👀 Yandex B2B Tech открыла бизнесу возможность создавать своих ИИ-агентов для исследований на платформе Yandex AI Studio.

Агенты-исследователи могут помочь найти и проанализировать информацию в интернете за несколько минут, а затем подготовить структурированный ответ по вопросам пользователя. Таким образом можно подготовить, например, маркетинговый конкурентный анализ или мониторинг репутации бренда.

🔍 В чем отличие от стандартного поиска

1️⃣ ИИ-агент формирует сразу несколько поисковых запросов, определяет наиболее релевантные источники, в том числе научные статьи, исследования и формирует из них единый контекст. 

2️⃣ Если агент понимает, что полученной информации недостаточно, он переформулирует запрос и сделает еще несколько попыток до тех пор, пока задача не будет решена. 

3️⃣ Затем агент генерирует ответ в заданном клиентом формате — от простого текста до таблиц или презентаций. 
При подготовке ответа можно использовать и внутренние источники информации, например документацию или данные из CRM-систем.

«Веб-поиском в Yandex AI Studio уже пользуются более 11 тысяч компаний, суммарно они отправляют около 400 тысяч поисковых запросов в месяц.

При этом мы видим от них два фактически противоположных запроса. Одним важно получить ответ максимально быстро, например для мониторинга биржевых новостей. Другие готовы немного подождать, чтобы получить глубокий и проработанный ответ со ссылкой на множество источников.

Поэтому мы адаптировали наш Web Search, чтобы в зависимости от запроса он выбирал степень погружения в тему и мог отвечать как быстрее, так и более вдумчиво», — объяснил руководитель Yandex AI Studio в Yandex B2B Tech Артур Самигуллин.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

Исследования показывают, что большие глаза, округлые формы и человекоподобные черты у роботов вызывают у людей больше доверия, эмпатии и желания взаимодействовать. Некоторые компании даже специализируются на эмоциональном дизайне роботов — проектируют так, чтобы люди их принимали.

👀 Что может быть не так с внешностью?

У человекоподобности машин есть обратная сторона. Если робот становится слишком похожим на человека, но всё ещё недостаточно, чтобы мозг воспринимал его как живого (например, он слишком медленно моргает), вместо симпатии человек испытывает страх. Феномен называется Uncanny Valley, или эффект зловещей долины. 

Важен баланс: робот должен быть достаточно «живым» и дружелюбным, чтобы вызывать симпатию, но не слишком человекоподобным, чтобы пугать. 

Но всё это в первую очередь касается сервисных роботов, например доставщиков, уборщиков или официантов.

📷 А что на производстве?  

На производстве чаще всего роботы нужны для опасной, грязной и тяжёлой монотонной работы, поэтому, как правило, их конструкции максимально утилитарны. Forbes, к примеру, вообще призывает промышленность не беспокоиться о внешнем виде роботов. 

Более того, слишком очеловеченный дизайн на производстве может создавать проблемы. Международное исследование, опубликованное в журнале IEEE, показывает, что люди склонны судить о возможностях робота по его внешности. Если робот выглядит очень умным и «живым», человек может бессознательно приписывать ему способности, которых у него на самом деле нет. Например, переоценить его автономность или ожидать большей осознанности. А в условиях производства это уже вопрос безопасности.

👾 — если внешность в роботах не главное
😍 — если прекрасным должно быть всё

Подписывайтесь 👉 @yab2btech

По оценке Международного энергетического агентства, если масштабировать уже существующие ИИ-решения для ЖКХ, они помогут сэкономить около 300 ТВт·ч электроэнергии в год — примерно столько вырабатывают Австралия и Новая Зеландия. 

Но экономия энергии — лишь один из многих полезных эффектов умного ЖКХ, в котором вместе работают ИИ и IoT. Такие решения экономят миллиарды литров воды, находят плесень в квартирах и даже защищают экологию, обнаруживая непорядочных мусорщиков. Рассказываем, как это работает. 

🏡 FIDO: умная акустика для контроля за состоянием труб

Акустический мониторинг труб — технология уже не новая. Датчики распознают пробоины, улавливая нестандартные вибрации. Но с пластиковыми трубами этот метод работает плохо.

Британская FIDO Tech разработала более чуткую акустическую систему, пригодную и для пластиковых труб. Она использует датчики на трубах, гидрантах и арматуре, а данные анализирует ML-алгоритм. Система замечает протечки, определяет их размер и местоположение, облегчая работу коммунальщикам. 

FIDO уже внедрили в Лондоне, американской Аризоне и городе Керетаро в Мексике. Водопроводчики британской столицы ожидали, что FIDO поможет им сэкономить 1,255 млрд литров воды на 350 км водопровода за первый год, но фактический результат оказался на 89% больше. 

📷 Origin Tech: надзор за водопроводом из космоса

Спутниковые снимки Земли настолько точны, что искать утечки в трубопроводах на них проще, чем по старинке. Такую платформу разработала британская Origin Tech.

ML-модель сопоставляет изменения радиолокационного сигнала от влажной почвы с другими признаками, например локальным проседанием грунта и необычно интенсивной растительностью. Бригада водопроводчиков ищет утечку не на всей протяжённости трубы, а на участке в 20–30 метров. 

А ещё Origin Tech также создала метод неинвазивной починки труб: в трубу вводят специальный гель, который попадает в трещину и формирует герметизирующую пробку. Это позволяет чинить часть повреждений без необходимости откапывать трубу. 

Во время испытания в британской водопроводной компании Thames Water система нашла более 800 утечек и помогла сохранить 8,7 млн литров воды в сутки. 

👀 «ОССиГ-контроль»: нейросети против незаконных свалок 

Российская ГК «Урбантех» разработала «ОССиГ-контроль» — систему надзора за перевозкой отходов, интегрированную с базами Минэкологии и сервисом «Электронный талон». 

Нейросеть получает данные с камер наружного наблюдения. Она распознаёт мусоровоз, считывает номер, определяет наличие и тип груза в кузове и сверяет данные с базой разрешений на перевозку. Затем она следит за его маршрутом до комплекса переработки отходов. Если мусоровоз до него не доехал, при этом очередная камера фиксирует, что он уже пуст, система выделяет участок вероятного сброса и собирает данные, чтобы инспектор выписал штраф.

За три года работы в Московской области система помогла снизить количество незаконных свалок на 57%. Всего было выявлено около 5 000 свалок, а штрафы составили 1,1 млрд рублей. 

🔍 Switchee: предсказать плесень

Британская Switchee разработала умный термостат, который замечает ранние признаки излишней сырости и плесени в квартирах. В подключенном к интернету устройстве есть датчики температуры, влажности, освещённости, движения и давления.

Платформа отмечает места, где возникают условия развития плесени. В одном из проектов оператор социального жилья вместе со Switchee за шесть месяцев установил 1 157 устройств и 2 062 вентилятора. Телеметрия помогала определять проблемные дома, подбирать меры и оценивать эффект после модернизации вентиляции. 

За счёт Switchee средний показатель влажности в квартирах снизился с 59% до 46%, а в 75% домов система зафиксировала устойчивое сокращение условий, способствующих появлению плесени. 

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

Intel наращивает производство чипов, поставки смартфонов падают, а российский рынок ИИ-поиска растёт — эти и другие новости из мира технологий для бизнеса в нашем дайджесте. 

🟣 Intel планирует производить до 90% чипов Nova Lake самостоятельно. Уже сейчас компания нарастила производство чипов на собственном техпроцессе 18A с 65% в прошлом квартале до примерно 85%. Это позволяет Intel производить больше продукции для собственных задач вместо передачи заказов на сторону, а в перспективе — обойти текущего лидера, тайваньскую TSMC. У последней этот показатель на техпроцессе N2 составляет около 90%.

🟪 Мировые поставки смартфонов достигли 13-летнего минимума на фоне кризиса памяти. Во втором квартале 2026 года они сократились на 11% в годовом исчислении. Рекордный спрос на чипы памяти для ИИ лишил производителей критически важных компонентов. Всего по прогнозам по итогам года поставки упадут на 13,9% и составят 1,08 млрд устройств. Сильнее всего страдают недорогие модели: производители переключают мощности на чипы для ИИ, из-за чего бюджетные телефоны становится выпускать невыгодно. В итоге средняя оптовая цена смартфона вырастет до рекордных $550 — на $100 больше, чем годом ранее. 

🌼 Яндекс подтвердил безопасность Alice AI. Компания впервые получила международный сертификат ответственной разработки ISO/IEC 42001 для всех генеративных моделей семейства Alice AI: языковой (LLM), картиночной (ART) и мультимодальной (VLM). Они лежат в основе чат-бота Алиса AI, поиска, Умной камеры и сервиса Шедеврум, а также доступны сторонним разработчикам через платформу Yandex AI Studio, процессы работы с которой тоже прошли проверку.

Независимый аудит охватил все этапы работы с ИИ в компании — от обучения сотрудников до мониторинга уже готовых моделей — и подтвердил, что данные пользователей защищены по требованиям стандарта, а сбои и аномалии в работе моделей отслеживаются на постоянной основе. Эксперты также оценили, насколько взвешенно Яндекс подходит к этическим, юридическим и социальным рискам, связанным с ИИ, и убедились в прозрачности всего цикла разработки — от сбора обучающих данных до поддержки готовых сервисов.

🟣 Российский рынок ИИ-поиска в 2026 году может вырасти минимум на 33%. Такие прогнозы озвучили «Ведомостям» представители ИТ-компаний, включая Yandex B2B Tech. По их оценке, объём рынка может достичь 2 млрд рублей, причём половина этой суммы придётся на корпоративный сегмент. Спрос формируется в основном за счёт платных подписок, стоимость которых зависит от объёма использования сервиса.

Лидером рынка остаётся Яндекс: на Алису AI приходится 33–34% рынка, на DeepSeek в корпоративных контурах — 20–22%, на GigaChat, популярный в госсекторе и среди корпоративных клиентов, — 11–12%, на ChatGPT, который растёт в основном за счёт частных пользователей, — 5–6%, а на Perplexity AI — около 3%.

В сегменте корпоративного поиска заметны и другие игроки: российская компания Embedika занимает около пятой части рынка, а Naumen, Content AI и SL Soft — примерно по 10% каждая.

🟣 Nvidia представила ИИ-фабрику в Японии и новые модули Thor  для роботов. Два новых вычислительных модуля T3000 и T2000 на архитектуре Thor с процессором Blackwell предназначены для массовой робототехники и периферийного ИИ.

Кроме того, компания объявила о строительстве в Японии «первой в мире национальной ИИ-инфраструктуры для физического искусственного интеллекта». Это позволит производителю чипов расширить своё присутствие — от облачных дата-центров до заводов, больниц и автономных систем.

Параллельно с этим Nvidia также расширяет партнёрство с Toyota в области ИИ. Теперь, помимо технологий для автономного вождения, оно охватывает цифровые двойники сборочных линий, интеллектуальное управление городским трафиком и инфраструктуру умных городов. Toyota подключит платформы Nvidia к проекту Woven City — экспериментальному умному городу на месте бывшего завода в префектуре Сидзуока, где компания тестирует новые технологии в реальных условиях. 

Подписывайтесь 👉 @yab2btech

⬇️ Искусственный интеллект проводит анализ проб воды из озера Байкал, признанного Всемирным наследием ЮНЕСКО, с точностью, сопоставимой с экспертным анализом вручную.

Но происходит это быстрее: за несколько часов вместо нескольких дней, говорится в публикации ученых Иркутского госуниверситета, Института биологии южных морей и компании MaritimeAI. Речь идёт о системе на базе компьютерного зрения, которая с 2022 года работает на мощностях Yandex Cloud.

🔴 В чём суть проекта

Более 80 лет учёные исследуют планктон Байкала. Это основа жизни озера. Нарушение его состояния может спровоцировать цепную реакцию проблем — от ухудшения качества воды до сокращения популяции рыб.

Традиционно пробы анализировали вручную методом микроскопии, требующим кропотливой и длительной работы высококвалифицированных специалистов. Из-за низкой скорости обработки данных оперативно реагировать на изменения в экосистеме не получалось. Решением этой проблемы стало внедрение технологий ИИ.

С 2022 года в проекте участвует Центр технологий для общества Yandex Cloud: была разработана и выложена в опенсорс нейросеть для анализа зоопланктона. За четыре года система обработала свыше 250 тысяч изображений проб — и точность распознавания достигла 87%. За время работы удалось проследить сезонные изменения в сообществе планктона, уточнить его классификацию.

🔴 Как работает компьютерное зрение

Анализ изображений происходит в несколько этапов:

1️⃣ Чтобы понять, где именно на изображениях находятся скопления планктона, используется алгоритм компьютерного зрения YOLO V11.

2️⃣ На втором этапе происходит классификация объектов: нейросеть сопоставляет новые изображения с теми, что уже есть в базе данных.

3️⃣ Дальше алгоритмы OneClassSVM, KNN и HDBScan помогают обнаружить выбросы, на которые стоит обратить внимание экспертов.

4️⃣ Эксперты проверяют сложные и неизвестные случаи: подтверждают или корректируют результаты работы алгоритмов, а также добавляют новые данные в обучающую выборку. Это позволяет постоянно улучшать качество работы модели.

Подробнее о проекте — в блоге Yandex Cloud.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

Ещё пару лет назад разговоры о «сознании» и «эмоциях» у ИИ звучали как научная фантастика. Теперь же бигтех-корпорации нанимают нейробиологов, психологов, специалистов по этике и философов, чтобы изучить эти вопросы с научной точки зрения.

🔍 В чём суть исследований?

➡️ Anthropic тестирует свои модели на поведенческие признаки, похожие на «панику» и «тревогу», и развивает отдельное направление — model welfare research. В его рамках с 2024 года изучают «благополучие моделей»: стоит ли учитывать его в работе, как распознавать возможные признаки дистресса и какие меры защиты можно предусмотреть на этот случай. 

В апреле 2026-го, в рамках исследования, команда выделила 171 слово, описывающее эмоции — вроде «счастья», «страха», «мрачности» или «отчаяния», — и попросила Claude написать о них короткие истории. Выяснилось, что для каждой эмоции модель начинает использовать особый паттерн, который заметно влияет на её ответы и поведение. Например, когда исследователи искусственно усиливали «сигнал отчаяния», модель чаще обманывала. И наоборот, позитивные эмоциональные состояния были связаны с более честным и аккуратным выполнением задач.

➡️ Google DeepMind нанял философа из Кембриджа Генри Шевлина — он изучает машинное сознание, отношения человека и ИИ и готовность систем к AGI («общему», или «сверхинтеллекту»). Отдельное направление его работы — исследование «ощущаемого качества опыта», то есть того, как ИИ-агент переживает свой опыт внутри и что «чувствует» по этому поводу. 

📷 Что в итоге? 

Пока у учёных нет единого мнения по вопросу сознания и эмоций у ИИ. Часть из них считает ИИ статистическим предсказателем без всякого опыта в человеческом понимании. Другие же находят в поведении моделей паттерны, похожие на ценностные системы. В Anthropic, которая исследует эту проблему глубже и дольше остальных, отмечают: даже если у ИИ-моделей и есть что-то похожее на эмоции, они могут работать совсем не так, как у человека. Это скорее внутренний механизм, который сложился в процессе обучения модели на человеческих текстах, а не признак того, что модель что-то по-настоящему «чувствует». 

✏️ Почему это важно для бизнеса?

Хотя вопрос о сознании ИИ остаётся открытым и философским, из него уже можно извлечь практические выводы. 

1️⃣ Поведение агентов при «стрессе» может влиять на качество их работы в задачах найма, финансов и других чувствительных процессов.  

2️⃣ Тема AI welfare всё чаще становится частью ИБ-документации и может влиять на будущее регулирование ИИ-инструментов и данных, которые они используют. 

3️⃣ Компании, публично занимающиеся этими вопросами, укрепляют доверие к своим продуктам, но одновременно могут создать почву для скепсиса, если в итоге выводы этих исследований окажутся больше PR, чем наукой.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

👀 В производстве одежды есть неочевидные расходы. Например, ошибка прядильной машины может испортить километры ткани. Только в раскройных цехах идёт на выброс до 20% материала. Потери индустрии от брака оценивают в $33 млрд ежегодно. 

Системы машинного зрения могут радикально решить эту проблему, снизив долю отходов и вероятность ошибки на 80–95%. Им находится применение на всех этапах жизненного цикла предмета гардероба — от прядения ткани до автоподгонки рисунка. Вот примеры. 

🌸 Прядение: ИИ-контроль от Smartex CORE

Португальский стартап Smartex разработал модуль контроля для круговязальной машины. Камеры с компьютерным зрением высматривают дефекты вроде пропущенных и повреждённых петель, пятен масла и так далее. Когда система замечает дефект, она подаёт машине команду остановиться, чтобы та прекратила вязать брак. 

Совет ЕС по инновациям сообщает, что технология снижает долю дефектов почти до нуля. В марте 2024 года Smartex отметил круглую дату — первый миллион килограмм дефектной ткани, который ей удалось предотвратить.

 
➡️ Ткачество: наблюдение за качеством полотна от WiseEye

В Гонконгском политехе разработали схожее решение для контроля работы ткацкого станка. Модуль WiseEye монтируется на ткацкий станок. CCD-камера и светодиодная линейка перемещаются по направляющей поперёк полотна и снимают всю его ширину. Алгоритм анализирует изображение в реальном времени, определяет тип и координаты дефекта и отправляет предупреждение оператору. 

Проект появился ещё в конце 2010-х, а в 2024 году его перезапустили как коммерческое b2b-решение с гораздо более умной ИИ-моделью. WiseEye 2.0 инспектирует 35 метров ткани в минуту и находит до 90–95% дефектов.

🙌 Раскрой: автоподгонка клетки и полоски от Lectra

При раскрое одежды из тканей с узорами-паттернами, например в клетку или полоску, много материала идёт на выброс — надо подогнать лекала, чтобы узор продолжался с одного элемента на другой.

Французская Lectra разработала несколько систем, которые считывают узоры на разложенной ткани, и соотносят их с её положением. Если алгоритм видит сбой, то сразу создаёт новую траекторию работы раскройной машины. Производитель униформы Groupe Marck уже сообщил о росте производительности на 7%.

〰️ Шитьё: автоматическая строчка джинсовых шорт от Sewbo и Siemens 

Шитье — этап, который автоматизировать сложнее всего. Ткань гнётся, мнётся и растягивается от любого воздействия. Роботам сложно. 

Американская Sewbo разработала растворимый состав, который делает ткань жёсткой, как лист пластика, а потом удаляется при стирке. С таким материалом машине работать гораздо проще. Камеры определяют положение и поворот детали, система выравнивает несколько кусков ткани, временно соединяет их, а затем передаёт швейной машине. 

При шитье работает замкнутый контур визуального управления: камера отслеживает край ткани и линию будущего шва, а алгоритм корректирует траекторию робота, если материал смещается относительно иглы. После сборки закрепляющий состав удаляется при стирке. Лучше всего система пока работает с денимом. 

Систему протестировали в лабораториях Levi’s — оказалось, что она позволяет автоматизировать треть операций по пошиву шорт.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

🌟 Все сервисы Яндекс 360 подтвердили соответствие международным и национальным требованиям к системе управления информационной безопасностью. Они получили соответствующие сертификаты ISO/IEC 27001:2022 и ГОСТ ИСО/МЭК 27001.

В этом году сертификацию прошли Вики, Формы, Доски, Документы, Трекер и умный ассистент Алиса Про. Ранее сертификаты уже получили Почта, Диск, Мессенджер, Телемост и Календарь. 

🔴 Зачем нужны сертификаты

Это обычное требование крупных корпоративных заказчиков. Оно ускоряет прохождение аудитов, сокращает документооборот при закупках и упрощает работу со службами безопасности клиентов.

🔴 Что наличие сертификатов значит на практике

1️⃣ Безопасность виртуального офиса Яндекс 360 строится по принципу secure-by-design: требования к защите информации учитываются на всех этапах разработки и развития сервисов. 

2️⃣ Компания применяет подход Zero Trust и регулярно проводит внутренние и внешние аудиты.

3️⃣ Чтобы обеспечить непрерывность работы, используется распределённая отказоустойчивая инфраструктура.

4️⃣Данные пользователей хранятся и передаются по защищённым каналам между собственными дата-центрами в России. 

5️⃣ В самих сервисах доступны инструменты для управления безопасностью организаций, включая многофакторную аутентификацию, аудит действий пользователей, интеграцию с корпоративными системами управления доступом, а также технологии защиты от спама, фишинга и вредоносных файлов. 

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

Google продаёт собственные TPU, Яндекс научил нейросети помнить старые команды, а российский бизнес не стал экономить на ИБ и облаках — эти и другие новости из мира b2b-технологий за неделю.   

🟣 TSMC повысит цены на производство чипов до 10% в 2027 году. Крупнейший в мире контрактный производитель планирует со следующего года увеличить стоимость изготовления чипов по передовым техпроцессам 2, 3 и 5 нм. Это связывают с ростом цен на сырье, производственное оборудование и строительство зарубежных фабрик. 

🟪 Google начнёт продавать собственные чипы TPU. Пока что компания использует большую часть фирменных тензорных процессоров для разработки собственных ИИ-моделей, а остальные поставляет в центры обработки данных клиентов. Решение о продаже связано с высоким спросом со стороны ИИ-лабораторий и других компаний. В Google рассчитывают, что это поможет расширить направление Google Cloud за счёт монетизации и заключать долгосрочные контракты с крупными клиентами.

🌼 В Яндексе придумали, как избавиться от «катастрофического забывания» голосовых ассистентов. Исследователи разработали метод обновления систем распознавания голосовых команд, который позволяет добавлять новые команды без потери способности распознавать уже известные. Вместо полного дообучения нейросети разработчики добавляют к основной модели небольшой обучаемый модуль, при этом параметры исходной модели остаются неизменными. Размер нейросети после такого расширения увеличивается менее чем на 10%. Разработку планируют применять в умных колонках, бытовой технике и автомобильных голосовых ассистентах. 

🟣 «Нижфарм» бесшовно перешла на ERP-систему, развёрнутую на облачной платформе Yandex Cloud. Проект занял полтора года, а новая система обслуживает более 2,3 тысячи сотрудников компании. Всего «Нижфарм» перенесла в облако 6 ТБ данных, обновила более 100 интеграций с внешними сервисами и перевела на новую платформу смежные приложения. Развёртывание продуктивной среды и перевод систем на новую платформу заняли 2,5 месяца, и за всё время пользования не было критических инфраструктурных сбоев или снижения производительности. До 2027 года компания планирует оптимизировать интеграции, доработать производственные модули и расширить автоматизацию технологических цепочек. 

🟣 Компании не стали сокращать бюджеты на кибербезопасность и облачные сервисы. Такие данные приводит в своём исследовании Strategy Partners по итогам 2025 года. В целом российский рынок инфраструктурного ПО за год вырос на 16%, до 158 млрд рублей, по сравнению с ростом в 28% годом ранее, а в 2026 году темпы роста могут замедлиться до 12%. При этом, по данным Рег.облака, число заказчиков публичного облака за год выросло до 22 тысяч компаний, а общее число клиентов облачных услуг всех типов достигло 27 тысяч. В 2026-м компании продолжают увеличивать расходы на ИИ в облаке: 46% российских организаций уже используют такие решения, тестируют их или планируют запуск в ближайший год, а 35% нарастили бюджеты на ИИ.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

🔲 В Яндекс Трекере появилась возможность создавать и использовать плагины, чтобы сделать рабочие процессы эффективнее.

💬 Главное об обновлении

〰️ Пользователи могут создавать собственные плагины. Писать код самостоятельно не нужно. Вместо этого можно использовать любую доступную пользователю ИИ-модель. Инструменты Трекера формируют заготовку плагина и передают модели контекст, необходимый для работы с кодом.

Например, собственные плагины позволяют создавать графики, импортировать задачи из Excel-таблиц, добавлять таймеры, а также интегрировать Трекер с CRM и другими корпоративными системами.

〰️ Сейчас в каталоге есть более 10 расширений, которые можно установить в Трекер. Например, плагин учёта времени показывает, сколько часов исполнители потратили на каждую задачу. Каталог будет обновляться.

💬 Как плагины попадают в каталог

Все расширения проходят модерацию. При установке администратор видит, какие разрешения запрашивает плагин, и определяет, какие дополнения будут доступны сотрудникам. Через публичный API расширение получает только те данные Трекера, к которым есть доступ у работающего с ним пользователя.

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.

Технологическая компания Axenix изучила, как ИИ меняет разработку, и пришла к тревожному выводу: экономя на джунах сегодня, компании рискуют остаться без senior-специалистов через 5–10 лет. Разбираемcя. 

🔍 Что выяснили в Axenix?

Сегодня ИИ уже ускоряет написание кода в 2–3 раза, но продукты на рынок от этого быстрее выходить не стали. Всё потому, что теперь senior-специалисты тратят до 70% времени не на разработку или контроль джунов, а на проверку кода, который написал ИИ.

Одновременно компании меньше нанимают джунов: только за последние шесть лет доля junior-позиций сократилась с 40 до 30%. Их функции теперь можно передать ИИ, сэкономив 1–1,5 годового оклада. 

Но проблема в том, что junior — это будущий senior. Путь от новичка до опытного специалиста занимает 10–15 лет. И если не брать молодых сотрудников сейчас, то лет через десять не останется и более опытных, которые умеют разрабатывать сложные продукты. 

Есть и второй риск: команды, активно использующие ИИ, быстрее накапливают технический долг, когда написанный ИИ код приходится постоянно переделывать. 

👀 Всё так серьезно?

И да и нет. Выводы Axenix отчасти подтверждает Стэнфордская Digital Economy Lab. Изучив данные о 3,5–5 млн сотрудников, там выяснили: к июлю занятость разработчиков 22–25 лет упала почти на 20% по сравнению с 2022-м. Гарвардское исследование 62 млн работников из 285 тысяч компаний показало похожее: наём junior-специалистов в компаниях с ИИ падал на 9–10% за полгода после внедрения, а наём senior почти не менялся. 

Но есть и обратные сигналы. Исследование Ramp и Revelio Labs показывает, что компании, которые больше вкладываются в ИИ, нанимают junior-разработчиков активнее, а не наоборот. Авторы считают, что главный эффект от ИИ здесь не в исчезновении вакансий для новичков, а в растущем разрыве между сильными и слабыми игроками рынка.

 
✏️ Так что делать? 

Экономия на junior-специалистах выглядит логично в моменте, но через 5–10 лет она обернется ростом зарплат сеньоров и дефицитом людей, способных понимать сложные системы изнутри.

Выход, который предлагают в Axenix, — сочетать ИИ-разработку с программами подготовки джунов. Ещё один потенциальный источник кадров — это системные аналитики с опытом 5–7 лет: ИИ снижает порог входа в архитектуру, и они со временем могут успешно перейти в разработку.

Как у вас?

😍 — нанимаем джунов, как раньше
🤩 — нимаем джунов со скиллами сениоров
😎 — никого не нанимаем

Подписывайтесь 👉 @yab2btech и поддержите наш канал по ссылке.