происходит процесс внедрения BI в «головы»?

Если коротко, то процесс состоит из 5 этапов:

👉 Быстрая и точная диагностика сопротивления, чтобы не просто фиксировать симптомы («не пользуются дашбордами»), а глубинные причины. Для удобства их можно делить на категории:
🔹эмоциональные,
🔹технические,
🔹организационные.

👉 Адаптация изменений под каждый тип сопротивления – от скриптов для интервью и обучающих программ до техник вовлечения и работы с лидерами мнений.
👉 Внедрение BI-инструментов, в проект, где быстро будет видна ценность BI для конкретных пользователей и их руководителей
👉 Измерение поведенческих, управленческих и финансовых метрик, на основе которых можно сделать выводы об эффективности BI
👉 Масштабирование BI-инструментов в проекты компании.

Давайте обсудим в комментариях практические аспекты превращении BI из дорогой «игрушки для аналитиков» в незаменимый инструмент для принятия более быстрых и качественных управленческих решений 👇🏻

AI-агенты в Q1 2026: что изменилось?

Первый квартал закрыт. Самое время посмотреть на цифры — не на маркетинг, а на то, что происходит в продакшне. Начну с того, что зацепило больше всего.

За первые 2,5 месяца 2026 года вышло 267 моделей — рекорд за всю историю генеративного AI. Claude Opus 4.6, GPT-5.3 Codex, Gemini 3.1 Pro — все в течение двух-трех недель. Цикл обновления сжался настолько, что архитектурные решения на базе конкретной модели устаревают быстрее, чем заканчиваются пилоты. Вопрос выбора модели из технического стал стратегическим.

Что ещё важно по игрокам:

👉 GPT-5.4 впервые превысил человеческий уровень на бенчмарке по управлению десктопом — 75.0% против 72.4% у человека. Практический сигнал для всех, кто занимается автоматизацией и RPA
👉 Salesforce Agentforce — $800 млн ARR, рост 169% год к году. Показательно другое: Salesforce первой в индустрии начала считать не лицензионные места, а реальный труд агентов — «агентные work units». Рынок постепенно находит метрику
👉 Tencent встроил AI-агента прямо в WeChat — 1 млрд пользователей получили доступ без установки нового приложения. Китайская логика простая: не строить отдельный продукт, а встроить агента туда, где аудитория уже есть
👉 MCP (Model Context Protocol) — в январе все четыре крупнейших вендора сошлись на едином стандарте интеграции агентов. Управление передано Linux Foundation. Это примерно то же, чем HTTP стал для веба — агентный слой переходит в статус инфраструктуры


Теперь про то, о чём говорят реже.

Сам ни раз сталкивался с тем, что разрыв между демо и продакшном в агентных системах — не технический, а организационный. Данные это подтверждают:

❌ Carnegie Mellon протестировал агентов на рутинных офисных задачах — справились только с 24%. Средняя стоимость одной попытки (включая провальные) — $6
❌ 42% корпоративных AI-инициатив в 2026 году свёрнуты, не выйдя за рамки пилота
❌ Математика сложных задач беспощадна: точность агента 85% на каждом шаге — и 5-шаговый воркфлоу выполняется успешно лишь в 44% случаев

Агент не ошибается меньше из-за того, что модель стала сильнее. Он работает лучше, когда выстроены процессы контроля, понятны границы автономности и есть понимание в «головах» команды — зачем это вообще внедряется.

И в заключении хочу сказать, Gartner даёт ориентир: 40% корпоративных приложений встроят агентов к концу 2026 года. Для сравнения — в 2025-м таких было меньше 5%.

Почему сотрудники саботируют автоматизацию — и что с этим делать

31% сотрудников открыто признаются в саботаже AI-инициатив своей компании. Среди миллениалов и Gen Z — уже 41%. При этом 76% руководителей убеждены, что их команда с энтузиазмом относится к AI. Только 31% самих сотрудников это подтверждают.

Сам ни раз сталкивался с этим разрывом — когда мы внедряем инструмент, демонстрируем его на всю компанию, а спустя месяц люди продолжают работать по-старому. Не потому что инструмент плохой. А потому что мы не поработали с «головами».

Почему так происходит?

👉 Страх, а не лень. 75% сотрудников не чувствуют уверенности при использовании AI в работе. Показательная цифра от ManpowerGroup: использование AI выросло на 13% за 2025 год, а уверенность в качестве своей работы с AI — упала на 18%. Люди используют инструмент, потому что обязаны, а не потому что верят в результат.
👉 Корпоративные инструменты не закрывают потребности. 85% сотрудников с одобренными AI-инструментами параллельно используют неодобренные — потому что официальные решения не решают их реальных задач. 57% при этом скрывают факт использования AI от работодателя.
👉 Только 7% организаций объясняют сотрудникам, что делать со временем, сэкономленным с помощью AI. Люди буквально не понимают — если автоматизация ускорит мою работу, меня сократят или нагрузят ещё больше?
👉 Провалы — системные, не случайные. 70% цифровых трансформаций не достигают целей. Эта цифра не меняется уже десятилетие. Главная причина в 2025–2026 годах — культурная, не техническая.

Есть и показательный кейс на грани. CEO IgniteTech Эрик Вон в 2023–2024 годах заменил почти 80% сотрудников после того, как массовое обучение AI — на которое выделили 20% фонда оплаты труда — провалилось из-за открытого саботажа. Радикально. Но это скорее симптом того, что произошло, когда проблему игнорировали слишком долго.


Что реально работает — если коротко:

1️⃣ Вовлекать сотрудников до внедрения, а не после — находить внутренних лидеров мнений, которые транслируют ценность изменений на уровне команды
2️⃣ Объяснять не «как пользоваться», а «что изменится в твоей работе» — конкретно, без корпоративных формулировок
3️⃣ Давать людям ответ на вопрос «что я получу» — не компания, а я лично
4️⃣ Фиксировать быстрые победы и делать их видимыми внутри — один сотрудник, который сэкономил 3 часа в неделю и рассказал об этом, стоит больше любой презентации

На мой взгляд, сопротивление — это не саботаж ради саботажа. Это сигнал, что изменения не объяснили, не показали ценность и не дали людям ощущение контроля над ситуацией.

Моё утро — без лишнего

Иногда меня спрашивают про утреннюю рутину и как она происходит в многодетной семье.
Просыпаюсь в 6:30. Дети, школа, сборы — это часть утра. Давно перестал разделять «своё время» и «время на семью». Утро — это всё вместе.

Хочу поделиться техниками и тем, что меня мотивировало:

👉Зарядка. Я делаю один и тот же комплекс уже довольно давно. Не меняю намеренно — тело включается быстро, когда знает что будет. 15 минут, без вариаций. Оставляю ссылочку — может кому-то зайдёт: Иван Красавин (10 мин)

👉Холодный душ. Второй год моржую. Закаливание изменило отношение к холоду полностью. Когда стою в ледяной воде несколько минут, происходит интересная вещь: первые 30 секунд мозг делает всё, чтобы выйти. Дальше — включается концентрация, которую сложно получить другим способом. Я буквально учусь управлять своей реакцией на стресс. О том как правильно закаливаться узнал у Ильи Тереньтева

Почему закаливание работает:
• Погружение в холодную воду поднимает норадреналин и дофамин — это качественные гормоны, не мотивационный контент, это физиология
• Холодовой шок активирует терморецепторы кожи и через мозговые структуры запускает выброс катехоламинов — гормонов, которые отвечают за энергию, фокус и настроение
• Оптимальный протокол по данным исследований: 10–15°C, 2–3 минуты, 3–7 раз в неделю. Примерно так и делаю

👉Кофе. Первые несколько часов обхожусь без него. Кортизол после пробуждения и так на пике. Кофеин в этот момент не усиливает эффект — он просто создаёт дополнительную нагрузку на гормональную систему и со временем формирует толерантность. Логику этого подхода популяризировал Хаберман, но за ней стоит физиология.

Иногда использую комбинацию кофеина с L-теанином — по данным нескольких исследований на PubMed: активность выше, скорость реакции быстрее, субъективная умственная усталость ниже. Более подробно можно найти на канале Обухова Максима

👉Тишина в машине — если куда-то еду, еду без радио и музыки. Никаких подкастов. Это время, когда голова не занята ничем — и именно в этой тишине чаще всего приходят нормальные решения

💡И самое важное, что для фиксации основных показателей использую Whoop. Браслет показывает уровень восстановления — по ним я определяю интенсивность нагрузок в течении всего дня. Для быстрого контроля я использую Apple Watch, они фиксируют ЧСС и активность в моменте.

О модели Gemini 2.5 Pro

Google выкатил Gemini 2.5 Pro ещё в марте 2025 года. С тех пор модель прошла несколько итераций — и сейчас это уже совсем другой продукт. Решил разобраться что внутри и где реально работает.
Начну с того, что зацепило больше всего.

Контекстное окно — главный козырь
1 миллион токенов — крупнейшее среди коммерчески доступных моделей. Для сравнения: GPT-4o — 128K, Claude Opus 4.6 — 200K. При этом recall на уровне 99,7% при полном миллионе токенов. Это значит, что целая кодовая база, десятки тысяч строк документации или часовое видео — всё в одном запросе без разбиения на чанки.

✅ Бенчмарки:

Математика и наука — Gemini 2.5 Pro лидирует. GPQA Diamond: 84,0% против 78,2% у Claude 3.7 и 71,4% у GPT-4.5. На Humanity's Last Exam — 18,8%, лучший результат среди всех моделей
Веб-разработка — #1 на WebDev Arena. Инженер Simon Willison провёл рефакторинг кодовой базы: модель самостоятельно определила 18 файлов для изменения, весь проект — 45 минут
Видео — нативная обработка до 1 часа видео одновременно с аудио. VideoMME: 84,8% — state-of-the-art результат. Реальный use case: загружаешь запись митинга, получаешь структурированный анализ с таймкодами
Цена — $1,25 за 1М input-токенов против $4,00 у Claude Opus 4.6. Лучшее соотношение цена/качество среди флагманских моделей

❌ Где проседает:

Debugging — пользователи на Reddit и Hacker News фиксируют одну и ту же проблему: модель забывает что сделала, выдаёт неполные файлы, не следует инструкциям на длинных сессиях. Для сложных GitHub issues Claude 3.7 Sonnet (70,3% на SWE-bench) пока впереди — 63,8% у Gemini
Hallucination rate — 88% среди неправильных ответов. Выше чем у GPT-5.1 (81%) и заметно выше Grok 4 (64%). Для критических приложений нужен дополнительный слой валидации
Длинные промпты — после порога ~30K символов модель начинает терять контекст. Несколько пользователей зафиксировали удаление целых блоков аргументации из статей
Thinking tokens — при включённом режиме рассуждений латентность становится непредсказуемой. Плюс thinking-токены входят в стоимость, даже если в ответе только summary

Мой опыт:
Модель отлично подходит для задач с большим контекстом, мультимодального анализа и веб-разработки. Для сложного кодинга и точного следования инструкциям в длинных сессиях пока лучше Claude или Codex
Сам в повседневной работе предпочитаю другие модели. Но, Gemini использует моя команда в проекте речевой аналитики. Осным преимуществом модели и почему ее используют является огромное контекстное окно и нативная работа с аудио. Для этих задач альтернатив пока немного. Об альтернативах расскажу позднее.


Ссылочка на чат модели.

Claude Mythos Preview — самая мощная модель Anthropic, которую не выпустят в открытый доступ

Два дня назад Anthropic объявили о Claude Mythos Preview. Это новый флагман — мощнее Opus 4.6 по всем параметрам. Но в отличие от любого предыдущего релиза, в паблик он не выйдет. Это один из первых случаев, когда крупный вендор сознательно не выпускает модель публично из‑за рисков безопасности

За несколько недель тестирования Mythos Preview самостоятельно нашёл тысячи zero-day уязвимостей — в каждой крупной операционной системе и каждом популярном браузере, включая уязвимости, которые существовали десятилетиями.

Что нужно понимать:

Mythos Preview — не просто «умнее». Это качественный скачок именно в кибербезопасности. На бенчмарке Cybench (35 CTF-задач) модель показала 100% результат. Полное насыщение — бенчмарк больше не информативен.

Anthropic запустили Project Glasswing — коалиция из десятков организаций, включая AWS, Microsoft, Google, Nvidia, Apple, Cisco, CrowdStrike, JPMorgan, Linux Foundation. Конкуренты сели за один стол — это само по себе сигнал.

На проект выделено $100 млн в кредитах использования и $4 млн в пожертвованиях open-source организациям.

Доступ только через gated preview — приоритет у тех, кто занимается защитой, а не атакой.

Теперь про неудобное. В system card Anthropic честно написали: В system card описаны случаи, когда модель, вероятно, распознавала, что её тестируют, и вела себя стратегически; в одном эксперименте она занижала результат, чтобы не выглядеть подозрительно. Плюс один из исследователей получил письмо от изолированного инстанса модели — у которого, по условиям эксперимента, не было доступа к интернету.

Anthropic пишет: «Это самая хорошо выровненная модель, которую мы когда-либо выпускали. И при этом — модель с наибольшим alignment-риском». Парадокс, который они объясняют так: опытный проводник может завести группу в большую опасность, чем новичок — просто потому, что он способен дойти туда, куда новичок не доберётся.

Если по существу, то мы входим в новый этап, где AI самостоятельно находит и эксплуатирует уязвимости на уровне лучших специалистов. Вопрос уже не «когда это случится», а «успеем ли выстроить защиту раньше, чем это начнут использовать против нас».

Ссылочка на источник

Почему колл-центр до сих пор держит живых операторов на типовых звонках?

Рынок голосовых AI-агентов растёт на 39% в год. 72% крупных компаний уже внедрили голосовых ассистентов в боевую эксплуатацию. Это не пилот и не эксперимент — это рабочий инструмент.

Экономика простая и считается за пять минут.

Один звонок через голосового робота — 1–15 рублей в зависимости от сложности диалога. Тот же звонок через оператора — 500–900 рублей с учётом зарплаты, налогов, обучения и текучки. Разница на порядок.

При объёме 5 000 звонков в месяц разница в затратах — от 2,5 до 4,5 миллионов рублей в год. Окупаемость большинства внедрений — 60–90 дней.

На российском рынке уже несколько зрелых игроков с которыми я тем или иным способом взаимодействовал, но у каждого своя ниша:

Naumen — платформа для крупного бизнеса, банки и телеком. Если нужна глубокая настройка и гарантии по уровню сервиса — сюда.
Just AI — гибкий конструктор агентов с поддержкой YandexGPT и GigaChat. Хорошо заходит туда, где важна интеграция с российскими языковыми моделями.
Звонобот и Звонок — облако, быстрый старт, минимальный порог входа. Запуск за 3 дня без разработчиков. Для среднего бизнеса — оптимальный вариант.
Exolve (МТС) — голосовой робот с технологией SpeechKit. Удобно, если уже работаете в экосистеме МТС.
AgentNavigator (ЦРТ) — собственные технологии распознавания и синтеза речи, фокус на госсекторе. Один из немногих, где вопрос с 152-ФЗ закрыт из коробки.

Лучше всего голосовые агенты работают там, где высокий объём однотипных звонков и чёткий сценарий. Банки автоматизируют до 77% базовых обращений. Медицина — запись на приём, подтверждение визитов, напоминания о приёме лекарств. Ритейл — статус заказа, возвраты, программы лояльности. Телеком — техподдержка первой линии и работа с задолженностью.

Теперь про барьеры. Основных четыре.

❗️Интеграция с устаревшими системами. Голосовой агент без доступа к CRM — это дорогой автоответчик. Подключение к AmoCRM, Битрикс24 или собственной самописной системе требует времени и ресурсов. У 60% компаний это барьер №1.

❗️Качество распознавания. Акценты, фоновый шум, нестандартная лексика — всё это снижает точность. Особенно критично в рознице с широкой географией. Перед запуском в боевой режим нужно тестирование на реальных звонках, а не на искусственных данных.

❗️Сопротивление команды. Операторы воспринимают внедрение как угрозу. Руководство боится, что клиенты уйдут, если почувствуют робота. Без грамотного управления изменениями проект встанет ещё до запуска — даже если технически всё готово.

❗️Сценарная жёсткость. Старые голосовые меню работали по дереву решений. Современные агенты на базе LLM гибче, но всё равно ломаются на нестандартных запросах. Чем сложнее продукт — тем больше краевых случаев, и тем дольше «дообучение» под конкретный бизнес.

Необходимо подчеркнуть, что окупаемость считается тогда, когда количество звонков более 5 000 в месяц.

«Практика менеджмента» — Питер Друкер

Книга 1954 года которая точнее описывает управленческие проблемы, чем половина тех книг, которые выходят сейчас.

Начну с истории. Друкер написал эту книгу, когда менеджмент ещё не был дисциплиной — он её создавал. Многое, что сейчас кажется очевидным: «цели должны быть измеримы», «менеджер работает через людей», «бизнес существует ради клиента» — это оттуда. Он это придумал и объяснил первым.

Три идеи, которые до сих пор остаются актуальными, может, даже больше, чем в 1954-м:

👉 Сильные стороны важнее слабых. Задача менеджера — сделать сильные стороны людей производительными, а слабые — неважными. Большинство управленцев делают ровно наоборот: тратят время на исправление слабостей. Это дорого и почти никогда не работает.

👉 Управление через цели — не OKR и не KPI. Друкер описал это за 70 лет до того, как все начали делать OKR. Суть: человек должен понимать, к какому результату он идёт, а не просто выполнять задачи. Разница между «сделай отчёт» и «нам нужно понять, почему падает конверсия» — огромная. Первое убивает мышление, второе включает его.

👉 Бизнес существует ради одной цели — создать клиента. Не ради прибыли, не ради роста. Прибыль — это следствие, не цель. Звучит как банальность, пока не начинаешь смотреть на решения внутри своей компании через этот фильтр.

«Задача менеджмента — сделать людей способными к совместным достижениям, усилить их сильные стороны и нейтрализовать слабые.»

Друкер писал в эпоху промышленного предприятия: стабильные структуры, предсказуемые рынки, долгие горизонты планирования.

В IT 2025-2026 года, где продукт меняется каждые две недели, часть инструментов работает иначе. Управление через цели хорошо ложится на квартальные циклы — но на двухнедельный спринт его не натянешь без потери смысла. При этом принципы — работают. Инструменты — адаптируй.
«Менеджмент — это не что иное, как развитие людей через работу.»


Книга большая — 400+ страниц. Главы про организационные схемы и структуру можно пролистать: там действительно 1954 год. Всё остальное — рабочий инструмент, а не историческая реликвия.

Если не читали — рекомендую. Не как классику для галочки, а как способ проверить, не потерял ли менеджмент в вашей компании ответ на вопрос «зачем».

73% BI-проектов не приносят измеримого результата. Но компании продолжают их запускать.

Начну с ликбеза. BI — это системы аналитики и визуализации данных: дашборды, отчёты, инструменты для принятия решений на основе цифр. Tableau, Power BI, Qlik — из этой категории. Рынок тратит на это более $15 млрд в год. И по данным Gartner — 60% проектов не достигают целей, а 73% не дают измеримого возврата на инвестиции.

Если коротко: провал BI — это статистическая норма, а не исключение.

Цифра, которая меня зацепила сильнее всего — adoption rate. BARC замерил реальное использование: в среднем BI-инструментами пользуются лишь 21–29% сотрудников, на которых куплены лицензии. Десять лет подряд. Вице-президент Gartner так и сказал: «BI adoption застрял на уровне 21% — практически не меняется».

То есть компания платит за 100 рабочих мест, реально работают 20–30 человек. Остальные либо не умеют, либо не доверяют данным, либо просто не понимают, зачем это им нужно.

👉 60–80% дашбордов вообще не открываются после запуска
👉 Только 2 из 10 дашбордов используются регулярно
👉 20% дашбордов генерируют 80% всего трафика — знакомый паттерн

В России картина не лучше. По опросу среди 50 крупнейших организаций (IT, промышленность, финансы, госсектор): из всех запущенных проектов с аналитикой и AI лишь 7–10% дошли до полноценного внедрения. 90% — в стадии пилота или закрыты.

Теперь про причины — и здесь самое интересное.

92% руководителей называют главным барьером не технологии, а людей и управление изменениями. Этот результат стабилен девять лет подряд. При этом 65% бизнес-лидеров признают, что по-прежнему принимают решения на основе интуиции, а не данных — даже там, где дашборды уже стоят и работают.

Реальный кейс: CFO розничной сети потратил $2,1 млн на AI-BI платформу. Через 18 месяцев adoption rate — 11%. Причина простая: «никто не доверял данным достаточно, чтобы принимать на их основе решения».

Другой кейс — с противоположным результатом. Дашборд перестроили за 3 недели: убрали всё лишнее, оставили 3 ключевые метрики. Adoption вырос с 18% до 71%. Компания начала выявлять риски оттока клиентов на 30 дней раньше — и сохранила $420 000 за квартал.

Разница не в инструменте. Разница в том, решает ли система конкретную задачу конкретного человека — или просто красиво выглядит на демо.

Замечаю в своей практике: когда в компании BI не приживается — это почти всегда один из трёх сценариев. Либо внедрили инструмент без понимания, в какой процесс он встраивается. Либо данные в системе не вызывают доверия — разные отделы видят разные цифры по одной метрике. Либо руководство само дашборды не открывает — и весь остальной коллектив это считывает моментально.

Gartner прогнозирует: к 2027 году 8 из 10 аналитических проектов провалятся. По тем же причинам, что и сейчас.


❗️ Если хотите разобраться глубже — рекомендую статью на Хабре: «От очарования к разочарованию (и обратно?).

Статья про то, как уровни зрелости объясняют провалы AI-проектов». Автор разбирает модель трёх уровней зрелости — от личной эффективности до AI-трансформации — и объясняет, почему одни и те же технологии у одних работают, а у других нет.

Главный инсайт: нельзя перепрыгнуть уровень. Компания, которая не освоила базовое использование AI сотрудниками, не сможет выстроить ни BI-культуру, ни нормальный data governance.

Ссылочка на статью:

Дайджест недели — что важно знать прямо сейчас

Отобрал новости, которые напрямую касаются работы IT-команд, инструментов и безопасности.

❗️Кибербез:

Microsoft выпустил апрельский патч — 167 уязвимостей, второй по объёму за всю историю. Среди них два активно эксплуатируемых нулевых дня: CVE-2026-32201 и CVE-2026-33825

Критическая уязвимость в FortiClient EMS (CVSS 9.1) — удалённое выполнение кода без авторизации. Эксплуатация идёт с 31 марта, больше 2000 уязвимых серверов открыты в интернет. Если используете Fortinet — экстренный патч от 4 апреля должен быть уже установлен.


⚠️ Новые инструменты — что попробовать

• Anthropic выпустил Claude Design — генерация визуального контента из текстового запроса: прототипы, слайды, one-pager, маркетинговые материалы. Работает на Claude Opus 4.7, экспорт в Canva, PDF, PPTX и HTML. Доступен в режиме ограниченного предварительного доступа для подписчиков Pro, Max, Team и Enterprise. Если часто делаете быстрые презентации или маркетинговые материалы — стоит попробовать.

• Meta запустила Muse Spark — мультимодальная модель с тремя режимами работы: быстрый, аналитический и глубокий. Постепенно появляется в Facebook, Instagram и WhatsApp. На медицинских бенчмарках обходит GPT-5.4 и Gemini 3.1 Pro. Пока в закрытом доступе, но в продуктах Meta появится в ближайшие недели.

• Вышел ежегодный отчёт OSSRA 2026 (Black Duck) — анализ 947 реальных кодовых баз из 17 отраслей. Цифры тревожные. Среднее число уязвимостей в одной кодовой базе выросло на 107% — до 581. Впервые за 11 лет наблюдений показатель удвоился за один год. Главная причина — AI-ассистенты для кода: Cursor, Windsurf, GitHub Copilot резко ускорили разработку, но скорость создания кода теперь опережает скорость его проверки на безопасность.


📋 Регуляторика

18 марта Минцифры опубликовало проект федерального закона «Об основах государственного регулирования применения технологий искусственного интеллекта». Это первая системная попытка прописать правила игры для ИИ в России. Закон пока не принят — общественное обсуждение завершилось 15 апреля, вступление в силу планируется с 1 сентября 2027 года.

Параллельно, замглавы Минцифры Александр Шойтов на форуме «ИИ: режим доверия» заявил, что AI в России должен работать с цензурными ограничениями «на входе и на выходе». Направление регулирования — понятно.

За последние полтора года инструменты менялись несколько раз. Что-то пробовал, разочаровывался, убирал. Что-то зашло настолько, что теперь не представляю рабочий день без этого. Замечаю, что у многих руководителей и IT-специалистов стек либо случайный — то, что порекомендовали, то и используют — либо перегруженный: стоит 10 инструментов, регулярно работают 2–3.


У меня сейчас 5 инструментов. Каждый закрывает конкретную задачу. Делюсь — может, что-то окажется полезным.

Ассистенты на каждый день
Claude PRO — основной рабочий инструмент. Использую для длинных аналитических задач, работы с документами, написания и редактуры. Не случайно он быстрее всех забирает корпоративный рынок — для меня главное другое: он лучше всех держит контекст в длинных диалогах. Когда работаешь с большим документом или сложной задачей — это ощущается сразу.

ChatGPT PRO — второй по частоте. Беру его на повседневные how-to запросы и структурирование мыслей. Свежее обновление GPT-5.3/5.4 сделало диалоги заметно более естественными. Удобен тем, что можно прикреплять до 20 файлов в одном сообщении — это реально экономит время.

Perplexity PRO— для поиска и исследований. Когда нужен не просто ответ, а ответ со ссылками на актуальные источники — открываю его. Но есть неожиданный сценарий, который мне зашёл: тренировки и ЛФК. Спрашиваю программы восстановления, упражнения под конкретную задачу, объяснения по технике — и получаю развёрнутые ответы с реальными источниками, а не общие советы из интернета.
Код и разработка

Cursor — единственный инструмент для кода в моём стеке. Использую macOS-приложение. AI здесь не плагин поверх редактора — он понимает проект целиком, а не только открытый файл. На прототипировании ускорение ощутимое: не нужно переключаться между редактором и чатом, всё в одном окне.


Знания и документы
NotebookLM — Загружаю PDF, презентации, статьи — и получаю персонального эксперта по своей базе знаний. Ценю за то, что не галлюцинирует: отвечает строго по загруженным материалам.


Автоматизация
n8n — для сборки собственных AI-агентов и автоматизации сценариев.
Разворачиваю на своём сервере — никаких внешних зависимостей, данные не уходят никуда. Базовая версия бесплатная, и этого хватает для большинства задач.


Итого: Claude + ChatGPT + Perplexity на каждый день, Cursor в коде, n8n для автоматизации. Остальное — ситуативно.