Исследования и прогнозы в IT *

Посмотрите на вещи, которые мы привыкли воспринимать как неотъемлемую часть повседневной жизни: компьютер, интернет, самолет, антибиотики, атомная энергетика, космические аппараты и так далее. Почти все они родом из первой половины XX века или чуть позже. Даже смартфон — это по сути удачная упаковка транзистора, жидких кристаллов, аккумулятора и радиосвязи, изобретенных десятилетиями раньше. За последние 40–50 лет человечество не столько открывало новое, сколько доводило до ума то, что уже появилось в середине прошлого века.

Научный и технический прорывы в первой половине и середине XX века оказались столь масштабными, что во многом мы до сих пор совершенствуем технологии, изобретенные еще тогда. IT-индустрия в этом плане, кстати, не стала исключением. Даже искусственный интеллект и нейросети появились задолго до OpenAI, Google, Anthropic и идеи «а давайте внедрим сюда ИИ».

Мы занимаемся внедрением LLM и агентов в бизнесы, и одна из самых частых проблем — как обрабатывать данные клиентов и при этом соблюдать закон 152-ФЗ о персональных данных.

Команды и пользователи часто находятся в разных городах, поэтому большинство исследований на моих проектах проходит удалённо. Со временем у нас встроился процесс, который позволяет проверять интерфейсы без лабораторий, специального оборудования и больших бюджетов.

В этой статье расскажу о пяти способах, которые использую в работе. Покажу их не только в теории, но и на примере одного из наших реальных проектов в «Северстали».

За последние пару лет произошло странное: написать работающий код стало почти неприлично легко, а построить хорошую программную систему наоборот - сложнее. Сегодня человек без классического IT-бэкграунда может за вечер собрать интерфейс, API, базу и даже что-то задеплоить. А потом начинается самое интересное: архитектура расползается, зависимости живут своей жизнью, безопасность появляется «во второй версии», а никто уже толком не понимает, почему система вообще работает.

Я написал эту статью после наблюдений за коллегами, студентами и знакомыми, которые всё активнее используют ИИ для разработки. И поймал себя на мысли: ИИ удешевил производство кода, но почти не удешевил понимание того, какой код нужно производить.

Отсюда и главный вопрос: как вообще должна выглядеть маленькая IT-компания, если значительную часть работы уже могут выполнять цифровые исполнители?

Представляю мою спорную модель такой компании: умница-аналитик, архитектор-разработчик, супертестировщик, фантазёр, DevOps, параноик по безопасности. Плюс общая память компании, потому что без неё нейросети очень быстро начинают изобретать архитектуру заново.

Возможно, половина этих ролей действительно может оказаться одним человеком в домашних тапочках. Но тогда к этому человеку возникает неприятно много требований...

Если судить по новостям, то мы в шаге от светлого кибернетического будущего. Gartner еще в 2023 году прогнозировал, что к 2026 году генеративный ИИ будут использовать до 80% крупных компаний. Капитализация Nvidia бьет исторические рекорды, а венчурные фонды льют деньги в ИИ-стартапы.

Но если посмотреть макроэкономические отчеты Федеральной резервной системы США или OECD Data, картина будет другой. Глобальная производительность труда топчется на месте, прибавляя лишь по 1–1,5% в год. Никакого скачка или технологического прорыва в масштабах государств в цифрах реального ВВП нет.

Получается парадокс, когда, с одной стороны, есть колоссальные инвестиции и отчеты о превосходстве моделей над человеком, а с другой — статистика, показывающая, что макроэкономика этого бума не замечает.

Кому же верить? Маркетологам, раздувающим очередной пузырь, или государственным ведомствам, которые не научились еще оценивать новые метрики?

Экономические прогнозы сейчас медленно меняются от предположений в духе «ИИ заменит половину профессий» в сторону сдержанного эконометрического анализа. Взвешенную позицию можно увидеть у Национального бюро экономических исследований США (NBER), сформулировавшего идею о том, что экономика столкнулась с феноменом, который уже проходила сорок лет назад.

В этой статье мы рассмотрим свежие научные публикации, где обсуждаются слабые места, из-за которых буксует светлое ИИ-будущее.

В прошлой статье я расписала механику: девять месяцев, 35+ глубинных интервью, один маркетолог. Здесь расскажу про ошибку, которую совершила следом, применяя ту же методику к новому сегменту. Ошибка типовая, и вижу я её теперь у большинства коллег.

Время от времени, в новостях появляются рассказы о том, что ИИшки принесли в нашу жизнь или новости о развитии ИИшек. Этакий романтический нарратив о чём‑то очень новом, что несёт с собой либо невиданное благоденствие, либо невиданные ужасы.

Однако, в реальности, многие такие события являются лишь переупаковкой того, что уже было.

Последние два года я строю свои продукты без разработчиков — весь код пишут нейронки. Я делаю относительно небольшие продукты, которым не нужно выдерживать сверхнагрузок. Но как обстоят дела у реально крупных компаний с внедрением AI в свои процессы? Мне стало интересно, поэтому я поресёрчил эту тему. Оказалось, что всё не так однозначно.

Личная история о том, как двадцатилетняя мечта о математически доказуемом коде неожиданно стала ответом на главный вызов эпохи ИИ-агентов.

Смартфон можно купить за рубежом, положить в чемодан и физически пересечь с ним государственную границу. Но для того, чтобы аппарат полноценно заработал в местной мобильной сети и легально оказался на внутреннем рынке, этого все чаще недостаточно.

После физической границы появляется вторая — цифровая. Государство получает возможность повторно проверить и ограничить устройство уже внутри страны: по IMEI, данным о ввозе, таможенной декларации, сведениям об импортере, а в отдельных процедурах — и по личности человека, который регистрировал и/или использует аппарат.

Так часть контроля перемещается с аэропортов и автомобильных пунктов пропуска в телекоммуникационную и торговую инфраструктуру. Контроль по IMEI становится одним из механизмов такой цифровой границы.

Два года подряд планирование ИИ-инфраструктуры строилось на одном допущении: подождите квартал — и то же самое будет стоить дешевле. Модель станет умнее при той же цене, токен подешевеет, а видеокарты за счет обновлений софта и новых линеек выдадут больше мощности. Допущение работало настолько стабильно, что превратилось в проектную константу: закладываем текущую цену, через полгода она сама себя окупит.

В августе константа сломалась сразу с трех сторон. DeepSeek первой из крупных лабораторий подняла цены на API — на 355–371% в пиковые часы — и ввела тарификацию по времени суток. Micron на Hot Chips показала цифру, после которой разговор про «дешевеющее железо» заканчивается: в двухкристальных GPU-сборках память занимает около 90% площади кремния и стоит впятеро дороже DDR5 за бит. А китайские лаборатории выпустили в открытый доступ веса на 1,7 и 2,4 триллиона параметров, которые скачать можно, но развернуть проблемно.

С середины июля по сентябрь семьи активно готовятся к учебному году: совершают крупные покупки, регистрируются на новых платформах, оформляют выплаты, покупают ребенку первый смартфон. В этот период мошенническое сообщение не привлекает внимания, так как воспринимается как очередная задача из общего потока. Просьба перевести деньги в чат класса не отличается от остальных похожих запросов за неделю. Поэтому рекомендация «будьте внимательны» не работает: у уставшего человека ограничен ресурс внимания.

Эксперты Positive Technologies и «МТС» совместно изучили основные цифровые риски, с которыми семьи могут столкнуться в период подготовки к новому учебному году, и собрали практические рекомендации, которые помогут защитить аккаунты, устройства, телефонные номера и деньги детей и родителей.

BI снова хоронят: подключаем LLM к хранилищу и аналитики больше не нужны, деньги тратить на лицензии не нужно. По крайней мере, так выглядит обещание.

На практике дата-агент может написать корректный SQL, получить верные цифры и всё равно уверенно ответить не на тот бизнес-вопрос. Он путается в определениях метрик, теряет права пользователя, дорого ходит по кругу и иногда рассуждает хуже, когда ему дают больше времени.

Я разобрал свежие кейсы OpenAI, Anthropic и Hex: что действительно улучшает ответы, какие очевидные подходы уже провалились, из чего складывается реальная стоимость и как за шесть шагов проверить

Здравствуй, Хабр!

Давно хотел поделиться своими мыслями и изысканиями на тему: «Чем внедрение ИИ‑агентов в бизнесс‑процессы организаций отличается от всего, что мы привыкли делать раньше, внедряя информационные системы».

И вот, когда индекс ИИ‑хайпа от @anti_agi вышел на плато, а Билл Гейтс сообщает нам, что мы не готовы к эпохе ИИ — по‑моему, самое время это сделать!

Задача звучит как парадокс с порога: как измерить состояние у технической системы, к которой неприменим термин «чувствовать»?

Ответ на этот вопрос можно найти в работе «Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?». Ее авторы исследовали способность эмоционального контекста влиять принятие решений в цепочке рассуждений LLM. Прямые вопросы об эмоциях заставят модель сымитировать рассуждения и по ним нельзя будет понять реальное их влияние на ее поведение.

Исследователи выстраивали ход эксперимента с нуля: вызывали состояние, похожее на эмоцию, ни разу не озвучив ее; проверяли их соответствие друг другу; и в конце анализировали конкретные решения модели. Давайте посмотрим ход их действий и выводы, к которым они пришли. А это очень интересно и познавательно для тех, кто много работает с нейросетями.

Почему «удалить аккаунт» — это плоская проекция, как из неё рождается предметная область цифрового санкционного управления и зачем профессиональным сообществам нужны таксоны, состояния, события и восстановительные маршруты.

Путь от первой попытки смоделировать нейрон до систем, которые сегодня пишут код и ведут диалог, занял меньше 70 лет — и почти обвалился на середине. Разбираемся, как перцептрон Розенблатта чуть не похоронил идею нейросетей, что вернуло ее к жизни, и почему трансформеры изменили все.

А что если система поиска научных гипотез обнаружит не новый ответ — а то, что сам вопрос задан в неправильных параметрах? Это не дает мне покоя… И еще одна мысль наводит на новые идеи: а что если на известных параметрах всё уже известно (хотя есть пробелы в знаниях и их тоже нужно заполнять)? Поэтому я ввел неизвестные адаптивные параметры, которые потом можно рассчитать - и вот они как раз и дают новые направления, кандидатов и теорию и их огромное множество, больше чем атомов во вселенной! Но все пространство, по моим наблюдениям, делится на области, сектора, районы! В этой статье мы подключили экспериментально к нашей архитектуре фармацевтический домен и запустили слепой поиск, получили миллионы кандидатов (с которыми пока не знаем что делать). Результат оказался интересный, для не специалиста не понятный, но думаю значимый). Система: — независимо восстановила уже известные терапевтические направления — это стало положительным контролем; — нашла несколько сотен комбинаций target × modality × disease, для которых точного prior art в целевом поиске мы не обнаружили (все пространство просканировать невозможно - оно огромно, это как диапазон Биткойн, только еще больше пространство; — на противоречивых данных P2X7/Parkinson наша система отказалась выбирать «правильную» публикацию и решила, что существующих параметров недостаточно (возможно потребуется отладка); — предложила дополнительную research-local координату pathophysiologic_endotype, при этом не позволив ей автоматически попасть в канонический реестр; — а на втором конфликте, TLR7/Alzheimer, произошло ещё интереснее: новые параметры выглядели очень информативными внутри выборки, но permutation/LOO-проверка показала, что эффект не переносится. Гипотеза была остановлена.

То есть получилась цепочка: REDISCOVERY → RESEARCH GAP → AXIS INCOMPLETE → SELF-CORRECTION В статье — все кандидаты, формулы, реальные числа, воспроизводимый P2X7-кейс, найденный дефект causal-readiness gate и то, как мы его исправили.

20 августа на OpenRouter появилась строчка stealth/ox-alpha. Без карточки модели и даже намёка, кто её выложил. Провайдер значился как «Anonymous». Цена — ноль. Контекст — мильон. Площадка предупреждала: мы не владелец этой модели, а просто маршрутизируем запросы.

Через шесть дней у анона было имя, десятки триллионов обработанных токенов и полмиллиона разработчиков, которые за это время успели залить в него рабочий код. Спойлер, который уже не спойлер: это оказалась GLM-5.3-Flash от китайской Z.ai.

Но путь от «непонятно что» до «фронтир‑модели» получился драматичным и заслуживает разбора. Ну а поскольку я лично пялился в этот тред почти неделю, обновляя ленту как одержимый — расскажу вам что там произошло, по порядку.

Разработчик — традиционно самая высокооплачиваемая специализация в IT. По данным исследования Хабр Карьеры за первое полугодие 2026 года, медиана для разработчиков — 270 тысяч рублей в Москве, 247 тысяч в Санкт-Петербурге и 200 тысяч в регионах. Причём медиана по всему IT-рынку — 191 тысяча рублей.

Разброс внутри профессии огромный: HTML-верстальщик зарабатывает 80-100 тысяч рублей, а архитектор ПО — 497 тысяч. 

В статье разберём, кто такой разработчик, какие специализации существуют, что нужно знать для входа в профессию, где учиться и сколько можно получать.