Инструменты, модели, промты: канал о повседневной работе с ИИ

Сегодня хотим поделиться еще одним каналом о работе с ИИ — Нейрохайп. В нем автор отслеживает новые модели, инструменты и подходы, а также тестирует их на практике, до того, как они попадают в корпоративные контуры и официальные обзоры.

Канал исследует, как ИИ применяется на практике и регулярно поднимает темы, которые часто остаются незамеченными в обзорах. Среди них:

➖ Использование сотрудниками публичных ИИ-сервисов для рабочих задач в обход корпоративных процедур;
➖ Критическая оценка релизов: отделение реального технологического прогресса от маркетинга;
➖ Границы применимости вайб-кодинга: где он перестаёт быть эффективным и уступает место промышленной разработке;
➖ Потребительские ИИ-практики как ранний индикатор того, что инструмент станет частью enterprise-ландшафта;
➖ Практический путь к ИИ-грамотности и многое другое.

Канал будет полезен пользователям, которые хотят понимать, куда движется ИИ, и видеть его глазами тех, кто пользуется им каждый день.
Больше о технологиях и связанных с ними процессах — в канале @hype_neuro

Итоги ЦИПР-2026: искусственный интеллект, инфраструктура, импортозамещение

С 18 по 21 мая в Нижнем Новгороде прошла конференция ЦИПР-2026. В этом году мы приняли участие в мероприятии и выделили несколько ключевых тем, которые обсуждались на сессиях с участием представителей власти, бизнеса и ИТ-сообщества.

▫️ Импортозамещение перешло в фазу внедрения и тиражирования
На конференции обозначили переход от экстренной замены ушедших вендоров рынок к активному внедрению и масштабированию собственных продуктов. Цифры подтверждают тренд: в 10 базовых отраслях доля отечественного ПО уже превышает 90% (авиа- и двигателестроение, ЖКХ и др.). При этом из 175 особо значимых проектов ИЦК завершено 120, и государство меняет фокус поддержки на проекты с ИИ и решения для критической инфраструктуры. Бизнес вложил 164 млрд рублей из общих 187 млрд

▫️ Внедрение искусственного интеллекта
Одной из центральных тем конференции стало внедрение технологий ИИ в промышленности. На площадке привели несколько показательных кейсов: ОАК — ускорение проектирования авиадеталей в 11 раз с помощью GigaChat; «Норникель» — сокращение подготовки документации с 20 недель до 3 благодаря генеративному ИИ. Сбер представил ИИ-систему для Российской орбитальной станции и руководство по AI-нативной трансформации разработки ПО. Отдельное внимание уделили теме AI-агентов, их обсуждали как следующий этап автоматизации — переход от выполнения отдельных операций к комплексным бизнес-ролям.

▫️ Данные и вычислительные мощности
Вместе с тем эксперты зафиксировали и ряд системных ограничений:
➖ Нехватку качественных данных для обучения индустриального ИИ. Интеллектуальная собственность заперта внутри корпораций, и механизмы безопасного доступа к ней разработчикам только предстоит создать.
➖ Дефицит вычислительных мощностей. Рост числа серверных стоек замедлился почти втрое (с 14 тыс. в 2024 до 5 тыс. в 2025), а сроки окупаемости ЦОДов растянулись до 10-12 лет. Без быстрого расширения инфраструктуры масштабировать ИИ-решения будет сложно.

▫️ Технологический суверенитет и кадры
Доля отечественного оборудования в сетях связи выросла до 35%. Операторы подтвердили планы полностью перейти на российские базовые станции к 2030 году, однако отметили, что текущие решения пока уступают импортным аналогам по стоимости и энергоэффективности. На конференции также представили облачную платформу Astra Cloud на российских процессорах Baikal-S — пример построения полностью отечественного технологического стека. В части подготовки кадров основной акцент — вовлечение студентов в реальные проекты по разработке и внедрению ИИ.

🔹 Своим взглядом на итоги конференции поделилась Айканыш Орозбаева, директор по развитию бизнеса в Embedika:

«ЦИПР-2026 показал, что рынок ИТ и ИИ в России переходит в более зрелую фазу: от импортозамещения и пилотов — к вопросам экономической эффективности, безопасности и масштабируемости решений.

Сегодня ключевой запрос со стороны крупных компаний — не просто внедрение ИИ, а снижение стоимости поддержки и управления сложными процессами, включая промышленные и производственные контуры.

Отдельно заметен вызов по переходу от точечных AI-сценариев к ИИ-агентам — системам, которые способны выполнять уже не отдельные операции, а комплексные бизнес-функции. При этом вместе с ростом интереса к ИИ усиливаются и требования к безопасности данных, устойчивости инфраструктуры и возможности масштабирования решений внутри крупных распределенных компаний.»

Парадокс, с которым столкнулись многие компании: ИИ ускоряет отдельные задачи, но общая нагрузка на сотрудников только растет.

В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇

Два подхода к ИИ в бизнесе: ML и генеративные модели

В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.

Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:

➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.

Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:

➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.

Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.

Дайджест событий в области искусственного интеллекта

Май отметился усилением промышленного AIoT, а также выходом ИИ-агентов в ресторанный бизнес и юридическую практику. Собрали главные новости месяца и ключевую аналитику.

В России:
📦 «Сбер» разрабатывает собственную ERP-платформу с AI-Native-архитектурой, выход на рынок запланирован на 2027 год.
🏭 МТС запускает «МТС AIoT» — платформу для создания цифровых двойников промышленных активов и управления ими на базе ИИ.
🍽 Платформа Restik представила ИИ-агента для ресторанов и кафе. Он собирает меню, анализирует данные, формирует акции, оформляет поставки и управляет настройками заведения.
🔬 В Центральном университете открыли шесть научных лабораторий в области глубоких технологий, включая направления по развитию искусственного интеллекта.
📚 К началу осени правительство планирует актуализировать образовательные стандарты, интегрировав в них ИИ и междисциплинарный подход.

В мире:
💳 OpenAI тестирует в ChatGPT предварительную версию инструмента для управления личными финансами.
🌐 Дубай запустил двухлетнюю инициативу по внедрению агентного ИИ в бизнес-процессы.
📊 Perplexity выпустил специализированную версию агента Computer для финансовых подразделений.
🛡 Microsoft, xAI и Google согласились предоставлять властям США ранний доступ к новым ИИ-моделям для тестирования безопасности.
⚖️ Microsoft анонсировал Legal Agent — ИИ-помощника для работы с юридическими документами в Word.

Аналитика:
⏱️ ВТБ подсчитал: применение генеративного ИИ в колл-центрах сэкономит около 50 тысяч часов рабочего времени операторов в 2026 году.
📊 Минцифры сообщило, что финансирование федерального проекта «Искусственный интеллект» в 2025 году выросло на 19% и достигло 9 млрд рублей.

#дайджест

Почему AI-пилоты не становятся продуктами

Большинство AI-проектов успешно проходят стадию пилота, но до промышленной эксплуатации доходят единицы. На практике ключевые ограничения часто находятся не в самой модели, а в данных, процессах и организационной структуре. Разбираемся, что на самом деле мешает масштабированию.

Ключевые барьеры, которые не дают AI-пилотам перерасти в работающий продукт:

➡️ Фрагментированные данные. Данные разрознены по системам, не унифицированы и часто не готовы к использованию без длительной предобработки. Это превращает пилот в проект по очистке и подготовке данных, а не по извлечению ценности.

➡️ Отсутствие владельца. За пилотом не закрепляется продуктовый менеджер или бизнес-лидер, отвечающий за его развитие после завершения эксперимента. Без четкой ответственности в конечном итоге проект теряет приоритет и останавливается.

➡️ Нет связи с операционными процессами. AI не встроен в регламенты, повседневные сценарии и контур принятия решений. Сотрудники не меняют привычные маршруты работы, потому что инструмент существует параллельно, а не внутри их реальной деятельности.

➡️ Неопределенный бизнес-эффект. Пилот демонстрирует интересные возможности технологии, но не показывает измеримое влияние на выручку, затраты или производительность. В результате проекту сложно обосновать дальнейшие инвестиции.

Без слоя исполнения AI остаётся лишь демо-версией реальных возможностей системы, не привязанной к реальным задачам бизнеса.

Например, компания внедрила AI-ассистента для поиска по внутренним регламентам. На этапе пилота система показывает хорошие результаты, однако через несколько месяцев сотрудники возвращаются к привычным способам работы: обращаются к коллегам, ищут документы вручную и используют корпоративные чаты. Причина не в качестве модели, а в том, что инструмент так и не стал частью повседневного рабочего процесса.

Enterprise AI начинает приносить ценность только тогда, когда становится частью операционного контура компании. Пока решение не вписано в регламенты, роли и ежедневные сценарии, оно так и останется пилотом, не дойдя до масштабирования. Масштабируются не лучшие модели, а решения, встроенные в процессы компании.