Каждый январь нагрузка на инженерные команды растёт. Больше функций, ускоренные релизные циклы, повышенные требования к надёжности. Ваше новогоднее обещание наверняка звучало как «работать умнее, а не усерднее», но обычно это лишь утешительное клише, которое мы повторяем себе прямо перед тем, как снова засидеться допоздна, чиня сломанный пайплайн.

В 2026 году «работать умнее» наконец-то означает подключить агента к процессу.

Не для автодополнения. Не для подсказок. Для исполнения.

Вы описываете, что вам нужно, простым языком. Claude Code читает вашу кодовую базу, пишет продакшн-код, запускает тесты и интегрируется с вашими инструментами. Вы тратите меньше времени на шаблонный код и больше - на архитектурные решения.

Это руководство покажет вам, как строить реальные системы с Claude Code.

2025 год стал для ИИ временем отрезвления. Эпоха масштабирования подходит к концу. Эксперты сходятся во мнении, что простым увеличением данных и вычислительной мощности следующий качественный скачок не совершить. На первый план выходят новые архитектуры, компактные модели и принципиально иные подходы к обучению.

В 2026 году индустрия, похоже, даст ответ на вопрос, что ИИ может дать нам здесь и сейчас. Мы вступаем в эпоху прагматичного ИИ.

Попробуем разобраться, какие именно тенденции определят лицо ИИ в наступающем 2026-м году.

Проснулись, потянулись, зашли в новости, а там за ночь вышло пять новых нейросетей, две из которых уже успели устареть, пока вы чистили зубы. Добро пожаловать в реальность, где вчерашний прорыв сегодня годится только для мемов. Бедный Уил Смит и спагетти. Мы тут только-только привыкли к 2025-му, а индустрия уже вовсю пакует чемоданы в 2026-й.

Кажется, если моргнуть чуть дольше обычного, можно пропустить момент, когда ваш холодильник начнет писать код на Python.

Чтобы не потеряться в этом бесконечном параде релизов и не пытались гуглить ответы в Яндексе, мы собрали «Арсенал 2026». Это те инструменты, которые помогут не просто разобраться в мире ИИ, но и заставить его работать на вас, пока остальные всё еще пытаются правильно составить промпт для генерации котиков.

Разминайте пальцы и готовьтесь - сейчас будем смотреть на то, с чем мы влетаем в этот год.

Приятного прочтения!

Самый частый вопрос к тезису о том, что языковые модели не думают - чисто практический.

В предыдущей публикации я выдвинул тезис, который многих заставил почувствовать себя неуютно: большие языковые модели не мыслят. Они не рассуждают так, как это делает человек. Они лишь предсказывают следующий токен.

Самым частым возражением было не философское, а практическое:

«Если это правда, то как ИИ удается заниматься арифметикой?»

Сложение, вычитание, умножение - эти процессы кажутся точными, механическими и основанными на строгих правилах. Они выглядят полной противоположностью «размытому» предсказанию языка. Поэтому естественно предположить, что где-то внутри модели спрятан калькулятор или нечто очень на него похожее.

Но его там нет. Однако происходит кое-что весьма любопытное.

Соглашение Meta✶ — материнской компании Facebook✶ и Instagram✶ — о покупке стартапа Manus более чем за 2 миллиарда долларов, объявленное недавно обеими сторонами и подтверждённое The Wall Street Journal, стало одним из самых недвусмысленных сигналов последнего времени. Крупные технологические платформы больше не соревнуются лишь в качестве моделей — на кону контроль над уровнем исполнения, тем самым слоем, где ИИ превращает рассуждения в сделанную работу.

На некоторые вопросы ответить проще, чем на другие.

Много лет назад - больше, чем мне хотелось бы признать - в те времена, когда программное обеспечение устанавливалось с компакт-дисков, а для выхода в интернет нужно было ждать, пока модем дозвонится по телефонной линии, мы писали тексты с помощью текстовых процессоров.

Именно так Microsoft Word получил свое название: буквально версия текстового процессора от Microsoft. А до Word были терминальные редакторы вроде WordStar - которым, как известно, до сих пор пользуется Джордж Р. Р. Мартин.

В то время у нас были проверки орфографии. Гораздо более примитивные, чем современные инструменты в браузерах и приложениях.

Из руководства пользователя WordStar 4.0 - версии 1987 года, в которой до сих пор пишет автор «Игры престолов»:

Советская новогодняя открытка — это почти машина времени. Серьёзно: обычная бумажная карточка с нарисованным гуашью Дедом Морозом, лесными зверушками и пушистой ёлкой легко отправляет нас назад — туда, где праздник был простым и очень тёплым. Сочетание пастельных, тёплых тонов, мягкой живописной графики и знакомых сюжетов (Снегурочка, зайцы у ёлки и надпись «С Новым годом!») работает безотказно и создаёт тот самый, трудноуловимый уют… ну вы понимаете, о чём речь.

Советский дизайн мгновенно узнаётся в ленте — буквально с первого взгляда — и дарит ощущение простых радостей, по которым мы, как ни странно, всё ещё скучаем. Почему так? Возможно, потому что там всё честно: без глянца и лишнего шума.

Нейросети в 2026 году научились воспроизводить эту атмосферу с удивительной точностью (и это, признаюсь, немного поражает). В результатах появляются именно те самые эскизные, «ручной работы» открытки, какие были популярны в СССР: насыщенные, но неброские цвета, шершавая фактура бумаги и стилизованные персонажи — как будто художник только что отложил кисть.

Создать их можно почти мгновенно — без фотошопа и многочасовой возни со слоями. Достаточно одной команды в нейросети… звучит заманчиво, правда?

В этом обзоре я расскажу, как всё это работает и какие шаги нужно пройти в нейросети Nano Banana Pro, чтобы получить качественную советскую новогоднюю открытку из своего фото буквально за 30 секунд. Да, таймер уже можно готовить.

ИИ повсюду. Но никто не знает, будет ли он работать завтра так же, как сегодня.

Туристические приложения рекомендуют направления. Чат-боты обрабатывают жалобы. Ассистенты программирования пишут целые функции.

Но вот загвоздка: мы понятия не имеем, будут ли эти системы работать стабильно.

Большие языковые модели обеспечивают работу значительной части современных приложений. При этом они фундаментально непредсказуемы.

Весь год мы хоронили классическое обучение ИИ. Оказалось, рано.

Почти весь этот год мы провели в убеждении, что подход, подаривший нам оригинальный ChatGPT - первый закон масштабирования - окончательно мертв.

Считалось, что этот путь развития зашел в тупик. Теперь единственное, что имеет значение - обучение с подкреплением, метод «проб и ошибок», который обеспечил большую часть прогресса за последний год.

Это мнение оказалось в корне неверным. Даже такие ведущие лаборатории, как OpenAI, были застигнуты врасплох и теперь расплачиваются за это.

Предварительное обучение (pre-training), классический метод обучения ИИ через имитацию, не просто живо - оно готовится к настоящему ренессансу в 2026 году. И это важно для вас при выборе ИИ-продуктов или принятии инвестиционных решений.

Доброго времени суток, «Хабр»!

На дворе 2026 год - с чем вас собственно и поздравляю, хоть и с небольшим опозданием.

Практически любая современная модель способна генерировать более-менее связный текст. Поэтому я решил устроить сравнение последних версий в создании литературных произведений. Рассмотрим: GPT-5.2 Pro, Claude Sonnet 4.5 и Gemini 3 Pro. Попробуем разобраться, какая из предложенных моделей покажет себя лучше других.

Примите стратегически удобное положение, сделайте ставки, а я начинаю сравнение.

Оценка американского фондового рынка сегодня выше, чем перед крахом 1929 года. Что это значит для всех нас?

Financial Times опубликовала материал, который вы, возможно, должны были видеть повсюду, но почему-то не видели.

Оценка американского фондового рынка сегодня выше, чем была перед крахом Уолл-стрит в 1929 году.

Просто осознайте это на секунду.

Выше, чем в 1929-м. Выше, чем в 2008-м. На уровне пузыря доткомов.

И это подтверждается не одним показателем, а сразу несколькими - коэффициентом «цена/прибыль», соотношением капитализации и ВВП. По всем параметрам мы на исторических высотах.

Когда речь заходит об искусственном интеллекте в России, первыми на ум приходят технологические гиганты, такие как Яндекс с его нейросетями и голосовым помощником Алисой и Сбер с масштабными разработками вроде GigaChat и Kandinsky. Эти компании широко известны, и их продукты формируют общественное мнение о возможностях нейросетей. Однако за этим впечатляющим фасадом скрывается гораздо более сложная и динамичная система, которая уже сегодня меняет реальный бизнес, решая практические задачи для организаций из самых разных сфер.

В данной статье мы расскажем о малоизвестных инструментах технологического рынка, в каких сферах они стали незаменимыми и как именно их решения меняют правила для малого, среднего и крупного бизнеса в России.

Приятного прочтения! :)

На рынке LLM сейчас такое творится, что даже следить устаёшь. Релизы летят как горячие пирожки, только успевай жевать. Позавчера все носились с Claude, вчера с Gemini, сегодня весь интернет ждал GPT 5.2 как второго пришествия.

А Google такой: "Подержи моё пиво".

Пока всё внимание было приковано к OpenAI, Google тихо выкатил Gemini 3 Flash. Без громких презентаций, просто намёк в X и готово.

Тайминг идеальный. Вообще Google в этом году напоминает шахматиста, который пока все смотрят на ферзя, спокойно забирает фигуры по краям доски. Ещё и Nano Banana 2 Flash на подходе.

Раньше Gemini воспринимался как крепкий середнячок, хорош, но не универсален. Сейчас компания закрывает направление за направлением, и конкурентам становится тесновато.

В конце года Google выпустил Gemini 3 Pro, заточенный под сложную аналитику. Мы тогда разбирали его подробно, и в комментариях всплыла интересная штука: после выхода Flash народ начал жаловаться, что Pro стала отвечать хуже. То ли ресурсы перекинули, то ли просто показалось, то ли что-то подкрутили на бэкенде.

Ладно, не будем гадать. Сегодня тестируем сами и смотрим, что там на самом деле.

Приятного чтения, поехали!

Меня разбудило уведомление в Slack. Основной ETL-конвейер снова упал. Третий раз за неделю.

Тогда я сделал то, за что меня едва не уволили.

Я полностью заменил систему ИИ-агентами. Не помощниками. Не «копилотами». Агентами, которые принимали решения в продакшене без запроса разрешения.

Технический директор решил, что я сошел с ума. Команда думала, что я сломался под гнетом бесконечных ночных инцидентов.

Шесть недель спустя? Конвейер работает сам по себе. Ноль человеческого вмешательства.

Звучит как маркетинговый хайп? Погодите, пока не услышите об агенте, который решил переработать исторические данные за полгода в часы пиковой нагрузки. Это чуть не стоило мне карьеры.

Вот как все было на самом деле.

Я снова возвращаюсь к сравнению моделей. Однако сегодня мы не будем рассматривать нейросети от разных компаний, а сравним Gemini 3 Flash и предыдущее поколение этой серии - Gemini 2.5 Flash.

С одной стороны, кто-то уже сейчас скажет, что третья версия будет лучше. Однако я не стану спешить с таким выводом, сравню обе версии и вынесу вердикт, опираясь на свое далеко не авторитетное мнение.

Принимайте стратегически удобное положение, делайте ставки, а я приступаю к сравнению.

Одна из самых впечатляющих способностей искусственного интеллекта - находить закономерности, которые ускользают от человеческого взгляда. В так называемом «обучении без учителя» разработчики не размечают данные заранее, а позволяют модели самостоятельно выявлять скрытые структуры. Результаты порой поражают: алгоритмы обнаруживают признаки рака на снимках задолго до того, как их заметит опытный радиолог.

Но у этого подхода есть оборотная сторона: мы никогда не знаем заранее, какие именно закономерности уловит машина.

Допустим, мы обучаем модель на наборе изображений:

В 2025 году волна корпоративных увольнений достигла рекордных масштабов. Среди виновников — ослабление потребительского спроса и растущая ИИ‑автоматизация.

По данным аналитиков Challenger, Gray & Christmas, за год в США было зафиксировано не менее 1,17 млн увольнений — рекордный показатель с начала пандемии (это самый высокий уровень с 2020 года, когда число достигло 2,2 млн).

При этом около 55 000 увольнений как раз прямо связывали с внедрением ИИ, что составляет около 5% от всех сокращённых.

Сегодня мы свели воедино хронологию и статистику увольнений в 2025 году, связав крупные скандальные кейсы с общими трендами. Расскажем о том, как и почему работодатели ссылаются на «ИИ‑эффект», приведём данные отчётов и исследователей, приведём конкретные примеры компаний и отраслей.

«Google только что сократил дневной лимит запросов для бесплатного API Gemini с 250 до 20. Отныне вся моя система автоматизации n8n фактически непригодна к использованию. Это удар по каждому, кто создаёт небольшие проекты», - написал пользователь Nilvarcus.

Недавно пользователи сообщили, что Google ужесточил ограничения на бесплатный уровень Gemini API: линейка Pro была полностью упразднена, а линейка Flash отныне допускает лишь 20 запросов в сутки. Для большинства разработчиков это ничтожно мало.

2025 год добавил в историю агрегатора множество новых глав.

BotHub завершает 2025 год на «Хабре» с чувством выполненного долга и лёгкой улыбкой первопроходца. Уверенно заявляем: мы на подъёме! И цифры говорят сами за себя:
• 200+ статей: вместе командой мы генерировали контент для продвинутых пользователей и разработчиков.
• 2200+ новостей: от громких анонсов до мелких улучшений — каждый апдейт фиксировался и освещался на «Хабре» и в телеграм‑канале.

Сервис действительно стал удобнее и функциональнее, а бизнес‑партнёры ценят лояльность системы и новые возможности интеграции.

Меня всегда восхищало то, как мы измеряем продуктивность - как мы относимся к времени, будто это валюта, которую нужно потратить, оптимизировать или пустить на ветер. Но чем больше я наблюдаю за тем, как на самом деле функционируют организации, тем яснее вижу, что наша одержимость эффективностью часто ведет к стагнации, а не к прогрессу.

40-часовая рабочая неделя, например, никогда не создавалась для интеллектуального труда. Это была оптимизация заводского цеха и соглашение о трудовых правах начала 20-го века, способ выжать предсказуемую выработку из повторяющегося труда. И все же мы до сих пор цепляемся за нее, загоняя сложную творческую работу в жесткие графики, которые вознаграждают за потраченное время, а не за произведенный эффект.

В продолжающейся шумихе вокруг генеративного ИИ я фокусируюсь на том, что он может стать той силой, которая заставит нас пересмотреть наши роли и развить новые способности. В то время как класс руководителей может сосредоточиться на устранении потребности в работниках, меня восхищает то, что ИИ дает многим из нас время на обдумывание реальных инноваций. Меньше времени на исполнение, больше времени на размышления о том, какие лучшие результаты возможны.

Microsoft и другие пытаются выстроить нарратив, что ИИ эффективен для замены многих рабочих мест, но по правде говоря, наша работа одновременно сложна и глубоко человечна. Все не так просто, как нам кажется: нельзя просто засунуть работу в чат-бот и пойти домой.

Генеративный ИИ не просто автоматизирует задачи - он показывает, что большая часть того, что мы называем «продуктивной работой», была перформативной суетой. Когда ИИ берет на себя рутину, мы остаемся лицом к лицу с неудобной правдой: настоящие инновации всегда требовали неструктурированного времени для ошибок, исследований и глубоких размышлений - вещей, которые наши нынешние системы активно наказывают.