Вы не знаете, сколько реально тратите на AI (и это проблема)
В компаниях, которые активно работают с AI, расходы на инструменты почти никогда не управляются системно.
ChatGPT Pro, Claude Pro, Perplexity, Manus, Notion AI, Midjourney, Krea -у каждого сотрудника свой набор, подключённый по мере необходимости, без единого подхода и без централизованного контроля.
И значительная часть этих денег тратится неэффективно. Что происходит в больших - можно промолчать.
Проблема не в том, что инструментов много. Проблема в том, что никто не видит реальную картину потребления на уровне компании.
Кто-то берёт максимальный тариф «на всякий случай». Где-то инструменты дублируют друг друга. Где-то подписка, которая была нужна полгода назад, сегодня уже закрывается бесплатным тиром конкурента или другой моделью внутри текущего стека. Последние месяцев мы сами работали в таком режиме. Потом протестировали следующее.
Решение
Собрали простую связку из двух компонентов: OpenClaw как центральный агент и Chrome-плагин, который развернули на всю команду.
Плагин решает одну задачу: пассивно собирает метрики использования AI-инструментов — ChatGPT, Claude, Manus, Perplexity, Cursor и других.
Важно: не содержимое сессий, а именно метрики использования:
— какой инструмент используется
— как часто
— как долго
— какие функции реально задействованы
Эти данные отправляются в агента, где собираются в единый дашборд.
В результате видно не просто «кто сколько сидел в ChatGPT», а реальную структуру потребления по компании:
❗️какой процент сессий действительно требует Pro-функций
❗️где дорогой инструмент используется для простых задач
❗️где у сотрудников дублируются подписки
❗️где индивидуальные тарифы давно стоит заменить на командный план
Но самый интересный эффект был даже не в экономии.
Стало видно, где у команды реальные точки роста.
Если человек регулярно упирается в лимиты бесплатного тарифа - это сигнал, что ему нужен апгрейд, даже если он сам об этом не говорит.
Если сотрудник месяцами почти не открывает инструмент из своего стека - это уже повод пересмотреть, нужен ли он вообще.
В итоге контроль AI-подписок оказался не только про сокращение затрат.
Он оказался про видимость. Про понимание того, как команда на самом деле работает с AI: какие инструменты реально дают value, где идёт перерасход, где есть дублирование, а где, наоборот, сотрудникам не хватает нужного доступа.
Именно с этого момента AI-стек перестаёт быть хаотичным набором подписок и становится управляемой системой.
Если для вас это тоже актуально - напишите нам в ТГ. Поможем настроить такую систему под вашу команду: от кастомизации плагина до полного сетапа и дашборда под ваши AI-инструменты.
#AIкейсы
#AIстатегия
#AIинструменты
В компаниях, которые активно работают с AI, расходы на инструменты почти никогда не управляются системно.
ChatGPT Pro, Claude Pro, Perplexity, Manus, Notion AI, Midjourney, Krea -у каждого сотрудника свой набор, подключённый по мере необходимости, без единого подхода и без централизованного контроля.
В небольшой команде на 20 человек это легко превращается в $3 000–6 000 в месяц на подписки.
И значительная часть этих денег тратится неэффективно. Что происходит в больших - можно промолчать.
Проблема не в том, что инструментов много. Проблема в том, что никто не видит реальную картину потребления на уровне компании.
Кто-то берёт максимальный тариф «на всякий случай». Где-то инструменты дублируют друг друга. Где-то подписка, которая была нужна полгода назад, сегодня уже закрывается бесплатным тиром конкурента или другой моделью внутри текущего стека. Последние месяцев мы сами работали в таком режиме. Потом протестировали следующее.
Решение
Собрали простую связку из двух компонентов: OpenClaw как центральный агент и Chrome-плагин, который развернули на всю команду.
Плагин решает одну задачу: пассивно собирает метрики использования AI-инструментов — ChatGPT, Claude, Manus, Perplexity, Cursor и других.
Важно: не содержимое сессий, а именно метрики использования:
— какой инструмент используется
— как часто
— как долго
— какие функции реально задействованы
Эти данные отправляются в агента, где собираются в единый дашборд.
В результате видно не просто «кто сколько сидел в ChatGPT», а реальную структуру потребления по компании:
❗️какой процент сессий действительно требует Pro-функций
❗️где дорогой инструмент используется для простых задач
❗️где у сотрудников дублируются подписки
❗️где индивидуальные тарифы давно стоит заменить на командный план
Но самый интересный эффект был даже не в экономии.
Стало видно, где у команды реальные точки роста.
Если человек регулярно упирается в лимиты бесплатного тарифа - это сигнал, что ему нужен апгрейд, даже если он сам об этом не говорит.
Если сотрудник месяцами почти не открывает инструмент из своего стека - это уже повод пересмотреть, нужен ли он вообще.
В итоге контроль AI-подписок оказался не только про сокращение затрат.
Он оказался про видимость. Про понимание того, как команда на самом деле работает с AI: какие инструменты реально дают value, где идёт перерасход, где есть дублирование, а где, наоборот, сотрудникам не хватает нужного доступа.
Именно с этого момента AI-стек перестаёт быть хаотичным набором подписок и становится управляемой системой.
Если для вас это тоже актуально - напишите нам в ТГ. Поможем настроить такую систему под вашу команду: от кастомизации плагина до полного сетапа и дашборда под ваши AI-инструменты.
#AIкейсы
#AIстатегия
#AIинструменты
🔥8💯3❤2👍1👏1😱1
Почему протоколы встреч не работают — и как сделать систему, которая помнит все договорённости
В проектном бизнесе есть проблема, о которой все говорят, но мало кто решает: через три месяца никто уже точно не помнит, что обсуждалось с клиентом.
Договорённости расползаются по Zoom, Slack/Telegram и личным сообщениям.
В AI-проектах это особенно болезненно. Там, где в обычной разработке scope creep стоит недели, в AI он легко превращается в месяцы. Потому что «мы же обсуждали, что модель должна работать вот так» — это часто пересборка логики или архитектуры. Мы прожили это на своих проектах и решили починить.
В чём проблема
Длинный проект - это расхождение картины у участников. Клиент помнит одно, команда - другое. Обе стороны правы, просто зафиксировали разные версии разговора. Протоколы и саммари не спасают: они пишутся по памяти, выборочно и плохо ищутся через время. Нужен был не ещё один документ, а слой памяти с опорой на реальные коммуникации.
Решение
Мы собрали агента, подключённого к Zoom, Slack и Telegram-каналам, который формирует единый контур памяти по проекту.
- По Zoom агент автоматически забирает записи встреч, транскрибирует звонки, разбивает их на смысловые фрагменты, раскладывает всё по проектам и сохраняет привязку к источнику: дата, участники, таймкод.
- По Slack и Telegram агент регулярно выгружает переписку из проектных каналов, выделяет ключевые обсуждения, фиксирует решения, обещания, изменения формулировок и спорные точки, а также сохраняет и саммари, и исходный текст.
Все попадает в единую базу: саммари — для скорости, исходники — для проверки.
В итоге - единый слой памяти по проекту: звонки, переписка, решения и их контекст.
Как используется
Менеджер задаёт вопросы:
«Что обещали по мульти-агентной системе?»
«Когда появилось требование?»
«Это было в скоуп или добавилось позже?»
Система возвращает конкретные фрагменты: сообщение, транскрипт, дату.
Не «кажется обсуждали в марте», а: «Звонок 12 марта, 34-я минута — вот формулировка»
Ключевая часть - агент на звонке
Агент работает в реальном времени. Если текущая формулировка расходится с базой - пишет менеджеру в телеграмм прямо во время звонка.
Например: «Сейчас обсуждается срок 2 недели. В базе — 4 недели (звонок от 12 марта)»
Это сильно меняет динамику проекта.
Потому что большая часть споров по скоупу возникает не из-за злого умысла, а из-за того, что стороны честно помнят разные версии одного и того же обсуждения.
Агент закрывает этот разрыв до того, как он становится проблемой.
Если вы тоже работаете в проектном бизнесе с длинными циклами и узнаете эту проблему - напишите нам в ТГ. Покажем, как это устроено и как внедрить такой слой памяти в вашу проектную работу.
#AIкейсы
#AIинструменты
В проектном бизнесе есть проблема, о которой все говорят, но мало кто решает: через три месяца никто уже точно не помнит, что обсуждалось с клиентом.
Договорённости расползаются по Zoom, Slack/Telegram и личным сообщениям.
В какой-то момент ни аккаунт-менеджер, ни клиент не могут быстро восстановить: что было обещано, что согласовано, а что появилось позже. Здесь и начинаются споры про scope, сроки и обязательства.
В AI-проектах это особенно болезненно. Там, где в обычной разработке scope creep стоит недели, в AI он легко превращается в месяцы. Потому что «мы же обсуждали, что модель должна работать вот так» — это часто пересборка логики или архитектуры. Мы прожили это на своих проектах и решили починить.
В чём проблема
Длинный проект - это расхождение картины у участников. Клиент помнит одно, команда - другое. Обе стороны правы, просто зафиксировали разные версии разговора. Протоколы и саммари не спасают: они пишутся по памяти, выборочно и плохо ищутся через время. Нужен был не ещё один документ, а слой памяти с опорой на реальные коммуникации.
Решение
Мы собрали агента, подключённого к Zoom, Slack и Telegram-каналам, который формирует единый контур памяти по проекту.
- По Zoom агент автоматически забирает записи встреч, транскрибирует звонки, разбивает их на смысловые фрагменты, раскладывает всё по проектам и сохраняет привязку к источнику: дата, участники, таймкод.
- По Slack и Telegram агент регулярно выгружает переписку из проектных каналов, выделяет ключевые обсуждения, фиксирует решения, обещания, изменения формулировок и спорные точки, а также сохраняет и саммари, и исходный текст.
Все попадает в единую базу: саммари — для скорости, исходники — для проверки.
В итоге - единый слой памяти по проекту: звонки, переписка, решения и их контекст.
Как используется
Менеджер задаёт вопросы:
«Что обещали по мульти-агентной системе?»
«Когда появилось требование?»
«Это было в скоуп или добавилось позже?»
Система возвращает конкретные фрагменты: сообщение, транскрипт, дату.
Не «кажется обсуждали в марте», а: «Звонок 12 марта, 34-я минута — вот формулировка»
Ключевая часть - агент на звонке
Агент работает в реальном времени. Если текущая формулировка расходится с базой - пишет менеджеру в телеграмм прямо во время звонка.
Например: «Сейчас обсуждается срок 2 недели. В базе — 4 недели (звонок от 12 марта)»
Это сильно меняет динамику проекта.
Потому что большая часть споров по скоупу возникает не из-за злого умысла, а из-за того, что стороны честно помнят разные версии одного и того же обсуждения.
Агент закрывает этот разрыв до того, как он становится проблемой.
Если вы тоже работаете в проектном бизнесе с длинными циклами и узнаете эту проблему - напишите нам в ТГ. Покажем, как это устроено и как внедрить такой слой памяти в вашу проектную работу.
#AIкейсы
#AIинструменты
👍8❤7🔥4🆒2
Дайджест AI-новостей 6 апреля — 12 апреля
Делимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.
1. Anthropic не выпустила новую модель Claude Mythos в открытый доступ.
Вместо публичного запуска компания открыла ограниченный доступ только для защиты критически важного программного обеспечения через Project Glasswing. Идея в том, что модель слишком сильна в поиске уязвимостей, поэтому её решили сначала использовать в закрытом режиме вместе с крупными партнёрами.
Что это значит для бизнеса: вопрос безопасности AI-систем становится не “юридическим приложением”, а частью самой архитектуры внедрения. Если компания строит AI-решения, ей уже нужно думать не только о пользе модели, но и о том, какие новые риски она создаёт
2. Anthropic запустила Managed Agents — управляемую среду для AI-агентов.
Речь про облачную среду, где можно запускать долгоживущих агентов: с изолированной средой выполнения (sandbox — когда агент работает в отдельном безопасном контуре), сохранением промежуточного состояния (checkpointing — возможность “сохраниться” и продолжить позже) и ограничением прав доступа (scoped permissions — когда агенту дают только строго нужные разрешения). Параллельно компания продвигает подход, где одна модель выступает исполнителем, а более сильная — советником для сложных мест.
Что это значит для бизнеса: рынок начинает стандартизировать не только модели, но и сам слой запуска агентов. Это ускорит переход от разовых демо к более стабильным рабочим AI-системам.
3. Microsoft открыла модель Harrier для смыслового поиска на разных языках.
Harrier — это модель представления текста в виде чисел для поиска по смыслу (embedding model — модель, которая превращает текст в числовые векторы, чтобы система могла находить похожие фрагменты не по словам, а по смыслу). Microsoft заявляет лидерство на многоязычном бенчмарке MTEB-v2 и открыла модель под MIT-лицензией, то есть с возможностью коммерческого использования.
Что это значит для бизнеса: для корпоративных баз знаний и внутренних поисковых систем качество ответа часто упирается не в “главную LLM”, а именно в качество смыслового поиска. Для многоязычных компаний это особенно важно.
4. Meta представила Muse Spark — первую модель от нового подразделения Superintelligence Labs.
Это первая модель новой AI-структуры Meta, созданной после перестройки их AI-направления. В отличие от линейки Llama, Muse Spark сейчас запускается как проприетарная модель — то есть закрытая, без открытых весов и без свободного локального развёртывания. По совокупности первых бенчмарков и разборов её позиционируют в верхнем сегменте рынка: примерно между Claude Sonnet 4.6 и Claude Opus 4.6
Вышло интересное исследование от Fortune. Вот основные выводы из него:
• 54% офисных сотрудников за последний месяц обходили корпоративные AI-инструменты и делали работу вручную
• 33% вообще не использовали AI.
• 29% сотрудников прямо признались, что саботируют AI-стратегию компании; среди поколения Z (зумеры) таких уже 44%.
То есть в сумме около 80% сотрудников фактически избегают или отвергают навязанные AI-инструменты.
Что это значит для бизнеса: главный барьер внедрения AI - уже не доступ к моделям, а сопротивление людей. Поэтому внедрение AI - это не только технологии, но и управление изменениями: обучение, объяснение выгод, новая мотивация и нормальные правила использования.
Делимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.
1. Anthropic не выпустила новую модель Claude Mythos в открытый доступ.
Вместо публичного запуска компания открыла ограниченный доступ только для защиты критически важного программного обеспечения через Project Glasswing. Идея в том, что модель слишком сильна в поиске уязвимостей, поэтому её решили сначала использовать в закрытом режиме вместе с крупными партнёрами.
Что это значит для бизнеса: вопрос безопасности AI-систем становится не “юридическим приложением”, а частью самой архитектуры внедрения. Если компания строит AI-решения, ей уже нужно думать не только о пользе модели, но и о том, какие новые риски она создаёт
2. Anthropic запустила Managed Agents — управляемую среду для AI-агентов.
Речь про облачную среду, где можно запускать долгоживущих агентов: с изолированной средой выполнения (sandbox — когда агент работает в отдельном безопасном контуре), сохранением промежуточного состояния (checkpointing — возможность “сохраниться” и продолжить позже) и ограничением прав доступа (scoped permissions — когда агенту дают только строго нужные разрешения). Параллельно компания продвигает подход, где одна модель выступает исполнителем, а более сильная — советником для сложных мест.
Что это значит для бизнеса: рынок начинает стандартизировать не только модели, но и сам слой запуска агентов. Это ускорит переход от разовых демо к более стабильным рабочим AI-системам.
3. Microsoft открыла модель Harrier для смыслового поиска на разных языках.
Harrier — это модель представления текста в виде чисел для поиска по смыслу (embedding model — модель, которая превращает текст в числовые векторы, чтобы система могла находить похожие фрагменты не по словам, а по смыслу). Microsoft заявляет лидерство на многоязычном бенчмарке MTEB-v2 и открыла модель под MIT-лицензией, то есть с возможностью коммерческого использования.
Что это значит для бизнеса: для корпоративных баз знаний и внутренних поисковых систем качество ответа часто упирается не в “главную LLM”, а именно в качество смыслового поиска. Для многоязычных компаний это особенно важно.
4. Meta представила Muse Spark — первую модель от нового подразделения Superintelligence Labs.
Это первая модель новой AI-структуры Meta, созданной после перестройки их AI-направления. В отличие от линейки Llama, Muse Spark сейчас запускается как проприетарная модель — то есть закрытая, без открытых весов и без свободного локального развёртывания. По совокупности первых бенчмарков и разборов её позиционируют в верхнем сегменте рынка: примерно между Claude Sonnet 4.6 и Claude Opus 4.6
Вышло интересное исследование от Fortune. Вот основные выводы из него:
• 54% офисных сотрудников за последний месяц обходили корпоративные AI-инструменты и делали работу вручную
• 33% вообще не использовали AI.
• 29% сотрудников прямо признались, что саботируют AI-стратегию компании; среди поколения Z (зумеры) таких уже 44%.
То есть в сумме около 80% сотрудников фактически избегают или отвергают навязанные AI-инструменты.
Что это значит для бизнеса: главный барьер внедрения AI - уже не доступ к моделям, а сопротивление людей. Поэтому внедрение AI - это не только технологии, но и управление изменениями: обучение, объяснение выгод, новая мотивация и нормальные правила использования.
❤5🆒4💯3🔥2
AI в России 2026: что происходит на самом деле
Мы проанализировали рынок, данные исследовательских институтов и опыт внедрений в десятках компаний. Вот что получилось.
Главный вывод
Цифры, которые важно знать
→ 4,8% — средняя доля компаний в России, реально использующих AI
→ 63% называют стоимость главным барьером — но проблема не в цене модели
→ 48% средних и крупных компаний заявляют: "нам AI не нужен"
→ Половина внедривших фиксируют рост эффективности. Треть — рост выручки.
Вывод простой: те, кто внедрил — получают результат. Остальные теряют время.
Три этапа зрелости. Где вы?
Этап 1 — Песочница (большинство компаний)
Сотрудники сами нашли ChatGPT. Пробуют. Экспериментируют. Без системы, без данных, без результата в P&L.
Этап 2 — Масштабирование (треть компаний)
Появляются пилоты, инфраструктура, обучение команды. Первые измеримые эффекты.
Этап 3 — Трансформация (горизонт 1-2 года)
AI меняет операционную модель. Точечные решения вырастают в системы.
Главный вопрос не "использует ли ваша компания AI" — а "на каком этапе вы застряли и почему".
Почему пилоты не превращаются в результат
Не модели. Не бюджет. Узкое место — среда внедрения:
- Данные неполные, несогласованные, плохо размеченные
- Процессы не готовы к интеграции
- Инфраструктура выстраивается под давлением, а не по архитектуре
- Люди умеют пользоваться инструментом, но не умеют встраивать его в работу
Сильная модель на слабых данных не даёт устойчивого эффекта. Никогда.
Что отделяет лидеров от остальных
Побеждают не те, у кого лучшая модель.
Побеждают те, кто выстроил три вещи:
✦ Качественный контур данных
✦ Инфраструктуру под реальные задачи
✦ Экономику внедрения — не только CAPEX, но и стоимость эксплуатации
Полное исследование включает:
— Карту AI-зрелости российского рынка с данными по отраслям
— Реальные архитектуры корпоративного AI-стека: облако, изолированные контуры, open-source
— Агентный AI: что уже работает в production, что остаётся пилотом
— Регуляторику: что закладывать в архитектуру сейчас, чтобы не переделывать за двойной бюджет
— Барьеры внедрения с цифрами и практическими выводами
PDF — забирайте ниже 👇
Если узнали свою компанию на этапе 1 — отправьте тому, кто в вашей компании принимает решения по AI. Это важнее, чем следующий пилот без результата.
#AIмнение
#AIвРоссии
#AIдлябизнеса
#цифроваятрансформация
#Practicoai
Мы проанализировали рынок, данные исследовательских институтов и опыт внедрений в десятках компаний. Вот что получилось.
Главный вывод
Большинство компаний застряли между "мы пробуем AI" и "AI работает на нас".
Этот разрыв стоит денег. Каждый месяц.
Цифры, которые важно знать
→ 4,8% — средняя доля компаний в России, реально использующих AI
→ 63% называют стоимость главным барьером — но проблема не в цене модели
→ 48% средних и крупных компаний заявляют: "нам AI не нужен"
→ Половина внедривших фиксируют рост эффективности. Треть — рост выручки.
Вывод простой: те, кто внедрил — получают результат. Остальные теряют время.
Три этапа зрелости. Где вы?
Этап 1 — Песочница (большинство компаний)
Сотрудники сами нашли ChatGPT. Пробуют. Экспериментируют. Без системы, без данных, без результата в P&L.
Этап 2 — Масштабирование (треть компаний)
Появляются пилоты, инфраструктура, обучение команды. Первые измеримые эффекты.
Этап 3 — Трансформация (горизонт 1-2 года)
AI меняет операционную модель. Точечные решения вырастают в системы.
Главный вопрос не "использует ли ваша компания AI" — а "на каком этапе вы застряли и почему".
Почему пилоты не превращаются в результат
Не модели. Не бюджет. Узкое место — среда внедрения:
- Данные неполные, несогласованные, плохо размеченные
- Процессы не готовы к интеграции
- Инфраструктура выстраивается под давлением, а не по архитектуре
- Люди умеют пользоваться инструментом, но не умеют встраивать его в работу
Сильная модель на слабых данных не даёт устойчивого эффекта. Никогда.
Что отделяет лидеров от остальных
Побеждают не те, у кого лучшая модель.
Побеждают те, кто выстроил три вещи:
✦ Качественный контур данных
✦ Инфраструктуру под реальные задачи
✦ Экономику внедрения — не только CAPEX, но и стоимость эксплуатации
В 2025-2026 устойчивое конкурентное преимущество формируется на уровне архитектуры, а не выбора провайдера моделей.
Полное исследование включает:
— Карту AI-зрелости российского рынка с данными по отраслям
— Реальные архитектуры корпоративного AI-стека: облако, изолированные контуры, open-source
— Агентный AI: что уже работает в production, что остаётся пилотом
— Регуляторику: что закладывать в архитектуру сейчас, чтобы не переделывать за двойной бюджет
— Барьеры внедрения с цифрами и практическими выводами
PDF — забирайте ниже 👇
Если узнали свою компанию на этапе 1 — отправьте тому, кто в вашей компании принимает решения по AI. Это важнее, чем следующий пилот без результата.
#AIмнение
#AIвРоссии
#AIдлябизнеса
#цифроваятрансформация
#Practicoai
🔥8🆒8👍5❤3
Обзор развития ИИ в 2026.pdf
957.9 KB
Если остались вопросы, напишите нам в ТГ, назначим Бесплатную консультацию с экспертом, где вы получите отчет по вашей компании, с описание куда стоит внедрить ИИ в вашей организации, какими инструментами и за какой срок это можно реализовать.
Посмотрите другие материалы и посты для бизнеса:
🤖 Руководство по ИИ-агенту Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.
🤖 17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)
👉Какие задачи в компании хорошо решает ИИ
👉AI в продажах: как увеличить конверсию и автоматизировать работу отдела продаж
👉AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR
👉AI-аналитика для руководителей: как получать управленческие ответы за минуты
Посмотрите другие материалы и посты для бизнеса:
🤖 Руководство по ИИ-агенту Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.
🤖 17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)
👉Какие задачи в компании хорошо решает ИИ
👉AI в продажах: как увеличить конверсию и автоматизировать работу отдела продаж
👉AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR
👉AI-аналитика для руководителей: как получать управленческие ответы за минуты
👍8🆒6👨💻3💯2🔥1
Дайджест AI-новостей 13 апреля — 19 апреля
Делимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.
Важное по моделям за эту неделю:
1. Anthropic выпустила Claude Opus 4.7
Улучшения в коде и тексте, новый токенизатор (компонент, который разбивает текст на фрагменты для обработки — от него зависит скорость и стоимость запросов), улучшенное понимание изображений и Adaptive Thinking - механизм, при котором модель сама решает, сколько «думать» над задачей, вместо ручной настройки параметра температуры.
🔹 Тренд 1. AI все больше выходит на десктопные приложения
На этой неделе сразу несколько компании одновременно выкатили разные обновления под десктоп. AI перестает быть только браузерными чатами и становится фоновым процессом на рабочем месте, что дает ещё больше автоматизации с минимальным порогом входа. По сути, все игроки следует тренду, который задали Claude Cowork и Manus.
2. OpenAI превратила Codex в полноценного десктоп-агента
Codex вышел за рамки кодинга: теперь это фоновый агент с computer use на macOS (возможность управлять компьютером — кликать, печатать, переключать окна), встроенным браузером с комментариями прямо на странице, генерацией картинок, 90+ плагинами, памятью и автоматизациями.
3. Google выпустил нативное приложение Gemini для macOS - бесплатно, можно показать экран и задать вопрос по тому, что на нём, плюс генерация изображений через Nano Banana и видео через Veo. А также десктопный AI-поиск для Windows - системный поиск по вебу, локальным файлам, приложениям и Google Drive через горячую клавишу Alt+Space.
4. Perplexity запустила Personal Computer на Mac
оркестрационный слой поверх локальных файлов, нативных приложений и браузера. Использует ~20 различных моделей и направляет задачи к наиболее подходящей. Может работать 24/7 на Mac mini, задачи можно запускать с iPhone. Пока доступно по подписке Max или через waitlist.
🔹 Тренд 2. Агенты становятся все более автономными и стандартизируются
Агенты начинают работать не только по запросу, но и по расписанию, триггерам и событиям. Параллельно все больше платформ применяют единый подход к управлению ими: через правила, навыки (skills) и переиспользуемые конфигурации.
5. Anthropic обновила Claude Code Desktop: добавили сплит-сессии, встроенный терминал, редактор файлов, превью HTML/PDF и добавили "Routines" - расписания и API-триггеры для агента. По сути, агент теперь может работать по расписанию или запускаться автоматически по внешнему событию.
6. Google выпустил Skills в Gemini для Chrome - сохраненные инструкции, которые запускаются одной командой на любой веб-странице. По сути, макросы на основе AI, которые можно стандартизировать внутри команды.
🔹 Тренд 3. Все больше AI инструментов в сфере дизайна
AI-инструментов для дизайна становится все больше - в середине марта Google выкатил Stitch - AI-инструмент для генерации UI из текстовых промптов с бесконечным канвасом и экспортом в Figma.
7. На этой неделе Anthropic выпустил Claude Design
Умеет делать прототипы, слайды и лендинги. В отличие от Stitch, который фокусируется на UI/UX, Claude Design берет шире: презентации, маркетинговые материалы, one-pagers. Умеет читать кодовую базу и дизайн-файлы команды, чтобы автоматически применять дизайн-систему (цвета, шрифты, компоненты). Есть экспорт в Canva, PDF, PPTX, HTML.
Делимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.
Важное по моделям за эту неделю:
1. Anthropic выпустила Claude Opus 4.7
Улучшения в коде и тексте, новый токенизатор (компонент, который разбивает текст на фрагменты для обработки — от него зависит скорость и стоимость запросов), улучшенное понимание изображений и Adaptive Thinking - механизм, при котором модель сама решает, сколько «думать» над задачей, вместо ручной настройки параметра температуры.
🔹 Тренд 1. AI все больше выходит на десктопные приложения
На этой неделе сразу несколько компании одновременно выкатили разные обновления под десктоп. AI перестает быть только браузерными чатами и становится фоновым процессом на рабочем месте, что дает ещё больше автоматизации с минимальным порогом входа. По сути, все игроки следует тренду, который задали Claude Cowork и Manus.
2. OpenAI превратила Codex в полноценного десктоп-агента
Codex вышел за рамки кодинга: теперь это фоновый агент с computer use на macOS (возможность управлять компьютером — кликать, печатать, переключать окна), встроенным браузером с комментариями прямо на странице, генерацией картинок, 90+ плагинами, памятью и автоматизациями.
3. Google выпустил нативное приложение Gemini для macOS - бесплатно, можно показать экран и задать вопрос по тому, что на нём, плюс генерация изображений через Nano Banana и видео через Veo. А также десктопный AI-поиск для Windows - системный поиск по вебу, локальным файлам, приложениям и Google Drive через горячую клавишу Alt+Space.
4. Perplexity запустила Personal Computer на Mac
оркестрационный слой поверх локальных файлов, нативных приложений и браузера. Использует ~20 различных моделей и направляет задачи к наиболее подходящей. Может работать 24/7 на Mac mini, задачи можно запускать с iPhone. Пока доступно по подписке Max или через waitlist.
🔹 Тренд 2. Агенты становятся все более автономными и стандартизируются
Агенты начинают работать не только по запросу, но и по расписанию, триггерам и событиям. Параллельно все больше платформ применяют единый подход к управлению ими: через правила, навыки (skills) и переиспользуемые конфигурации.
5. Anthropic обновила Claude Code Desktop: добавили сплит-сессии, встроенный терминал, редактор файлов, превью HTML/PDF и добавили "Routines" - расписания и API-триггеры для агента. По сути, агент теперь может работать по расписанию или запускаться автоматически по внешнему событию.
6. Google выпустил Skills в Gemini для Chrome - сохраненные инструкции, которые запускаются одной командой на любой веб-странице. По сути, макросы на основе AI, которые можно стандартизировать внутри команды.
🔹 Тренд 3. Все больше AI инструментов в сфере дизайна
AI-инструментов для дизайна становится все больше - в середине марта Google выкатил Stitch - AI-инструмент для генерации UI из текстовых промптов с бесконечным канвасом и экспортом в Figma.
7. На этой неделе Anthropic выпустил Claude Design
Умеет делать прототипы, слайды и лендинги. В отличие от Stitch, который фокусируется на UI/UX, Claude Design берет шире: презентации, маркетинговые материалы, one-pagers. Умеет читать кодовую базу и дизайн-файлы команды, чтобы автоматически применять дизайн-систему (цвета, шрифты, компоненты). Есть экспорт в Canva, PDF, PPTX, HTML.
👍12🔥8❤2
Мы все чаще видим одну и ту же проблему у компаний, которые хотят запускать AI-решения во внутреннем контуре.
Идея простая:
Но дальше возникает сложный вопрос:
А какая инфраструктура вообще нужна?
• Сколько GPU?
• Какие модели использовать?
• Какой объём запросов выдержит система?
• Сколько будет стоить обработка документов, обращений, корпоративной базы знаний или данных клиентов?
Сейчас мы, работаем над проектом для частных школ в штатах, где AI-система должна обрабатывать данные студентов. В таком сценарии вопрос инфраструктуры становится критичным: нужно не просто “прикрутить AI”, а спроектировать решение так, чтобы данные студентов оставались в контролируемом контуре, с понятной архитектурой, доступами, безопасностью и предсказуемой стоимостью эксплуатации.
Для многих компаний это сложно оценить на старте - особенно до полноценного технического обследования.
Поэтому мы сделали простую и бесплатную тулу:
Калькулятор по подбору инфраструктуры, класса моделей и формата внедрения:
https://calc.practico.ai/tools/private-ai-calculator
Он помогает быстро прикинуть, какая инфраструктура может понадобиться для запуска AI-решения во внутреннем контуре, и получить ориентир по стоимости.
Калькулятор полезен, если вы планируете:
• AI-ассистента для сотрудников;
• RAG / поиск по корпоративной базе знаний;
• обработку документов;
• AI-агента для продаж, поддержки, HR или внутренней аналитики;
• внедрение AI в private cloud или on-prem из-за требований безопасности;
• AI-решения для сфер, где есть чувствительные данные: образование, медицина, финансы, юридические услуги, HR.
Посчитайте свой сценарий в калькуляторе тут:
А если хотите подобрать инфраструктуру точнее под ваш кейс - напишите нам. Поможем оценить нагрузку, архитектуру и реалистичную стоимость запуска private AI-решения.
Идея простая:
данные нельзя отправлять во внешние сервисы, нужен private cloud или on-prem, доступы должны быть под контролем, инфраструктура — внутри периметра компании.
Но дальше возникает сложный вопрос:
А какая инфраструктура вообще нужна?
• Сколько GPU?
• Какие модели использовать?
• Какой объём запросов выдержит система?
• Сколько будет стоить обработка документов, обращений, корпоративной базы знаний или данных клиентов?
Сейчас мы, работаем над проектом для частных школ в штатах, где AI-система должна обрабатывать данные студентов. В таком сценарии вопрос инфраструктуры становится критичным: нужно не просто “прикрутить AI”, а спроектировать решение так, чтобы данные студентов оставались в контролируемом контуре, с понятной архитектурой, доступами, безопасностью и предсказуемой стоимостью эксплуатации.
Для многих компаний это сложно оценить на старте - особенно до полноценного технического обследования.
Поэтому мы сделали простую и бесплатную тулу:
Калькулятор по подбору инфраструктуры, класса моделей и формата внедрения:
https://calc.practico.ai/tools/private-ai-calculator
Он помогает быстро прикинуть, какая инфраструктура может понадобиться для запуска AI-решения во внутреннем контуре, и получить ориентир по стоимости.
Калькулятор полезен, если вы планируете:
• AI-ассистента для сотрудников;
• RAG / поиск по корпоративной базе знаний;
• обработку документов;
• AI-агента для продаж, поддержки, HR или внутренней аналитики;
• внедрение AI в private cloud или on-prem из-за требований безопасности;
• AI-решения для сфер, где есть чувствительные данные: образование, медицина, финансы, юридические услуги, HR.
Посчитайте свой сценарий в калькуляторе тут:
А если хотите подобрать инфраструктуру точнее под ваш кейс - напишите нам. Поможем оценить нагрузку, архитектуру и реалистичную стоимость запуска private AI-решения.
👍9🔥9❤6
Хотим поделиться одним интересным наблюдением из консалтингового проекта по AI-внедрению для клиента, с которым сейчас работаем.
Кейс на первый взгляд выглядит как идеальная задача для AI: много видео, много ручной проверки, понятный сценарий автоматизации. Но когда начинаешь считать экономику, инфраструктуру и требования информационной безопасности, становится видно: не везде AI даёт прямой экономический эффект.
Вводные данные:
• сеть fashion-ритейла;
• около 50 магазинов;
• в каждой точке — от 1 до 4 камер;
• задача - отслеживать действия в торговом зале: как работают сотрудники, что происходит с клиентами, соблюдаются ли стандарты, где возникают отклонения.
На бумаге звучит идеально для мультимодального AI. Но дальше начинается экономика.
Берём даже самый простой сценарий: 50 точек × 1 HD-камера × 12 часов видео в день. Это 600 camera-hours в день, или 36 000 минут видео ежедневно.
Если гнать это через мультимодальную модель по API, например по ставке около $0.002 за минуту видео, получается:
50 камер × 12 часов × 60 минут × $0.002 = $72 в день.
В рублях это около 5 400 ₽ в день.
За месяц — примерно 160 000 ₽ только на API-вход видео.
Если считать реалистичнее - с повторами, чанкингом, спорными фрагментами, отчётами, очередями и инфраструктурой — себестоимость может быть ближе к 250–700 тыс. ₽ в месяц.
И это ещё без разработки пайплайна, хранения видео, настройки зон, интеграций, контроля качества и поддержки. На API это выглядит более-менее жизнеспособно.
Но есть проблема.
В корпоративной среде видео с камер почти никогда нельзя просто отправить во внешний AI-сервис. Особенно если это сеть магазинов, внутренняя инфраструктура, требования ИБ, персональные данные, сотрудники, покупатели и видеонаблюдение.
Значит, нужен private cloud или on-prem. А там экономика резко меняется: GPU, хранение, обработка видеопотока, DevOps, мониторинг, отказоустойчивость, безопасность, доступы, логирование.
Можно сказать: “Окей, тогда не будем использовать мультимодальную модель, сделаем обычное компьютерное зрение”. Но это тоже не всегда решает задачу.
CV хорошо работает, когда нужно посчитать людей, зафиксировать движение, распознать объект или пересечение зоны. Но здесь нужно не просто увидеть человека в кадре, а понять бизнес-контекст: подошёл ли сотрудник к клиенту, была ли консультация, соблюдён ли стандарт сервиса, было ли действие отклонением или нормальной ситуацией.
То есть CV может быть частью решения, но не всей системой. Все равно нужен сложный пайплайн: события, зоны, роли, временные интервалы, разметка, бизнес-логика, отчёты и контроль качества. И стоимость такого контура может легко стать выше, чем сама бизнес-проблема, которую мы пытаемся решить.
Самое интересное, что сейчас подобные задачи решаются человеком на зарплате до 100 000 ₽ в месяц.
Да, это муторный ручной труд. Да, он не отсматривает все камеры полностью. Да, качество контроля ограничено. Да, есть человеческий фактор.
Но с точки зрения прямой экономики это все еще может быть дешевле, чем полноценная AI-интеграция внутри защищённого контура.
И это важная мысль. AI не всегда нужно внедрять просто потому, что технически это возможно.
Сначала нужно понять, где AI действительно даст эффект: снизит издержки, ускорит процесс, уменьшит количество ошибок, повысит выручку или даст управляемость там, где сейчас ее нет.
В таких задачах правильный подход - не “давайте что-то подключим к AI”.
Правильный подход - сначала найти точку, где AI создаёт измеримый бизнес-результат. Именно поэтому мы отдельно занимаемся консалтингом по внедрению AI.
Мы помогаем компаниям разобрать реальные бизнес-процессы, оценить экономику, требования ИБ, стоимость инфраструктуры и выбрать те сценарии, где AI даст максимальный эффект.
Потому что иногда AI экономит деньги, а иногда просто превращает дешёвый ручной процесс в дорогую технологическую систему. И наша задача - до разработки показать, где AI действительно имеет смысл внедрять. Напишите нам - обсудим, как мы можем помочь вам во внедрении AI.
Кейс на первый взгляд выглядит как идеальная задача для AI: много видео, много ручной проверки, понятный сценарий автоматизации. Но когда начинаешь считать экономику, инфраструктуру и требования информационной безопасности, становится видно: не везде AI даёт прямой экономический эффект.
Вводные данные:
• сеть fashion-ритейла;
• около 50 магазинов;
• в каждой точке — от 1 до 4 камер;
• задача - отслеживать действия в торговом зале: как работают сотрудники, что происходит с клиентами, соблюдаются ли стандарты, где возникают отклонения.
На бумаге звучит идеально для мультимодального AI. Но дальше начинается экономика.
Берём даже самый простой сценарий: 50 точек × 1 HD-камера × 12 часов видео в день. Это 600 camera-hours в день, или 36 000 минут видео ежедневно.
Если гнать это через мультимодальную модель по API, например по ставке около $0.002 за минуту видео, получается:
50 камер × 12 часов × 60 минут × $0.002 = $72 в день.
В рублях это около 5 400 ₽ в день.
За месяц — примерно 160 000 ₽ только на API-вход видео.
Если считать реалистичнее - с повторами, чанкингом, спорными фрагментами, отчётами, очередями и инфраструктурой — себестоимость может быть ближе к 250–700 тыс. ₽ в месяц.
И это ещё без разработки пайплайна, хранения видео, настройки зон, интеграций, контроля качества и поддержки. На API это выглядит более-менее жизнеспособно.
Но есть проблема.
В корпоративной среде видео с камер почти никогда нельзя просто отправить во внешний AI-сервис. Особенно если это сеть магазинов, внутренняя инфраструктура, требования ИБ, персональные данные, сотрудники, покупатели и видеонаблюдение.
Значит, нужен private cloud или on-prem. А там экономика резко меняется: GPU, хранение, обработка видеопотока, DevOps, мониторинг, отказоустойчивость, безопасность, доступы, логирование.
Можно сказать: “Окей, тогда не будем использовать мультимодальную модель, сделаем обычное компьютерное зрение”. Но это тоже не всегда решает задачу.
CV хорошо работает, когда нужно посчитать людей, зафиксировать движение, распознать объект или пересечение зоны. Но здесь нужно не просто увидеть человека в кадре, а понять бизнес-контекст: подошёл ли сотрудник к клиенту, была ли консультация, соблюдён ли стандарт сервиса, было ли действие отклонением или нормальной ситуацией.
То есть CV может быть частью решения, но не всей системой. Все равно нужен сложный пайплайн: события, зоны, роли, временные интервалы, разметка, бизнес-логика, отчёты и контроль качества. И стоимость такого контура может легко стать выше, чем сама бизнес-проблема, которую мы пытаемся решить.
Самое интересное, что сейчас подобные задачи решаются человеком на зарплате до 100 000 ₽ в месяц.
Да, это муторный ручной труд. Да, он не отсматривает все камеры полностью. Да, качество контроля ограничено. Да, есть человеческий фактор.
Но с точки зрения прямой экономики это все еще может быть дешевле, чем полноценная AI-интеграция внутри защищённого контура.
И это важная мысль. AI не всегда нужно внедрять просто потому, что технически это возможно.
Сначала нужно понять, где AI действительно даст эффект: снизит издержки, ускорит процесс, уменьшит количество ошибок, повысит выручку или даст управляемость там, где сейчас ее нет.
В таких задачах правильный подход - не “давайте что-то подключим к AI”.
Правильный подход - сначала найти точку, где AI создаёт измеримый бизнес-результат. Именно поэтому мы отдельно занимаемся консалтингом по внедрению AI.
Мы помогаем компаниям разобрать реальные бизнес-процессы, оценить экономику, требования ИБ, стоимость инфраструктуры и выбрать те сценарии, где AI даст максимальный эффект.
Потому что иногда AI экономит деньги, а иногда просто превращает дешёвый ручной процесс в дорогую технологическую систему. И наша задача - до разработки показать, где AI действительно имеет смысл внедрять. Напишите нам - обсудим, как мы можем помочь вам во внедрении AI.
🔥4❤2👍1
Дайджест AI-новостей 20 апреля - 10 мая
Пропустили выпуск на прошлой неделе - собрали главное за две недели в AI, с фокусом на то, что важно для бизнеса.
Важное по моделям:
1) OpenAI выпустила GPT-5.5. Новая флагманская модель получила контекст до 1 млн токенов и ориентирована на сложные рабочие задачи: анализ документов, кодинг, research и агентские сценарии. Цена в API — $5 за 1 млн входных токенов и $30 за 1 млн выходных.
2) DeepSeek представила V4 Preview. DeepSeek выпустила две версии модели: Pro и Flash. Обе поддерживают контекст до 1 млн токенов. Pro рассчитана на более сложные задачи, Flash — на быстрые и дешёвые сценарии.
3) Moonshot AI обновила Kimi до K2.6. Kimi K2.6 усилили в задачах долгого кодинга: работа с большими репозиториями, DevOps, фронтендом и многошаговой разработкой.
4) Qwen выпустила Qwen3.6-27B и Qwen3.6-Max-Preview. Alibaba представила dense-модель на 27B параметров с фокусом на агентский кодинг.
Dense-модель - модель, в которой при обработке запроса работает вся сеть, в отличие от MoE-подхода.
5) OpenAI представила новые realtime audio-модели. GPT-Realtime-2, Realtime-Translate и Realtime-Whisper усиливают направление голосовых AI-ассистентов. Realtime-Translate поддерживает перевод речи из 70+ языков.
Апдейты по агентным системам:
1) OpenAI запустила Workspace Agents в ChatGPT. OpenAI представила Workspace Agents — командных AI-агентов внутри ChatGPT для Business, Enterprise, Edu и Teachers-планов. Workspace agent — это агент, который работает не только для одного пользователя, а внутри рабочей среды команды или компании. Его можно использовать для повторяющихся задач: подготовки документов, анализа данных, работы с внутренними материалами, поддержки сотрудников, research-задач и операционных процессов.
Ключевое отличие от обычного ChatGPT: агент становится частью общего рабочего пространства, а не личным помощником одного сотрудника.
2) Anthropic усилила Claude Managed Agents. Anthropic обновила Claude Managed Agents — управляемых AI-агентов для рабочих задач. В них появились новые возможности: multiagent orchestration, webhooks, dreaming и outcomes.
• Multiagent orchestration — координация нескольких агентов внутри одной задачи. Например, один агент собирает данные, второй анализирует, третий готовит документ, четвёртый проверяет качество.
• Webhook — автоматический сигнал во внешнюю систему после события. Например, агент закончил анализ отчёта → система автоматически создаёт задачу в Jira, отправляет уведомление в Slack или обновляет CRM.
• Outcomes — работа не просто по инструкции, а по заданному результату. То есть агенту задают цель: не «сделай один шаг», а «доведи задачу до нужного состояния».
• Dreaming — механизм, при котором агент анализирует прошлые сессии и улучшает своё поведение, память и подход к задачам.
3) Claude Cowork можно запускать через стороннюю инфраструктуру. Claude Cowork теперь можно использовать через Amazon Bedrock, Google Vertex AI, Azure AI Foundry и LLM-gateway. LLM-gateway — это промежуточный слой между корпоративным приложением и AI-моделями. Через него компания может управлять тем, какие модели используются, куда уходят запросы, какие данные можно передавать, как логируются действия и какие политики безопасности применяются.
Дополнительные апдейты по индустрии:
1) OpenAI представила Privacy Filter — модель для поиска и маскирования персональных данных. OpenAI выпустила Privacy Filter — open-weight модель для автоматического поиска и маскирования персональных данных в тексте. Её задача — находить чувствительную информацию до того, как текст попадёт в LLM, базу знаний, аналитическую систему или внешний AI-сервис.
2) Sakana AI представила Fugu — систему оркестрации нескольких AI-моделей
Sakana AI открыла beta-доступ к Fugu — коммерческой системе multi-agent orchestration. Fugu не заменяет одну модель другой, а управляет группой разных моделей и распределяет между ними части задачи. Для сложной задачи система может распределить роли: один агент анализирует проблему, другой пишет код, третий проверяет решение, четвёртый собирает финальный ответ.
Пропустили выпуск на прошлой неделе - собрали главное за две недели в AI, с фокусом на то, что важно для бизнеса.
Важное по моделям:
1) OpenAI выпустила GPT-5.5. Новая флагманская модель получила контекст до 1 млн токенов и ориентирована на сложные рабочие задачи: анализ документов, кодинг, research и агентские сценарии. Цена в API — $5 за 1 млн входных токенов и $30 за 1 млн выходных.
2) DeepSeek представила V4 Preview. DeepSeek выпустила две версии модели: Pro и Flash. Обе поддерживают контекст до 1 млн токенов. Pro рассчитана на более сложные задачи, Flash — на быстрые и дешёвые сценарии.
3) Moonshot AI обновила Kimi до K2.6. Kimi K2.6 усилили в задачах долгого кодинга: работа с большими репозиториями, DevOps, фронтендом и многошаговой разработкой.
4) Qwen выпустила Qwen3.6-27B и Qwen3.6-Max-Preview. Alibaba представила dense-модель на 27B параметров с фокусом на агентский кодинг.
Dense-модель - модель, в которой при обработке запроса работает вся сеть, в отличие от MoE-подхода.
5) OpenAI представила новые realtime audio-модели. GPT-Realtime-2, Realtime-Translate и Realtime-Whisper усиливают направление голосовых AI-ассистентов. Realtime-Translate поддерживает перевод речи из 70+ языков.
Апдейты по агентным системам:
1) OpenAI запустила Workspace Agents в ChatGPT. OpenAI представила Workspace Agents — командных AI-агентов внутри ChatGPT для Business, Enterprise, Edu и Teachers-планов. Workspace agent — это агент, который работает не только для одного пользователя, а внутри рабочей среды команды или компании. Его можно использовать для повторяющихся задач: подготовки документов, анализа данных, работы с внутренними материалами, поддержки сотрудников, research-задач и операционных процессов.
Ключевое отличие от обычного ChatGPT: агент становится частью общего рабочего пространства, а не личным помощником одного сотрудника.
2) Anthropic усилила Claude Managed Agents. Anthropic обновила Claude Managed Agents — управляемых AI-агентов для рабочих задач. В них появились новые возможности: multiagent orchestration, webhooks, dreaming и outcomes.
• Multiagent orchestration — координация нескольких агентов внутри одной задачи. Например, один агент собирает данные, второй анализирует, третий готовит документ, четвёртый проверяет качество.
• Webhook — автоматический сигнал во внешнюю систему после события. Например, агент закончил анализ отчёта → система автоматически создаёт задачу в Jira, отправляет уведомление в Slack или обновляет CRM.
• Outcomes — работа не просто по инструкции, а по заданному результату. То есть агенту задают цель: не «сделай один шаг», а «доведи задачу до нужного состояния».
• Dreaming — механизм, при котором агент анализирует прошлые сессии и улучшает своё поведение, память и подход к задачам.
3) Claude Cowork можно запускать через стороннюю инфраструктуру. Claude Cowork теперь можно использовать через Amazon Bedrock, Google Vertex AI, Azure AI Foundry и LLM-gateway. LLM-gateway — это промежуточный слой между корпоративным приложением и AI-моделями. Через него компания может управлять тем, какие модели используются, куда уходят запросы, какие данные можно передавать, как логируются действия и какие политики безопасности применяются.
Дополнительные апдейты по индустрии:
1) OpenAI представила Privacy Filter — модель для поиска и маскирования персональных данных. OpenAI выпустила Privacy Filter — open-weight модель для автоматического поиска и маскирования персональных данных в тексте. Её задача — находить чувствительную информацию до того, как текст попадёт в LLM, базу знаний, аналитическую систему или внешний AI-сервис.
2) Sakana AI представила Fugu — систему оркестрации нескольких AI-моделей
Sakana AI открыла beta-доступ к Fugu — коммерческой системе multi-agent orchestration. Fugu не заменяет одну модель другой, а управляет группой разных моделей и распределяет между ними части задачи. Для сложной задачи система может распределить роли: один агент анализирует проблему, другой пишет код, третий проверяет решение, четвёртый собирает финальный ответ.
❤5👍4👌2
Как внедрить ИИ быстро и без ошибок?
Системный подход от бизнес-задачи до запуска в облаке
📅 26 мая | 11:00 МСК
ИИ уже стал рабочим инструментом для оптимизации бизнеса, но многие инициативы до сих пор не доходят до реального внедрения.
Частые причины:
• нет понятной связи между AI-гипотезой и бизнес-результатом;
• сложность выбора гибкой и мощной инфраструктуры;
• не хватает внутренней экспертизы;
• эксперименты остаются на уровне пилотов и не переходят в продуктив.
Вместе с K2 Cloud мы проведём вебинар о том, как внедрять AI-решения системно: от выбора бизнес-задачи и оценки гипотез до запуска решения в облачной инфраструктуре.
Обсудим:
• самые частые проблемы внедрения и их причины
• системный подход как инструмент запуска ИИ-решения, которое действительно будет работать
• почему облако с GPU — это экономия, гибкость и стабильность для ИИ-экспериментов
• конкретные шаги внедрения ИИ
Мы покажем практическую сторону внедрения: как находить реальные AI-кейсы, оценивать их потенциал и доводить до запуска.
Кому будет полезно:
• директорам по цифровизации и инновациям
• CIO / CTO
• директорам по данным и ИИ
• руководителям MLOps
• продакт-менеджерам и менеджерам проектов
Регистрация по ссылке
Системный подход от бизнес-задачи до запуска в облаке
📅 26 мая | 11:00 МСК
ИИ уже стал рабочим инструментом для оптимизации бизнеса, но многие инициативы до сих пор не доходят до реального внедрения.
Частые причины:
• нет понятной связи между AI-гипотезой и бизнес-результатом;
• сложность выбора гибкой и мощной инфраструктуры;
• не хватает внутренней экспертизы;
• эксперименты остаются на уровне пилотов и не переходят в продуктив.
Вместе с K2 Cloud мы проведём вебинар о том, как внедрять AI-решения системно: от выбора бизнес-задачи и оценки гипотез до запуска решения в облачной инфраструктуре.
Обсудим:
• самые частые проблемы внедрения и их причины
• системный подход как инструмент запуска ИИ-решения, которое действительно будет работать
• почему облако с GPU — это экономия, гибкость и стабильность для ИИ-экспериментов
• конкретные шаги внедрения ИИ
Мы покажем практическую сторону внедрения: как находить реальные AI-кейсы, оценивать их потенциал и доводить до запуска.
Кому будет полезно:
• директорам по цифровизации и инновациям
• CIO / CTO
• директорам по данным и ИИ
• руководителям MLOps
• продакт-менеджерам и менеджерам проектов
Регистрация по ссылке
👍8🔥4❤2