Многие, и особенно начинающие, компании не хотят сразу внедрять полновесную CRM: они часто избыточны, а еще изначально диктуют логику работы, порой очень жестко. Если у вас, к тому же, все еще меняются процессы: несколько менеджеров, пилоты, согласования, юристы и финансы — стандартный флоу работы может развалиться.

Поэтому каждый колхозит что ему удобно, и самый распространенный способ сортировки данных ручками — таблицы. CRM в Excel может казаться практичной, но до поры — примерно когда появляется стабильный поток клиентов, которые проходят разные этапы в своем темпе внедрения вашего продукта/услуги и согласований. Еще больше проблем вылезает, если продажников в отделе больше одного и кто-то передал свои задачи из-за отпуска/болезни/увольнения.

Поэтому нужно искать какой-то усредненный, да еще и удобный инструмент для ведения процессов компании: что-то, что сохраняет простой табличный подход, но дает возможность в ней же собирать полноценные рабочие процессы. И такое решение я, кажется, нашел.

Привет, Хабр! Уже несколько месяцев я в роли подопытного кролика автора работаю с редакцией МТС через их сервис MWS TeamStream: через него мне приходят правки, «развивающая обратная связь» и мнение редактора о написанном тексте. Я рассказывал о первых впечатлениях и переходе на работу с короткими видеороликами. 

В рабочей видеотеке быстро наступает момент, когда записей становится больше, чем времени у людей. Созвоны, фидбэки, инструкции, разборы задач со временем превращаются в архив, который лежит мертвым грузом. MWS предлагает решить эту проблему через MCP: дать доступ к записям внутри TeamStream ИИ-ассистенту и позволить ему искать и обрабатывать нужные фрагменты. Что ж, отличный повод попробовать это в деле.

В этом посте покажу, как превратить видеотеку в рабочую базу знаний. Для этого разберу пять кейсов — от инвентаризации и поиска по содержанию до сводки сразу по нескольким записям. 

Привет, Хабр! В одной из прошлых статей мой коллега упомянул теорию соматических маркеров Антонио Дамасио. Эта гипотеза связывает текущие ощущения с эмоциональными и физиологическими реакциями. В похожих ситуациях мозг использует их для предварительной оценки вариантов, поэтому выбор формируется раньше осознанной аргументации.

Этому исследованию уже больше тридцати лет, и многие современные работы отталкиваются или дополняют его.

В этом материале я разберу, на чем Дамасио строил свою гипотезу, какую видел роль интероцепции и вегетативной нервной системы и что показали эксперименты со знаменитой игровой задачей Айова (Iowa Gambling Task, IGT). Отдельно постараюсь ответить на вопрос, когда телесным сигналам стоит уделить внимание, а когда они отражают тревогу, усталость или ошибочно закрепленный опыт.

Для оценки эффективности ИИ уже давно и успешно используют самые разные бенчмарки. Берем модель/агента, выдаем им одинаковый набор задач, считаем долю успешных решений и получаем удобную цифру, по которой можно сравнивать системы между собой.

По результатам используем ту, которая справилась с большим процентом задач. Звучит круто и даже удобно, но, как всегда, есть нюанс: все работает при условии, что сам экзамен составлен правильно. А с этим, как выясняется, бывают проблемы.

Внутри бенчмарка могут оказаться некорректные эталонные ответы, противоречивые условия или правила оценки, которые засчитывают правильное решение как ошибку, и еще много всего, что исказит итоговый результат.

Летом 2026 года исследователи провели независимый аудит четырех бенчмарков для агентов, работающих с внешними инструментами: BFCL v4, τ²-Bench, LiveMCPBench и MCP-Atlas. Эксперты вручную проверили 496 выполненных заданий и в 92 случаях (18,5%) не согласились с автоматической оценкой бенчмарка. Причины оказались разными: от жесткого сравнения с эталоном до нестабильной трактовки критериев самими LLM-судьями. 

Еще одно исследование IBM предлагает использовать LLM, чтобы проверять качество самих бенчмарков. Авторы работают с бенчмарками для task-oriented conversational agents — агентов, которые общаются с пользователем и выполняют конкретную задачу рамках заданных правил. Например, оформляют возврат в интернет-магазине или изменяют бронирование. 

Сегодня будем разбираться, что там наделали IBM и как так получилось, что у нас появляются бенчмарки для бенчмарков и почему в мире уже вовсю разворачивается мебиус-системы ИИ.

У британского поставщика мяса Swaledale Butchers около 70% заказов приходило через WhatsApp. Сотрудникам нужно было расшифровать разговорные формулировки, сверить товары и вручную перенести заявку в учетную систему. После подключения ИИ-агента среднее время обработки заказа сократилось с двух минут до восьми секунд.

Раньше сотрудник вручную переносил каждый заказ в систему. Теперь он проверяет уже готовую заявку, поэтому за то же время команда успевает обработать больше заказов.

На примерах закупок, продаж, финансовых операций и логистики посмотрим, какие этапы B2B-процесса уже берут на себя агенты, когда к работе подключается человек, и что бизнес получает от такой схемы. 

Практически каждый год техногиганты и амбициозные стартапы сжигают миллионы долларов на устройства, которые кажутся нелепыми еще на этапе презентации. В них разумные по отдельности технологии и идеи соединяются в неудобный или вовсе нежизнеспособный продукт. 

Сон разума рождает чудовищ. И сон инженерного разума рождает таких вот технологических химер. На нескольких громких примерах из разных поколений разберем, какие продуктовые ошибки приводят к их появлению: неверная оценка трендов, попытка изменить устоявшийся UX, чрезмерное усложнение простой задачи и слишком ранний выбор формы для новой технологии.

В этом тексте мы отправимся в своеобразную кунсткамеру инженерной мысли, чтобы полюбоваться самыми яркими примерами таких мутантов: от пластиковой кошки для выхода в ранний веб до соковыжималки за 700 $ и перегревающейся ИИ-броши Pin. 

А еще разберем, как распознать такую химеру еще до ее провала. Посмотрим, когда новый гаджет действительно упрощает жизнь, а когда добавляет лишние действия, идет против более сильного рыночного тренда или превращает простую задачу в дорогую экосистему.

Недавно мы с коллегой поспорили, какую статью на Хабре считать успешной. Я смотрел на охват и дочтения, а он вспоминал публикации, которые собирали сотни комментариев или неделями пополняли избранное. Стало очевидно, что под «успехом» мы понимаем принципиально разные вещи. Для одного это десятки тысяч просмотров, для другого — актуальность прикладной инструкции, а для третьего — горячая дискуссия, которая продолжается даже когда статья уходит из топа. 

Главный подвох открытой статистики Хабра в том, что ее легко трактовать слишком буквально. Высокий охват принято считать признаком сильной темы, длинную ветку комментариев воспринимают как доказательство резонанса, а добавления в закладки называют гарантией практической пользы. Однако эти реакции не складываются автоматически: статью могут сохранить после быстрого просмотра и не прочитать до конца. Подробный разбор читатель может внимательно изучить и оставить без единого комментария. Спорный тезис, напротив, иногда собирает сотни сообщений при вполне среднем охвате.

Чтобы понять, как эти сценарии соотносятся между собой, я разобрал почти триста публикаций блога МТС, вышедших с января по 11 июня 2026 года. Сопоставил охват, дочтения, доскроллы, сохранения, оценки и комментарии, а затем посмотрел, как реакции менялись в зависимости от темы и конструкции материала.

Выясним, что мне удалось узнать.

Девочка Салли прячет шарик в корзинку и уходит. Тетя Анна достает его и перекладывает в коробку. Салли возвращается.

Вопрос двум детям, которые наблюдали: где Салли будет искать шарик?

Трехлетний ответит — в коробке. Там же шарик, логично.
Четырехлетний — в корзинке. Там, где его нет, но там Салли его оставила.
Чувствуете логическую дыру? А ее нет.

Только что я воспроизвел вам известный научный эксперимент, который по сей день оставляет науке когнитивного восприятия незакрытый вопрос. Сегодня поговорим об одной из самых загадочных и простых теорий психологии, с которой не могут разобраться полвека.

У AI-агентов уже есть профессии: юрисконсульт, ведущий специалист по внешним коммуникациям, директор контроля работы AI. Это настоящие должности — с обязанностями и зоной ответственности. У некоторых даже с собственной придуманной биографией.

Все три (и еще несколько сотен похожих) произошли из одного и того же места. В октябре 2025-го Anthropic выпустила штуковину под названием skill: папка с инструкциями, которую модель открывает сама, когда задача из промпта совпадает с описанием внутри самого скила.

В переводе на русский — должностная инструкция в текстовом файле, в переводе на айтишный — мастер-промпт. 

Но интересен здесь не только сам формат. Вокруг таких папок уже строится корпоративная инфраструктура: агентам назначают роли, выдают доступы и подключают их к рабочим системам. Крупные компании тратят деньги на внедрение, консультанты зарабатывают на настройке, а при появлении нового плагина падают акции всех компаний в целой отрасли.

В этом материале поговорим о том, зачем вообще одевать папку с инструкциями в костюм сотрудника, кому приносит деньги такая конструкция и как она влияет на бизнес и рынок труда.

Если вы обратитесь к врачу, например, с болью в груди, он не сможет прямо с порога назвать ваш диагноз. Сначала выслушает, задаст вопросы, составит список возможных вариантов и назначит анализы, чтобы поэтапно их проверить. Нейросетям же на ответ нужно несколько секунд, они звучат убедительно и почти всегда попадают в цель. Появляется соблазн — открыть ChatGPT и быстро выяснить, чем лучше лечиться. 

В 2026 году вышло несколько исследований, где ученые попытались разобраться, что стоит за этой уверенностью языковых моделей, и насколько можно доверять таким ответам. 

В корпоративный искусственный интеллект за последнюю пару лет вложили от 30 до 40 миллиардов долларов. К лету 2025-го выяснилась досадная вещь: 95% этих внедрений не принесли компаниям ничего – ни сэкономленных часов, ни лишнего рубля в годовом отчёте. 

Попробую проиллюстрировать:
Новый сотрудник открывает корпоративного ассистента и задаёт первый рабочий вопрос – что-нибудь житейское, вроде «как оформить командировку в другой часовой пояс». Ассистент отвечает обстоятельно и с полной уверенностью в себе. 

Но неправильно.
Потому что актуальный регламент лежит в личке у HR-директора, прошлогодняя версия пылится локально в архиве её коллеги-предшественника, куда никто не заглядывал с её увольнения, а ключевая информация, ради которой всё и затевалось, существует только в голове у Марины. 

Марина в декрете. Выгрузить перед уходом свой мозг в базу знаний её, разумеется, попросить забыли. Обычная история, кстати. В такую среду приходит большинство корпоративных ИИ-внедрений: знания где-то есть, ассистент подключён – но брать данные ему неоткуда. 

В апреле Teamly выпустили большое весеннее обновление – и оно целиком про это. Про то, что должно лежать под ассистентом, чтобы тот отвечал по делу. Разбираю по частям.

Мы живем в мире, который держится на устройстве, почти неизвестном широкой публике. Оно размером с автобус, стоит в чистых комнатах на фабриках Тайваня, Южной Кореи, Японии и США — и печатает все передовые чипы планеты. Ваш телефон, ноутбук, серверы банка, навигатор в машине — все это стало возможным благодаря ему.

Называется оно EUV-литограф. Таких машин в мире чуть больше двухсот, делает их одна компания, и ни одна страна — включая США, Китай и Японию с их огромными бюджетами — не смогла ее повторить.

В этой статье попробую объяснить, что это за машина и почему она такая одна.

Недавно в блоге МТС вышла замечательная статья в честь дня рождения Терри Пратчетта. Ну а я бы хотел начать этот материал с его смерти.

Терри Пратчетт умер в 2015-м от заднего коркового атрофического синдрома — редкой формы раннего Альцгеймера. Болезнь в данном случае поражает вместо памяти зрительную кору: говоря грубо, он глазами видел на столе чашку, но мозг отказывался принимать сигнал, что это чашка. При этом он прекрасно понимал и осознавал, что именно с ним происходит. Для человека, который строил огромные миры из образов и слов, Пратчетт получил диагноз специфической жестокости.

Терри боролся с болезнью: пожертвовал миллион фунтов на исследования, снимал документалки, давал интервью. Болезнь называл embuggerance — в переводе что-то вроде «чертовски неудобного обстоятельства». Слова из одного из последних его интервью позже стали крайне известной цитатой: «Карабкаюсь с другими вперед изо всех сил, чтобы успеть, пока не придет лекарство».

Праттчет, увы, не успел.

Я слежу за темой ИИ в медицине, особенно на стыке с когнитивной психологией, где нейродегенеративные заболевания стоят особняком. И в какой-то момент наткнулся на то, что в этой области что-то начало двигаться. В этом материале разберемся, почему болезни вроде Альцгеймера и Паркинсона так долго не поддавались никаким инструментам, как науку на долгих 20 лет оккупировала «амилоидная мафия», что это такое, и как благодаря ИИ появилась надежда на успех.

Последние два месяца в кибербезопасности только и разговоров, что о Mythos. Новая модель Anthropic, которую компания отказалась выпускать в открытый доступ, слишком опасная, по заявлениям разработчиков: находит zero-day-уязвимости в каждой крупной операционной системе и каждом браузере, строит многоступенчатые эксплойты, пробивает корпоративные сети за часы. Fortune, Bloomberg, CNBC, Хабр, Пикабу — написали все.

Я не разработчик и уж тем более не безопасник. Зато я неплохо разбираюсь в маркетинге, и когда компания, готовящаяся к IPO, отказывается выпускать свою самую мощную модель со словами «она слишком опасна», а оценка за следующий месяц вырастает вдвое, у меня включается профессиональный интерес.

Что, если лучший способ продать модель — объявить, что продавать ее вы не будете?

7 апреля 2026 года Anthropic сделала именно это: объявила о существовании Mythos, которая не выйдет в публичный доступ, и запустила Project Glasswing — закрытую программу для 40 организаций с бюджетом в 100 млн долл. кредитами. За следующие 30 дней оценка компании выросла с 380 до 800 млрд долл.

Давайте посмотрим, как работает маркетинг Antropic. А надо сказать, что ребята молодцы и свой хлеб едят не зря. 

Если у вас завалялись лишние десять миллиардов долларов и есть желание построить город будущего — что ж, Toyota вас опередила. В сентябре 2025 года крупнейший автопроизводитель мира официально открыл у подножия горы Фудзи свой полигон мобильности Woven City.

На месте старого завода площадью семьдесят гектаров появились стильные дома из дерева и бетона, подземная инфраструктура водородной энергетики, тоннели для роботов-курьеров. Архитектором выступил Бьярке Ингельс — тот самый, кто проектировал штаб-квартиру Google. Энергия поступает от водородных топливных элементов и солнечных панелей. Дороги разделены на три типа, и они физически не пересекаются.

Жителей пока около сотни. Их называют Weavers — «ткачами», вероятно, в память о том, что Toyota когда-то начинала с ткацких станков. Город закрыт для посторонних: широкая публика попадет сюда, по плану компании, только в следующем финансовом году, и то по записи.

Звучит как очередная корпоративная утопия в духе Кремниевой долины. Но это не так. Это самый аккуратно спроектированный эксперимент по сбору данных о людях, который когда-либо ставила частная компания. Давайте разберемся, что к чему.

Где-то в глубинах робототехнической лаборатории EPFL человек толкает деревянный блок с конвейера на верстак, ставит его на стол, отходит и бросает в корзину. После этой единственной демонстрации три совершенно разных промышленных робота (каждый со своей геометрией суставов и своими физическими ограничениями) повторяют те же действия. При этом никто не переписал ни строчки кода.

Но в реальном цехе такое пока не работает: при замене робота или модели программу пересобирают с нуля. При этом оплачивается работа интеграторов, время простоя. Минута незапланированной остановки на наладке, по отраслевым оценкам, обходится производству от тысячи до 10 тысяч долларов, а сам процесс может растянуться на 2–4 недели сверх плана.

Швейцарские инженеры из EPFL утверждают, что задачу можно закрыть, и, главное, намеренно делают это без AI, выступая против главного технологического мейнстрима 2026 года. 

Разберемся, как это работает, во сколько обходится и почему в этой сфере математика обыграла нейросети.

В сферу помощи людям с ограниченными возможностями венчурный капитал и топ-исследователи никогда не спешили. Слишком маленький рынок, сложный пользователь, долгая окупаемость. Но теперь ИИ-индустрия заходит на эту территорию всерьез — полноценным научным проектом на главной конференции года по искусственному интеллекту.

Команда Бингемтонского университета создала робота-поводыря с LLM внутри. В отличие от обычной собаки, он разговаривает с человеком по ходу маршрута: спрашивает, куда нужно, предлагает варианты пути, объясняет, что происходит вокруг. Работу представили в январе 2026 года на конференции AAAI в Сингапуре.

Само по себе появление такого робота — еще не сенсация: каждый месяц на конференциях по ИИ показывают десятки прототипов. Интересно вообще другое. Похожие проекты запускают по всему миру независимо друг от друга. Все используют практически одинаковое железо, похожие языковые модели и решают почти одну и ту же задачу.

Узнаем, как сфера социальных проектов для людей с ОВЗ становится новой индустрией и свежим плацдармом для инженерных вызовов.

Привет Хабр! Я часто пишу для блога МТС — в основном об аналитике исследований, тенденциях в мире ИТ и ИИ и о нестандартных кейсах. А в недалеком прошлом очень много обозревал всякий софт — от CRM до нишевых решений внутренних сервисов компаний. И решил взяться за старое.

В моей работе есть куча небольших задач, связанных с коммуникацией и обратной связью: бесчисленные переписки и голосовые в чатах, комментарии и все в этом духе, каждая занимает 10–15 минут, не связана с остальными и никак не фиксируется. Из-за этого часть из них теряется, время не фиксируется, а мозг просто взрывается. В какой-то момент понял, что так дальше нельзя: либо я нахожу способ собрать всю эту коммуникацию в одном месте, либо продолжаю терять задачи и нервы.

Решить эту проблему можно с помощью сервисов асинхронной коммуникации. У MWS есть TeamStream: после одного забавного случая (о нем — в тексте) меня туда пригласил @Mimizavr, чтобы посмотреть, как пойдет работа над текстами в новом формате, будет ли так удобнее и понятнее и сможем ли мы сэкономить время на правках. Ну что ж, поехали!

В этом материале расскажу о своем опыте работы с TeamStream и о том, что умеет этот сервис и кому он может пригодиться.

В апреле 2026-го Intel и ИИ-платформа SambaNova опубликовали совместный blueprint гетерогенного инференса: prefill — на GPU, decode — на SambaNova SN50 RDU, агентские действия — на Intel Xeon 6. Готовое решение обещают во второй половине 2026-го, и оно встает в обычную стойку 30 кВт с воздушным охлаждением, без капитальных переделок машинного зала.

Идея такая: как только случился массовый приход агентов, decode перестал быть побочной фазой и становится доминирующей нагрузкой, а монолитная архитектура «GPU на всё» начала просаживаться по экономике. Коротко разберем, как это работает и почему это может стать востребованным.

В марте 2020 года один сайт показал, что в Ватикане за день умерло 892 045 человек. Население страны на тот момент — около 800. Скриншот моментально стал вирусным, по соцсетям пошли посты «что происходит в Ватикане?!». Ничего не происходило. Просто сайт только что взломали.

Так вот, этим же сайтом в это же время пользовались Белый дом, британское правительство и Johns Hopkins University. Цифры с него показывали на ежедневных правительственных пресс-конференциях, на него ссылались The New York Times и Oxford University Press, его цитируют в 30 000 рецензируемых научных работ. И при всем этом публично неизвестно, кто его делает.

Разбираю историю Worldometer — сайта со счетчиками, который два десятилетия считает мир за нас. Кто его создал, откуда там берутся цифры, как он стал главным источником ковидной статистики для половины планеты и какие совершенно неочевидные вещи о мире на нем можно найти, если зайти не за быстрой справкой.