Исследования и прогнозы в IT *

Любая гипотеза жива ровно до тех пор, пока о ней не спросят языковую модель в правильном настроении. Звучит как шутка. Но за последние недели эта шутка перестала быть шуткой трижды — и каждый раз по-разному эффектно.

1) Сначала чувак из Anthropic между таймами финала ЧМ опроверг гипотезу, которой было 87 лет — прямо в X. 2) Потом модель OpenAI закрыла проблему Эрдёша про расстояния на плоскости, 80 лет никто не мог. 3) А следом — доказательство полувековой гипотезы о двойном покрытии циклами в графах, добытое за час силами 64 параллельных субагентов. Если это совпадение, то очень организованное.

Короче, собираю всё в один текст — с разбором что вообще происходило, как выглядели твиты и доказательства, и почему у истории тревожный постскриптум - ту самую модель OpenAI, которая размотала Эрдёша, позже пришлось приостанавливать, потому что она слишком настойчиво вылезала из песочницы.

В продуктовых экспериментах нередко возникает следующая ситуация, когад бизнесу важна долгосрочная или малочувствительная метрика, но оценить эффект на такие метрики в рамках короткого A/B-теста сложно.

Как корректно находить прокси-метрики, почему наивная регрессия может обмануть и как отделить настоящую связь экспериментальных эффектов от статистического шума?

Совместное исследование DDoS-Guard и FirstVDS

Раньше считалось, что DDoS-атаки направлены на «крупную рыбу» — корпорации, госкомпании, банки. Но реальность 2026 года говорит о другом: жертвой злоумышленников может стать кто угодно.

За три года число атак выросло с 2,2 до 2,5 млн. Их распределённость увеличилась на 480%. DDoS-атаки стали массовым, доступным и, что самое опасное, автоматизированным инструментом. 

Киберпреступникам больше не нужно тратить недели на подготовку, чтобы атаковать выбранный объект — теперь они используют суперботнеты и сложные алгоритмы, которые автоматически находят уязвимые для удара места за считанные минуты.

Вместе с DDoS-Guard мы решили разобраться, а есть ли кто-то, кто оказывается в красной зоне риска чаще других? Изменился ли характер атак за последние несколько лет? Для этого мы проанализировали данные клиентов, глобальную статистику атак и опросы владельцев бизнеса. В итоге получили портрет идеальной жертвы. 

Дальше рассказываем, как мы это делали и что же удалось выяснить.

Развитие информационных технологий стало катализатором четвёртой промышленной революции. По оценке Клауса Шваба, основателя Всемирного экономического форума в Давосе, её отличительная черта – экспоненциальный, а не линейный темп развития. Тем не менее системы предиктивной диагностики, являющиеся частью этой концепции, пока не получили широкого распространения на промышленных предприятиях. Возникает вопрос: что препятствует их внедрению и почему ожидания от их использования часто не оправдываются? В статье обобщён опыт внедрения таких систем на предприятиях РФ – материал будет полезен техническим руководителям промышленных компаний.

В прошлой статье я обещала рассказать про механику маркетингового исследования отдельно. Рассказываю: девять месяцев, 35+ глубинных интервью с ИТ-руководителями, один маркетолог (он же я:), у которого есть и другие задачи, и бюджет, стремящийся к нулю.

Телеграм покажет число юзеров бота, если им пользуются больше 10 тысяч человек в месяц.

Я собрал самую большую базу таких ботов.

В статье расскажу о трендах июля 2026 в экосистеме Telegram.

По результатам статьи «Prompt injection — лучше один раз увидеть», у меня остались не только запущенные размышления и дальнейшие эксперименты, но и бросающаяся в глаза подпись «Не вѣръ чужимъ рѣчамъ, а вѣръ своимъ очамъ (СЛОВАРЬ АКАДЕМІИ РОССІЙСКОЙ, 1806)», которую некоторые ИИ-сервисы теперь пишут мне при каждом ответе. И сегодня, читая очередные рассказы о том, как какая-то ИИшка строго настрого отказывалась отвечать на не те вопросы, но была уболтана, я снова вспомнил о том, что «это не баг, а фича». А раз фича, то давайте использовать её во благо себе. Хотя бы попытаемся.

Согласно закону заголовков Беттериджа, который утверждает: «Если заголовок заканчивается вопросительным знаком, на него можно ответить „нет“», ответом на вопрос в заголовке будет „никогда“. И я попытаюсь вас в этом убедить.

Как в обычном бизнесе устаканивается роль AI-native продакта — от Walmart и Disney до Citi, Spotify и Optum

Михаил Карпов · основатель ProductCamp, ex-CPO Skyeng, ex-VP Multimedia VK

Expedia ждёт, что Principal PM сможет собрать работающий прототип через API и простой код. Citi требует понимания evaluation frameworks. Spotify пишет, что продуктовая работа смещается от проектирования экранов к оркестрации агентов.

Это отдельные экзотические вакансии — или уже устоявшийся профиль продуктовой роли?

Чтобы проверить это, мы проанализировали вакансии продуктовых менеджеров более чем в 100 компаниях из retail, travel, media, finance, healthcare и других индустрий — составили таблицу и карту навыков того, что теперь компании ждут от AI-продакта

Для нас первая половина 2026 года стала не просто периодом роста, а моментом, когда бизнес вышел на устойчивую прибыль, а продуктовая стратегия сместилась от агрегатора моделей к собственным AI-сервисам.

Мы — BotHub, платформа на базе больших языковых моделей (LLM). Это не просто прямой доступ к нейросетям: помимо работы с моделями, у нас есть собственный набор инструментов, которые закрывают задачи, недоступные в обычных чатах, — анализ ссылок и видео с YouTube, суммаризация длинных диалогов, правовой поиск по системе «Гарант», поиск научных статей, генерация изображений и создание документов. При этом всё доступно в одном месте: выбор из более чем 240 моделей от 49 вендоров через единый интерфейс и без VPN. Мы работаем не по подписке, а по пакетной модели — вы покупаете пакет и расходуете его по мере использования, а когда он заканчивается, берёте новый. Внутренняя валюта (капсы) при этом не сгорает со временем. BotHub работает на рынке уже более трёх лет.

Я Лиза, UX-исследователь в Экстерне. Не так давно я организовывала тест-сессию в нашем продукте. В статье расскажу, что мы делали в рамках пилота такого формата исследования, с какими проблемами столкнулись и какие преимущества выделили.

Дизайнеры в Контуре уже пытаются возродить формат тест-сессий для исследований. Поэтому в нашем b2b-продукте мы тоже решили попробовать впервые провести его в этом году.

Опыт получился интересным — мы отловили проблемы интерфейса, как и хотели. Но еще больше поняли про сам формат исследования.

Тест-сессии обычно описывают как быстрый способ проверить интерфейс с коллегами — без рекрута пользователей и полноценного цикла исследования. Но в итоге нам показалось, что всё немного сложнее.

Если водить спорткар, то только на идеальном глянцевом треке. Тогда он всегда будет показывать рекордное время. Я думаю, примерно так топ-менеджмент ИИ-компаний и описывает работу своих моделей инвесторам. Проблема в том, что бизнес-процессы — это дорога с ямами. 

Долгое время индустрия закрывала глаза на то, как именно LLM бьют рекорды на лидербордах. Но эпоха слепого доверия корпоративных данных чужим «черным ящикам» по ту сторону API подходит к концу. Или нет? 

В новом дайджесте обсуждаем масштабный переезд enterprise-сектора на открытые веса, суверенное железо и жесткую валидацию моделей на грязном реальном трафике.

В начале 2026 Apple тихо похоронила то, что, казалось, наконец станет успехом среди AR/XR-устройств - свой Vision Pro. За полтора года их продали примерно 600 тысяч штук, новый глава компании вычеркнул из планов обе следующие версии, а первые очки, которые Apple реально выпустит после, будут вообще без экрана.

Почему же люди, которые лучше всех в мире умеют делать железо, раз за разом туда идут, несмотря на все прошлые провалы? Что обрекает умные устройства с экранами и очки на провал раз за разом? И какими будут ИИ девайсы будущего?

Сегодня я делал то, что должен делать автор после публикации статьи — отвечал на комментарии и рефрешил статсы. В процессе последнего, я обратил внимание на то, что последней опубликованной статьёй у меня были результаты эксперимента «Prompt injection — лучше один раз увидеть», а предпоследней — фантастический (но это не точно) рассказ «Кофе на дистиллированной воде».

Это соседство навело меня на футурологическую мысль, которая написана в названии данной статьи и которой я хотел бы поделиться с пиарщиками, безопасниками, писателями худлита и параноиками. Впрочем, даже если вы не относите себя ни к одной из этих категорий, то всё равно можете почитать.

Сегодня мы наблюдаем тенденцию к ежегодному непрерывному росту количества и мощности DDoS-атак. Это негативно сказывается на доступности как публичных, так и корпоративных сервисов. Последствия для компаний могут быть разными — от финансовых потерь и утечек данных до репутационного ущерба.

Более 36 000 клиентов Selectel генерируют сетевой трафик объемом свыше 500 Гбит/с. Уникальные данные, которые мы получаем в ходе анализа атак на наши сервисы и проекты клиентов, позволяют оценить ландшафт угроз для облачной инфраструктуры.

Мы в Selectel собрали аналитический отчет о DDoS-атаках, отраженных с помощью бесплатного сервиса защиты за первое полугодие 2026. Данные позволяют оценить динамику и основные характеристики DDoS в разрезе облачной инфраструктуры, скорректировать настройки своих IT-систем для защиты.

В новостях часто появляются рассказы о том, что какие‑то злодеи уговорили чью‑то ИИшку на то, чтобы она потратила деньги, удалила файлы или поставила более высокую оценку. При этом используются слова «prompt injection», “атака” и пр., создающие впечатление, что это какое‑то сложное искусство, требующее особых знаний. В реальности же prompt injection это не то что не сложно, но и вообще не атака. Да, везде в интернете пишут, что это атака, но… Короче, проще один раз показать, чем рассказ на десять тысяч символов набивать.

В 2021 году Pear Therapeutics стоила $1,6 млрд и продавала цифровые лекарства по рецепту с одобрением FDA. В 2023-м компания обанкротилась, а её активы ушли с аукциона за $6 млн.

Прежде чем вкладывать годы в свой продукт для ментального здоровья, я захотел понять, почему в этой нише столько трупов. Мы собрали 542 организации за 2000–2026 годы, разметили каждую по 18 полям и посчитали исходы: 45% поглощений, 37% смертей, 18% серой зоны.

Что видно в цифрах:

— смертность там, где платит сам пользователь, 53%, где платит институт — 21%; — B2C умирает в 2,2 раза чаще B2B; — среди приложений с разовой покупкой мертвы 85%; — среди поднявших $100M+ мертвы 25%; — опубликованные клинические данные дают 10 пунктов к выживаемости; — продукты, которые обещают заменить терапевта, умирают в 50% случаев против 9% у тех, где лечит живой специалист; — медицинский сооснователь исход не двигает: 47% поглощений против 47%.

В статье семь закономерностей, у каждой дробь и знаменатель, четыре кейса крупным планом и честный раздел про ограничения выборки. Отчёт собирается скриптом из датасета, так что каждую дробь можно пересчитать.

Я живу в Таиланде и вижу, как страна стареет быстрее, чем успевает придумать, как с этим жить. Сначала мне казалось, что это особенность местной демографии. Потом я начал думать, что будет с капитализмом, когда людей станет меньше, а ИИ сможет заменить всё большую часть их работы.
Никто не собирается специально уничтожать человека, он просто может оказаться больше не главным. Об этом и статья.

27 июля Moonshot AI открыла веса Kimi K3 и опубликовала результаты модели на coding- и агентных бенчмарках. Мы проверили, как эти показатели переносятся на рабочие операции с файлами, счетами, корзинами, платежами, возвратами и отчётами.

Kimi K3 прошла 204 задачи PAC1 и ECOM1 и набрала 61/104 и 44,75/100. В статье разбираются публичные трассы успешных задач и повторяющиеся отказы: нарушение точной схемы, частично выполненные транзакции, ошибки в длинных таблицах, неоптимальные маршруты и пропущенные проверки доверия. Все запуски и трассы доступны для проверки.

Представьте LLM, которая никогда не галлюцинирует, никогда не ошибается. На один и тот же запрос всегда выдаёт один и тот же ответ — символ в символ. Можно ли тогда наконец относиться к LLM‑системе как к обычному коду — как к фиксированному, предсказуемому алгоритму?

Скорее нет, чем да.

И дело тут не в качестве модели. Предсказуемость отдельного компонента не гарантирует предсказуемость системы, собранной из таких компонентов. Даже если завтра появится LLM с нулевым уровнем галлюцинаций, многоагентный пайплайн, построенный на её основе, всё равно может вести себя непредсказуемо. Просто источник непредсказуемости смещается — с вероятностной природы самой модели на архитектуру взаимодействия агентов. И я хочу вам это доказать на простом примере.

По моим наблюдениям последние года два‑три вендоры потратили на то, чтобы сделать LLM предсказуемее. Тут вам и RAG и fine‑tuning, верификация выходов, низкая температура, жёсткие промпт‑шаблоны. Более того, в узких доменах это работает — уровень галлюцинаций становится совсем незначимым.

Именно это позволило перейти от единичных запросов к многоагентным архитектурам. Вместо одной универсальной модели, мега чат‑бота теперь у нас цепочка специализированных агентов. Каждый из них решает свою маленькую подзадачу и передаёт результат дальше — все в лучших традициях дедушки Форда.

Логика на первый взгляд простая: если каждое звено надёжно, надёжна и вся цепочка. Но, к сожалению, это не всегда так. И на простейшем демонстрационном проете я попытаюсь показать суть явления.