📈 ТехноТренды: Технологии, Тренды, IT

ИИ всё чаще воспринимают не как способ массовых увольнений, а как драйвер роста и эффективности

Согласно исследованию Яков и Партнёры совместно с Яндекс, только около третьих крупных компаний (32 %) сегодня считают, что внедрение искусственного интеллекта (ИИ) приведёт к снижению фонда оплаты труда.

👉 Ключевые наблюдения по внедрению и экономике:
• В среднем пилоты хотя бы одной из ключевых технологий (генеративный ИИ, компьютерное зрение, NLP, рекомендательные системы) уже провели почти все крупные компании — порядка 88%.
• В 2025 году доля компаний, которые используют генеративный ИИ хотя бы для одной функции, достигла ~ 71%. Чаще всего ИИ применяют для внутренних коммуникаций, маркетинга, продаж, клиентского сервиса.
• Там, где ИИ уже внедрён и процессы выстроены, компании отмечают не столько сокращение расходов на зарплаты, сколько рост выручки, повышение маржинальности, ускорение вывода продуктов на рынок, улучшение качества сервиса и персонализацию.
• Общий ожидаемый экономический эффект от ИИ к 2030 году оценивается в 7,9–12,8 трлн рублей в год — это может составлять до ~ 5,5 % прогнозируемого ВВП.
• В отдельных секторах эффект чувствителен: например, по оценке экспертов, внедрение ИИ в агропромышленном комплексе может принести сотни миллионов долларов прибыли.

💡 Вывод: ИИ стремительно переходит из стадии хайпа и экспериментов в стадию зрелой бизнес-инфраструктуры. Для многих компаний он — не способ сэкономить (увольнения), а инструмент, который приносит реальные деньги: за счёт автоматизации рутинных задач, улучшения продуктов, персонализации, оптимизации процессов. Если говорить глобально — экономический эффект уже измеряется триллионами рублей, а многие отрасли только начинают масштабировать ИИ-решения.

🚀 ©ТехноТренды

Малые языковые модели: будущее агентного ИИ

Недавно на arXiv вышла статья «Small Language Models are the Future of Agentic AI» (Belcak et al., 2025), которая может серьёзно повлиять на то, как мы смотрим на развитие агентных систем.

🚀 Основная идея

Авторы утверждают, что малые языковые модели (SLMs) способны заменить или дополнить большие модели (LLMs) в большинстве задач агентного ИИ:

«Мы определяем SLM как модель, которая подходит для вывода на одном пользовательском устройстве с низкой задержкой. Всё, что не подходит под это определение, мы называем LLM».

🔑 Три аргумента в пользу SLM
1. Достаточная мощность

«Современные SLM уже демонстрируют конкурентные результаты в рассуждении, генерации кода, следовании инструкциям и использовании инструментов».

2. Операционная гибкость
Малые модели проще адаптировать под узкие задачи, комбинировать между собой и запускать прямо на устройствах.
3. Экономическая эффективность

«Запуск SLM обходится значительно дешевле, чем использование LLM, как в вычислениях, так и в дообучении».

🧩 Где особенно полезны SLM?
• NER (распознавание сущностей)
• Классификация текстов
• Intent detection (определение намерений)
• Узкие агентные задачи с предсказуемым форматом (JSON, API-запросы)

«Агентные системы часто используют лишь небольшой поднабор возможностей модели, и этот поднабор можно реализовать на SLM».

Переход от LLM к SLM

Авторы предлагают 6-шаговый план постепенной миграции:
1. Сбор логов и запросов
2. Очистка и анонимизация данных
3. Кластеризация задач
4. Подбор SLM-кандидатов
5. Дообучение на специфичных данных
6. Постоянное обновление и маршрутизация запросов

Таким образом, система может начинать с LLM, но со временем всё чаще использовать локальные SLM.

⚖️ Контраргументы
• LLM остаются более универсальными и лучше в «понимании языка» в целом.
• У индустрии уже огромные инвестиции в инфраструктуру LLM.
• SLM пока недооценены в медиа и бизнесе.

Тем не менее, авторы настаивают, что будущее именно за «SLM-first подходом»:

«Глобальные модели не всегда оптимальны. В большинстве агентных сценариев меньшее и специализированное может оказаться лучшим».

Вывод

Малые модели могут стать новым стандартом для прикладного ИИ: быстрые, дешёвые, специализированные. LLM же будут использоваться как «резерв» для сложных и широких задач.

Это значит, что в ближайшие годы мы увидим всё больше гибридных систем, где SLM работают на фронте, а LLM подключаются лишь для самых «тяжёлых» случаев.

🚀 ©ТехноТренды

Лабубу и синдром FOMO: что делать техлиду, когда вокруг царит хайп?

Всё лето из всех утюгов слышно про эту лабубу, ими переполнены соцсети, а на маркетплейсах заказывают активнее, чем новые айфоны. Только что ваша R&D команда работала над дорожной картой на следующий квартал, а теперь дизайнеры обсуждают новых лабуб, продакт шутит про хайп, а маркетинг спрашивает, как можно сыграть на этой моде. Что делать в данной ситуации техническому лидеру?

🐵 Лабубу как культурный вирус

Labubu — не продукт. Это символ. Он живет в зоне между эстетикой, инфантильной ностальгией и мемной оборачиваемостью. Такие вещи создают эффект FOMO (fear of missing out, страх упустить что-то важное). Это мощный социальный механизм, который работает не только в культуре, но и в технологиях.

О связи психологии и технологии мы уже писали. Пример лабубу идеально иллюстрирует природу формирования трендов, как рыночных, так и технологических. Его успех основан не на функциональности, а на эмоциональном резонансе и искусственно разогретом ощущении дефицита. «Еще не знаю, что это, но мне уже надо, офигеть, дайте две».

Точно так же возникает ажиотаж вокруг LLM, Web3, NFT или AR — часто не потому, что технологии зрелы, а потому, что вызывают сильный отклик у публики (а все мы тоже ее часть).

⚡️ Как толпа формирует технологические тренды

Важно понимать: толпа не анализирует, она резонирует. Увидели 10 сториз про очередную лабубу — шлемы VR, умные очки, гибкие смартфоны или чат-боты — и подсознательно хочется оставаться «в теме». Так люди вовлекаются в поток и помогают его разгонять.

То же работает с технологиями — резонанс усиливается через сообщества, конференции и СМИ. Ажиотаж возникает на пересечении новизны, обсуждаемости и обещания перемен.

Но можно быть частью ажиотажа, а можно быть тем, кто его вызывает.

🧠 Что делать техлиду?

1️⃣ Оставаться трезвым аналитиком. Уметь отличать инфопузырь от реального сдвига. Хайп — инструмент, а не дорожная карта.

2️⃣ Слушать, но не следовать слепо. Даже если вся команда говорит о тренде, вы должны понять его природу: здесь реальная технологическая новизна или социальная игра?

3️⃣ Извлекать уроки. Что делает лабубу успешным? Дизайн? История? Рефлексия детства? Эти же принципы можно применить к digital-продукту.

Так работают Apple, Илон Маск, а из более свежих примеров — Мира Мурати. Она грамотно сочетает старые наработки (репутацию в мире AI-девелопмента, громкую историю своего ухода из OpenAI) плюс оседлала сразу две волны хайпа:
• вокруг GhatGPT (эта волна уже идет на спад)
• вокруг DeepSeek и опенсорсных LLM (а эта пока еще ого-го).

За ее «проектом Х» уже стоят история, имя и тайна, а это будоражит интерес сообщества и привлекает инвесторов. Еще никто толком не знает, что она там пилит, но ее стартап не имеет недостатка в инвестициях: $2 млрд в seed-раунде и +$10 млрд в перспективе.

🚀 Как поймать и использовать технологический тренд?

✅ Будьте на стыке культуры и технологии. Тренды рождаются там, где новые возможности встречают эмоциональные потребности.

✅ Следите за «слабыми сигналами»: сообществами, форумами, хакатонами. Именно там формируются темы до их появления в мейнстриме.

✅ Делайте быстрые эксперименты. Если нельзя предвидеть будущее, то можно быть первым, кто на него отреагирует.

🌱 Как создать свой технотренд?

Современные мемные продукты, такие как Labubu, становятся популярны не только благодаря рекламе. Аудитория завоевывается через органическое распространение, трейдинговые форумы и FOMO.

Компании могут использовать аналогичные стратегии:

👉 Продукт как история. Создайте вокруг технологии повествование, вселенную, визуальный код. Слово «экосистема» появилось не зря — работайте над ней как над мультивселенной.

👉 Создавайте «артефакты культуры». Мемы, визуалы, символы — то, чем пользователи могут делиться и владеть.

👉 Станьте центром притяжения. Делитесь инсайтами, собирайте сообщество, создавайте пространство для обсуждения.

📌 Вывод: не бойтесь хайпа, используйте его и создавайте!

#digital_marketing #тренды

🚀 ©ТехноТренды

🚀 Технодайджест: трендовые новости, которые привлекли наше внимание на прошлой неделе

⚡️ Мировой рынок ИИ в сфере домашней автоматизации к 2029 году вырастет до $75,16 млрд (более чем втрое с 2024-го), а среднегодовой темп роста составит 29,65 % — гласит новый отчет ResearchAndMarkets. Главными драйверами роста названы внедрение интеллектуальных устройств (EdgeAI) и облачных сервисов. Среди ключевых игроков — Google, Apple и Amazon.

⚡️ Команда разработчиков Т-Банка представила T-pro 2.0 — серию гибридных рассуждающих моделей на основе Qwen 3 32B. Новые LLM показывают неплохие результаты в русскоязычных бенчмарках, превосходя базовую Qwen 3 по всем ключевым метрикам. Посмотреть подробности, а также потрогать руками можно на HuggingFace.

⚡️ Thinking Machines Lab, стартап бывшего техдиректора OpenAI Миры Мурати (о ее уходе на «вольные хлеба» мы писали в феврале) привлек $2 млрд в «посевном» раунде. Среди инвесторов — Nvidia, Accel, AMD, Cisco и др. При этом Мира до сих пор не раскрыла деталей проекта, но предполагается, что это будет опенсорсный «убийца GPT».

⚡️ В Кремниевой долине продолжается безумная гонка за топовыми разработчиками AI, пишет WP (см. наш разбор причин и следствий этого ажиотажа). За переход из одной компании в другую предлагаются суммы, «на которые можно основать династии». При этом большинство ИИ-специалистов сейчас живет в Китае, и большой вопрос, окупятся ли расходы американцев на «перекупку мозгов» друг у друга.

⚡️ Глава OpenAI Сэм Альтман предупреждает о грядущем «кризисе мошенничества» вокруг пользовательских аккаунтов — злоумышленники «очень скоро» начнут массово использовать ИИ для кражи учетных записей в интернете. Источник угрозы — цифровая идентификация голоса при подтверждении личности для доступа к финансовым транзакциям. Защита от voice cloning становится всё актуальнее.

⚡️ Исследователи из нескольких ведущих университетов США и Amazon GenAI представили Energy-Based Transformer (EBT) — новую архитектуру искусственного интеллекта, предназначенную для аналитического мышления. Она существенно лучше в решении языковых задач и обработке изображений, чем обычные трансформеры, но при этом требует в 3,3–6,6 раза больше вычислительной мощности для обучения.

#дайджест

🚀 ©ТехноТренды