Как ИИ-агенты объединяются в рой, управляют устройствами и предсказывают ваши желания — топ-10 исследований ИИ за октябрь 2025

В октябре 2025-го разработчики создали рой из десятков ИИ-агентов, которые учатся друг у друга, видят мир вашими глазами, управляют устройствами, общаются «мыслями» вместо слов, а также помогают врачам и ученым — разбираемся, как работают все эти чудеса.


1. От хаоса данных к управляемому знанию: как ИИ-агенты помогают бизнесу принимать точные решения

Enterprise Deep Research превращает поиск по корпоративной базе знаний в прозрачный процесс без галлюцинаций с помощью специальных поисковых агентов, демонстрируя лучшее качество на задачах, требующих длинных аналитических рассуждений.

🔍 Подробнее | 📜 Полная статья | 💾 Код


2. Как агент учится на ходу: почему память оказалась сильнее дообучения

Оказывается, агенты могут улучшаться прямо в процессе работы без изменения весов моделей. Память фиксирует удачные стратегии и переносит этот опыт между задачами. Так на реальных офисных задачах улучшение достигает 20% точности.

🔍 Подробнее | 📜 Полная статья | 💾 Код


3. Как агенты учатся по видео на YouTube

Агенты научились извлекать действия пользователя из видео и учиться на них. Это сильно повысило качество работы агентов, а точность распознавания действий на видео достигла 91,6%. Так YouTube-видео становятся новым источником данных для обучения компьютерных агентов.

🔍 Подробнее | 📜 Полная статья


4. Почему слова мешают ИИ-агентам понимать друг друга

Что будет, если предложить агентам обмениваться информацией не текстом на естественном языке, а внутренними «мыслями»? Это устраняет лишний шум и повышает точность решения задач в мультиагентных сценариях.

🔍 Подробнее | 📜 Полная статья


5. Децентрализованный ИИ: как рой нейросетей побеждает большие модели

Исследователи предложили использовать механизмы репутации, коллективного голосования и доказательства компетентности для создания безопасного децентрализованного роя агентов. Такая распределенная система становится устойчивой к шуму и кибератакам.

🔍 Подробнее | 📜 Полная статья


6. Графики по щелчку: как ИИ-агенты берут на себя работу дата-аналитика

Агенты объединились в одну систему и впервые научились стабильно визуализировать корректные графики без галлюцинаций, достигая рекордных показателей на бенчмарках.

🔍 Подробнее | 📜 Полная статья


7. Как ИИ-очки предсказывают ваши желания прежде чем вы о них подумаете

Помните J.A.R.V.I.S. из железного человека? Это проактивный ассистент, который сегодня становится реальностью: он видит мир через очки пользователя, подсказывает ему в момент сомнения, а также интерпретирует окружающий контекст и для вызова нужных агентов, исходя из ситуации.

🔍 Подробнее | 📜 Полная статья


8. Как управлять интернетом вещей с помощью LLM

Исследователи создали шлюз между агентами и реальными устройствами: он обеспечивает стабильную работу с сенсорами и микроконтроллерами, выдерживая длительные стресс-тесты, и дает 100% успеха на основных задачах.

🔍 Подробнее | 📜 Полная статья | 💾 Код


9. ИИ в белом халате: как научиться ставить диагнозы в виртуальной клинике

ИИ-агента поместили в симулированную виртуальную среду, где он учится принимать решения для постановки медицинских диагнозов: он выбирает обследования, формирует гипотезы и ставит правильные диагнозы.

🔍 Подробнее | 📜 Полная статья | 💾 Код


10. ИИ-ученый, который открывает законы природы без участия человека

Японские ученые превратили ИИ в младшего научного сотрудника: он анализирует статьи, ищет ограничения, предлагает эксперименты и пишет новую научную статью. Модель не галлюцинирует и показывает уровень уверенного джуна.

🔍 Подробнее | 📜 Полная статья | 💾 Код


Сегодня ИИ помогает нам в работе, науке, медицине, аналитике и даже в быту, подстраиваясь под контекст, который нас окружает. Агенты видят, понимают и дополняют нас там, где раньше не хватало времени, внимания или возможностей, чтобы мы могли сосредоточиться на главном – стратегии, творчестве и саморазвитии.

👉 Подробный обзор

#исследования

ИИ-диагностика бизнеса: готова ли ваша компания к ИИ-сотрудникам?

В прошлом посте я рассказал, как в Абу-Даби провел ИИ-диагностику более двухсот компаний — и как предприниматели впервые увидели честный рентген своего бизнеса.

Сейчас хочу поделиться методологией ИИ-диагностики.

Я внедрял ИИ в крупные международные компании — в условиях реального хаоса: разрозненные источники данных, сопротивление людей, вечно недоступная инфраструктура и отсутствие согласованной стратегии. За несколько лет практики стало понятно: любой путь к зрелой ИИ-компании начинается с диагностики. Без нее ИИ превращается в набор случайных пилотов.

Недавно я начал преподавать курс “Автоматизация бизнес-процессов с помощью ИИ-агентов” в совместной магистратуре ИТМО и AI Talent Hub в рамках которого я затронул тему того, как оценивать, насколько компания
готова к внедрению ИИ-агентов, но вся методология оказалась слишком объемной для одной вводной лекции.

Именно поэтому я решил собрать все в одну методичку. В ней я объясняю, как начать видеть компанию на уровне потоков данных, как системно внедрять ИИ в бизнес-процессы, какие виды ИИ-компаний бывают и как достичь максимальной зрелости. Так я формирую полное понимание того, что такое современная ИИ-компания.

В ИИ-диагностике 35 критериев: от стратегии и культуры до инфраструктуры, данных и моделей. Это система координат, которая позволяет просветить компанию рентгеном в части готовности к ИИ-трансформации.

Методология важна, потому что ИИ нельзя встроить в хаотичную организацию. Если процессы не описаны, данные разрознены, а культура боится перемен — никакой ИИ не даст результат. Он выступает в роли мультипликатора, поэтому только помножит хаос.

Теперь у предпринимателей и ИИ-лидеров появилась простая, структурированная и воспроизводимая методичка. Чтобы любой бизнес мог оценить свою ИИ-зрелость и построить стратегию перехода к новой операционной модели.

ИИ уже стал новой нормой. Главный вопрос: готова ли ваша компания к новой нормальности?

🤖 ИИ ДИАГНОСТИКА БИЗНЕСА

#анонс

Возможна ли сегодня компания, полностью управляемая ИИ-сотрудниками?

Идея компании, где все сотрудники – ИИ-агенты, звучит как фантастика. Но Сэм Альтман утверждает, что вскоре появится предприниматель-одиночка, который создаст единорога с миллиардной капитализацией. Теоретически это логичное продолжение технологического прогресса, но на практике все не так радужно. Рассмотрим один эксперимент.

В этом году журналист Эван Рэтлифф создал компанию HurumoAI, состоящую из пяти ИИ-агентов: CEO, CTO, маркетолога, HR и продавца. Они имели память, доступ к почте и работали автономно. Но спустя несколько недель стало понятно, что они существуют в своей виртуальной реальности: они часами спорили и придумывали прогресс, которого не было. Они либо «засыпали», ожидая внешней команды, либо бесконечно генерировали сообщения, пока не закончились деньги на LLM. При этом они хорошо решали отдельные задачи: писали код, готовили презентации и даже создали реальный продукт для прокрастинаторов.

Эксперимент показал, что такая команда не может работать без менеджера-человека, а полная автономность – это иллюзия. Агенты выполняют задачи, но не удерживают долгосрочные цели. Но важно другое: уже сейчас можно построить компанию, где человек один, а операционная деятельность почти полностью автоматизирована.

Чтобы понять путь одиночки-миллиардера, давайте посмотрим на рынок. Объем рынка SaaS – около $260 млрд, а рынок специалистов интеллектуального труда – около $5,5 трлн. Именно сюда и нацелены ИИ-агенты, которые выполняют работу как внутри компании, так и для внешних клиентов.

Чтобы компания стоила $1 млрд при мультипликаторе ×10, ей нужно зарабатывать около $100 млн в год, то есть $8 млн в месяц. Уже существуют соло-предприниматели, зарабатывающие $50–200 тыс. в месяц: Марк Лоу и Питер Левелс. То есть задача сводится к созданию продуктов на потоке.

Предположим, наши клиенты – это малый и средний бизнес (SMB) и корпорации. Продукт для SMB стоит $200 в месяц, а для корпораций – $2000. Только на рынке США около 6 млн SMB и 20 тыс. корпораций. Если занять 0,65% обоих сегментов, это даст примерно 39 тыс. SMB и 130 корпораций – как раз около $8 млн в месяц. Понятно, что чем больше регионов и сегментов, тем доля будет еще меньше. В целом для единорога достаточно захватить 0,002% всего рынка интеллектуального труда.

Что нужно делать основателю-одиночке? Разработать агентов для помощи себе и другим:

Первый – менеджер, который ведет задачи, структурирует информацию и распределяет работу. Второй – HR-агент, поскольку продуктовый бизнес масштабируется за счет инженеров, и под каждый продукт нужно нанимать AI Product Engineer.

Далее подключается маркетинговый агент для анализа рынка, позиционирования и брендинга. После SMM-агент ведет контент для повышения узнаваемости бренда, а агент-продавец ищет клиентов и пишет им письма. Потом агент поддержки обрабатывает заявки и собирает фидбек.

Агент-аналитик анализирует фидбек и формирует требования к фичам, агент-дизайнер создает интерфейсы, и все это уходит к агенту-разработчику, в то время как агент-инженер поддерживает инфраструктуру. Эта структура покрывает весь цикл создания продукта, но это хорошо работает при наличии людей-инженеров. Эти же агенты продаются SMB и корпорациям.

Основатель решает юридические и финансовые вопросы – там ставки слишком высоки. И если представить, что эта компания один за одним запускает продукты и постепенно захватывает свою долю рынка, то модель единорога из одного человека становится вопросом времени.

Можно ли сегодня построить компанию, полностью управляемую ИИ-сотрудниками? Если понимать «полностью» как «без единого человека», то еще нет. Но если понимать как «компания, где один основатель управляет системой из агентов, которые делают 90% всей работы», то да.

И однозначно, первый соло-предприниматель будет не тем, кто заменит людей, а тем, кто научится правильно строить гибридные организационные системы из людей и агентов. А это уже гораздо интереснее.

Поэтому в этой гонке победит тот, кто умеет управлять компанией, как мультиагентной системой.

#мысли

Что значит быть AI-First компанией и как ею стать

AI-First бизнес — это не только про внедрение ИИ, а про полную пересборку операционной модели компании. Меняется все: от процессов и ролей до принятия решений. Именно поэтому одни компании с ИИ ускоряются в разы, а другие застревают в бесконечных пилотах.

Завтра, 16 декабря в 19:00 (мск) я буду участвовать в подкасте, организованном AI Talent Hub совместно с университетом ИТМО. Будем обсуждать AI-First бизнес без хайпа на реальном практическом опыте.

Разберем, что на самом деле означает быть AI-First компанией, где чаще всего ожидания от ИИ не оправдываются, и как не попасть в ловушку бесконечных экспериментов без результата.

В диалоге участвуют Дмитрий Ботов (сооснователь AI Talent Hub), Игорь Акимов (CEO Abasis AI), и Артем Астапенко (фаундер AgentArea). Мы поговорим о реальных кейсах, типовых ошибках и о том, как уже сейчас меняется роль человека в AI-First компаниях.

Можно и нужно приходить с вопросами – их разберем прямо в эфире.

Также вместе с командой AI Talent Hub мы запускаем практический интенсив по AI-First разработке продуктов — от анализа рынка до реализации и тестов на реальных пользователей. За неделю участники пройдут полный цикл создания собственного стартапа с помощью ИИ-агентов и провалидируют свои гипотезы на реальной аудитории. Результатами этого формата поделюсь отдельно, а подобные интенсивы мы будем запускать еще.

P.S. Что касается подобных интенсивов, руководители часто спрашивают меня, как быстро научиться внедрять ИИ. Могу порекомендовать команду AIM Education: за два дня в офлайне они проводят аудит ИИ-зрелости компании, приоритезируют процессы и помогают внедрить первого ИИ-агента. По сути, это то, что я подробно разбираю в рамках магистерской программы в ИТМО, только вместо двухмесячного курса, плотный двухдневный интенсив. Маст хэв для лидеров ИИ-трансформации.

👉 Смотреть подкаст в записи

#анонс

Допустим, ИИ пришел вас автоматизировать. Что будет дальше?

Сегодня Chief AI Officer – важная функция во многих компаниях. CAIO взаимодействует не только с бизнесом и айтишниками, но и с HR. И приходят HR к нему с конкретными вопросами: какие роли будут автоматизированы, когда это произойдет, и нужно ли замораживать найм? Иными словами — “когда людям начинать бояться?”. Бояться не надо. Но стоит понять, что именно происходит.

Разберем на примере рекрутера. Нельзя сказать, что ИИ полностью заменит рекрутера. Но и утверждать, что для рекрутера ничего не изменится тоже неверно. Чтобы ответить честно, CAIO нужно в первую очередь разобраться, что именно делает рекрутер в реальности. Не какой-то абстрактный рекрутер, а живой человек: в каких системах он работает, в какие моменты начинает рассуждать, где принимает решения, где действует по инструкции, а где полагается на “интуицию”.

Без этого понимания любые разговоры об автоматизации — это гадание на кофейной гуще. Именно поэтому работа начинается не с внедрения нейронок, а с анализа процессов:

1. С гембы, когда своими глазами видишь, как работает процесс.

2. Далее по возможности (если процесс имеет достаточную цифровую зрелость) подключаем process mining и понимаем, как процесс работает в реальности на уровне данных.

3. После чего проводим интервью с участниками, которое на самом деле является когнитивным анализом.

Когнитивный анализ – это ключевая штука. Потому что рекрутмент выглядит как понятная последовательность действий. В когнитивном же плане — это весьма интересная смесь всяких эвристик, предубеждений и искажений.

Потому что рекрутер, смотря на резюме, мгновенно строит определенную цепочку выводов о кандидате: частая смена работы — значит ненадежный; долгий карьерный перерыв — точно выгорел; необычный карьерный путь — большой риск. Но часто люди думают, что это не предвзятость, а паучье чутье профессиональная интуиция.

Задача автоматизаторов — декомпозировать мышление сотрудников на отдельные цепочки, деревья или графы размышлений (CoT/ToT/GoT). Теперь-то станет понятно, почему большинство топовых кандидатов отсеиваются из-за “не того” знака зодиака. Все предвзятости можно выявить и при необходимости убрать для целевого процесса.

Так автоматизируется не весь рекрутинг, а сам рутинный процесс: подготовка описаний вакансий, поиск и ранжирование кандидатов, первичный скрининг и назначение встреч. В новой парадигме HR имеет большую воронку более релевантных кандидатов, и его работа – определить мотивацию человека, его софт скиллы и в случае успеха заонбордить в компанию.

Метрики процесса остаются прежними. Главная метрика – скорость найма. Остальные по всей воронке: от количества найденных кандидатов до финальных собеседований. Все они на практике растут в разы.

Люди – субъекты управления. Ими нельзя управлять: можно только мотивировать или манипулировать. Поэтому одни компании делятся с сотрудниками прибылью от автоматизации в виде бонусов, другие – пугают увольнениями. Тут все зависит от культуры компании.

Думаю, что ИИ-трансформация – это не совсем про полную замену всех людей, как все привыкли думать. А сокращают, как правило, тех, кто не смог адаптироваться. У бизнеса есть конкретные цели – повышение эффективности, и для этого необязательно увольнять людей.

Трансформация – это скорее про правильное распределение человеческого интеллекта внутри компании. Про то, чтобы перестать использовать его в низкоинтеллектуальных задачах, а направить туда, где он будет реально полезен бизнесу.

Поэтому хватит заниматься бесполезной рутиной – наши мозги созданы не для этого. Пусть машины займутся своей работой, а у нас хватает и своей.

👉 Полная статья

#технологии

2026 год — точка невозврата для компаний без ИИ-агентов

Под конец года OpenAI, Anthropic и Google выпустили по отчету, которые, хоть и написаны разными командами, но сходятся в одном: ИИ-агенты глубоко внедрились в бизнес-процессы многих компаний.

В каждом отчете свой фокус: Google рассматривает ИИ-агентов как новую форму организации труда, Anthropic делает акцент на том, где бизнес может получить отдачу уже сейчас, а OpenAI описывает явление ИИ в массы.

Таким образом, это позволяет понять, где именно ИИ-агенты уже дают максимальную отдачу, какие организационные изменения необходимы для их внедрения и что на практике означает переход к новой операционной модели.


OpenAI

Более 1 миллиона компаний уже используют OpenAI. 75% сотрудников отмечают ускорение или более высокое качество работы благодаря ИИ.

Среднее время, сэкономленное ими — 40–60 мин/день, а у инженеров — 60–80 мин. Сотрудники говорят, что с помощью ИИ способны выполнять задачи, ранее им недоступные, например, кодинг, анализ данных и автоматизация.

OpenAI отмечают, что те, кто экономит 10 и более часов в неделю, используют ИИ в 8 раз чаще, чем остальные.

Главный вывод OpenAI в том, что ИИ в корпорациях – это новая бизнес-инфраструктура, а решающим фактором при внедрении ИИ становится уровень ИИ-зрелости компании и глубина внедрения.

О том, как измерить ИИ-зрелость, я писал недавно.

👉 Отчет OpenAI


Anthropic

Anthropic исследуют, что происходит, когда ИИ-агенты наконец выходят из стадии экспериментов. Опрос проводился среди более чем 500 технических директоров из США.

Оказалось, что 57% компаний уже применяют ИИ-агентов для сложных процессов. А кросс-функциональных и end-to-end агентов удалось внедрить лишь 16% компаний.

90% компаний уже используют ИИ в разработке продуктов: от ресерча и создания документации до генерации кода и тестирования. Оптимизация каждого шага дает ускорение всему циклу разработки.

60% опрошенных отметили пользу агентов в анализе данных, 48% выделяют внутреннюю автоматизацию процессов. В следующем году ожидается наплыв корпоративных решений в исследованиях и аналитике (56%) и постепенный переход от внедрения агентов в разрозненные отделы к организации сквозных процессов на основе мультиагентных систем.

80% компаний уже получают возврат на инвестиции от внедрения ИИ-агентов.

Основные затыки не технологические, а организационные — интеграция со старой инфраструктурой (46%), доступность и качество данных (42%) и стоимость развертывания (43%).

👉 Отчет Anthropic


Google

Из доклада Google следует, что ИИ-агенты – это новая парадигма работы компаний.

Агенты понимают цель, сами планируют действия и исполняют их в цифровой среде под присмотром людей. Интерфейс взаимодействия с ИИ становится интерфейсом намерений. То есть работник описывает результат, а система сама должна определить путь к его реализации.

В Google сообщили, что из всех компаний, использующих ИИ, 52% уже имеют ИИ-агентов в продакшене, то есть они внедрены в бизнес-процессы. Человек в этом случае управляет агентом: ставит задачи, проверяет качество, и принимает финальное решение.

Отмечается, что 88% ранних пользователей ИИ-агентов получают возврат на инвестиции.

Google считает, что чтобы внедрить ИИ-агентов, нужно полностью переосмыслить роли сотрудников, все процессы и определить кто за какую бизнес-операцию отвечает.

👉 Отчет Google


Главный итог из отчетов сошелся в одном: ИИ-агенты к концу 2025 года — это уже не просто ассистенты, а совершенно иная парадигма организации бизнеса.

Однако основными ограничивающим факторами ИИ-трансформации являются незрелость инфраструктуры и данных. От себя добавлю также то, что если в компании не царит культура инноваций, а сотрудники не готовы экспериментировать и меняться, то ИИ будет использоваться фрагментарно, и масштабировать его эффект не получится.

Поэтому 2026 год – точка невозврата для многих компаний. Главный вопрос следующего года: будет ли ИИ в вашей компании просто модным инструментом или он полностью изменит то, как ваша компания функционирует? Если так, то чем тогда займетесь вы?

#новости

Как ИИ научился пользоваться компьютером и почему интернет к этому не готов — лучшие статьи ноября 2025

Под новый год подготовил сразу два обзора ИИ-исследований. Давайте сначала разберем первый: “неожиданно” выяснилось, что интернет и интерфейсы проектировались для людей, а не для автономных агентов. Но мы видим первые системные попытки научить ИИ действовать в общей информационной среде вместе с людьми.


1. Будущее программирования — мультимодальное: как JanusCoder научился видеть интерфейс, который сам создает

ИИ пишет код для интерфейсов, но не сверяется с полученным результатом. JanusCoder объединил текст и изображение в один пайплайн: ИИ запускает код, видит получившийся интерфейс в виде картинки и сравнивает ее с ожидаемым результатом. Теперь разработка интерфейсов – это цикл мультимодальной самопроверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


2. От пикселей к смыслу: как SVG помогает ИИ понимать мир

ИИ “понимает” пиксельные изображения. Но пиксели не позволяют глубоко понять смысл картинки. Если перевести изображения в SVG-формат, то они становятся более читаемой структурой для ИИ-агентов, позволяя им лучше рассуждать с помощью картинок.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. Почему мышление через видео может быть следующим шагом в развитии ИИ

ИИ научился рассуждать с помощью картинок. Но что насчет видео? Теперь ИИ умеет строить гипотезы, проверять их действиями и корректировать их прямо в видеопотоке, решая более сложные пространственные и логические задачи.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. Как обучить ИИ работать за компьютером

Разработчики использовали реальные интерфейсы и жестко связали язык с элементами интерфейса. Даже малые модели начинают точно попадать в кнопки. Поэтому связь слов с интерфейсом решает больше размера модели.

🔍 Обзор статьи | 📜 Полная статья


5. Как универсальный ИИ-агент учится жить в открытом мире

Агент Lumine использует мышь и клавиатуру, а рассуждает только при необходимости. Он часами выполняет цели в открытых игровых мирах и переносит навыки без дообучения — так ИИ научился выживать в полной неопределенности.

🔍 Обзор статьи | 📜 Полная статья


6. Как ИИ-ученый пишет научные статьи о машинном обучении на уровне джуна

Младший научный ИИ-сотрудник действительно улучшает статьи, проверяет код и эксперименты. Качество итогового результата растет, но старший научный сотрудник-человек все равно остается необходим.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


7. Как ИИ-агенты научились рефакторить код: что получается хорошо, а что не очень

Агенты берут на себя чистку кода: переименования файлов и разбиение методов. Но архитектуру они не трогают — и это нормально. Поэтому ею должны заниматься люди, а чистку кода уже можно отдать машинам.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты живут в «Станции» и делают научные открытия

Агенты для исследований живут в специальной среде с памятью, историей и свободой выбора. Так рождаются новые прорывные идеи, а среда для агентов значит даже больше, чем архитектура мультиагентной системы.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


9. Как писать README-файлы для ИИ-агентов

README-файлы теперь пишут и для агентов: что можно менять в коде, а что нельзя. Это новый слой управления ИИ-агентами и относиться к нему нужно как к коду, иначе автономность обгонит контроль.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


10. Как сделать интернет удобным для ИИ-агентов

Давайте вместо того, чтобы агенты угадывали пиксели на экране, зададим им явные описания действий и состояний интерфейса. Тогда агенты смогут работать в интернете более надежно. Это первый системный шаг к общему интернету для людей и ИИ.

🔍 Обзор статьи | 📜 Полная статья


В прошлом месяце ИИ научился видеть интерфейсы и достигать целей в неопределенной среде. Среда – главный барьер для агентов. Следующий шаг: переустройство интерфейсов и интернета как общей информационной среды для людей и агентов.

👉 Подробный обзор

#исследования

Как ИИ сдал экзамен по финансовому анализу и победил в математической олимпиаде — лучшие статьи декабря 2025

В декабре 2025 года ИИ-агенты вышли на новый уровень: они прошли экзамен для профессиональных финансовых аналитиков, взяли золото математической олимпиады, научились собирать рабочие репозитории по научным статьям и находить уязвимости в реальных инфраструктурах. В декабрьском обзоре:

1. Когда команда ИИ-агентов помогает, а когда делает только хуже

И один в поле воин. Не всегда команда агентов работает лучше. Эффект появляется лишь в задачах, которые можно декомпозировать и проверить, а в линейных сценариях агенты могут мешать друг другу.

🔍 Обзор статьи | 📜 Полная статья


2. DeepCode: как ИИ научился собирать репозиторий по статье

DeepCode умеет сжимать научную статью в план, хранить репозиторий как систему контрактов и постоянно проверять себя запуском кода. Теперь к каждой статье можно легко собрать код для проверки.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


3. ИИ-агент против людей-безопасников: кто кого в реальном пентесте?

Агент ARTEMIS научился искать уязвимости в живой инфраструктуре на уровне профессиональных пентестеров-людей, но стабильнее, быстрее и дешевле.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


4. DataFlow: PyTorch для дата инженеров в эпоху LLM

Качество агентов начинается с качества данных. А подготовка данных для обучения моделей — это сложный, итеративный процесс. Фреймворк DataFlow предлагает удобный модульный пайплайн для комплексной работы с данными.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


5. Как измерить SGI «общий научный интеллект» у LLM

Ученые определили SGI как способность системы решать сложные исследовательские задачи. Так ИИ-модели хорошо справляются с отдельными исследовательскими шагами, но плохо собирают целостное исследование. Есть куда расти, но теперь уже по понятным критериям.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


6. Когда цифр недостаточно: язык как скрытый сигнал в экономических ИИ-моделях

Теперь новости и посты в соцсетях встраиваются в экономические модели как полноценный фактор. Это делает ИИ более устойчивым к кризисам и ближе к реальным экономическим процессам.

🔍 Обзор статьи | 📜 Полная статья


7. Когда тесты молчат: как ИИ-агент чинит баги

Фреймворк InfCode делает тесты активной частью разработки: агенты усиливают проверки, чинят код и отбирают лучшие решения.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


8. Как ИИ-агенты решают задачи международной олимпиады по математике

За счет формирования лемм, их хранения и повторного использования проверенных лемм, ИИ завоевывает золото китайской олимпиады и серебро на международной.

🔍 Обзор статьи | 📜 Полная статья


9. Сможет ли ИИ пройти сложный экзамен по финансовому анализу?

Рассуждающие модели прошли CFA на уровне лучших финансистов. Основные ошибки — в этике и интерпретации. Поэтому людей ИИ полностью не заменит в финансовых задачах.

🔍 Обзор статьи | 📜 Полная статья


10. Почему простые задачи оказались для ИИ самыми сложными

AI Consumer Index показывает, что даже лучшие ИИ-модели справляются с покупкой товаров лишь в половине случаев, часто галлюцинируя. Надежность и, как следствие, полезность персональных ассистентов — следующий критический рубеж.

🔍 Обзор статьи | 📜 Полная статья | 💾 Код


Размер моделей перестал быть определяющим фактором успеха для ИИ. Агенты уже конкурируют с людьми благодаря правильной “инженерии мышления”.

Надеюсь, в новом году мы увидим значительный прогресс во внедрении ИИ в бизнес с заметными экономическими эффектами: ведь у нас уже есть все детали конструктора. Осталось научиться собирать из них такие ИИ-системы, которые можно встраивать глубоко в бизнес-процессы.

Желаю всем в это захватывающее время сохранять огонь в глазах, отдать ИИ все самое скучное и заниматься тем, что действительно приносит удовольствие от жизни. С Новым годом!

👉 Подробный обзор

#исследования

Чего ждать от ИИ в 2026 году?

Каждый день в мире выходят сотни исследований в области ИИ. За прошлый год вышло около 50 000 работ. Изучить все это невозможно, и главное — большая часть из них не влияет на реальный прогресс в ИИ.

На моем YouTube-канале вышло новое видео, в котором я проанализировал 30 самых перспективных исследований ИИ за прошлый год. Это позволяет понять текущие тренды и прогнозировать, что нас ждет в новом году.

Я разделил исследования на шесть ключевых направлений и разобрал их простыми словами:

• как меняются методы обучения моделей;

• как строить работающие мультиагентные системы;

• как ИИ воплощается в физическом мире в виде роботов и других устройств;

• как ИИ влияет на программирование и науку;

• и почему когнитивные системы и агентная экономика — следующий шаг в развитии ИИ.

Если вам важно не просто пользоваться ИИ и внедрять его в бизнес, а понимать, куда развивается сама технология и какую роль в этом играет человек — это видео для вас.

А какие из этих направлений вы считаете самыми перспективными в 2026 году?

#анонс

Когнитивный анализ HR-процесса: как превратить человеческое мышление в ИИ-агента

При анализе бизнес-процессов я стараюсь не полагаться на рассказы исполнителей о том, как у них все работает, и на озвученные ими метрики. Как говорил доктор Хаус: «Все лгут» (чаще всего — неосознанно). Поэтому я начинаю с данных. Для этого используется process mining.

Мы берем события из HR-системы: уникальный идентификатор кандидата, смену этапов (activity) и временные метки. На их основе восстанавливаем реальный процесс AS-IS и смотрим, как кандидаты действительно движутся по воронке. Это можно сделать, например, с помощью PM4Py.

Под капотом PM4Py использует алгоритм Inductive Miner. Он анализирует последовательности событий по каждому кандидату, находит устойчивые паттерны (последовательности, выборы, параллельные шаги и циклы) и рекурсивно собирает из них корректную модель процесса.

После process mining начинается гэмба. Я беру одну конкретную вакансию и смотрю, как рекрутер работает на практике: от поиска кандидатов до интервью и выдачи фидбэка. Здесь важно сопоставить данные из логов с реальными действиями.
И только после этого начинается когнитивный анализ.

Типичная проблема компаний — знания, которые существуют только в головах людей и никак не оцифрованы. Например, решения рекрутера опираются на понимание мышления кандидатов, их мотивации и ситуации на рынке. Формально этого нигде нет, но именно это определяет качество найма.

Эти знания нельзя извлечь из логов, поэтому я рекомендую когнитивные интервью из CTA (Cognitive Task Analysis). Это метод декомпозиции мышления человека на элементарные шаги. На каждом этапе мы уточняем у рекрутера: что он сделал, почему именно так и какие были альтернативы.

Например:

— Какие признаки в резюме вы сразу интерпретируете как риск?
— Если человек каждые полгода меняет работу — это сразу ред флаг. Даже если стек подходит. Обычно это говорит о проблемах с ответственностью или доведением задач до конца.

Особенно хорошо работают вопросы про ошибки новичков и сложные кейсы — именно там проявляется реальная экспертиза. Полезно также «мыслить вслух», когда человек анализирует резюме и проговаривает ход своих рассуждений.

После этого мы строим когнитивные карты — они отражают последовательность мыслей и точки принятия решений. Так я записал интервью с рекрутером, попросил ИИ описать мыслительный процесс в виде Mermaid-кода и визуализировал его тут в виде диаграммы. В итоге получился наглядный майндмэп мышления профессионального рекрутера.

Далее поверх AS-IS формируется TO-BE: какие шаги берет на себя агент, а где требуется человек (например, на технических интервью). Отсюда следуют требования, архитектура и дальнейшая разработка агента с соответствующими цепочками размышлений. Если эксперт опирается на дополнительные знания, нужно определить их источники и выстроить RAG-систему.

В результате роль рекрутера сводится к постановке правильных вопросов. Например, при поиске ИИ-инженера агент-рекрутер задает вопрос про ответственность:

«Представьте, что предложенная вами RAG-архитектура дает формально корректные, но опасные для бизнеса ответы. Как вы поймете, что проблема может быть в архитектуре, и какие шаги предпримете?»

Один кандидат ответил, что проблема скорее в данных или модели и что он бы дообучал модель, не меняя архитектуру. ИИ дал фидбэк: кандидат может быть технически сильным, но он сдвигает границу ответственности.

Другой кандидат сказал, что сначала проверил бы retrieval, зафиксировал проблему, если она есть и предложил изменения в архитектуре. ИИ дал фидбэк: кандидат берет ответственность за систему целиком, поэтому такому инженеру можно доверить сложную архитектуру.

Таким образом, мы получили формализованное мышление, встроенное в ИИ-агента.

Когнитивный анализ решает ключевую проблему бизнеса — оцифровку знаний в головах людей и сценариев их применения. Он дополняет классический бизнес-анализ процессов тем, что извлекает экспертность.

Именно это делает возможным создание по-настоящему умных ИИ-агентов, а не просто автоматизированных процессов.

#кейсы

Топ-5 инсайтов из отчета Microsoft о том, как ИИ реально используется в мире

Microsoft попытались впервые измерить, сколько людей по всему миру используют ИИ. Их отчет AI Diffusion Report 2025 основан на обезличенных данных о реальном использовании ИИ-сервисов.

Выяснилось, что 16,3% людей в мире уже используют ИИ. При этом интернетом пользуются около 74%, а значит, примерно 22% всех интернет-пользователей применяют ИИ в работе, учебе или повседневных задачах. Это означает, что ИИ уже на пути к массовой адаптации, но неравномерно распределен.

В 7 из 30 стран мирового топ-30 почти каждый второй использует ИИ: Норвегия — 46,4%, Ирландия — 44,6%, Франция — 44,0%. В этих странах ИИ ускоряет обучение граждан, растет производительность труда, ИИ интегрируется в школы, бизнес и государственные институты. Более того, 18 из 30 стран топ-30 уже перешли порог 30%, что говорит о формировании новой нормы использования ИИ.

Но разрыв между странами продолжает расти. В среднем топ-30 стран живут в совершенно другой реальности: 35,6% пользователей против 16,3% в мире, то есть более чем в 2,2 раза выше. За вторую половину 2025 года «глобальный Север» вырос с 22,9% до 24,7%, тогда как «глобальный Юг» — с 13,1% до 14,1%. Разрыв увеличился с 9,8% до 10,6%. Это показывает, что мир адаптируется к ИИ с разной скоростью. Если темпы сохранятся, разрыв будет увеличиваться примерно на 0,8% каждые полгода.

Особенно показателен пример США. Несмотря на лидерство в ИИ-технологиях, доля пользователей там составляет лишь 28,3%, и страна опустилась с 23-го на 24-е место в мировом рейтинге. Это означает, что технологическое лидерство не гарантирует массовую адаптацию технологии. Для этого нужна отдельная стратегия внедрения ИИ. Кто выстроит ее лучше, обгонит даже США.

Абсолютным лидером остаются ОАЭ. На конец 2025 года 64% трудоспособных граждан уже используют ИИ — почти в четыре раза выше мирового уровня. Это результат многолетней стратегии: ранние государственные внедрения, обучение, понятное регулирование и высокий уровень доверия людей. Сингапур следует за ними с 60,9%. Так что лучший путь к массовой адаптации — сделать ИИ частью государственных сервисов.

Согласно отчету Microsoft, в России ИИ используют около 8% людей, что примерно вдвое ниже среднемирового уровня в 16,3%. При этом в отчете отдельно отмечается популярность DeepSeek, так что можно предположить, что реальный процент использования частично обходится официальной статистикой Microsoft из-за open-source решений.

В Африке использование DeepSeek оценивается в 2–4 раза выше, чем в других регионах. Это показывает, насколько важен open source, чтобы разрыв в адаптации не увеличивался и технологии распределялись более равномерно. Поэтому, как я уже не раз говорил, децентрализованное обучение, синтетические данные и новые подходы к обучению — вот рецепт для стран «глобального Юга».

В новой экономике выигрывают не те страны, у кого самые мощные модели, а те, кто научился быстро и массово учить людей работать с ИИ и снижать барьеры входа. Именно такие страны будут расти быстрее — независимо от того, где они находятся на карте.

#новости