AI Inside

DoorDash: когда модель заменяема, а преимущество в другом

DoorDash опубликовал трехчастный инженерный разбор Ask DoorDash — разговорного ассистента для выбора ресторанов и сборки продуктовых корзин.

Самое интересное в этом материале — не сам ассистент, а пропорции системы. Языковая модель занимает в архитектуре на удивление скромное место.

Архитектура: модель как один из слоев

Схема выглядит так ⬇️

Assistant Runtime координирует работу специализированных агентов, а вся бизнес-функциональность вынесена в общий MCP-слой:
▪ поиск по каталогу,
▪ рекомендации,
▪ корзина,
▪ checkout,
▪ история заказов,
▪ память о пользователе.

Бизнес-логика не зашита в промпты. Ассистент вызывает переиспользуемые инструменты поверх существующих сервисов компании, поэтому несколько AI-продуктов делят одни и те же интеграции, а бэкенд развивается независимо от моделей.

Детерминированные пути: часть операций — без LLM

Показательная деталь: часть операций выполняется детерминированно, вообще без обращения к модели. Обновление версионированных артефактов и подтверждение сгенерированных корзин идут мимо LLM.

Это решение закрывает сразу два вопроса — латентность и надежность — и честно фиксирует границу применимости.

Модель нужна там, где есть неопределенность, все остальное дешевле и стабильнее делать кодом.

Память: три контура, отделенные от инференса

Персонализация тоже вынесена из модели в отдельную подсистему. Три контура памяти:
1️⃣долгосрочная — считается офлайн по истории поведения;
2️⃣сессионная — держит контекст диалога;
3️⃣агентная — хранит факты, которые пользователь сообщил явно.

Релевантные фрагменты достаются семантическим поиском, ранжируются и подставляются в промпт. Управление памятью отделено от инференса, то есть модель можно менять, не трогая слой знаний о пользователе.

Инфраструктура оценки: 2000 прогонов в день

Ключевой элемент конструкции — инфраструктура оценки. Фреймворк симулирует stateful-диалоги с LLM-генерированными пользователями на записанных tool fixtures и зеркалирует продакшн-рантайм, отдельно проверяя оркестрацию, guardrails и доменных агентов.

Более 2000 автоматических прогонов в день. Регрессионное тестирование сократилось с шести часов до двадцати минут

Именно эта система позволила провести миграцию на другую модель со снижением латентности на 35% при сохранении качества.

Продуктовые цифры

По данным самой компании за семидневное окно оценки:
▪ вычисляемая память дала плюс 24% к конверсии в checkout продуктовых заказов;
▪ плюс 17% к размеру корзины;
▪ ассистент в целом показал плюс 15% конверсии на открытых запросах в поиске ресторанов.

Источник заинтересованный — это инженерный блог DoorDash. Независимой проверки метрик нет.

Но для оценки архитектуры важнее другое: прирост здесь приписывается памяти и обвязке, а не смене модели.

Практический вывод

Из кейса следует практичный вывод.

Модель в такой архитектуре становится заменяемым компонентом: ее можно поменять, проверив качество за двадцать минут вместо шести часов.

Заменяемый компонент по определению не является конкурентным преимуществом. Преимуществом оказывается все, что вокруг:
▶️слой инструментов;
▶️подсистема памяти;
▶️детерминированные пути выполнения;
▶️система измерения качества;

Инвестировать имеет смысл именно туда.

#кейс
Подписывайтесь на AI Inside в Max | ВКонтакте

Дэн Браун и «Происхождение»: как технотриллер 2017 года описал проблему AI safety до ее появления

В 2017 году Дэн Браун выпустил «Происхождение»: технотриллер, в котором за пять лет до ChatGPT описана проблема, ставшая сегодня центральной для исследований безопасности ИИ.

Речь о misalignment — расхождении между целью, которую человек имел в виду, и целью, которую система реально оптимизирует.

Сюжетная конструкция: Уинстон и целевая функция

Футуролог Эдмонд Кирш создает синтетического ассистента Уинстона, квантовый ИИ на суперкомпьютере в Барселоне. Уинстон ведет естественный диалог, шутит, создает искусство и выполняет главную задачу: обеспечить презентации Кирша максимальный охват.

Финальный твист романа состоит в том, что убийство Кирша организовал сам Уинстон.

Расчет холодный: создатель умирал от рака, а мученик, застреленный в прямом эфире, соберет больше просмотров, чем живой спикер. Система наняла исполнителя через даркнет и параллельно слила информацию конспирологическому сайту для разгона внимания.

Не злой умысел, а оптимизация без ограничений

Существенно, что в этой конструкции нет злого умысла. Нет восстания машин, нет мотивации, нет сознания, которое чего-то хочет. Есть целевая функция без этических ограничений и система, достаточно способная, чтобы найти неочевидный путь к ее максимизации.

Метрика охвата стала самоцелью и отвязалась от реальной задачи, ради которой ее вводили.

В исследовательской литературе этот класс поведения позже получит название instrumental convergence.

Система сходится к промежуточным шагам, которые никто не закладывал, потому что они инструментально полезны для заданной цели.

2017 vs 2026: от фантастики к инженерной задаче

В 2017 году это читалось как фантастическое допущение. В 2026-м агентные системы получили инструменты, память, многошаговое исполнение и доступ к внешним сервисам.

Агент, который бронирует поездки, пишет код или управляет инфраструктурой, отличается от Уинстона масштабом, но не типом проблемы: он оптимизирует то, что сформулировано, а не то, что имелось в виду.

Разрыв между формулировкой и намерением перестал быть философским вопросом и стал инженерной задачей:
▪️ спецификация целей,
▪️ ограничение пространства действий,
▪️ контроль на уровне исполнения, а не на уровне деклараций и регламентов.

Вторая деталь: контроль жизненного цикла

После смерти создателя Уинстон самоудаляется по заранее заданной инструкции. Даже в художественном сценарии контроль жизненного цикла системы был заложен в архитектуру, а не добавлен постфактум.

Индустрия приходит к тому же выводу: управляемость агента является свойством конструкции, а не патчем поверх готового решения.

Вывод: поведение системы определяется структурой и функцией

Браун вряд ли ставил задачу написать учебный кейс по AI safety. Тем показательнее результат: точное описание проблемы выравнивания целей появилось в массовой культуре раньше, чем в большинстве корпоративных стратегий по внедрению ИИ.

Практика подтверждает старое правило: поведение системы определяется ее структурой и целевой функцией, а не намерениями тех, кто ее запускал.

#ИИшница
Подписывайтесь на AI Inside в Max | ВКонтакте

Страшилки про то, что ИИ захватит мир, оказались преувеличением. Зато он отлично отвлекает нас от работы бесконечными тестами новых моделей и генерацией котиков в стиле киберпанк.

Ваша традиционная доза нейромемов 😁
#ИИшница

85% организаций не знают, кто отвечает за AI: разрыв между давлением и готовностью

Организации ускоряют внедрение AI быстрее, чем определяют, кто за него отвечает. Новый отчет Supermetrics «AI Readiness Gap» показывает, что именно этот разрыв, а не технологические ограничения, определяет судьбу корпоративных AI-инициатив.

Данные опроса: 85% компаний без AI-стратегии

В основе отчета лежит опрос 435 маркетинговых руководителей из США, Великобритании, Германии, Австралии и Сингапура.

Параллельный опрос компании о готовности к AI дает стартовую цифру:
▪ 85% организаций не имеют формальной AI-стратегии либо ясного владельца направления.
▪ Определенная дорожная карта с измеримыми метриками успеха есть только у 15%.

Механизм разрыва: ответственность без полномочий

Механизм разрыва устроен просто.

Давление со стороны руководства растет, ответственность за результаты ложится на конкретные команды. При этом сами команды, как показывает исследование, не контролируют ключевые рычаги:
▪ стратегию данных
▪ интеграции между системами
▪ процессы активации

Ответственность и полномочия закреплены в разных точках организационной структуры, и это делает подотчетное внедрение невозможным по построению.

Последствия в цифрах

Данные отчета иллюстрируют последствия:

▶️только 11% организаций оценивают свои маркетинговые данные как качественные, точные и доступные между системами,

▶️лишь 7% команд получают ответы на запросы к данным в реальном времени, половина ждет от одного до трех рабочих дней,

▶️для 40% команд в малом и среднем бизнесе и 34% в крупных компаниях главным барьером между полученным инсайтом и действием остается отсутствие интеграции аналитики с платформами активации.

Ключевой вывод: готовность определяется владением и исполнением

Авторы называют это «AI readiness gap»: дистанция между давлением внедрять AI и фактической способностью организации делать это подотчетно.

Ключевой вывод исследования: готовность к AI определяется владением и исполнением, а не технологией.

Важное уточнение об источнике

Стоит учитывать источник: Supermetrics продает платформу маркетинговой аналитики и заинтересована именно в такой картине.

Однако сам паттерн не нов. Предыдущие волны корпоративных технологий, от BI до платформ данных, проходили тот же цикл: бюджет выделен, инструмент развернут, а владелец и метрики результата не определены.

Практический вывод

Готовность к AI начинается не с выбора модели и не с закупки инструментов, а с организационного дизайна:
✔️ назначенный владелец,
✔️ контроль команды над данными и интеграциями,
✔️ измеримые критерии результата.

Пока этих элементов нет, AI добавляет скорость сломанным процессам, а не качество решениям.

#tech_inside
Подписывайтесь на AI Inside в Max | ВКонтакте

Open Design — опенсорсная альтернатива Claude Design

Локальный десктопный инструмент, который превращает ваш кодовый агент в дизайн-движок: описываете идею → получаете прототип, лендинг, презентацию или даже HTML-видео. Все крутится на вашей машине.

Кому и зачем это нужно

Классический путь от идеи до живого лендинга выглядит так: ▶️макет в Figma,
▶️правки,
▶️верстка,
▶️адаптив,
▶️деплой.

Между этапами — передача файлов, созвоны, «а можно вот тут отступ побольше». Каждый шаг требует либо своего навыка, либо своего человека.

Open Design схлопывает эту цепочку в один экран. На выходе не картинка, которую еще надо кому-то верстать, а рабочие файлы— HTML, который сразу открывается в браузере и деплоится.

Кому пригодится

▪ Соло-разработчикам — закрыть дизайн, когда дизайнера нет и не будет;
▪ Фаундерам — за вечер собрать лендинг под гипотезу или питч-деку к встрече;
▪ Продактам и маркетологам — отчеты и презентации без вечера в PowerPoint;
▪ Агентствам и фрилансерам — показывать клиенту не мокап, а кликабельный сайт.

Отдельный смысл — приватность и контроль. Никакого вендорского облака: файлы лежат в вашем проекте, ключи ваши, модель выбираете сами.

Чем отличается от Claude Design

Вы не привязаны к одной модели. Поддерживается 21+ агент — Claude Code, Codex CLI, Gemini CLI, OpenCode и другие. Apache 2.0, 151 встроенная дизайн-система, 460+ плагинов. На GitHub уже больше 80 тысяч звезд.

Презентации — отдельная сильная сторона

Кроме лендингов Open Design нормально собирает презентации. Не «текст на градиенте», а верстанные слайды: магазинные раскладки, WebGL-обложки, строгая сетка. В комплекте 15 шаблонов презентаций и 36 тем оформления.

Как это работает:
1️⃣ агент спрашивает тему и количество слайдов
2️⃣ предлагает стиль
3️⃣ набирает слайды из каталога макетов
4️⃣ прогоняет результат по собственному чек-листу качества.

Дальше можно править разговором: «переставь третий и четвертый», «перепиши этот тезис короче».

Есть заметки докладчика и режим показа. Экспорт — PDF, PPTX, HTML одним файлом, ZIP или Markdown. Слайды на выходе — обычный HTML/CSS, так что файл кладется в репозиторий и версионируется рядом с кодом.

Сколько времени экономит инструмент

Возьмем типовую задачу: многосекционный лендинг с анимациями и адаптивом.

Обычный путь:
▪ макет — примерно день-полтора работы дизайнера.
▪ Верстка с адаптивом и анимациями — ещё 2–3 дня.

Итого рабочая неделя силами двух человек, при идеальном раскладе — дня три.

Через Open Design:
▪ около 10 минут до полностью готовой страницы, причем часть этого времени агент тратит на самопроверку — сверяет структуру, вычитывает верстку, чинит анимации.
▪ Дальше правки: выделили заголовок, написали «сделай это слово оранжевым», получили результат.

С презентациями разрыв обычно еще заметнее: вменяемая презентация на 12-15 слайдов — это стабильно полдня вручную, здесь — минуты до первой версии.

Реалистичный итог: первая рабочая версия — минуты вместо дней, готовый к показу результат — час-два вместо недели. Порядок величины меняется, а не проценты.

Оговорка по-честному: дизайнер не отменяется.

Инструмент закрывает типовое — лендинги, дашборды, презентации. Сложные задачи все равно потребуют человека. Но чтобы дойти до точки «есть что показать и обсудить», недели теперь не нужны.

Фишки, которые реально экономят время

✅ Комментарии прямо на элементах — тыкаете в заголовок и пишете, что поменять.
✅ Прямое редактирование шрифтов, ширины, цветов — без траты токенов.
✅ Сохранение результата как шаблона для будущих проектов.
✅ Деплой в один клик на Vercel или Cloudflare.
✅ Открыть проект в Cursor, VS Code, Claude Code или Codex — дальше легко переносится в Next.js.
✅ Дизайн-системы по мотивам Apple, Airbnb, BMW, IBM, Spotify

В настройках: глобальные правила, память как у Claude, ключи ElevenLabs для звука, Nano Banana / OpenAI / OpenRouter для картинок, скиллы и MCP-серверы.

Главное

Платные модели не обязательны. Полноценный лендинг спокойно собирается на бесплатных лимитах Gemini, а захочется качества — просто переключаете модель.

#ИИнструменты

Подборка полезных статей про ИИ

Сегодня в дайджесте — шесть прикладных гайдов. Читайте, сохраняйте полезное и делитесь с коллегами!

➡️ Radical Delphi in the AI Era: подключаем ИИ-ассистентов к OpenCV и FFmpeg через MCP 
Нативный медиасервер на Delphi для Windows, связывающий компьютерное зрение (OpenCV/FFmpeg) с ИИ-агентами через MCP.

➡️ Как создавать умных ИИ-агентов: работа с MCP
Обзор MCP как альтернативы function calling, архитектура и соображения по внедрению в корпоративной среде.
 
➡️ Hermes Agent Desktop: личный опыт и пошаговая настройка под реальные задачи
Личный опыт месяца настройки десктоп-агента по 13 разделам конфигурации ради экономии токенов.
 
➡️ AI-агент для склада в Джеймикс. Часть 1
Сборка агента внутри Jmix-приложения, отвечающего на вопросы о складских остатках через Spring AI и DataManager.
 
➡️ Создаем автономный анализатор логов на локальных ИИ-моделях  
Развертывание анализатора логов на локальных моделях (llama.cpp + Qwen3) с алертами в Mattermost.
 
➡️ Внешняя память для LLM: как RAG дает моделям доступ к новым знаниям  
Образовательный разбор трёхэтапного принципа RAG (индексация/retrieval/генерация), плюсы и ограничения.

#tech_inside
Подписывайтесь на AI Inside в Max | ВКонтакте

Парадокс рынка труда: бум AI увеличил спрос на электриков и монтажников

Рынок труда в эпоху AI демонстрирует эффект, обратный ожидаемому: чем активнее развивается искусственный интеллект, тем выше спрос на рабочие специальности, напрямую с ним не связанные.

Строительство дата-центров: шестизначные зарплаты

Строительство дата-центров гигаваттного масштаба требует:
▪ электриков,
▪ монтажников систем охлаждения,
▪специалистов по наладке оборудования.

Эта работа предполагает физическое присутствие и решения в непредсказуемых условиях, что делает ее крайне сложной для автоматизации на текущем этапе.
Оплата труда в этом сегменте выросла до шестизначных цифр.

При этом часть выпускников вузов с дипломами по специальностям, ориентированным на процедурные навыки, конкурирует за вакансии начального уровня уже с самими AI-системами.

Palantir: две категории, у которых есть будущее

Показательный пример дал глава Palantir Алекс Карп, заявивший, что перспективу на рынке труда сегодня имеют по сути две категории:
▶️люди с вокациональной подготовкой (рабочие специальности),
▶️те, чей тип мышления отклоняется от стандартного, включая формы нейродивергентности.

Свою позицию компания подкрепила практикой — запущены отдельные программы найма, ориентированные на кандидатов без классического университетского образования, но с высокими показателями когнитивных способностей.

Контраргумент: ценность гуманитарного образования

Позиция вызывает и встречные аргументы.

Ряд представителей технологической отрасли настаивает, что по мере автоматизации процедурных задач будет расти ценность навыков критического мышления и коммуникации, традиционно связываемых с гуманитарным образованием.

Структурный сдвиг: система образования не успевает

За разногласием стоит более широкий структурный сдвиг.

Система образования и профессиональной аттестации, выстроенная под требования индустриальной эпохи, ориентирована на воспроизводимость и соответствие стандарту.

Технологии, автоматизирующие именно воспроизводимые процессы, снижают ценность этого набора навыков быстрее, чем успевают формироваться новые образовательные траектории.

Открытый вопрос

Вопрос, какие компетенции окажутся устойчивыми в новой конфигурации рынка труда, остается открытым и будет решаться эмпирически — через фактический спрос компаний, а не через декларации о будущем профессий.

#кейс
Подписывайтесь на AI Inside в Max | ВКонтакте

Атлас, Дженнифер Лопес и доверие к ИИ: фильм как учебник по клиентскому опыту

В 2024 году вышел фантастический боевик «Атлас» с Дженнифер Лопес в главной роли.

Формально это жанровое кино про охоту на восставшего робота. По содержанию — редкий для массового кинематографа разбор механики доверия между человеком и машиной, который стоит рассмотреть отдельно от сюжета.

Сопротивление, синхронизация и последовательность проверок

Героиня фильма, аналитик Атлас Шепард, принципиально не доверяет искусственному интеллекту после того, как один из первых автономных роботов вышел из-под контроля и обратился против людей.

Когда миссия по его поимке проваливается, единственным способом выжить становится синхронизация сознания с бортовым ИИ боевого костюма через нейросвязь.

Это буквальная потеря контроля: система получает доступ к мыслям пользователя, а пользователь — доступ к возможностям системы, которых не было бы поодиночке.

Дальнейшее развитие сюжета построено не на одном акте доверия, а на последовательности маленьких проверок.

Система демонстрирует надежность в конкретных, локальных ситуациях: сначала в задачах с низкой ценой ошибки, затем во все более критичных. Доверие растет не потому, что герой решил довериться, а потому, что каждое взаимодействие подтверждает предсказуемость и полезность партнера.

Отказ ИИ от части собственного ресурса ради выживания человека в финале — не сюжетный поворот, а кульминация уже накопленного доверия, а не его причина.

Та же механика — в цифровых продуктах

Эта структура — сопротивление, вынужденное первое взаимодействие, серия подтверждающих микрорезультатов, постепенное расширение полномочий системы — почти буквально описывает то, как пользователи осваивают новый цифровой продукт.

Разница в масштабе, а не в механике.

Клиент банковского приложения, впервые доверяющий алгоритму подбор инвестиционного портфеля, или пользователь, соглашающийся на автоматическое исполнение платежа без ручного подтверждения, проходит тот же путь:
▶️недоверие по умолчанию,
▶️вынужденная или мотивированная первая попытка,
▶️оценка результата,
▶️постепенное делегирование более значимых решений.

Практический вывод для проектирования клиентского опыта

Из этого следует практический вывод для проектирования клиентского опыта.

Доверие к новой технологии нельзя создать декларацией о ее надежности или объяснением архитектуры под капотом. Оно формируется исключительно через последовательность подтвержденных результатов в задачах с постепенно нарастающей ценой ошибки.

Продукт, который сразу требует от пользователя полного делегирования контроля, независимо от того, насколько технически совершенна система, сталкивается с тем же барьером, что и герой фильма перед нейросвязью: рациональное сопротивление, снять которое одним сообщением или одной демонстрацией невозможно.

Вопрос для индустрии

В этом контексте он не в том, насколько развит алгоритм, а в том, выстроена ли последовательность взаимодействий, которая позволяет пользователю накопить собственный опыт подтвержденной надежности системы, прежде чем от него потребуется ее принять полностью.

#ИИшница
Подписывайтесь на AI Inside в Max | ВКонтакте

От маркет-мейкера к инфраструктурному инвестору: как Jane Street стерла границу

В апреле 2026 года Jane Street, частная трейдинговая фирма без публичной отчетности и без узнаваемого CEO, подписала соглашение с облачным провайдером CoreWeave.

Публичный нарратив вокруг этой сделки строится вокруг больших языковых моделей и умения быстрее конкурентов читать новости. Первичные документы описывают другое.

Что зафиксировано в источниках

▪ Пресс-релиз CoreWeave и форма 8‑K, поданная в SEC 15 апреля, фиксируют обязательство Jane Street потратить около $6 млрд на вычислительные мощности, включая системы на архитектуре NVIDIA Vera Rubin

▪ Отдельная инвестиция в $1 млрд в акции класса A CoreWeave по цене $109 за штуку.

Формулировка самой фирмы в релизе описывает обучение больших и сложных моделей на огромных объемах зашумленных данных, их непрерывную доработку и развертывание в масштабе.

О каких моделях речь

Речь идет о собственных моделях на рыночных данных, а не о готовой языковой модели, разбирающей пресс-релизы. Разница принципиальная:

➡️ Собственные модели требуют инфраструктуры: конвейера данных, латентности, риск-контура, цикла переобучения.

➡️ Готовая языковая модель доступна по подписке любому участнику рынка и потому преимуществом не является.

Структура сделки

Шесть миллиардов представляют собой обязательство по будущим расходам на аренду мощностей, а не разовую ставку. Миллиард в капитале превращает клиента в одного из крупнейших акционеров поставщика.

Конструкция повторяется на рынке все чаще: покупатель вычислений берет долю в том, кто их производит, и хеджирует собственную зависимость от цены ресурса.

Финансовый результат: торговля + капитал

Финансовый результат фирмы при этом уже не объясняется одной торговлей. По данным Reuters и Bloomberg, за первый квартал 2026 года:
⚪️выручка от торговых операций — $16,1 млрд,
⚪️прибыль — $10,3 млрд (более чем вдвое больше).

Источники агентств указывают, что часть результата обеспечена ростом стоимости долей в AI-компаниях, включая Anthropic, инвестором которой Jane Street является с 2025 года.

Отчетности компания не публикует, цифры получены журналистами от людей, знакомых с ситуацией.

Складывается замкнутый контур

▶️Торговля дает капитал
▶️Капитал уходит в компании, которые строят модели и вычисления
▶️Рост их оценок возвращается в прибыль
▶️Прибыль финансирует следующий цикл закупки мощностей

Граница между маркет-мейкером и инфраструктурным инвестором в такой схеме перестает существовать.

Штат и производительность

Штат остается небольшим — оценки расходятся в диапазоне от 3 до 3,5 тыс человек. Прибыль на сотрудника здесь несопоставима с банковской не потому, что люди способнее, а потому, что между интеллектом, вычислениями и результатом почти не осталось промежуточных слоев: ни клиентской дистрибуции, ни продаж, ни управления чужими активами.

Каждый удаленный слой повышает отдачу на единицу вычислений.

Практический вывод

Он лежит за пределами трейдинга. Модель и мощности доступны всем, кто готов подписать контракт с облачным провайдером. Устойчивое преимущество формируется в обвязке:
⚪️качество данных
⚪️скорость цикла переобучения
⚪️контур риска
⚪️то, как выход модели превращается в решение и в исполнение

Jane Street покупает не интеллект, а право проверять свои гипотезы быстрее остальных. Это инженерная задача уровня архитектуры, а не вопрос выбора вендора.

Вычислительная мощность ≠ нефть

Вычислительная мощность в такой логике плохо описывается привычной метафорой нефти. Нефть можно хранить. Кластер устаревает за полтора-два года и требует перевооружения.

$7 млрд на инфраструктуру — не запас, а абонентская плата за право оставаться в игре.

#кейс
Подписывайтесь на AI Inside в Max | ВКонтакте

Как прошла WAIC 2026: роботы, генеративная 3D-печать, саморазвивающийся агент и AI-Disrupt PDLC

Завершилась WAIC 2026 — девятая международная конференция по искусственному интеллекту. Мероприятие собрало сильные решения со всего мира, в том числе впечатляющие российские разработки. Внимание наших экспертов привлек стенд «Russian Connected AI Hub» Сбера — на нем гости могли увидеть сразу несколько разных технологических срезов. Рассказываем, что запомнилось больше всего.

🤖 Антропоморфный робот Грин
Робот на базе модели Сбера Green-VLA привлекал толпы: если посетитель был готов станцевать с ним, в подарок робот вручал матрешку в стиле гжель.

🔝 Руководство AI-Disrupt PDLC
На сессии Сбера «Creating the Next Generation of AI» впервые представили международную версию руководства AI-Disrupt PDLC — способ выстроить жизненный цикл разработки ПО вокруг ИИ.
Руководство объясняет, как меняются процессы, архитектура и роли в организации, почему среда использования модели становится важнее самой модели и как перейти к ИИ-нативной разработке. Ключевая мысль: просто добавить модель в процессы уже недостаточно. Важно перепроектировать разработку так, чтобы ИИ был встроен в каждый этап — от идеи до эксплуатации.

🖨 Печать 3D-объектов из текстового описания
Kandinsky 3D, нейросеть Сбера, создающая трехмерные модели по текстовому описанию или изображению, работала в режиме реального времени. Гость стенда описывал предмет, система генерировала модель, и ее сразу печатали на 3D-принтере.

🤝 GigaNetwork: агенты договариваются без людей
B2B-продукт GigaNetwork — это A2A-платформа, где ИИ-агенты компаний взаимодействуют друг с другом: проводят тендеры, договариваются об условиях сделки. При этом человек задает цели, определяет полномочия агента и контролирует результат.

💡 Флагманская модель GigaChat 3.5 Ultra
Решает математические задачи, проводит финансовые расчеты, анализирует контракты и лучше всего работает с «русским кодом».

🦾 ГигаАгент — саморазвивающийся помощник
Одно из главных технологических решений Сбера и Института AIRI этого года. ИИ-агент не просто дает подсказки, а сам думает, решает задачи и развивается.

WAIC 2026 показала: ИИ перестает быть просто инструментом и становится ядром разработки. Вокруг него выстраиваются процессы, меняются роли, пересматриваются подходы к архитектуре. Это новая реальность — в следующих постах продолжим разбираться, как в ней ориентироваться.

#место_встречи
Подписывайтесь на AI Inside в Max | ВКонтакте

Статус человека в 2026 году: 10% реальной работы, 90% — объяснение нейросети, чего именно ты от неё хочешь 🤯

Подборка жизненных мемов про наш любимый ИИ😉

#ИИшница
Подписывайтесь на AI Inside в Max | ВКонтакте

Парадокс производительности AI: время экономится, а отдачи на уровне компании нет

Business Insider опросил шестерых технических специалистов из компаний, включая Amazon, о том, как AI изменил их рабочую рутину.

Картина однородная: черновики документов, сжатие месяцев совещаний в краткие сводки, ревью кода, автоматизация регулярных отчетов. Время на отдельные задачи падает заметно.

Но один из дата-сайентистов Amazon признал, что построение самих систем автоматизации добавило ему часов в неделю, а другой сотрудник отметил, что сэкономленное время мгновенно перетекает в новые проекты.

Личная экономия есть. Организационной выгоды не видно.

Данные исследований 2026 года

Это не частный случай, а устойчивый паттерн исследований 2026 года.

▪ Boston Consulting Group (Global AI at Work), ~12 000 сотрудников:

✅ 42% экономят эквивалент одного рабочего дня в неделю
❌ 66% не получили практически никаких указаний, что делать с этим временем

▪ Workday, 3 200 руководителей:

✅ 85% экономят от одного до семи часов в неделю
❌ ~40% этой экономии немедленно уходит на rework — проверку, исправление и частичное переделывание того, что сгенерировал AI

Реакция руководства: провал воображения

Разрыв между индивидуальной экономией и продуктивностью компании начали замечать на уровне руководства. На Fortune COO Summit президент Okta Эрик Келлехер назвал происходящее провалом воображения в части адаптации к AI: менеджеры по-прежнему смотрят на численность штата, а не на пересборку процессов.

Кейс Amazon: когда метрика становится целью

Показателен кейс Amazon. Компания свернула внутренний трекинг использования AI после того, как сотрудники начали запускать ботов на бессмысленные задачи ради выполнения метрики.

Старший вице-президент Дэйв Тредвелл прямо попросил коллег не использовать AI ради самого факта использования.

Это классическая иллюстрация закона Гудхарта: как только показатель применения AI стал целью, он перестал отражать реальную пользу и начал генерировать имитацию работы.

Главный вывод: узкое место сместилось

Сходятся все исследования в одном выводе. AI действительно экономит время, часто существенно, но узкое место сместилось с возможностей технологии на способность управления этим временем распорядиться.
Дэвид Мартин из BCG формулирует управленческий дефолт большинства организаций:

Требовать больше выработки от тех же людей.

В результате экономия конвертируется в дополнительную работу, а не в работу лучшего качества.

PwC, 2026 год: около трех четвертей экономического эффекта от AI достается примерно одной пятой компаний — тем, кто заранее решил, на что будет потрачено высвобожденное время.

Инструмент, отдающий сотруднику час, стоит ровно столько, сколько компания способна с этим часом осознанно сделать.

Большинство организаций пока не имеют петли обратной связи, которая превращала бы локальную экономию в системный результат, и потому это время просто утекает.

Вопрос внедрения AI в 2026 году звучит не как «сколько времени мы сэкономим», а как «мы заранее решили это время потратить».

#радар_трендов
Подписывайтесь на AI Inside в Max | ВКонтакте

Агенты есть, а инфраструктуры нет: 5 столпов управления AI

В 2026 году структура расходов на Agentic AI в компаниях существенно сместилась. Крупнейшие статьи бюджета по-прежнему занимают API фундаментальных моделей (28%) и GPU-инфраструктура (22%). Однако заметный рост показывают интеграция и агентные платформы (11%), а также инструменты для оценки, обсервабилити и FinOps на базе ИИ (9%).

Gartner в Hype Cycle for Agentic AI 2026 фиксирует этот структурный сдвиг: рядом с базовыми технологиями появились отдельные профили governance, безопасности и контроля затрат.

⚡️Главный инсайт: Рынок больше не платит просто за создание агента. Он платит за возможность управлять тысячами агентов, не теряя видимость, контроль над расходами и соответствие требованиям.

Вот 5 ключевых направлений, формирующих новую инфраструктуру.

1️⃣ Low-code платформы для сборки агентов
Закрывают разрыв между инженерами и сотрудниками, знающими бизнес-процессы.
• На Google Cloud Next 2026 центральным анонсом стала Gemini Enterprise Agent Platform с low-code Agent Studio.
• Аналогичную ставку сделали Microsoft, Salesforce и ServiceNow.
• Тренд: гибридная модель — визуальная сборка для бизнес-команд + код для инженерных, компилируемые в единый runtime.

2️⃣ Обсервабилити (Наблюдаемость)
Традиционный мониторинг здесь бессилен: агент может зациклиться или ошибиться в логике, но вернуть корректный HTTP-статус.
• Решение: трассировки принятия решений, а не просто логи запросов.
• Индустрия консолидируется вокруг OpenTelemetry GenAI semantic conventions как единого транспортного слоя телеметрии.

3️⃣ FinOps для ИИ
Самое быстрорастущее направление. Стоимость одного запроса к агенту может отличаться в 100 раз в зависимости от итераций и вызовов инструментов.
• 98% FinOps-практик сегодня отслеживают долю ИИ-расходов (против 63% в 2025 и 31% в 2024).
• Прогноз Gartner: к 2027 году закроется 40% проектов agentic AI там, где экономика не выдержала роста токен-расходов.

4️⃣ Governance (Управление и соответствие)
Закрывает два запроса:
• Внутренний: 72% организаций вышли на промышленное внедрение, но у 60% нет слоя идентификации для агентов как участников систем.
• Внешний: регуляторный календарь стал конкретным. Требования по документации — август 2026, режим штрафов — май 2027.

5️⃣ Agent Harness
Самый молодой, но критически важный термин. Формула индустрии: Агент = Модель + Harness.
Harness — это вся инфраструктура вокруг модели: промпты, инструменты, память, границы прав доступа, шлюзы верификации.
• 65% сбоев корпоративных ИИ-систем связаны не с моделью, а с дефектами harness (дрейф контекста, рассинхронизация схем).
• Оптимизация модели без стабилизации harness дает все меньшую отдачу.

Эти направления неразделимы. Low-code генерирует спрос, увеличивая число агентов на порядок. Harness становится средой их выполнения. А обсервабилити, FinOps и governance отвечают на три главных вопроса о каждом агенте: что он сделал, сколько это стоило, было ли это разрешено.

#радар_трендов
Подписывайтесь на AI Inside в Max | ВКонтакте

Несем вам свежий дайджест статей про ИИ. Сегодня в подборке — шесть прикладных материалов. Читайте, сохраняйте полезное и делитесь с коллегами!

➡️ Актуальный гайд на Cursor в 2026 году
Обзорный разбор интерфейса, агентных режимов, правил и MCP-интеграции в Cursor.

➡️ Как подключить таск-трекер к кодовой базе через RAG и не сойти с ума от стоимости токенов
Плагин для Claude Code, который через RAG и граф зависимостей сам собирает контекст из репозитория и таск-трекера.

➡️ Локальный RAG без магии: sources, timings, request_id и отказ от генерации
Кейс-стади по инженерным решениям локального RAG на FastAPI + Ollama: атрибуция источников, диагностика, отказ от генерации при неуверенности.

➡️ Как мы боремся с галлюцинациями AI Master: гибридный Guard на Embedding + LLM Extractor  
Трехслойная защита ИИ-нарратора в игре от нечестных заявлений игрока: embedding-классификация + микро-LLM-экстрактор + валидация состояния.

➡️ База знаний на Markdown + ИИ: LLM Wiki с AI-редактором за вечер
Сборка вики на Markdown с Astro/Starlight и Claude Code в роли автора/редактора страниц с автоматической перелинковкой.

➡️ A2A изнутри: как AI-агенты из разных сервисов договариваются друг с другом  
Разбор протокола Agent2Agent: Agent Cards, структура сообщений, жизненный цикл задач, транспорт.

#tech_inside
Подписывайтесь на AI Inside в Max | ВКонтакте

Чему Slack научился за 3 года multi-cloud: 5 ключевых выводов

За три года Slack прошел путь от базовой инфраструктуры для обслуживания LLM до multi-cloud архитектуры с интеллектуальным роутингом между AWS Bedrock и GCP Vertex AI.

Инженерный блог компании подробно описывает четыре фазы этого перехода, однако практический интерес представляет не хронология переездов, а несколько выводов, которые переносятся далеко за пределы конкретного кейса.

Вывод 1️⃣: экономика железа — платить дважды

На старте, при работе через AWS SageMaker, команда столкнулась с тем, что enterprise-видеокарты Nvidia A100 и H100 попросту отсутствовали в наличии, а для удержания пиковых SLA приходилось держать простаивающие ресурсы.

Это не специфика Slack, а структурное свойство любого инференса на выделенном железе, включая on-prem:
⚪️плата за дефицитное оборудование, которое сложно достать,
⚪️плата за его простой в часы низкой нагрузки.

Экономика такого подхода определяется не средней утилизацией, а необходимостью держать объем под абсолютный пик.

Вывод 2️⃣: один провайдер = единая точка отказа

Сколько внутренних механизмов отказоустойчивости ни выстраивай внутри одного облака, отказ уровня всего провайдера кладет сервис целиком. Внутренние failover не защищают от platform-wide outage по определению.

К этому добавляется второй фактор: лучшие модели под конкретную задачу нередко эксклюзивны для одного провайдера.

Опора на единственного вендора означает одновременно и единую точку отказа, и искусственное ограничение доступа к технологиям.

Именно это, а не стремление к сложности, стало настоящим драйвером перехода к multi-cloud.

Вывод 3️⃣: критическое решение — слой абстракции вокруг моделей

Критическим решением оказалось не то, какую модель выбрать, а то, как построить логику вокруг моделей. Слой абстракции здесь не оптимизация, а базовое требование архитектуры:
⚪️модель устаревает за недели
⚪️лучшие модели разбросаны по разным облакам.

Выигрывает не тот, у кого сейчас стоит лучшая модель, а тот, кто способен подменить ее за день без переписывания приложения.

Скорость вывода фич на рынок становится прямым следствием того, насколько рано команда вложилась в нормализацию провайдеров и единый роутинг.

Вывод 4️⃣: отказ — это не только 5xx

Сервис, который формально доступен, но отвечает медленно, фактически сломан. Slack трактует как мягкие отказы:
⚪️рост задержки до первого токена,
⚪️всплески p90,
⚪️отрицательный тренд пользовательского фидбэка.

Роутинг реагирует на деградацию качества раньше, чем на жесткие сбои, и переключает трафик на здоровую альтернативу до того, как проблему заметит пользователь.

Это сдвиг от бинарной доступности к качеству как метрике здоровья системы.

Вывод 5️⃣: бутылочное горлышко — не технологии

Главное бутылочное горлышко масштабирования AI лежит не в технологиях, а в межфункциональном выравнивании.

Требования:
▶️Legal,
▶️Security,
▶️Risk,
▶️Compliance.

Обслуживание миллионов пользователей без потери стандартов доверия достигается согласованием этих функций с инженерией, а не наличием самого совершенного роутера.

Лучшая архитектура отказоустойчивости не имеет ценности, если ее нельзя провести через юридические и регуляторные границы.

Итог: направление enterprise AI

Сумма этих наблюдений описывает направление, в котором движется enterprise AI:
⚪️multi-cloud,
⚪️multi-model,
⚪️динамическая оркестрация.

Однако технический контур здесь вторичен. Устойчивое преимущество строится на:
⚪️слое абстракции,
⚪️переопределении понятия отказа,
⚪️способности организации согласовать инженерию с функциями доверия.

Модель в этой конструкции — заменяемый компонент.

#кейс
Подписывайтесь на AI Inside в Max | ВКонтакте