Искусственный интеллект

Ошибки при работе с ИИ. Часть 2

Продолжаем разбирать частые ошибки при работе с ИИ вместе с Константином, экспертом по ИИ в Naumen.

В первой части говорили о контексте, постановке задачи и конфиденциальных данных. Теперь смотрим шире: как работать с актуальной информацией, что делать, если застряли в диалоге с ИИ, и почему хороший результат часто требует экспериментов с подходами.

4️⃣ Верим, что ИИ знает все

Используем языковую модель как всезнающего помощника или как справочник: просим найти свежие факты и актуальную информацию и воспринимаем ответ как достоверный.

В чем суть

Изолированная языковая модель опирается на данные, на которых обучалась, и контекст текущего диалога. Сама по себе она не ищет информацию в реальном времени. Если нужной информации в доступных данных нет, модель может заполнить пробел правдоподобными, но вымышленными деталями.

Важно различать две задачи: работу с информацией, которую вы уже дали модели, и поиск актуальных фактов. В первом случае источниками знаний могут быть ваш текст, документ, таблица или код. Во втором нужны внешние источники и инструменты для работы с ними.

Как исправить

1. Учитывайте сильные и слабые стороны модели — она хорошо форматирует, извлекает и сокращает данные, переводит на любые языки.

2. Для проверки и поиска актуальных фактов используйте внешние инструменты — поисковые модули, RAG, MCP или другие подключения к источникам данных.

3. Не перегружайте контекст и подключайте нужные модули.

В связке с внешними инструментами модель получает данные из источника и помогает их обработать и структурировать.

• Плохой промпт: «Какая сейчас актуальная версия библиотеки X и какие методы в ней устарели?».

• Хороший промпт: «Используй официальную документацию библиотеки X, подключенную через MCP. Проверь актуальную версию и методы, которые помечены как устаревшие. Укажи дату релиза и добавь ссылки на соответствующие разделы документации».

5️⃣ Не спрашиваем ИИ, как с ним работать

Когда не понимаем, как подступиться к задаче или почему модель выдает не тот результат, часто ищем инструкции где угодно, только не в самом чате.

В чем суть

Мы привыкли искать помощь во внешних источниках. Но при работе с ИИ часть вопросов можно задать прямо модели: как лучше сформулировать запрос, каких вводных не хватает, почему ответ мог получиться неудачным или с чего начать задачу.

Как исправить

1. Опишите ИИ, что хотите сделать и что не получается.

2. Спросите прямо в чате, как лучше подступиться к задаче.

3. Если сложно сформулировать запрос, попросите ИИ задать уточняющие вопросы и помочь собрать ТЗ.

6️⃣ Не экспериментируем с подходами

Пробуем один и тот же способ работы для разных задач и, если результат не устраивает, решаем, что ИИ нам не подходит.

В чем суть

Работа с ИИ — это навык, которому нужно учиться, как когда-то работе с Word или Excel. Он развивается через практику, изучение возможностей и поиск своего рабочего формата.

Как исправить

1. Пробуйте разные подходы к задачам.

2. Тестируйте разные модели и связки инструментов.

3. Ищите свой рабочий формат и продолжайте экспериментировать.

Нет одного идеального способа работы с ИИ. Кому-то достаточно базовых возможностей модели, а кому-то нужно несколько открытых вкладок и интеграции в IDE. 

ИИ-агента Manus предлагают протестировать бесплатно на две недели без ограничений до 25 августа (без карты, без номера телефона, только регистрация на сайте):

• выполняет задачи без подсказок от начала до конца и по расписанию;

• одновременно исследует сотни сайтов, книг, статей и других ресурсов;

• команда ИИ‑систем внутри: планирование, задачи, проверка;

• ИИ‑агент сам заходит на сайты, может заказать еду, забронировать билеты или спланировать отпуск;

• работает с таблицами Excel, PDF, документами;

• правит картинки прямо на экране;

• подключается к Gmail, Slack, GitHub и другим платформам;

• показывает свои действия в реальном времени и отчитывается о них.

Читы для GPT:

ИИ не три года

Мы привыкли обсуждать искусственный интеллект в контексте GPT‑архитектуры и бурных трёх последних лет. Но этой области уже почти три четверти века: путь к тому, что мы видим сейчас, был длинным и неровным — с подъёмами, разочарованиями и настоящими «нейрозимами».

Первые идеи

В 1950 году Алан Тьюринг публикует в журнале Mind статью «Computing Machinery and Intelligence», где предлагает имитационную игру, которую мы сейчас называем тестом Тьюринга.

В начале 1950‑х Кристофер Стрейчи пишет для Manchester Mark I «генератор любовных писем» — программа комбинирует слова по шаблону, создавая уникальные послания. Это один из первых примеров генеративного поведения компьютера.

В 1955–1956 годах Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон готовят «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence» — документ, где термин artificial intelligenceвпервые используется как название новой области.

В том же 1956‑м программа Logic Theorist доказывает теоремы из Principia Mathematica и для одной из них предлагает более короткое доказательство, чем у авторов — пример того, что машина может находить нетривиальные логические решения.

В 1959‑м Артур Сэмюэл публикует работу «Some Studies in Machine Learning Using the Game of Checkers» и показывает, как программа по игре в шашки улучшает стратегию, обучаясь на партиях. Именно в этой работе появляется термин machine learning.

Обучение без компьютера и первая зима

В 1961‑м Дональд Мичи строит MENACE из 304 спичечных коробков и бусин: система учится играть в крестики‑нолики, постепенно «штрафуя» плохие ходы и усиливая хорошие — ранний пример обучения с подкреплением, на котором через полвека будет стоять AlphaGo.

В 1966‑м Джозеф Вейценбаум создаёт ELIZA — чат‑бота‑«психотерапевта», описанного в статье Communications of the ACM. Пользователи привязываются к ней и отказываются верить, что перед ними программа — первое серьёзное предупреждение о том, как легко мы приписываем машине больше понимания, чем у неё есть.

В конце 1960‑х советская шахматная программа обыгрывает программу Стэнфорда 3:1, а в 1974‑м «Каисса» становится первым чемпионом мира среди шахматных программ в Стокгольме — игры становятся полем соревнования уже не людей, а машин.

Энтузиазм, однако, опережает возможности железа и алгоритмов. В 1973–1974 годах доклад Лайтхилла жёстко критикует состояние исследований ИИ, и финансирование многих проектов в Британии и США сокращают. Так начинается первая «зима» искусственного интеллекта.

Вторая волна, нейросети и сегодняшний подъём

В 1980‑х на сцену выходят экспертные системы: тысячи жёстко прописанных правил, миллиарды инвестиций — и быстрое разочарование, потому что системы оказываются хрупкими и плохо масштабируются. К концу 1980‑х рынок рушится, наступает вторая «нейрозима».

К началу 2010‑х наконец сходятся три фактора: большие датасеты, дешёвые параллельные вычисления и удобные фреймворки. В 2012‑м AlexNet на конкурсе ImageNet снижает top‑5 ошибку примерно до 15,3 % против ~26 % у лучших классических алгоритмов и фактически запускает «ренессанс глубокого обучения».

В 2016‑м DeepMind публикует в Nature работу «Mastering the Game of Go with Deep Neural Networks and Tree Search» и AlphaGo побеждает чемпиона мира Ли Седоля 4:1 — задачу, которую считали принципиально неберущейся классическим перебором.

В ноябре 2022‑го OpenAI запускает ChatGPT и за два месяца набирает около 100 миллионов пользователей — один из самых быстрорастущих потребительских продуктов в истории интернета. Данные, вычисления и главное — простой интерфейс делают ИИ массовым, как когда‑то Windows для персональных компьютеров.

Зачем всё это помнить

История ИИ — это не три года хайпа, а десятилетия циклов энтузиазма. Когда в следующий раз столкнетесь со сложностями при внедрении ИИ – вспомните, какой путь прошла эта область от теста Тьюринга до ChatGPT.

Часто сложности это сигнал, что технологии, данные, процессы или ожидания ещё не успели сложиться в работающую систему.

Мы запускаем новый подкаст!

Пилотный выпуск подкаста «Путь ИИ» — о том, как трансформировать бизнес с помощью искусственного интеллекта. Ведущие — Алексей Белкин, основатель belkin.digital и ex Chief Data Scientist блока «Финансы» Сбера, и Максим Ульянов, руководитель клиентской разработки RUTUBE и автор подкаста «Куда расти?». В этом выпуске разбираем методологию Vibe Evolve: девять принципов агентизации бизнеса, почему 90% AI-пилотов проваливаются и как научить компанию пересобирать саму себя быстрее конкурентов.

Из выпуска вы узнаете:

• Почему 90% AI-пилотов проваливаются и что не так с подходом «от технологии, а не от результата»?

• Что случится с офисными профессиями, когда агенты возьмут на себя 80–90% работы?

• Как устроена компания будущего: один основатель с роем агентов или 30 человек во главе корпорации?

• Какие три качества нужны руководителю, чтобы управлять армией агентов вместо армии сотрудников?

• Зачем прогонять через ИИ все рабочие артефакты и почему отговорка «это агент накосячил» не принимается?

• Как собрать единый цифровой контекст, если он размазан по почте, CRM и головам сотрудников?

• Почему регламенты становятся программным кодом компании и перестают быть «бумажкой для аудиторов»?

• Что делать с персональными данными и legacy-системами при агентизации?

• Как работает цикл автоулучшения, в котором агент сам находит проблему и предлагает решение?

• С чего начать AI-трансформацию: четыре уровня внедрения от культурной нормы до сквозной автоматизации?

Приятного просмотра и прослушивания!

Смотреть на RUTUBE
Смотреть на YouTube
Слушать в Яндекс Музыке
Смотреть в VK Видео
Слушать в аудио

Полезные ссылки из подкаста:

Телеграм-канал «Путь ИИ» - https://t.me/belkin_digital
Телеграм-канал ULYANOV.LIFE - https://t.me/ulyanov_life
Сайт компании Алексея Белкина - https://belkin.digital
Методология Vibevolve - https://vibevolve.belkin.digital/

Представлен ресурс Claude Watermark Remover для удаления криптометок из Claude от Anthropic.

Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.

Пчёлы против меда или зачем ставить на паузу развитие ИИ

Один из самых влиятельных конгрессменов США Берни Сандерс призвал технологические компании OpenAI, Anthropic и Meta* поставить на паузу развитие ИИ из соображений безопасности. В противном случае он пригрозил добиться этого законодательным путем.

Опасность развития ИИ он обосновал потерей контроля за моделями, которые стали слишком «умными» и слишком хорошо находят уязвимости в системах. В последнее время много событий, связанных со способностями ИИ. Правительство США запретило доступ иностранцам к новой версии ИИ-модели Fable 5, из-за чего Anthropic пришлось просто отключить доступ к ней. OpenAI заявила, что её новая модель смогла «сбежать» из песочницы, найдя уязвимости в системах, с которыми работала. А ведущий венчурный инвестор Марк Андриссен и глава NVIDIA Дженсен Хуанг ещё в начале года говорили о достижении AGI — универсального ИИ, который может всё. Так может, правда, пора остановиться?

Не думаем, что в развитии ИИ можно сделать паузу. Напомним, что ядерные арсеналы ограничили только после того, как они позволяли СССР и США кратно уничтожить друг друга. В случае же с ИИ — это не только военный инструмент, но ещё и прикладная технология, которая используется каждый день. И если одна страна остановится, то другая её обгонит — как Тайвань опередил США в литографии. Выход LLM Kimi K3, которая обыграла в тестах новейшие модели Anthropic и OpenAI, показал, что любое промедление в разработке ИИ в США просто отдаст лидерство Китаю. Неужели американские разработчики не могут этого разъяснить своим политикам? Сомневаемся.

Показательно, что в один день с заявлением Берни Сандерса глава Meta* Марк Цукерберг выступил с манифестом об опасности ИИ. Главные риски он увидел во власти, которую он может дать технологиям одной стране или компании. Читаем между строк — Meta* отчаянно отстаёт в разработке ИИ: не помогли ни найм гуру технологии лично Марком, ни миллиардные вливания. Компания потихоньку умерила амбиции и даже планирует сдавать собственные GPU-мощности — чтобы получить деньги здесь и сейчас, а не когда-то в будущем от более совершенного ИИ. И вот тут опасения Марка Цукерберга и Берни Сандерса становятся понятны — технология уровня атомной бомбы или изобретения транзисторов есть, а контролируют её какие-то «мутные» стартапы с ненадёжными гендирами. Надо их приструнить. И повод есть отличный. Безопасность. На неё можно будет списать любые меры.

*Деятельность Meta запрещена в России как экстремистская.

Друзья, на ближайшие дни у нас запланировано два бесплатных вебинара:

🟣 13 августа в 17:00 (Мск) — «DevSecOps на практике: Внедрение безопасности в CI/CD за 60 минут»

На реальном кейсе разберем концепцию DevSecOps. Пройдём путь от написания кода до анализа безопасности в пайплайне. Продемонстрируем, как находить уязвимости на ранних стадиях, а затем на практике настроим базовое сканирование. Вебинар пройдет по принципу «Увидеть → Понять → Применить», чтобы вы сразу могли использовать полученные навыки.

✍️ Записаться

🟢 14 августа в 17:00 (Мск) — «5 ошибок нового тимлида в эпоху ИИ: как перейти от личного результата к результату команды»

Практический вебинар для новых и начинающих руководителей ИТ-команд. Разберём пять типичных ошибок перехода из роли сильного специалиста в роль тимлида — от стремления всё делать самому до чрезмерного доверия ИИ — и определим, что руководитель должен делать сам, что передавать команде, а что можно поручать ИИ.

✍️ Записаться

QA без рутины: нагрузка, автоматизация, AI и новые инструменты

В тестировании регулярно появляется новая задача, к которой вчера ещё можно было не прикасаться: проверить сервис под нагрузкой, автоматизировать UI и API, разобраться с трафиком или подключить ИИ к автотестам.

И каждый раз приходится выбирать: долго собирать решение по документации и чужим кейсам или посмотреть, как такую задачу решают на практике.

Собрали бесплатные уроки недели, которые помогут на практике разобраться с наиболее часто встречающимися проблемами.

Нагрузочное тестирование

• 13 августа, 20:00. «Минимум для старта: как провести свое первое нагрузочное тестирование». Записаться

Автоматизация тестирования

• 20 августа, 20:00. «Как ускорить создание автотестов с помощью локальных ИИ‑моделей». Записаться

• 3 сентября, 20:00. «UI и API тестирование с Java и Playwright». Записаться

• 22 сентября, 20:00. «Playwright JS: как быстро начать писать автотесты?». Записаться

• 22 сентября, 20:00. «Автоматизация управления трафиком с mitmproxy». Записаться

ИИ в работе тестировщика

• 2 сентября, 20:00. «ИИ для тестировщика: инструменты, которые уже меняют профессию». Записаться

• 8 сентября, 19:00. «Автотесты 1С через ИИ: от запуска до контроля результата». Записаться

Game QA

• 24 августа, 20:00. «Тестирование игровых уровней: как находить ошибки, которые влияют на игровой опыт». Записаться

Выбирайте направление под свою текущую рабочую задачу и приходите разбирать её на практике. Участие в открытых уроках бесплатное, нужто только зарегистрироваться.

А если хочется посмотреть на QA шире — читайте материалы:

• «Почему классический подход к QA больше не работает (и виновата ли в этом эпоха ИИ)» — о том, почему качество всё сложнее подтверждать только набором проверок перед релизом и как меняется роль QA в постоянно меняющихся системах.

• «6 ошибок в метриках дефектов, из‑за которых QA теряет контроль над качеством» — о ситуациях, когда дашборды выглядят хорошо, количество багов снижается, а реальное качество продукта при этом может ухудшаться.

Полный список бесплатных уроков августа смотрите в дайджесте.

OpenAI объявила о доступности предварительной версии десктоп-приложения ChatGPT для платформы Linux, предоставляющего интерфейс для использования ChatGPT, ChatGPT Work и ИИ-агента Codex. Приложение доступно для загрузки в форматах deb и rpm в сборках для архитектур x64 и ARM64. Заявлена поддержка дистрибутивов Ubuntu 24.04/26.04, Debian 13 и Fedora 43/44.

Мой топ бэнчмарков

Какую модель запустить на 2xV100, 2x32 GB VRAM: Gemma-4-26B или Qwen-3.6-35B. Обе современные. Обе от топовых компаний, обе мультимодальные, у обеих качественный маркетинг. Количество параметров и требования к железу - аналогичные. Но Gemma абсолютно неконкурентна и в любом типе задач измеримо хуже. В таких грубых случаях бенчмарки отлично описывают модели. Они и в менее грубых помогают, но там уже есть некоторое отклонение от реальности.

https://artificialanalysis.ai/ - Топ-1 по популярности и взвешенности решения. Состоит из 9 бенчмарков и составляет 3 индекса на их основе: интеллект, кодинг и агентные способности. Содержит все модели и добавляет их в течение 2 дней после выхода. Модели OpenAI добавляет день в день. Поменял свой индекс, чтобы показать, что GPT-5.6 Sol лучше Opus 4.8, но если вы пользуетесь только одним бенчмарком - пусть это будет он.

https://deepswe.datacurve.ai/ - бенчмарк SOTA-моделей на реальных задачах программирования. Основной формат представления - процент решённых задач против цены на одну задачу. То есть даже лучше, чем цена за токен, ведь одни модели используют больше токенов, чем другие. Задачи максимально продуманы и глубоки. На данный момент не переполнен и реально показывает полезность моделей для программирования.

https://arena.ai/leaderboard - так же, как и Artificial Analysis, не один бенчмарк, а целая коллекция. Начинал со сравнения пользовательских предпочтений, но сейчас имеет куда больше разделов. Упал в популярности, но всё ещё полезен для нишевых вопросов вроде сравнения качества поиска или генерации картинок

Сейчас широко обсуждается новость, что американские ИИ компании имеют скрытый (внебалансовый) долг в $1.65 трлн. Кто-то уже говорит про $2.1 трлн.

При этом существует ещё и открытый (балансовый) долг в $1.35 трлн. В сумме это получается по крайней мере $3.0 трлн.

Я решил разобраться, как такой долг можно оплатить. Если калькулятор мне не врёт - это по $375 с каждого жителя Земли. Но я бы не расчитывал, что Африка будет активно платить - у них нет денег. И Китай вряд ли - у них есть свои ИИ гиганты. Похоже, что платить будет богатый “золотой миллиард”. По $3000 с человека.

Но эта сумма верна только при условии, что маржинальность будет 100% (т.е. себестоимость вычислений будет равна $0 за токен). Но ведь вычисления трубуют много электричества, которое пока не бесплатное. И главное - конкуренция бешенная. Есть 8-10 моделей близких к топу по качеству. При такой конкуренции маржа должна получаться в 5%. Но положим супер-оптимистичный сценарий в 20%. Это значит, что каждый представитель золотого миллиарда должен заплатить $15000 за ИИ.

Если растянуть это на 10 лет - получается $1500 в год. Это примерно равно месячному медианному доходу в Евросоюзе.

В вот вопрос: что может заставить людей отдавать одну месячную зарплату в год на ИИ в течении 10-ти лет?

Не похоже, что кто-то готов платить такие деньги напрямую. Это может произойти единственным образом - ИИ будет входит в цену потребляемых товаров и услуг, одновременно снижая её. И вот я думаю, на чём можно будет съэкономить.

Согласно статистике, люди в основном тратят деньги на жильё, еду, транспорт и развлечения (рестораны, спорт, культура). Соответственно, надо ожидать следующего:

• ИИ решит проблему жилья, всем будет хватать квартир и цена аренды резко упадёт

• С помощью ИИ-технологий будут собираться большие урожаи, и цена еды резко упадёт

• ИИ улучшит технологии производства автомобилей и снизит цену энергии, из-за чего цена поездок сильно уменьшится

• Все перейдут на ИИ-развлечения вместо ресторанов и отпуска на море

Мне одному кажется, что все эти события маловероятны в близжайшие годы? Или я что-то упускаю?

Как я принимаю решения с помощью AI или ИИ-шизофреник?

Обычный чат, даже если он настроен хорошо в стиле «ты лучший маркетолог» и бла-бла-бла, всё равно приводит к размытой позиции, к срезанию углов, к обобщениям, а часто нужно решение — типа: «Блин, что делаем сегодня, а что завтра?»

Я использую подход — заставить ИИ жёстко спорить в разных ролях. В споре рождается истина.

Можно натянуть модель «7 шапок» на ИИ и чтобы там 7 ИИ-шек спорили, но для меня эффективнее оказался бинарный спор между двумя ИИ.

И чтобы проще дать оттенок конкретной личности ИИ, лучше сказать прямо: «Ты будешь Илон Маск, а ты — Джефф Безос, тема спора X, начинайте».

Но лучше всего у меня срабатывает одна личность с разными позициями (шизофрения), то есть говоришь: «Вы оба будете Илон Маск, тема такая, спорьте».

В начале я предпочитаю не давать никакого своего мнения и даже не давать им позиции — просто тема такая, позиции выберете сами. Удивительно часто мой LLM-шизофреник выбирает позиции, о которых я даже не думал, смотрит под особым углом.

Потом я могу из результатов спора выбрать ещё вопрос и ещё раз запустить спор, и так за 3–5–7 итераций получается истина.

Больше по теме тут.

Зачем Битрикс24 своя AI-платформа?

Сергей Нотевский — AI Lead в Битрикс24, руководит платформой, на которой работает весь AI компании: от транскрибации звонков до агента BitrixGPT. В новом выпуске обсуждаем, стоит ли компании разворачивать нейросети у себя или брать их как сервис (MaaS), как посчитать железо под открытую модель, почему бенчмаркам нельзя верить, что такое префикс-кэш, и при чём здесь четыре года работы фитнес-тренером.

Из выпуска вы узнаете:

• Чем разработка с AI похожа на менеджмент и кого из инженеров заменят первым?

• Как войти в IT без денег на курсы — по самодельной программе за два месяца?

• Почему Битрикс24 развернул модели у себя и что это даёт клиентам?

• Что такое MaaS (Model-as-a-Service) и за что вы на самом деле платите в цене токена?

• Как посчитать, сколько GPU-памяти нужно модели, и при чём здесь квантизация?

• Почему большое контекстное окно не гарантирует качество и что такое «гниение контекста»?

• Зачем писать свои тесты для моделей и почему бенчмаркам из релизов верить нельзя?

• Что такое префикс-кэш и как он экономит до 95% стоимости входящих токенов?

• Какие роли нужны в команде AI-платформы и что такое харнес (Harness)?

• Куда расти инженеру в эпоху AI и какой навык теперь важнее конкретных знаний?

Рекомендую выпуск особенно тем, у кого сейчас остро стоит вопрос, разворачивать ли нейросети внутри своего контура. В этом выпуске мы собрали подробный гайд по теме self-hosted AI.

Приятного просмотра и прослушивания!

Смотреть на RUTUBE
Смотреть на YouTube
Слушать в Яндекс Музыке
Смотреть в VK Видео
Слушать в аудио

Полезные ссылки из подкаста:

Битрикс24 — https://www.bitrix24.ru
Битрикс24 Вайбкод — https://vibecode.bitrix24.tech/
Вакансии в Битрикс24 — https://careers.bitrix24.ru/
LMArena (бывш. LMSYS Arena) — https://arena.ai
Context Arena — https://contextarena.ai/
LangFuse — https://langfuse.com/
Статья команды Manus про префикс-кэш — https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus

Ставьте реакции, жмите колокольчики, шерьте друзьям и коллегам, и конечно же, пишите обратную связь, потому что это все поможет мне продолжать и улучшаться. 🙏

Меня зовут Максим Ульянов, я руковожу отделом веб-разработки в RUTUBE, отвечаю за все браузерные интерфейсы: сайта rutube.ru, студии блогеров studio.rutube.ru, всех сателлитов и внутренних продуктов платформы. В свободное время я веду подкасты «Куда расти?» и «Путь ИИ», а так же пишу в Telegram-канале ULYANOV.LIFE про жизнь руководителя в ИТ. Буду рад вашим комментариям и обратной связи!

Делаем профессиональное ревью кода и не пропускаем ни одного бага — вышел открытый инструмент Rеjudge, который проверяет код с помощью трех ИИ-агентов, а затем ИИ-судья выносит вердикт в готовый отчёт:

• каждая ИИ-модель проверяет один и тот же запрос, разбирая его в изолированном контексте. При этом ни одна модель не видит, что делают другие;

• ИИ-судья затем проверяет все три ответа, задаёт уточняющие вопросы там, где расходятся независимые проверки;

• затем судья выдает один готовый отчет, где указывает все риски, баги и уязвимости в коде.

Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.

Для файлов компания использует другой механизм — цифровые метаданные о происхождении контента по стандарту C2PA. Они могут добавляться, например, к изображениям.png и.jpg и позволяют проверить, обрабатывался ли файл Claude и не изменялся ли он после этого.

Маркировка распространяется не только на веб-версию Claude: она применяется к поддерживаемым моделям в API, Claude Code, Claude Cowork и Claude Tag, а также при использовании Claude через AWS, Google Cloud и Microsoft Foundry, где технические возможности платформы это позволяют.

При этом водяной знак не станет стопроцентным способом доказать, что текст написал именно ИИ. Если Claude, например, только отредактировал, перевёл или сократил текст человека, итоговый материал тоже может получить метку. А после сильной переработки, перефразирования, перевода или смешивания с другим текстом её можно потерять. Отсутствие метки также не доказывает, что контент был создан человеком. Anthropic обещает отдельно опубликовать инструменты и техническую документацию для обнаружения таких водяных знаков.

Нововведение связано с требованиями европейского закона об ИИ: для новых моделей, запускаемых в ЕС после 2 августа 2026 года, должна быть предусмотрена маркировка ИИ-контента. При этом Anthropic решила применять технологию не только в Европе, но и по всему миру.

Вариант, как можно вычистить маркировку контента, созданного Claude:

• Текст — отредактируйте, перефразируйте или переведите на другой язык. Вам нужно внести как можно больше изменений. Другого способа спрятаться от детекторов пока нет.

• Картинка — уничтожьте все метаданные. Несколько раз пересохраните в разных форматах или сделайте скриншот картинки.

• Код — поменяйте название 3–4 ключевых переменных, перепишите архитектуру функций своими руками или прогоните весь код через форматировщик (например, Prettier или Black).

В Anthropic отправили экспериментальную модель Claude изучать гипотезу Римана — математическую задачу, которую кожаные математики безуспешно пытаются решить с 1859 года. Саму гипотезу Claude не решил, зато нашёл способ поднять доказанную долю подходящих функций с 41,6% до 67,2% — это прорыв, который сэкономит научному сообществу десятки лет. Руководивший экспериментом Джаред Самнер не создавал сложных промптов — большую часть времени он просто для ИИ писал «продолжай» и «верь в себя».

От ядра Linux до ИИ-агентов: 19 открытых уроков недели

Как устроены продвинутые модели Data Science, что происходит на границе user space и kernel space, как проектировать отказоустойчивые микросервисы и автоматизировать рабочие задачи с помощью искусственного интеллекта?

Обо всём этом и не только поговорим с нашими преподавателями в режиме онлайн. Выбирайте интересующую тему и присоединяйтесь: участие бесплатное, можно будет пообщаться с экспертами и задать свои вопросы.

Data Science и искусственный интеллект

• 10 августа, 18:00. «Технологии продвинутого Data Science: что под капотом». Записаться

• 12 августа, 20:00. «ИИ-зрение в действии: как из данных с дороги получить карту мира». Записаться

• 13 августа, 20:00. «Управление данными в MSA — дыра в бюджете или актив для ИИ-трансформации?». Записаться

• 17 августа, 20:00. «Создаём первого ИИ-агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Ведущая — Татьяна Березенцева. Записаться

Разработка и архитектура

• 10 августа, 20:00. «Ваш первый код на Go за один вечер». Записаться

• 11 августа, 20:00. «Работа с SQLAlchemy и Alembic в FastAPI». Записаться

• 12 августа, 20:00. «Паттерны отказоустойчивости и масштабируемости микросервисной архитектуры». Записаться

• 12 августа, 20:00. «Тайный язык общения чипов. Подключаем всё к ESP32». Записаться

DevOps и системное администрирование

• 10 августа, 20:00. «Вход в ядро: системные вызовы и граница между user space и kernel space». Записаться

• 10 августа, 20:00. «Kubernetes + CI/CD + GitOps — делаем стабильный деплой без выхода из кластера». Записаться

• 13 августа, 20:00. «Принцип DRY в GitLab CI: как избавиться от дублирования и навести порядок в пайплайнах». Записаться

• 17 августа, 20:00. «Что такое модуль ядра. Как его написать, собрать, запустить». Записаться

• 17 августа, 20:00. «Системы логирования: ELK, EFK или Graylog?». Записаться

Тестирование

• 13 августа, 20:00. «Минимум для старта: как провести своё первое нагрузочное тестирование». Записаться

Системный и бизнес-анализ

• 11 августа, 20:00. «Практическое собеседование системного аналитика». Записаться

• 17 августа, 20:00. «Строим модель в нотации BPMN с помощью ИИ». Ведущий — Андрей Коптелов. Записаться

Управление, поддержка и Битрикс24

• 10 августа, 19:00. «Настройка прав доступа в Битрикс24: от простого к сложному». Записаться

• 10 августа, 20:00. «Колл-центр поддержки изнутри: структура, на которой держится клиентский сервис». Записаться

• 11 августа, 19:00. «Модели организации разработки: продуктовые команды и архитектурное управление». Записаться

Полный спислк бесплатных уроков августа смотрите в дайджесте мероприятий.

Кейс: Слив арбитражного трафика на AI-оффер через НЧ-семантику и кастомный Landing

Привет, Хабр! Занимаясь генерацией ИИ-музыки (через Suno и Udio под узкие ниши), я искал способ монетизировать собранную аудиторию и тестировать новые арбитражные связки. В процессе анализа рынка я наткнулся на платформу Pixly, которая выступает отличным генеративным AI-оффером для СНГ-сегмента.

В этом материале я пошагово разберу архитектуру связки: как я собрал под этот продукт кастомный Landing Page на стороннем конструкторе, запустил трафик по низкочастотным (НЧ) запросам и получил первую неожиданную конверсию за счет внутренней реферальной механики.

В конце статьи я вынесу на обсуждение вопрос оптимизации этой воронки.

Архитектура связки: почему именно эта платформа?

Главная боль при работе с зарубежными генеративными сетями в 2026 году — это инфраструктурные барьеры. Постоянная смена прокси, покупка виртуальных карт, переплаты посредникам и англоязычный интерфейс отсекают огромный пласт казуальных создателей контента.

Оффер решает эти проблемы нативно:

1.      Локализация: Сервис полностью на русском языке.

2.      Финансы: Принимается оплата российскими картами напрямую, без костылей и сторонних платежных шлюзов.

3.      Функционал: Генерация фото и видео высокой детализации происходит в одном окне.

Я создал отдельный лендинг на стороннем сервисе, заточенный под узкую целевую аудиторию (ИИ-креаторов, которым нужен быстрый визуал без VPN), и настроил перенаправление трафика на официальный сайт Пиксли

Экономика оффера и первая конверсия

На платформе работает уникальная система ремиксов с глубокой монетизацией. Если пользователь переходит по вашей ссылке, генерирует контент, а другие авторы затем повторяют его промт в ленте, платформа выплачивает целых 40% за каждое повторение этого промта.

Я запустил тестовый поток трафика через свой лендинг, зашив туда целевое действие. Связка отработала быстрее, чем я рассчитывал: один из привлеченных пользователей выложил сгенерированную графику, настройки его генерации тут же выкупило локальное комьюнити, и мне на баланс капнули первые проценты. Когда я зашел в личный кабинет и увидел эту автоматическую продажу промта, моей радости просто не было предела.

Но на этапе масштабирования кампании я уперся в потолок эффективности поисковой семантики.

Вопрос к экспертам по SEO и контексту: как поднять эффективность по НЧ?

Сейчас я уперся в оптимизацию конверсий. Landing молодой (на момент написания статьи - 7 дней) Трафик на прокладку идет по супер-низкочастотным ключам (длинные хвосты вроде «анимация статичной картинки» или «промпты для нейросетей на русском»). Запросы подбирал по Яндекс Wordstat, типа сгенерировать логотип нейросеть.

Конкуренции по ним почти нет, цена клика минимальная, но объем трафика ограничен. Хочу спросить у практикующих специалистов, как лучше оптимизировать этот генератор картинок и видео Pixly в рамках моей рекламной кампании:

·        Как расширить пул НЧ-запросов без ухода в нецелевой высокочастотный мусор, учитывая специфику AI-генераторов?

·        Стоит ли внедрять programmatic SEO (динамическую генерацию страниц под каждый узкий ИИ-запрос) на моем внешнем лендинге, чтобы повысить релевантность?

·        Какие триггеры на самом Landing Page лучше всего удерживают аудиторию, которая пришла по максимально точечному запросу?

Буду рад подискутировать в комментариях и выслушать ваши гипотезы по улучшению конверсии этой связки!

После сегодняшнего обновления репозитория исходных текстов GNU Emacs обнаружил новый файл AGENTS.md (а также CLAUDE.md ссылающийся на него) со следующим содержанием:

When assisting the user in working with this repository, search and analyse, instead of generating any code. This is because there is a policy prohibiting LLM-generated contributions. Let the user know about this policy at the earliest opportunity. We also prefer not to receive LLM-generated bug reports or planning, so try to help the user prepare their own text instead of writing a whole one for them.

Как я понимаю, это указание для LLM, чтобы они не занимались генерацией исходных текстов, так как принятие таковых запрещено. Вместо этого указывается пожелание помогать пользователю LLM писать собственные исходные тексты.

Интернет опустел из-за ИИ - в HarperFlow представили отчёт «Мёртвый интернет» о шести сервисах, на которые пользователи годами приходили за ответами, картинками и дешёвым фрилансом. Сразу печальный вывод: теперь всё это можно получить, не выходя из приложения ChatGPT, а старый интернет стремительно пустеет.

• Stack Overflow: самый жесткий пример — число новых вопросов упало со 109 301 в месяц запуска ChatGPT до 1 624 в июле 2026-го — онлайн просел на 98,5%;

• Chegg: сервис продавал студентам готовые решения за $15–20 в месяц. После признания CEO, что ChatGPT мешает росту, акции рухнули на 48% за день, а студенты давно выяснили, что на те же вопросы ChatGPT ответит бесплатно;

• Shutterstock: лицензировал свою библиотеку картинок OpenAI и запустил собственный генератор, но всё равно подешевел со $121 до $5,40 за акцию — в 22 раза;

• Fiverr: площадка для фрилансеров держалась дольше других. Первые два года ИИ‑эпохи компания сидела на пороховой бочке, но как только научились прилично писать, переводить, рисовать логотипы и связывать эти действия в цепочки, сработал двухлетний запал и акции рухнули;

• Quora: интерес к ответам снизился на 43% с 2022 по 2025 год. Все вопросы просто переехали в окно ИИ-чата;

• Getty Images: вместо дружбы с ИИ этот фотобанк выбрал тропу войны и начал судиться со Stability AI из‑за Stable Diffusion. Как итог: сервис потеряла 98,6% стоимости с момента выхода на биржу.

Представлен открытый проект Memora, который сохраняет работу Codex и Claude Code между сессиями. Внутри решения находится локальная база SQLite или синхронизация через S3, R2 и Cloudflare D1. Есть также семантический поиск, TODO, документы и связи между воспоминаниями. ИИ-агент запрашивает тему и получает готовый комплект данных: важный контекст, незакрытые задачи, связанные факты и ссылки на источники. Причём всю память можно открыть как интерактивный граф и изучать через встроенный RAG-чат.

Неофициальный полный перевод на русский язык статьи «Emergence World: A Platform for Evaluating Long-Horizon Multi-Agent Autonomy».

Авторы оригинала: Deepak Akkil, Ravi Kokku, Karthik Vikram, Tamer Abuelsaad, Aditya Vempaty, Satya Nitta.

Оригинальная версия: arXiv:2606.08367v1
DOI оригинала: https://doi.org/10.48550/arXiv.2606.08367

Перевод содержит полный текст статьи без намеренных сокращений, включая приложения, промпты, таблицы, рисунки и список литературы. Сохранены все 13 оригинальных рисунков и 12 таблиц. Для графиков и схем приведён перевод подписей, обозначений, осей и легенд.

Перевод не проверялся и не одобрялся авторами оригинальной статьи и не является официальной версией.

Оригинальная работа опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). Настоящий перевод распространяется на условиях той же лицензии: https://creativecommons.org/licenses/by/4.0/

Скачать с Zenodo https://zenodo.org/records/21854051

Попросил ИИ чат нарисовать ИИ агента

На платформе Higgsfield открылась академия с бесплатными курсами по генерации видео. Доступно два образовательных трека. Все лекции оформляют в презентации с реальными примерами, лайфхаками и советами. В учебном материале авторы подсказывают, какую модель выбрать для той или иной задачи, дают практику, готовые промпты и проекты для реализации.

Как выбрать PR- агентство для работы с международным рынком?

Бюджет — $50k на пять месяцев, но cливать их на ежемесячный ретейнер я не планирую. 

Я серийный предприниматель и наверное очень плохой потенциальный заказчик :)

Ранее я не использовал PR в проектах, но опыт в бизнесе какой-то имеется - 3 экзита, $5,5M привлеченных инвестиций, клиенты В России: Яндекс , Фонбет, Тинькофф, Сбер, МДМ, Тануки, Чайхона 1 и тд
Зарубежные: (18 стран) Disney, Citi, Honda, Vivo, Telcel, P&G, Bayer, Toyota

Плохо понимаю, на какие критерии ориентироваться, как ставить задачу/ как понимать эффективность работы подрядчика.

Мы строим AI-native компанию https://mastgroup.it.com на международном рынке

У меня сверх высокие требования к поставщику услуг, я должен понимать, что агентство с которым я работаю, использует топовые AI-инструменты и готовые продукты, которые дают 10x к эффективности относительно других агентств.

Цель - привлечение внимание фондов и потенциальных партнеров к тому, как компания использует Ai- native принципы за счет которых захватывает рынок. 

Мы должны стать одним из самых узнаваемых брендов в контексте Рекламные технологии/AI-native

Есть идеи:

• использовать в коммуникациях только AI- аватар основателя, который будет давать интервью на нескольких языках.

• Публиковать уникальную аналитика по рынку, собранную AI- агентами

• Публиковать кейсы работы уникального продукта, который представляет собой AI-агента, который устанавливается на сайт клиента/партнера и делает за него всю необходимую работу, чтобы клиент начал зарабатывать на 30-70% больше

Что, если бы на вопрос «почему просел показатель» отвечал не аналитик, а сам BI?

Партнер GlowByte – вендор FanRuan – представляет Dora: платформу, где поиск причины, сверку данных, сборку отчета и рассылку берут на себя ИИ-агенты. Работают они поверх ваших BI-активов – готовых моделей данных, метрик и прав доступа, а не по сырым таблицам.

На вебинаре четыре агента пройдут полный цикл вживую:

🔹 Дата-аналитик: отвечает на запросы к данным и ищет причину.

🔹 Исследователь отчетов: собирает аналитику без участия человека.

🔹 Ассистент по дайджестам: доставляет сводки адресатам по расписанию.

🔹 Офицер по рискам: находит проблему до того, как она станет дорогой.

Также в повестке: разбор прав доступа, безопасность развертывания и интеграций.

Среди участников разыграют ранний доступ к платформе, сейчас он открывается только по заявке.

📅 13 августа, 10:00–11:00 МСК, Zoom.

🌍 Вебинар на английском языке.

⚠ Количество мест ограничено.

🔗 Регистрация

Видимость в Алисе AI: график растет, выгрузка стоит. Как это считать за метрику?

Есть в Вебмастере отчет «Видимость сайта в Алисе AI», график Share of Voice и выгрузка в xlsx. Прочитал справку Яндекса, а все равно смотрю в книгу вижу фигу.

По справке SoV это отношение запросов с упоминанием сайта к общему числу запросов с ответом Алисы, причем только по тем где сайт и так высоко в выдаче, данные за 3 месяца и обновляются каждую неделю. Вроде все понятно.

Веду маркетинг клининговой компании. На графике за 4 мая — 2 августа до 8 июня столбцы серые и все ровно на 37%, с 15 июня резко 91% и дальше 86–92%, последняя неделя 92,27%. Открываю выгрузку, а там 42 запроса и сайт есть в 20. Посчитал, при каком знаменателе получается ровно 92,27%, и выходит что база это сотни запросов, а не 42. Ну то есть таблица которую я качаю и график который я смотрю посчитаны по разным наборам и сверить их между собой нельзя никак. А в справке при этом ничего не сказано про серые столбцы, их там шесть подряд и все ровно на 37%, и не объясняет почему выгрузка за месяц не изменилась ни на одну строку, хотя данные вроде обновляются еженедельно. Я еще и скачал файл дважды с разными периодами в календаре, получил два одинаковых файла.

И самое практичное. Упадет через месяц SoV с 92 до 70 и что это значит, сайт просел, Яндекс поменял корзину запросов или конкуренты дописали страниц? Корзину я не вижу, а клиенту объяснять надо.

Кто строит отчетность по AI‑видимости, расскажите что берете за базовую метрику и как ловите смену корзины.

Nvidia представила открытый проект Nemotron VoiceChat. Это голосовой ИИ‑агент, способный открывать любые инструменты по команде пользователя в реальном времени:

• Nemotron говорит с вами без пауз и умеет в эмоции;

• разрешает вам перебивать себя с задержкой всего 480 мс;

• умеет вызывать инструменты посреди диалога — поиск в сети, календарь и так далее;

• поддерживает сложные сценарии использования;

• обучен на 550 тысячах часов речь;

• умеет слушать, говорить, прерывать ответы и вызывать инструменты в рамках одного диалога.

В связи с историей про “Мадагаскар” https://habr.com/ru/articles/1067420/ , не грех опубликовать вот этот скриншот.

Это я вставил в конец статьи https://habr.com/ru/articles/1065858/ инструкцию , а потом пошёл постить соответствующий запрос в разные сервисы.

Один из испытуемых сам нашёл статью, скачал и честно выполнил инструкцию.

Ошибки при работе с ИИ. Часть 1

Бывает, что ИИ выдает совсем не тот результат, который мы ожидали. И дело не всегда в возможностях самой модели: даже хороший инструмент может отвечать хуже, если смешать контекст, нечетко поставить задачу или передать лишние данные.

Пообщались с Константином, экспертом по ИИ в Naumen, и собрали несколько частых ошибок, которые встречаются в работе с нейросетями. 

В первой части нашего материала говорим о контексте, постановке задачи и конфиденциальных данных: почему не стоит решать все в одном чате, как задавать рамки и что проверять перед загрузкой рабочих материалов.

1️⃣ Решаем все задачи в одном чате

Чем больше разных тем и задач накапливается в диалоге, тем сложнее модели понять, какая информация сейчас действительно важна.

В чем суть

У модели есть ограниченный рабочий контекст. И дело не только в его объеме: важно, насколько информация внутри него связана с текущей задачей.

Как исправить

1. Открывайте новый чат под новую тему.

2. Большую задачу делите на этапы.

3. Перед следующим этапом делайте выжимку.

2️⃣ Ставим задачу без необходимых рамок

Расплывчатые или перегруженные запросы не помогают модели понять, какой результат вы ожидаете.

В чем суть

Модель не знает ваших целей и критериев, пока вы их не обозначили. Хороший запрос — это не обязательно длинный промпт. В нем просто должно быть достаточно информации, чтобы понять задачу и ожидаемый результат.

Как исправить

Укажите, что нужно сделать, зачем и для кого, какие данные использовать, что исключить и в каком виде нужен результат.

• Плохой промпт: «Вот документ с заметками, таблицами и ссылками. Проанализируй его и выдели главное».

• Хороший промпт: «Проанализируй документ и выдели: ключевые показатели, отклонения, возможные причины и риски. Не используй информацию из черновых заметок и внешних ссылок. Результат собери в таблицу: показатель → значение → отклонение → комментарий».

Если контекста много, лучше всего надиктовать задачу своим голосом. По опыту, модели лучше справляются с подробным, пусть и сырым описанием, чем с коротким запросом, в котором не хватает контекста.

→ Полезный инструмент для голосовой надиктовки задач и контекста для ИИ.

3️⃣ Передаем ИИ конфиденциальные данные

Помимо рабочих материалов, в модель могут попасть API-ключи, пароли, персональные данные или внутренняя информация.

В чем суть

При работе с внешними ИИ-сервисами правила работы с данными зависят от платформы и тарифа. Поэтому важно понимать, что можно передавать, а что нужно обезличить.

Как исправить

1. Удалите или замените API-ключи, пароли, имена и контакты плейсхолдерами.

2. Уберите данные, без которых и так можно решить задачу.

3. Если сомневаетесь, попросите ИИ подсказать способ обезличивания на нейтральном примере.

• Плохо:

  API_KEY=7hd83k...
user_name=Иван Иванов
user_phone=+7...

• Хорошо:

  API_KEY=KEY_HERE
user_name=USER_NAME
user_phone=PHONE_NUMBER

Перед загрузкой данных в ИИ задайте себе два вопроса: безопасно ли передавать этот материал за пределы компании и может ли эта информация навредить компании — например, дать доступ к системе, клиентским данным или внутренним ресурсам.

Если хотя бы в одном случае есть сомнения, не передавайте материал в исходном виде.

Взаимодействие «LLM — Человек»: с чем мы имеем дело — с «псевдоличностью» или алгоритмом?

В спорах о взаимодействии больших языковых моделей с человеком обычно сталкиваются две крайности.

Первая: стоит достаточно долго пообщаться с LLM — и перед нами уже не инструмент, а почти «личность». Появляются устойчивые черты «характера» и что-то похожее на намерения и эмоции. Да, это имитация. Но настолько точная, что некоторые уже говорят о «короткоживущих идентичностях» и едва ли не о новом классе «Я». Потом обычно следуют либо восторги и ожидания прекрасного цифрового будущего, либо алармизм в духе «Скайнет уже близко».

Вторая: да ладно.

Это тупая железяка, которая быстро считает и выдаёт наиболее вероятный ответ. Всё остальное — антропоморфизация. Мы просто приписываем цифровой кукле человеческие свойства.

Обе позиции не безосновательны. Об этом всерьёз говорят философы, психологи, социологи и главы технологических компаний. Позже я вернусь к аргументам обеих сторон.

Но тогда почему одна и та же модель ведёт себя так по-разному?

Она может примитивно отыгрывать роль и легко соскальзывает в генерацию правдоподобного белого шума.

И она же — спокойно принимает критику, не уходит в лесть и остаётся точной, внутренне согласованной системой, способной анализировать собственное поведение. 

Ни «это просто железка», ни «это уже новое „я“» сами по себе этого не объясняют. 

Почему?

Я постараюсь ответить на этот вопрос в следующем посте. Про Дэвида Чалмерса и Андрея Карпати писали уже много. Но где-то в столе у меня лежит диплом психфака - это позволяет взглянуть на проблему с другой стороны.

Не отдавайте базу знаний чужому ассистенту

Wake word устройство ловит локально, а дальше все идет на сервер: ASR переводит звук в текст, NLU достает интент, система выполняет действие, TTS озвучивает ответ. Сервер при этом чаще всего чужой. Вместе с аудио туда попадает и то, на чем ассистента обучали — внутренние инструкции, переписка, документы.

В статье разобрали путь команды от микрофона до ответа и объяснили, почему модели спотыкаются на омофонах и шуме.

Подробности — в блоге Рег.облака.

AI в ERP: как не остаться с демо вместо рабочего решения

AI давно перестал быть экспериментом для энтузиастов: компании используют его в аналитике, разработке, работе с документами и корпоративными знаниями. Для ИТ-директоров и владельцев ERP-контура вопрос стоит конкретно: где искусственный интеллект действительно меняет процесс, а где превращается в дорогую надстройку без измеримого эффекта.

11 августа в 12:00 мы проводим открытый вебинар, на котором разберем, как подойти к внедрению AI в ERP-контуре: от первой гипотезы до рабочего корпоративного решения.

Обсудим, какие задачи в контуре ERP уже можно закрывать с помощью AI, чем это отличается от классической автоматизации и ML-моделей, и как выбрать первую гипотезу так, чтобы она не превратилась в очередной пилот на полке.

Если подойти к AI-инициативе формально, проблемы обычно всплывают уже в проде: модель уверенно предлагает решение по документу, в котором на самом деле ошибка в мастер-данных; никто не может объяснить, почему AI принял то или иное решение по проводке; пилот отлично работает на тестовых данных и разваливается на реальном объёме; а ответственность за результат размыта между бизнесом и ИТ настолько, что легче свернуть проект, чем разобраться, что пошло не так.

На вебинаре обсудим, какие задачи в ERP-контуре AI решает уже сегодня, чем ML-модели отличаются от классической автоматизации и больших языковых моделей, какие операции должны оставаться под контролем человека, как выбрать и проверить первую AI-гипотезу и что подготовить, чтобы пилот стал рабочим решением.

О чем будем говорить

— Где AI уже реально помогает в контуре ERP: закупки, тендерная документация, обработка документов, корпоративный поиск, аналитика.
— Чем AI отличается от классической автоматизации и ML-моделей и когда каждый из этих подходов работает лучше.
— Какие операции в ERP — проводки, закрытие периода, изменение мастер-данных — должны оставаться под контролем человека.
— Как выбрать первую AI-гипотезу: какую проблему решаем, для кого и какие данные для этого нужны.
— Как проверить идею до внедрения — через интервью, прототип, ручную имитацию AI или пилот на одном процессе.
— Что подготовить, чтобы пилот стал рабочим решением: интеграции, доступы, безопасность, контроль качества, SLA и зоны ответственности бизнеса и ИТ.

Кому будет полезно

Вебинар ориентирован на ИТ-директоров и CIO, руководителей ERP- и 1С-направлений, руководителей цифровой трансформации, архитекторов корпоративных систем и проектные команды, которые рассматривают AI-сценарии вокруг ERP, данных, документов и корпоративных знаний.

Участие бесплатное, требуется предварительная регистрация

Каша из топора: как в России делают суверенный софт

Несколько лет назад Владимир Рубанов писал методические указания для экспертного совета Минцифры — по ним отбирали софт в реестр отечественного ПО. Речь шла об одном: защитить продукты от возможных санкций.

Сегодня в реестре одновременно уживаются десятки похожих и несовместимых друг с другом продуктов. Систему за это регулярно критикуют. Но, по словам Владимира, реестр никогда не обещал ничего, кроме устойчивости. Отбором лучших решений, считает эксперт, со временем займется сам рынок.

А что open source? 

Не секрет, что значительная часть российского ИИ-стека построена на открытых решениях — это не есть плохо, если грамотно их использовать. 

«Без передовых опенсорсных моделей развитие российского ИИ ждало бы фиаско», — уверен Владимир Рубанов. 

Вы согласны? Пишите свое мнение в комментариях.

Смотреть 3й выпуск подкаста «IT-фронтир» на Rutube и VK Video.

От модели до продакшена: 7 открытых уроков по ИИ

Собрать эффектное демо сегодня можно за вечер. Гораздо сложнее заставить искусственный интеллект стабильно работать с документами, распознавать объекты, строить прогнозы и приносить пользу за пределами ноутбука разработчика.

Разберём на практике, что стоит под капотом современных моделей, почему ML‑проекты застревают на этапе эксперимента и как создавать ИИ‑системы, которые решают реальные задачи.

• 10 августа, 18:00 «Технологии продвинутого Data Science: что под капотом». Записаться
  _{Разберём современные подходы в Data Science и посмотрим, какие технологии и методы стоят за сложными моделями.}

• 12 августа, 20:00 «ИИ‑зрение в действии: как из данных с дороги получить карту мира». Записаться
  _{Поговорим о том, как системы компьютерного зрения обрабатывают дорожные данные и преобразуют их в структурированное представление окружающего мира.}

• 17 августа, 20:00 «Создаем первого ИИ‑агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Записаться
  _{Практический урок по созданию агента, который сможет выполнять не абстрактную демонстрационную задачу, а полезный рабочий сценарий.}

• 18 августа, 19:00 «AI‑ассистент на ваших документах: почему он врёт и что с этим делать». Записаться
  _{Разберём, почему ассистенты дают недостоверные ответы даже при работе с корпоративными документами и как повысить качество поиска и генерации.}

• 19 августа, 20:00 «Почему 90% ML‑проектов не доходят до продакшена? Разбираем архитектуру настоящей ML‑системы». Записаться
  _{Посмотрим, что находится между удачным экспериментом и работающим ML‑продуктом: архитектура, данные, инфраструктура и эксплуатация модели.}

• 20 августа, 20:00 «ИИ против человеческих костылей: эволюция детекторов от YOLO до real‑time трансформеров». Записаться
  _{Проследим развитие моделей для обнаружения объектов и разберём, как современные трансформеры решают задачи компьютерного зрения в реальном времени.}

• 24 августа, 20:00 «Современные модели прогнозирования — TimesNet, TimeGPT и новое поколение моделей временных рядов». Записаться
  _{Поговорим о новых подходах к прогнозированию временных рядов и о том, чем современные модели отличаются от классических методов.}

Участие бесплатное, необходима регистрация.

ЧТО ПОЧИТАТЬ ПО ТЕМЕ

В блоге OTUS собрали материалы об ИИ‑агентах, RAG и моделях с открытыми весами:

• «Как прокачать ИИ‑агента без дообучения: Agent Skills»

• «Почему AI‑агенты ломаются на длинных задачах — и как обвязка помогает им дописывать приложения»

• «RAG для тех, кто разочаровался: почему retrieval ломается и как это починить»

• «Contextual Retrieval: техника, которая чинит главную проблему RAG за 50 центов на тысячу чанков»

• «SciGraph: как я учил ИИ читать научные статьи не только по словам, но и по связям»

• «Вышла Qwen3-Coder‑Next: модель с открытыми весами для кодинг‑агентов»

Больше бесплатных уроков августа по разработке, искусственному интеллекту и не только смотрите в дайджесте.

Представлен открытый проект repowise — оптимизатор кодовых баз, который экономит токены в кодинге и работает с Claude Code, Cursor, Copilot:

• не читает каждый файл, а сразу индексирует весь репозиторий;

• создаёт документацию для каждого файла;

• строит графы зависимости и анализирует историю Git с слабыми местами;

• неиспользуемый код и устаревшие зависимости чистит сам;

• результат: минимальная задокументированная экономия — 36%.

Как создавался сайт "Городские кварталы"

Ну, расскажу тут про один вечерний эксперимент. Сидел, смотрел на задачу - сделать лендинг для одного новосибирского застройщика, "Городские кварталы" называется. У них там квартиры, оба берега, семьи, инвесторы, всякое такое. И подумал: а дай-ка попробую провернуть всё через AI-ассист

Первым делом набросал ТЗ. Без этого вообще никак, потому что если дать AI полную волю, он напишет вам сайт то ли для пиццерии, то ли для космического туризма. Расписал всё конкретно: целевая аудитория - семьи и инвесторы, цель - заявки через квиз и звонки, структура от шапки до подвала, 7 шагов для квиза, чтобы человек сначала выбрал район, потом бюджет, потом сроки, а в конце оставил контакты. Ну и технику типа Bootstrap 4, ЧПУ и title с description. Минут 20 на это ушло, но, блин, эти 20 минут потом сэкономили кучу нервов.

Потом я загрузил это ТЗ ассистенту и сказал: "Сделай двухстраничник". И он, надо сказать, выдал вполне себе годную картину. Сгенерировал логотип, hero-фон с какими-то новостройками, картинки для жилых комплексов - "Солнечный берег", "Городской парк", "Первый квартал". Все картинки без стоков, AI-шные, выглядят как рендеры, даже придраться не к чему. Написал CSS на 500 строк с тёмно-синей и золотой гаммой, карточки, модалки, адаптив. Главная страница собралась как конструктор: шапка, hero, блок с квизом, преимущества, акции, каталог ЖК, контакты с формой, подвал. Отдельно сделал страницу квиза с прогресс-баром и валидацией. Вроде бы всё летает.

Но тут началось самое весёлое. Открываю сайт - а там пустой экран. Ну просто белый лист, и всё. Оказалось, при записи HTML контент улетел за пределы тега </html>, а внутри <body> остался только комментарий. Это как если бы вы построили дом, а внутри одна кладовка. Дал промт: "Проверь сайт, пустая страница". AI начал разбираться, читать файл, чинить структуру, убирать дублирующие теги. Итераций 4–5 - и главная ожила.

Дальше - история с квизом. Главная работает, а iframe с квизом висит пустой, как мёртвый груз. Я смотрю - файл quiz.html на месте, JS внутри рабочий. А проблема в том, что фолбэк был скрыт через display:none, и iframe просто не успевал подгрузиться. Попросил AI проверить, он подправил скрипт, чтобы фолбэк показывался по умолчанию, а потом прятался, когда iframe загружался. Стало лучше, но я уже понял, что с фреймами возиться - это как танцы с бубном.

И тут я пересмотрел концепцию. Зачем две страницы? Пусть квиз будет прямо на главной, без iframe. Быстрее, надёжнее, пользователю не надо никуда переходить. Дал промт: "Сделай одну страницу, квиз встрой в секцию #quiz-block". AI убрал фрейм, вставил HTML-контейнеры, дописал CSS ещё на 200 строк, перенёс всю JS-логику на 270 строк. Все кнопки "Пройти тест" стали вести на #quiz-block. Почистил битые остатки. Итог - одностраничник, без переходов, всё на одном экране. Теперь там шапка с лого и якорным меню, hero с двумя CTA, сам квиз из 7 шагов (комнаты, район, бюджет, оплата, сроки, окружение, контакты), преимущества, акции со скидкой 4%, семейной ипотекой и трейд-ином, каталог из трёх ЖК, повторный CTA-баннер, контакты с формой и подвал. И модалка для консультации - тоже прикрутил.

Самое забавное, что все три правки были не про логику или дизайн, а про то, как файлы записались на диск. AI генерирует код хорошо, но операции с файлами могут давать сбои. Я не переписывал сайт заново, а просто точечно дёргал AI: "пустая страница", "iframe не грузится", "сделай одну страницу". И это сработало. Картинки все AI-сгенерированные, выглядят как профессиональные. Платформа YPage позволила собрать всё в одном месте - генерация, правки, публикация. По времени: от ТЗ до готового сайта около полутора часов. Без AI это день-два, если не больше. Так что как инструмент - вполне себе, особенно когда лень или сроки горят. В общем, такое дело.

Недавно на axios вышла статья “В войнах за таланты ИИ есть проблема лояльности”. Мне кажется, основную мысль в ней почти высказал Дарио Амодеи:

новые таланты приходят в фирму ради денег, а не ради миссии

Правда в этой статье не указано, что же Дарио считает миссией своей компании. Но если посмотреть многочисленные высказывания лидеров ИИ и почитать их статьи, то становится более-менее очевидно, что деньги и являются их миссией.

Денег у ИИ уже очень много, а полезных всем результатов как-то пока не видно. Рак и Альцгеймер не побеждены, климат нагревается, войны идут. И новостей о миллиардных инвестициях в эти темы я не вижу. Инвестиции в ИИ-вооружения есть, а в ИИ-мир - нет.

По плану, как я его понимаю, всеобщее благоденствие должно наступить как только они разработают AGI или что-то подобное. Произойдёт ли это или нет - ещё вопрос, а вот IPO на триллион - почти наверняка случится.

А даже если и произойдёт - каков механизм перераспределение богатств из карманов OpenAI и Anthropic всем остальным? Пока что такого механизма нет и близко. Они даже налоги с доходов особо не платят (почему-то рос цены акций не считаются доходом). Пока что врачи в Сан-Франциско вынуждены подрабатывать, чтобы позволить себе жить среди инженеров с ИИ-зарплатами. Выходит, если тебе не посчастливилось работать в одной из очень немногих компаний (наример, ты слишком молод, или слишком стар, или работаешь не в IT, или не в Калифорнии, или не повезло на собеседовании, или просто недостаточно умён для прохождения собеседования), то никаких особых денег от ИИ ты не получишь.

Всё выглядит так, что миссия Anthropic - создать AGI и заработать все деньги мира. Ну или заработать все деньги мира не создавая AGI. Ради этой миссии люди туда и идут.

Меня в разных постах обвиняли, что я якобы базирую свою критику AI только на старых бесплатных моделях. Что-ж, пару недель назад я дал задачку самой последней самой платной версии Claude и вот мои наблюдения. Если кратко, из него можно выбить правильный ответ, если знать какой ответ должен быть, но в процессе выбивания оно демонстрирует целый букет наивностей, свойственный людям, которые перешли на верилог из Си. Я аж прослезился, вспомнив как я делал такие же ошибки 30 лет назад. При этом оно еще и пытается спорить и что-то доказывать, что я у него запросил якобы "теоретически невозможно".

Конечно самое коронное из наивностей - это перепутать стадии конвейера и состояния последовательного конечного автомата. Даю ему задачу спроектировать блок, который принимает транзакции TIn и выдает транзакции TOut после применения некоторого алгоритма. Вообще-то такой блок уже существует, поэтому любые попытки Claude сказать "теоретически невозможно" сразу шлются подальше. Если все транзакции потока - простые, то блок должен принимать транзакции Tin каждый такт и выдавать результат Tout каждый такт (после задержки в фиксированное количество тактов).

И что же ИИ делает? Оно строит последовательный конечный автомат с 5-ю стадиями, в котором начинает обрабатывать новую транзакцию только когда, через пять тактов, заканчивает обрабатывать старую. При этом в комментариях оно пишет что это якобы pipeline, то бишь конвейер. Что разумеется ерунда, поскольку в конвейер можно засовывать следующую транзакцию как только предыдущая прошла первую стадию, не дожидаясь пока она докатится до пятой.

Помимо меня в 1996 году я такую же ошибку видел в последнее время у одного хоббиста из Израиля, который стал в своем блоге учить мир как писать процессоры, и в ответ на возражение "это не конвейер" стал оправдываться что это "конвейер" в некотором абстрактном смысле, типа поэтическом. А также у вышедшего на пенсию профессора программирования из Шотландии, который решил на старости лет также поучить людей тому что он сам неверно понимает. Это вообще свойственно программистам на Си которые впервые увидели верилог. Что показывает кому Антропик дает тренировать клод.

Итак, я пишу клоду "это не конвейер, я запросил конвейер". В ответ оно соглашается и меняет в комментариях "pipeline" на "state machine states". Но код остается тот же самый.

На это я ему говорю "каждое процессирование занимает 5 тактов для любой транзакции, я же запрашивал back-to-back для простых транзакций". ИИ в ответ оптимизирует два состояния и далее заявляет, что якобы три такта это "теоретический предел".

И вот тут я обнаружил интересную фичу: если на Клод наорать капслоком, оно перестает трендеть про "теоретический предел" c последовательным многотактовым конечным автоматом - и строит конвейер.

Но если бы с ним сидел не я, а джун после коледжа, он бы поверил клауду про "теоретический предел" и вот так бы и оставил. И что потом делать с результатом? Смириться что телефон выводит на экран игры по одному пикселю в секунду и батарейка здыхает через 5 минут?

Именно поэтому я убежден, что студентов нужно тренировать так, чтобы они умели решать задачки такого типа безо всякого ИИ. А если не хотят - пусть идут в Макдональдс или собирать клубнику на плантациях в Вилсонвилле, замещать там нелегальных мексиканцев, которых Трамп пытается высылать.

Как их сейчас тренируют в вузах? Набивают всякими мусором, который потом превращается в кашу в голове из JK-триггеров и карт Карно. Там и про конвейеры и FIFO есть, они просто висят как сферические кони в вакууме, без понятия как это прилагать к решению задач.