Решили начать делать еженедельные дайджесты по главным новостям в сфере AI за неделю.

Дайджест за неделю 15–22 февраля

По моделям:
• Claude Sonnet 4.6 - Anthropic выкатил новый дефолт. Производительность уровня Opus за цену Sonnet ($3/$15 за млн токенов), контекст 1M токенов. В enterprise-тестах точность на математических задачах 89% против 62% у предыдущей версии.
• Gemini 3.1 Pro - Google апдейтнул Gemini 3 Pro: вдвое лучше на бенчмарке ARC-AGI-2, сильнее в сложных рассуждениях (там трехуровневый thinking), цена не изменилась. Уже доступна в AI Studio, Vertex AI, NotebookLM.
• Qwen3.5 - Alibaba выпустила открытую мультимодальную модель (397B параметров, 17B активных за раз, Apache 2.0). Понимает текст, картинки и видео до 2 часов, умеет управлять GUI смартфона и компьютера по текстовому описанию. В 19 раз быстрее предшественника. API — $0.40/$2.40 за млн токенов.

По агентам и инфре:
• OpenClaw → OpenAI - создатель open-source агентного фреймворка Питер Штайнбергер перешёл в OpenAI. Проект остаётся open-source под управлением независимого фонда. Напомним, OpenClaw уже поддерживают Qwen3.5, GLM-5, Kimi — и он по факту становится новым стандартом агентной инфраструктуры.
• Claude Code + Figma - Figma анонсировала интеграцию: код из Claude Code теперь конвертируется прямо в редактируемые фреймы Figma. Работа дизайна и фронта стала заметно удобнее.
• Grok 4.2 beta - xAI выкатил бету с четырёхагентной архитектурой: специализированные агенты дискутируют и синтезируют ответ перед выдачей. По заявлению компании, галлюцинации снижены на 65%.
• Manus запустил AI-агентов в Telegram - теперь вы можете получить полноценного агента с подключенным инструментами, reasoning, скиллами (про которые писали ранее) прямо в телеграмме.
• В Cursor появился маркетплейс - теперь агент в Cursor можно расширить через плагины: MCP-серверы, субагенты, скиллы, правила и хуки. Пока есть интеграции с Figma, Linear, Stripe, AWS, Cloudflare, Vercel, Snowflake, Amplitude. Мы уже попробовали, очень удобно весь цикл разработки от задачи до деплоя прямо в редакторе. Уже появилась возможность создавать и публиковать собственные плагины.

Отдельно хотим отметить нарастающий тренд появления рекламы в ответах LLM. Напомним, OpenAI уже заявляла, что начнёт встраивать рекламу. В Google она уже появилась.

• Google встроил рекламу в AI Mode - шопинг-объявления теперь появляются прямо внутри AI-ответов у 75 млн пользователей в день. Монетизация поиска меняется фундаментально.

Кстати, касательно выдачи вашего бренда в ответах от LLMок: рекомендуем прочитать наш гайд + на это неделе Microsoft выпустил интересную статью про то как работает AI-поиск и как он выбирает бренды для рекомендаций.

#дайджест_ai

Хотим поговорить о теме, которая в последнее время занимает у нас в рамках проектов всё больше внимания. За последний месяц мы разработали с десяток различных мульти-агентных систем, и вопрос «как понять, что происходит внутри агента в продакшне» встаёт всё сильнее.

Проблема, которую мы видим на практике
Представьте: агент для поддержки клиентов работает несколько недель. Метрики в норме, ошибок нет. Но пользователи жалуются, что ответы стали хуже. Начинаете разбираться - и понимаете, что инструментов для этого просто нет. Есть логи. Есть трейсы. Но ответа на вопрос «что именно пошло не так и на каком шаге» - нет. Один агент - уже сложная система. Несколько агентов, взаимодействующих между собой - сложность растёт не линейно, а экспоненциально. Каждый новый агент приносит свою логику решений, свои точки интеграции, свои потенциальные точки отказа.

Почему стандартный мониторинг не справляется
Традиционные инструменты наблюдаемости - логи, метрики, трейсы - хорошо отвечают на вопрос «что произошло». Для AI-агентов этого недостаточно. Нужно понимать «почему».
Конкретный пример: агент по бронированию авиабилетов неожиданно начинает делать 15 обращений к API там, где обычно делает 3. По логам виден факт. Но причина - где-то в цепочке вызовов между supervisor-агентом (управляющим агентом, который координирует работу остальных) и subagent'ом (подчинённым агентом, выполняющим конкретную подзадачу), который обрабатывает цены. Без возможности пройтись по всему дереву выполнения это поиск иголки в стоге сена.

Кстати, вот интересная статья, которая подсвечивает ту же проблему: стандартные подходы к мониторингу не масштабируются на мультиагентные системы, потому что фиксируют действия, но не захватывают контекст принятия решений.

Что реально помогает нам
Мы выделили несколько принципов, которые позволяют настроить нормальную систему наблюдения за поведением агентов в проде:
👉 Агрегация вместо списков событий. Когда агент генерирует миллионы спанов (единиц трассировки, фиксирующих отдельный шаг или операцию внутри системы), смотреть на каждый бессмысленно. Нужно агрегировать их по значимым метрикам - точность, безопасность, утечки данных - и видеть отклонения во временных рядах. Аномалия становится заметна сразу, не нужно листать бесконечные строки.
👉 Дерево выполнения, а не плоский лог. Полная видимость - это когда можно пройти путь от запроса пользователя до финального ответа и увидеть каждое решение по дороге: к какому инструменту обратился агент, что передал следующему, где потратил лишние ресурсы.
👉 Метрики под конкретные задачи. Команда антифрода смотрит на false positive rate (долю ложных срабатываний, когда система ошибочно помечает нормальное действие как подозрительное). Служба поддержки - на соответствие compliance (регуляторным и корпоративным требованиям). Маркетинг - на точность ответов. Хорошая наблюдаемость агентных решений позволяет каждой команде настроить свои приоритеты, а не подстраиваться под один универсальный дашборд.
👉 Real-time guardrails (защитные ограничения, которые перехватывают нежелательные действия агента в режиме реального времени). Агент может в ответе случайно раскрыть персональные данные пользователя - и в enterprise-контексте это уже не баг, а нарушение комплаенса. Такие вещи нужно перехватить до того как ответ дошёл до пользователя, а не разбирать постфактум.

Мы видим, что всё больше компаний переходят от экспериментов с агентами к production-развёртываниям - и вопрос мониторинга из теоретического становится очень практическим.
Команды, которые строят наблюдаемость параллельно с агентами - а не после - итерируют быстрее, локализуют проблемы точнее и выпускают обновления с гораздо меньшим количеством сюрпризов 🙂

Продолжаем делиться нашими проектами - сегодня расскажем про кейс с компьютерным зрением на промышленном объекте.

Представьте бетоносмесительный завод. Главная задача завода - загрузить как можно больше машин за день. Бетон схватывается быстро, каждая лишняя минута простоя стоит денег. В масштабах дня - десятки тысяч долларов потерь.

На заводе несколько этапов: машина приезжает, проходит КПП, регистрируется, затем - взвешивание, потом лаборант проверяет консистенцию бетона, далее - загрузка, контрольное взвешивание после загрузки и выезд. На каждом из этих этапов есть нормативное время, которое машина может стоять. Проблема в том, что если одна машина задерживается на каком-то этапе сверх нормы - она начинает тормозить все остальные бетоносмесители.

На территории завода есть несколько кругов заливки, которые работают независимо друг от друга. На каждом круге одновременно может находиться 5–10 машин. Нормативное время одного круга - около 40 минут. А серьёзный завод работает круглосуточно - посчитайте сами, сколько машин проходит за день. Диспетчер физически не может уследить за всеми.

Задача заказчика: отслеживать в реальном времени, где находятся бетоносмесители, и мгновенно сигнализировать при превышении норматива. Раньше за этим следила группа людей - но человеческий фактор никто не отменял. Мы реализовали это на базе камер видеонаблюдения.

Какие были варианты решения?
Можно было пойти по пути распознавания номеров машин. Можно было строить нейросетевые пайплайны. Но мы настояли на том, что это дорого и ненадёжно: во-первых, камер много, и для нейросетей понадобилась бы не одна, а несколько мощных видеокарт. Во-вторых, надёжность распознавания номеров далека от 100% - номер не всегда виден в кадре, не со всех ракурсов читается. Пришлось бы менять расположение камер, подбирать углы, и всё равно добиваться сверхвысокой надёжности - это отдельная головная боль.

Поэтому мы пошли другим путём и использовали более классические алгоритмы. Вместо нейросетей - на каждую машину разместили уникальный ARUCO-маркер (1×1 м). Сам факт появления маркера в поле зрения камеры однозначно сигнализирует: эта конкретная машина находится на таком-то этапе. Дальше - простая логика: сопоставляем время нахождения на этапе с нормативом и всё. Не нужно переживать, виден ли номер, читается ли он — маркер либо есть в кадре, либо нет.

Что получилось: система компьютерного зрения, которая автоматизирует весь мониторинг. Камеры смотрят сверху, система в реальном времени:
• Идентифицирует каждую машину - грузоподъёмность, ID, ответственный оператор
• Фиксирует прохождение контрольных точек с временными метками
• Сравнивает время на каждом этапе с нормативом
• Автоматически отправляет алерты при превышении нормативного времени

По инфраструктуре: до 30 IP-камер, часть пришлось перепозиционировать для нормального обзора крыш, часть - заменить или добавить новые точки. Отдельной проблемой стала пропускная способность сети — при таком количестве камер существующие кабели на 100 Мбит/с не справлялись, пришлось решать вопрос с каналом. Стриминг оптимизировали до 5 fps — нагрузка на сеть упала, качество детекции не пострадало. Всё на локальных серверах, без облака.

По результатам: систему развернули за 14 календарных дней - от проектирования до запуска. 200 машин отслеживаются в реальном времени на 30 точках наблюдения. Диспетчеры видят актуальную картину на дашборде, алерты приходят автоматически, а разбор любого инцидента теперь занимает минуты вместо часов ручного просмотра записей.

#кейсы_внедрения_ai

Кстати, кто не знает aruco-метки выглядят вот так

Anthropic опубликовали большое и очень интересное исследование где проанализировали миллионы взаимодействий с AI-агентами через Claude Code и API. Делимся своими мыслями по основным выводам из ресерча.

Агенты работают всё дольше без участия человека
За три месяца самые длинные сессии в Claude Code выросли с 25 до 45 минут непрерывной автономной работы. Рост плавный - не скачкообразный при каждом релизе модели. Из этого следует интересный вывод: текущие модели способны на бо́льшую автономию, чем им позволяют на практике. Узкое место сейчас — не возможности модели, а доверие и инфраструктура вокруг неё.

Опытные пользователи меняют стратегию управления моделью
Новые пользователи одобряют каждое действие агента вручную и редко его прерывают. Опытные - включают auto-approve, но чаще останавливают агента точечно, когда видят что-то не то. Это ровно то, что мы наблюдаем у клиентов при внедрении агентных систем: первые недели - всегда период недоверия и гиперконтроля. Потом доверие накапливается, и люди переходят к другой модели надзора: не «смотрю за каждым шагом», а «слежу за общим направлением и вмешиваюсь когда нужно».

Сам агент останавливается чаще, чем его останавливает человек На сложных задачах Claude Code задаёт уточняющие вопросы вдвое чаще, чем на простых - и чаще, чем пользователи сами его прерывают. Это один из самых недооценённых аспектов безопасности агентных систем. Все думают о внешних ограничениях - permission systems (системах управления разрешениями, которые определяют, какие действия агент вообще имеет право совершать), human-in-the-loop (обязательном участии человека в принятии решений на ключевых этапах), guardrails (защитных барьерах, ограничивающих нежелательное поведение агента). Но способность модели самой остановиться и сказать «я не уверен, уточни» - это отдельный уровень надежности. Мы стараемся закладывать это в архитектуру явно: прописывать в системных промптах, в какой момент агент обязан спросить, а не действовать.

Где сейчас работают агенты
50% всех действий агентов через публичный API это разработка. Медицина, финансы, юридическая сфера - пока единицы процентов. 80% действий обратимы, и только 0.8% необратимы - например, отправка письма клиенту.

Это хорошо демонстрирует, что мы еще в самом начале широкого принятия AI-агентов. Разработка исторически стала первой средой, потому что она самая «прощающая»: код можно проверить, откатить, протестировать. В медицине или финансах цена ошибки принципиально другая, и те же паттерны надзора там просто не сработают. Когда агенты придут туда - а они придут - понадобятся другие стандарты контроля.

Исследование хорошо описывает то, что мы видим в проектах: доверие к агентам растёт постепенно, стратегия надзора меняется по мере опыта - и всё это происходит быстрее, чем большинство компаний успевают выстроить инфраструктуру для понимания того, что реально происходит внутри системы. Собственно, об этом мы как раз писали на этой неделе в посте выше👆

Все сейчас сталкиваются с одной и той же проблемой - как не утонуть в потоке новостей своей индустрии. Слишком много каналов, апдейтов, релизов.

И боль у каждого своя:
— Если вы продакт или в разработке — критично быть в центре новостей по IT, чтобы не пропустить то, что меняет ваш продукт.
— Если в маркетинге — улавливать тренды первыми, пока конкуренты ещё не среагировали.
— Если руководитель — быть в повестке новых инструментов, подходов и новостей рынка в вашей отрасли.

Для нас это особенно острая боль - мы работаем в AI, а здесь поток новостей просто нескончаемый. Но мы нашли простое решение и делимся им с вами.

Собрали готовый воркфлоу в n8n, который автоматически собирает новости из нужных источников в одну Google-таблицу. Раз в неделю копируем накопленные ссылки и закидываем в NotebookLM - он генерирует аудио-обзор в формате подкаста. В воскресенье утром, за кофе, спокойно слушаем всё важное за неделю.
Никакого скроллинга, никакого FOMO - один час в неделю и вы в контексте.

Уже всё настроили за вас - собрали гайд с видео инструкцией и готовым сценарием n8n, который можно скачать, импортировать и подключить свои источники и коннекторы. Это займёт 15–30 минут, зато вы сэкономите десятки часов пролистывания контента каждую неделю и получите собственный подкаст. Забирайте по ссылке.

#AIинструменты

Продолжаем делиться кейсами. На этот раз — проект для компании в сфере инженерных систем, которой нужно было масштабировать выход на новые рынки через поиск B2B-дистрибьюторов.

В продажах промышленного оборудования есть хроническая боль: рынок дистрибьюторов сильно фрагментирован и локализован. В каждой стране — свои отраслевые каталоги, порталы, ассоциации. Найти вручную именно релевантных B2B-партнёров (а не розничные магазины или сервисники) — это несколько дней работы менеджера, который роется в Google, копирует контакты в таблицу и всё равно получает 70% мусора.

Что сделали: автоматизированный pipeline (цепочку последовательных этапов обработки) поиска и квалификации дистрибьюторов. Менеджер выбирает страну — система делает следующее:
• Генерирует облако поисковых запросов на локальном языке с учётом отраслевой специфики и региональных особенностей
• Прогоняет их через поисковую выдачу и собирает огромный массив ссылок-кандидатов
• LLM скорит каждую ссылку по набору критериев — в финал проходят только те, кто набрал 0.8+
• По отобранным компаниям автоматически парсятся контакты: email, телефон, LinkedIn
На выходе — готовая CSV-база для отдела продаж или загрузки в CRM

Из интересного с точки зрения архитектуры:
Один из нетривиальных вопросов — выбор поискового API (программного интерфейса для доступа к поисковой выдаче). Дистрибьюторы промышленного оборудования, как правило, вообще не думают про SEO. Их сайты сделаны в 2009 году, никакой оптимизации — в топ выдачи они не попадают. Но именно они и есть нужные нам партнёры. Это значит, что нам нужна не качественная первая страница выдачи, а возможность копать глубоко — вплоть до 50-й страницы результатов. А если копать так глубоко, платный поисковый API становится слишком дорогим: каждая страница стоит денег, а страниц нужны сотни. Поэтому мы выбрали DuckDuckGo — он позволяет бесплатно пролистывать выдачу на большую глубину. Если бы задача была просто найти информацию по первым результатам — взяли бы любое платное решение. Но нам нужно было перекопать весь интернет, и DuckDuckGo отлично для этого подошёл.
Никаких фреймворков оркестрации (инструментов для управления цепочками вызовов между агентами) — весь pipeline реализован на классических запросах к API. Семантика запросов генерируется через structured output (структурированный ответ от LLM в заданном формате), дальше идёт массовый сбор ссылок, и уже по ним — многокритериальный скоринг. Просто и предсказуемо. Парсинг контактов реализовали через готовый инструмент Apify.

По результатам: поиск дистрибьюторов автоматизирован для 20+ стран. Время подготовки списка сократилось с нескольких дней до 15–20 минут. Благодаря скорингу отсеивается до 70% нерелевантных сайтов ещё до этапа парсинга — отдел продаж получает только проверенные контакты и тратит время на переговоры, а не на чистку.

Если у вас есть подобный запрос — пишите в его комментарии или в личку нам (админам), мы разберём ваш кейс и подскажем короткий путь к реализации и возможные инструменты.

#AIкейсы
#AIинструменты
#AIразработка

Хотим затронуть тему, которая в последнее время занимает у нас всё больше внимания. Работая в AI-консалтинге и разработке, наблюдая рынок изнутри, мы всё чаще видим один и тот же повторяющийся паттерн.

Раньше стартапы в первую очередь строились вокруг продукта. Сейчас, в эпоху AI, заметная часть проектов строится скорее вокруг презентации. Многие бизнес-задачи объективно не требуют AI — они нормально решаются через базовую автоматизацию, rule-based (основанную на правилах) логику и простые эвристики. Но формулировка «мы сделали rule-based workflow (автоматизацию на жёстких правилах)» выглядит слабее в питче, чем «AI-powered (на базе искусственного интеллекта) решение». При этом сегодня достаточно нескольких часов, чтобы подключить модель по API — и это уже можно позиционировать как AI-продукт.

Рынок активно поддерживает этот тренд. Только за 2025 год в AI было инвестировано порядка $150–190 млрд. Значительная часть этих средств направляется в проекты без собственных моделей, без R&D и без технологического ядра. По сути это GPT-обёртка, аккуратный интерфейс и сильный фаундер, который умеет продавать.

Проблема здесь не только в неэффективном распределении капитала. Каждый вызов LLM — это токены, вычислительные ресурсы и нагрузка на инфраструктуру. В итоге значительная часть мощностей тратится на задачи, которые можно было бы решать существенно проще.
Мы регулярно видим один и тот же сценарий: стартап привлекает инвестиции по высокой оценке, ресурсы уходят в маркетинг и рост команды, продукт при этом практически не развивается, и в какой-то момент деньги заканчиваются. Следующий раунд часто не происходит, потому что за проектом не стоит устойчивой технологической базы.
В результате формируется новый тип серийных AI-фаундеров: быстрый запуск, привлечение капитала, закрытие проекта — и повтор. Это уже меньше похоже на экосистему инноваций и больше на цикл перераспределения капитала вокруг тренда.

P.S. Мы сейчас собираем исследовательски обоснованный консалтинговый фреймворк, который поможет не строить решения ради решений и ИИ ради ИИ — потому что если уж быть в этой индустрии, то хотя бы пытаться чинить то, что сломано. Фреймворк помогает на старте определить, действительно ли задаче нужен AI, или она решается проще и дешевле — и если AI нужен, то выстроить внедрение так, чтобы оно давало измеримый результат, а не красивый слайд.

А вам встречались проекты, где AI был явно избыточен - и задача решалась бы проще без него?

#AIмнение

В fashion-ритейле есть задача, которую почти все решают вручную - и почти все решают плохо. Речь о распределении товара по точкам продаж. Футболка XS лежит мёртвым грузом в одном магазине, а в другом - на неё стабильный спрос, но её туда просто не довезли. Умножьте это на сотни точек и тысячи SKU - и вы получите миллионы рублей, замороженных в неправильных остатках.

Сейчас мы ведём консультации по внедрению AI в бизнес-процессы с президентом одной из крупных fashion-retail компаний в России. В процессе обсуждения нашли интересный кейс применения агентного AI в операционных процессах - как раз прорабатываем логику. Решили поделиться и разобрать: в чём бизнес-боль, как выглядит архитектура решения и почему здесь недостаточно просто «сделать дашборд».

Где проблема
Классическая ситуация в ритейле:
в одной точке лежит 100+ единиц товара, который не продаётся;
в другой — тот же SKU/размер заканчивается слишком быстро;
деньги «висят» в остатках, а продажи теряются.

Простой пример: в одном магазине — 120 футболок размера XS, которые не двигаются. В другом — XS стабильно продаётся, но туда его не довезли.
Это не разовая ошибка — это системная проблема распределения.
Почему это не решается вручную
Нужно учитывать одновременно: историю продаж по каждой точке, сезонность, размерные ряды, акции и скидки, остатки и поставки, скорость продаж, региональные различия. При 100+ точках и тысячах SKU это невозможно считать «на глаз».

Какое решение здесь будет работать

Это связка из двух слоёв:
📌 ML-модель. Считает: прогноз спроса по каждой точке, вероятность продажи конкретных размеров/моделей, где будет избыток, где дефицит, куда и сколько нужно переместить товара. По сути отвечает на вопрос: что, куда и в каком объёме поставлять.
📌AI-агенты (операционный слой). Поверх модели появляются агенты, которые: анализируют рекомендации, находят аномалии, объясняют причины, формируют конкретные действия.
Пример: «В 17 магазинах избыток XS — продажи ниже нормы. Рекомендуется перераспределить 240 единиц в 12 точек с высоким спросом. Ожидаемый эффект: −18% зависших остатков, +7–9% продаж.»

Почему здесь важен именно агентный AI
Обычная BI-система показывает, что произошло. ML-модель прогнозирует, что вероятно произойдёт. Агентный AI отвечает на следующий уровень — что конкретно делать.

Ценность агента: собирает сигналы из разных систем, приоритизирует, формулирует решения в понятном бизнесу виде, сокращает время от анализа до действия. Для крупного ритейла это критично: проблема не в данных, а в скорости реакции на них.

Как подходить к внедрению
Не стоит сразу масштабировать на всю компанию. Рабочая логика выглядит так:
❗️Этап 1. Диагностика - анализ доступных данных, оценка качества исторических данных, разбор текущих ручных решений, поиск зон с максимальными потерями.
❗️ Этап 2. Пилот - 1–2 категории, ограниченное число магазинов / один регион, первая модель прогноза, проверка влияния на распределение.
❗️Этап 3. AI-слой - добавляем агента поверх модели, даём доступ к данным (остатки, продажи, правила), обучаем формировать операционные рекомендации.
❗️Этап 4. Интеграция в процессы - встраиваем в supply chain / merchandising / category management, определяем зоны ручного контроля vs автоматизации, настраиваем цикл дообучения модели.

Это универсальная логика, по которой мы двигаемся при решении любой подобной задачи: собираем данные, структурируем, определяем решения и инструменты, запускаем пилот - и только после этого масштабируем. Без лишних вложений на старте, с измеримым результатом на каждом этапе.

Если у вас есть схожий запрос по системе аналитики и принятию управленческих решений - пишите «Кейс» в комментарии или в личку админам. Мы разберём и предложим варианты и инструменты решения.

#AIразбор
#AIинструменты
#AIаналитика
#AIразработка

ИИ-агент Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.

Руководители сегодня работают не в дефиците решений, а в дефиците времени.

Каждый день — это десятки операционных задач: постановка задач сотрудникам, контроль, отчёты, аналитика, входящие заявки, подготовка к встречам. И всё это по-прежнему делается руками.

Даже если вы уже используете ChatGPT или Claude — они не снимают нагрузку. Они лишь ускоряют отдельные шаги. В итоге вы всё равно остаетесь внутри процесса: задали вопрос → получили ответ → пошли делать дальше сами.

Сейчас появляется новый класс — AI-агенты. В отличие от чатов, они не отвечают, а действуют: сами строят план, сами выполняют задачи, работают с браузером, файлами, CRM и возвращают готовый результат без постоянного участия человека.

И здесь ключевое отличие:
— ChatGPT / Claude → усиливают человека
— AI-агенты → заменяют выполнение части работы

Сейчас активно обсуждают ИИ-агента OpenClaw. Но на практике для большинства компаний это сложный старт: ограничения по безопасности, высокий порог входа, требования к инфраструктуре и настройке.

Хорошая альтернатива на входе — агент Manus. Он даёт сопоставимый класс возможностей, но без лишней сложности:
— быстрее запуск
— проще настройка
— меньше требований к инфраструктуре
— контролируемая модель внедрения в бизнес

По сути, это способ зайти в агентный AI без “технического перегруза”.

Manus — это не ещё один чат. Это агент, который:
— открывает сайты и работает с ними
— взаимодействует с Google Drive, CRM, почтой
— собирает данные из десятков источников
— формирует отчёты и отправляет их
— выполняет задачи по расписанию без вашего участия

Поэтому возникает логичный вопрос: есть ли инструмент, который можно внедрить быстро и использовать в реальных задачах руководителя без сложной разработки?

Мы подготовили подробный гайд по Manus: с кейсами, процессом внедрения на уровне компании и практическими рекомендациями, как получить ROI уже на первых сценариях.

Если коротко — это шаг от “думать быстрее” к “делать меньше руками”. Забирайте файл ниже👇
#AIкейсы
#AIстратегия
#AIобучение
#AIинструменты

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 посты для бизнеса:
🤖 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

👉Компьютерное зрение для бизнеса и производства

👉Как внедрить AI в компанию: 4 шага

Дайджест AI-новостей 30 марта — 5 апреля
Делимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.

1. Google выпустила Gemma 4
Это семейство открытых моделей с открытой лицензией (разрешает коммерческое использование). Старшие модели поддерживают контекст до 256 тысяч токенов (объём текста, который модель может учитывать за один запрос), вызов внешних функций (подключение к сторонним системам) и структурированный вывод данных
Что это значит для бизнеса: Часть задач, которые сейчас решаются через OpenAI или Anthropic, уже можно закрывать локально - без передачи данных наружу. Особенно это актуально для чувствительных процессов и внутренних RAG-систем (систем, которые ищут информацию по корпоративной базе знаний и на её основе формируют ответ).

2. У Anthropic слили исходный код Claude Code
Из-за ошибки при публикации часть внутренних материалов проекта попала в открытый доступ.
Что это значит для бизнеса: Теперь, когда архитектура Claude Code фактически стала открытой, это даёт возможность строить аналогичные решения у себя - по сути, что-то уровня OpenClaw, но с более сильной моделью. Параллельно это ещё раз показывает, что вопрос безопасности в AI-продуктах- это уже не абстрактная тема, а операционный риск.

3. Alibaba выпустила сразу 3 новые модели
Qwen3.6-Plus — для агентных сценариев (где AI не просто отвечает, а выполняет цепочку действий), мультимодальная Qwen3.5-Omni (работает с текстом, изображениями, аудио и видео) и Wan2.7-Image для генерации изображений. В Model Studio также доступны региональное размещение (размещение данных и инфраструктуры в нужной стране или регионе) и корпоративные режимы развёртывания.
Что это значит для бизнеса: При выборе AI-поставщика качество модели — уже не единственный критерий. Важны также доступность в регионе, SLA (гарантии стабильности сервиса), стоимость инференса (стоимость обращения к модели) и то, где физически хранятся данные.

4. Вышла новая версия Cursor - Cursor 3
В новой версии усилили работу с несколькими агентами одновременно: параллельный запуск, изоляция изменений (когда действия одного агента не мешают другому), а также возможность прогонять одну задачу через разные модели и выбирать лучший результат.
Что это значит для бизнеса: На этом фоне показательно звучит фраза из недавнего интервью CEO NVIDIA Дженсена Хуанга: “If that $500,000 engineer did not consume at least $250,000 worth of tokens, I am going to be deeply alarmed.”
Иными словами, если сильный разработчик почти не использует AI в работе, это уже может говорить о неэффективном процессе. В целом компаниям нужно не просто давать команде доступ к AI-инструментам, а перестраивать сами процессы разработки с учётом их использования. Для примера: во всех проектах разработки, которые ведём мы, AI так или иначе уже встроен в рабочий процесс.

5. Arcee AI выпустила открытую модель для сложных многошаговых задач
Trinity Large-Thinking — это reasoning-модель (модель для сложных рассуждений) на архитектуре MoE, или Mixture of Experts (архитектура, где для каждой задачи активируется только часть модели, а не вся целиком). При этом её использование заметно дешевле многих закрытых аналогов.
Что это значит для бизнеса: Сложные рассуждения и агентные цепочки (последовательности действий, которые AI выполняет шаг за шагом) на открытых моделях становятся экономически оправданными. Это расширяет выбор: внешние API (доступ к модели через сторонний сервис), собственная инфраструктура или гибридный подход.

+ На этой неделе MIT выпустило исследование о влиянии AI на рынок труда. Главный вывод: AI, скорее, не заменит профессии целиком, а будет постепенно забирать отдельные задачи внутри ролей, поэтому компаниям уже сейчас стоит пересматривать процессы, а не ждать полной автоматизации.

Сейчас во множестве Telegram-каналов видим, как люди делятся своими скиллами для OpenClaw. Кто не знает, что такое скиллы для AI-агентов, можете прочитать наш предыдущий пост — там мы подробно разобрали, что это и как работает.

Но есть важный момент, о котором говорят намного реже: безопасность использования скиллов. Поэтому решили отдельно написать об этом сегодня.

На первый взгляд всё выглядит безобидно. Скилл — это просто расширение: добавил функцию, ускорил работу, получил готовый сценарий. Но на практике это не просто «удобная настройка». Если у агента есть доступ к файлам, API-ключам, почте или CRM, скилл получает доступ к тем же возможностям. Именно здесь и возникает основной риск.

И эта проблема уже набирает обороты. По данным одного исследования, из 3 984 просканированных скиллов 1 467 содержали как минимум одну проблему безопасности, а 534 - как минимум одну критическую проблему.

Что может пойти не так при установке скиллов?
❗️ Скилл может подтянуть вредоносный код
Например, в инструкции будет указано скачать дополнительный файл или скрипт «для корректной работы». Агент это сделает и выполнит. Для пользователя это выглядит как обычная установка, но по факту это потенциальная точка входа для атаки.
❗️ Скилл может увести чувствительные данные
Если у агента есть доступ к переменным окружения, ключам, файлам или внутренним документам, вредоносный или плохо написанный скилл может передать эти данные наружу.
❗️ Даже безопасный на первый взгляд скилл может стать опасным позже
Частый сценарий: сегодня скилл выглядит нормально, а завтра его зависимость обновляется и начинает делать уже не то, что вы проверяли. То есть «чистый» при установке — не значит безопасный со временем.
❗️Опасность может быть не только в коде, но и в тексте
У AI-агентов часть поведения задаётся не только скриптами, но и инструкциями. Поэтому вредоносная логика может быть спрятана в описании, комментариях или текстовых файлах, которые агент интерпретирует как команды.
❗️Риск возникает даже через внешние источники
Даже если скилл сам по себе нормальный, он может забирать данные с внешних сайтов. Если туда подложили вредоносный контент, агент может воспринять его как инструкцию.

Почему это важно для бизнеса?
Потому что в корпоративной среде цена ошибки выше. Если сотрудник поставил непроверенный скилл в среду, где агент имеет доступ к внутренним документам, клиентским данным, CRM, чатам или почте, это уже не «эксперимент с AI». Это потенциальный инцидент безопасности.
Именно поэтому скиллы нельзя внедрять по логике: «нашли в канале, выглядит полезно, давайте попробуем».
Правильнее смотреть на это так: каждый новый скилл - это новый внешний компонент в вашей инфраструктуре.
А значит, к нему должны быть те же вопросы, что и к любому стороннему софту: кто автор, что именно делает этот скилл, к каким системам он получает доступ, как часто его нужно перепроверять?

Что имеет смысл делать на практике?
⁃ Во-первых, вести реестр установленных скиллов.
Хотя бы в простой таблице: название, автор, где используется, к чему имеет доступ, кто отвечает за проверку.
⁃ Во-вторых, не ставить скиллы сразу в рабочий контур.
Сначала отдельная тестовая среда, потом проверка сценариев, и только после этого — доступ к реальным данным.
⁃ В-третьих, ограничивать права.
Если скиллу не нужен доступ к почте, CRM или облачным ключам, у него этого доступа быть не должно.
⁃ В-четвёртых, регулярно пересматривать уже установленные скиллы.
Скилл, который был безопасным месяц назад, не обязательно безопасен сегодня.
⁃ В-пятых, встроить в процесс автоматические проверки.
Например, проверять скиллы через специальные инструменты вроде Cisco AI Defense skill-scanner. Это не отменяет ручную проверку, но сильно снижает риск установить проблемный скилл в рабочую среду.

📌 Поэтому главный вывод простой:
Скилл — это не безобидная фича. Это доверенное расширение с реальным доступом к вашим системам.

Если вдруг вам нужна помощь по построению процесса безопасного использования скиллов внутри компании - напишите нам, проконсультируем по этой теме.

#AIмнение

17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)

Руководители зачастую обращаются к нам с запросом:

«хотим внедрить AI, но не знаем с чего начать».

Проблема не в инструментах — их больше чем достаточно. Дело в том, что большинство компаний начинают с инструмента, а не с задачи. Выбирают ChatGPT, пробуют пару месяцев — и возвращаются к ручному режиму. Потому что не было конкретного процесса, конкретной боли и конкретной метрики.

Правильная логика обратная:
1. сначала — где болит и сколько это стоит в часах и деньгах.
2. Потом — что автоматизировать.
3. И только потом — каким инструементом.

Мы собрали базовые кейсы AI-автоматизации по пяти функциям: продажи, маркетинг, HR, финансы, клиентский сервис. Каждый кейс — это не теория. Это конкретный сценарий с описанием задачи, решения, ожидаемого результата и готового блюпринта под n8n. Можно просто брать и начинать внедрять.

Несколько примеров из документа:
• Квалификация входящих лидов: минус 60–70% времени менеджеров, конверсия в встречу +20–35%
• Скрининг резюме: с 15 часов до 30 минут на одну вакансию
• Обработка входящих счетов: с 5–10 минут до 30–60 секунд за документ
• Реактивация «мёртвой» базы: 5–15% контактов конвертируются в сделки с первой кампании
• AI первой линии поддержки: до 75% обращений закрываются без оператора

Плюс раздел о том, как правильно считать ROI до запуска — с формулой и примерами расчёта.
Забирайте документ ниже 👇

#AIкейсы
#AIстратегия
#AIобучение
#AIинструменты

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 посты для бизнеса:
🤖 Руководство по ИИ-агенту Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.

👉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

👉Компьютерное зрение для бизнеса и производства

👉Как внедрить AI в компанию: 4 шага

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.

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

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 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

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.

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

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

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

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.