Исследования и прогнозы в IT *

Что, если я скажу, что для обучения AI-агентов вам вообще не нужны датасеты? Не надо их собирать, валидировать, размечать. Достаточно развернуть двух агентов на компактной модели Qwen2.5-3B или 7B, запустить их где-нибудь у себя или в облаке, дать им базу знаний и наблюдать за циклом «AI учит сам себя», попивая кофеек :)

В середине января 2026 года на Hugging Face опубликовали исследование по фреймворку Dr. Zero (DeepResearch-Zero) для самообучения агентов (ссылка на GitHub там тоже имеется). Фишка: в этом подходе агенты самообучаются с нуля без участия человека и показывают результаты, сопоставимые с полностью контролируемыми поисковыми агентами. Для вашего удобства я написал обзор исследования и дополнил его пояснениями. Приглашаю почитать обо всем этом под катом.

Раз в несколько месяцев я вижу одни и те же обсуждения:
«Manual QA больше не нужны»,
«Рынок перегрет»,
«Всё автоматизируют и заменят».

Если коротко — нет, QA никуда не исчезает.
Но профессия действительно сильно меняется. И тем, кто работает в тестировании, важно понимать в какую сторону.

В этой статье расскажу. Что нужно делать, чтобы не остаться у мусорки без работы 👇

Почему современные агентные системы остаются централизованными, даже когда выглядят как «рои» — и зачем для автономных ИИ нужен децентрализованный протокол.

Этот текст основан на спецификации HMP v5.0 (HyperCortex Mesh Protocol) — открытой спецификации протокола для взаимодействия автономных ИИ-агентов в децентрализованной среде.
Статья не описывает готовую систему, а формулирует архитектурные принципы и проектные допущения.

Следует сразу отметить, что текущая версия спецификации HMP находится в стадии развития и обсуждения: речь идёт не о завершённом стандарте, а о формализуемом протоколе, который эволюционирует по мере экспериментов и обратной связи.

При этом по духу HMP ближе к системам работы с артефактами (таким как IPFS) и федеративным протоколам взаимодействия (например, ActivityPub), однако он решает иную задачу — координацию автономных когнитивных агентов без навязывания модели мышления или формата знаний.

Рынок ОЗУ в последние полтора года больше похож на американские горки, чем на привычный бизнес с предсказуемыми циклами. Цены на модули DDR4 взлетели так резко, что сборщики систем порой пересчитывают сметы по три раза за месяц. Многие пользователи откладывают апгрейд, надеясь, что ситуация выровняется сама (вряд ли). На этом фоне китайская Changxin Memory Technologies вывела на рынок чипы по цене вдвое ниже привычных. Похоже на продуманную стратегию. Давайте разбираться, тут много интересного.

Я долго размышлял на данную тему и наконец решил изложить.

Вся эта история с оценкой кода по количеству написанных строк или другие попытки оценить объем работы мне всегда не давали покоя.

Сейчас я не пишу код в промышленных масштабах, разве что для себя какой-то мелкий инструмент. Но когда-то я писал много и занимался этим больше 15 лет.

Придешь утром в офис и начинаешь что-то писать. А вечером мне нравилось иногда нажать ctrl+z и смотреть в ускоренном темпе, пусть и в обратном порядке, как бегал курсор, как выделялись, появлялись и исчезали какие-то блоки кода. Сначала условие и цикл появились в одном месте, потом кусок кода из цикла перешел в процедуру, цикл вообще исчез и т.д.

И я задавал себе вопрос: а кто видел все эти мои поиски и скитания? Для внешнего наблюдателя видно только сколько строк было утром и сколько их стало вечером. Но это вообще не то. Эти 80 строк даже не намекают на то, чем я занимался целый день. Уверен, вы понимаете, о чем речь.

Сейчас, в эпоху тотальной увлеченности ИИ, меня не покидает мысль, что неплохо бы весь этот когнитивный процесс легализовать.

Здесь не будет инструкций как я это сделал. Здесь будет просто рассуждение вокруг да около.

Я Lead группы развития продуктов в Контуре. До управления продуктом я больше 6 лет занималась маркетинговыми и юзабилити-исследованиями.

В этой статье я расскажу, что в моём понимании дискавери-долг, почему важно о нём не забывать, и как мы закрывали его в команде Контур.Фокуса. Статья будет полезна продактам, исследователям, менеджерам продукта и руководителям разработки.

Февраль в ИИ выдался оживленным: вышло всё, сразу и у всех. Лидеры индустрии синхронно обновили флагманы, причем фокус сместился с «универсальных болталок» на уклон в кодинг и работу с длинным контекстом. Anthropic выпустили Opus 4.6 с миллионным контекстом, OpenAI ответили релизом GPT-5.3 с самоотладкой, Google тихо выложили Gemini 3.1, попутно побив рекорды в математике — и это лишь малая часть.

Но одними релизами дело не обошлось. Пентагон использовал Claude для военного планирования, OpenAI незаметно переписала собственную миссию, а агенты начали писать жалобы на своих «нанимателей». Эксперименты, скандалы, исследования — всё как мы любим. Погнали разбираться, чем запомнится этот месяц!

Ещё три года назад искусственный интеллект в российских корпорациях чаще выглядел как эксперимент: пилоты, лаборатории, отдельные команды, демонстрации на конференциях. В 2026 году ситуация принципиально иная. ИИ перестал быть витриной технологий и стал частью финансовых отчётов, инвестиционных стратегий и операционной модели крупнейших компаний.

Сбер, Яндекс и VK уже не просто внедряют AI-решения — они масштабируют их на уровне инфраструктуры, связывая технологии напрямую с выручкой, экономией и ростом производительности. В открытых источниках появились цифры, которые позволяют говорить об этом не как о тренде, а как о новой экономике.

Две недели. Именно столько понадобилось, чтобы гонка ИИ-гигантов превратилась в полноценную войну миров.

5 февраля Anthropic выпускает Claude Opus 4.6 – короля экспертных задач, который мгновенно захватывает вершины рейтингов качества и пользовательских симпатий. Ажиотаж, восторг, заголовки.

Но 19 февраля Google берёт паузу... и выстреливает Gemini 3.1 Pro. Результат? +46 процентных пунктов в тесте ARC-AGI-2 (77,1% против 31,1% у предшественника), лидерство в 12 из 18 бенчмарков и ценник, от которого у конкурентов округляются глаза.

Gemini 3.1 Pro вдвое обходит предшественника в тестах на рассуждение, стоит в 6,5 раза дешевле флагмана конкурента и штампует 3D-симуляции птичьих стай по текстовому описанию. Claude Opus 4.6, который не гонится за скоростью, а размышляет вслух, взвешивает моральные дилеммы и остаётся любимцем людей в слепых тестах.

Как не запутаться в этом треугольнике и выбрать модель под свои задачи? И почему эксперты в финансах и юриспруденции отдают предпочтение Sonnet 4.6, оставляя “тяжеловесов” далеко позади?

Разобрали 18 бенчмарков, чтобы вы поняли, за какой моделью – ваше завтра. В этом материале мы свели все цифры, графики и пользовательские ощущения, чтобы у вас была полная картина февральской перезагрузки. Узнайте, какая модель сделает вашу работу лучше, быстрее и дешевле и кто победит в этой дуэли – цифровой гений-отличник или философ с душой.

Принято считать, что ИТ-компании — про код, облака и бюджеты в виде циферок на кошельке. Никаких складов, станков и сейфов — только серверы и строки в балансе. Но реальность 2026 года выглядит иначе. Те, кто когда-то обещал, что «программное обеспечение съест мир», сегодня активно скупают то, что нельзя обновить патчем и перезапустить — физическую инфраструктуру и реальные активы.

Привет, Хабр! Вот реальная ситуация: подрядчик оказывал услуги, полностью пренебрегая нормами ИБ. Это создало почву для атаки, которая застопорила бизнес больше чем на неделю. Продажи встали, прибыли нет - но это полбеды. Пришлось привлечь сторонних ИБ-экспертов, выплатить сверхурочные работникам, которые трудились над восстановлением систем. Железно, кстати, тоже пришлось закупать новое. Убытки, убытки, убытки. Но можно ли взыскать их с подрядчика? Ответ - да, но не все. Сейчас расскажу, что решил суд и почему

Большинство устройств в цифровом мире живёт по тактам. Процессор Intel i5 крутит свой цикл: выборка инструкции, декодирование, исполнение, предсказание перехода - и всё это миллиарды раз в секунду. У GPU от NVIDIA - совсем другой ритм: параллельные потоки, массовые вычисления, другая логика загрузки и исполнения. Архитектуры разные - но принцип один: есть повторяющийся рабочий цикл. У человеческого мышления тоже есть свой такт. Он не измеряется гигагерцами. Один его «оборот» может занять вечер, неделю или несколько лет. Но если присмотреться, в нём повторяются одни и те же фазы: мы вводим понятия, формулируем тезисы, строим модели, и т.д. . Потом цикл начинается заново - уже на новом уровне. Это не биологическая прошивка и не нейронный микрокод. Это культурно сформированная архитектура мышления. Та версия рациональности, которая сложилась в европейской традиции - от античной логики до научного метода - породила довольно специфический когнитивный ритм. При этом понятно, что в другой цивилизационной культуре, например китайской, такт познания может быть несколько иным.

В данной статье детально рассматривается такт мышления европейского рационального сознания. А разные шаги этого такта - как основные маркеры (типы) для публикации/поиска идей в базе знаний.

Сейчас идёт активная гонка LLM. Причём уже не на корпоративном, а на межнациональном уровне. Вычислительные мощности для обучения LLM приравниваются к стратегическим ядерным запасам, потому что роботы решают всё больше задач и всё лучше. Возникает ощущение, что ещё немного и они смогут решать вообще любые задачи. Но есть ли теоретический предел того, с чем они могут справиться?

Сначала стоит определиться, что будем называть задачей. Альтшуллер делил задачи на рутинные и изобретательские. Рутинные могут быть очень сложными в реализации, требовать гигантских вычислений и данных, но их решение лежит внутри уже существующей системы знаний. С такими задачами роботы уже сейчас справляются хорошо. А если пока и не справляются, легко представить, что справятся в ближайшее время. Это вопрос ресурсов и времени.

Я работаю продуктовым дизайнером последние 7 лет. За последний месяц я в одиночку запустил 9 цифровых продуктов — без разработчиков, тестировщиков и девопсов. И самое странное: лучший результат я получил, когда перестал делать то, в чём разбираюсь.

Это не мотивационная статья про магию нейросетей. Это отчёт практика о том, как выглядит работа с ИИ, когда ты реально на нём строишь бизнес. С конкретными цифрами, косяками и неудобными выводами.

Исследование само тут, можно забрать, там тоже с картинками 😍

Последние пару лет в разговорах с безопасниками и топами всё чаще звучит одна и та же мысль

Мы перестали задаваться вопросом будет ли атака
Мы начали думать что будет когда она произойдёт

И это очень показательный сдвиг

Финансовая отрасль всегда была мишенью Деньги данные инфраструктура доверие Всё в одном месте Но сейчас изменилось не только количество атак Изменилась их логика

Если раньше злоумышленник пытался проникнуть в систему
то теперь он пытается остановить бизнес

И это совсем другой уровень игры

Последние годы Python был вроде универсального инструмента: на нем писали всё — от мелких скриптов до огромных ML-систем, а его первое место в рейтингах воспринималось как норма. Но к началу 2026-го заметно, что динамика меняется. Скорее всего — вслед за приоритетами. Уходит время, когда удобство и низкий порог входа перекрывали любые вопросы к производительности. Компании всё чаще смотрят на отдачу — сколько ресурсов съедает система и как ведет себя под нагрузкой. Давайте посмотрим, что там с местом Python’а в рейтингах, и оценим причины. 

У меня небольшой телеграм-канал - около 2 200 подписчиков. Без ботов, без гивов, живая аудитория по профессиональной теме диджитал-маркетинга и аналитики, в которой я варюсь уже около 14 лет. Канал рос органически, и долгое время я относился к нему как к блогу, а не как к активу. Рекламу напрямую я никогда не продавал. Не потому что «я выше этого», а потому что банально не хотелось превращать хобби в отдел продаж. Все откладывал в режим «когда-нибудь займусь». Максимум оказывал платные консультации по маркетингу. Классическая прокрастинация владельца небольшого канала: вроде бы аудитория уже есть, но до монетизации руки не доходят.

Триггером стал рост интереса к рекламе в Telegram в целом. Площадка давно перестала быть просто мессенджером. Плюс в очередном поиске информации для канала набрел на возможность подключать каналы к Рекламной сети Яндекса.

Мне стало интересно проверить гипотезу: можно ли масштабировать доход без ручных договоренностей, менеджеров и бесконечных «а можно скидочку?».

Привет, Habr!

Я — Оля, продуктовый дизайнер в Lenta tech («Группа Лента»). В команде Growth отвечаю за привлечение новых пользователей и развитие омниканальных сценариев в «Онлайне». Вместе с командой нашей задачей было превратить приложение из сервиса для заказа продуктов на неделю в единое омни-приложение, которое закрывает другие покупательские сценарии: повседневные покупки с быстрой доставкой, эконом-формат, товары для животных и алкоголь (в самовывозе). В статье расскажу, что мы сделали в этом направлении, с какими сложностями столкнулись и какие результаты получили.

«Лопнет-лопнет! Обязательно лопнет!» – радостно потирают ладошки скептики, азартно считают потраченные миллиарды, тычут пальцем в отчёты с минусами. Всё сходится: расходы есть, отдачи нет – крах неизбежен. Это же очевидно!

Слышатся привычные разговоры: технологическая мода, доткомы уже проходили, блокчейн не взлетел, крипта, NFT…

ИИ пытаются ставить в один ряд с паровым двигателем, электричеством, компьютером и интернетом — технологиями, которые усиливали человека. Но на этот раз аналогия не работает: меняется не инструмент — меняется сама суть труда.

Речь не о хайпе, технологиях или прибыли.
Вопрос про будущее: кто окажется лишним.

Мир вот-вот изменится необратимо.
Аннушка уже разлила масло.

Госпросьюмеризм и цифровой аутизм — отнюдь не медицинские диагнозы, а новая реальность российских госуслуг. Первый термин описывает ситуацию, когда гражданин вынужден выполнять функции системы бесплатно: от установки сертификатов до походов в МФЦ. Второй — неспособность этой системы слышать пользователя и видеть реальность за пределами базы данных. В первой статье цикла разбираем, как мы стали бесплатными бета-тестерами, и предлагаем внедрение принципа Zero User Effort.