Новости

График от METR стал иконой в мире искусственного интеллекта, вызывая как восторг, так и панику. Каждый раз, когда OpenAI, Google или Anthropic выпускают новую модель, все смотрят на этот график, показывающий экспоненциальный рост возможностей ИИ. Последняя версия Claude Opus 4.5 превзошла все ожидания, якобы справляясь с задачами, на которые у человека уходит 5 часов. Но правда сложнее, чем кажется. График измеряет не все способности ИИ, а только успехи в кодинге. Метрика «временной горизонт» часто трактуется неверно - это не время автономной работы модели, а сложность задач по человеческим меркам. Эксперты спорят, насколько время выполнения отражает реальную сложность. Модели хуже справляются с «грязными» задачами из реального мира. Несмотря на ограничения, график остается одним из лучших инструментов для оценки прогресса ИИ. Он не предсказывает апокалипсис, но показывает конкретные цифры развития технологий, помогая понять, куда движется индустрия.

OpenAI стремительно наращивает армию AI-консультантов, чтобы достичь цели в 100 миллиардов долларов выручки к 2027 году. Компания столкнулась с жесткой реальностью: впечатляющие демонстрации технологий - это одно, а внедрение искусственного интеллекта в масштабах крупного бизнеса - совсем другое. Несмотря на то что 87% крупных компаний внедряют AI-решения, только 31% проектов доходят до полноценного запуска. Конкуренты выбирают разные стратегии: Anthropic делает ставку на партнерства с консалтинговыми гигантами, Microsoft использует существующие связи с корпорациями, а Google интегрирует AI в свою экосистему. OpenAI решила пойти своим путем - нанимать специалистов напрямую, чтобы помогать клиентам превращать пилотные проекты в работающие решения. Доля компании на рынке корпоративных AI-моделей упала с 50% до 34%, в то время как Anthropic удвоила свое присутствие. Массовый набор консультантов показывает: победят не те, у кого лучшие модели, а те, кто сможет провести компании через сложный процесс организационной трансформации.

Первый день AI Expo 2026 раскрыл ключевые вызовы внедрения агентного искусственного интеллекта в корпоративную среду. Эксперты из Citi, DeepL, SAP и других компаний обсудили переход от традиционной автоматизации к системам, способным рассуждать и принимать решения. Главный вывод: технология готова, но успех зависит от качества данных и управления ими. Без надежной инфраструктуры и четких протоколов безопасности агентные системы остаются лишь концепцией. Специалисты подчеркнули необходимость создания семантических слоев для устранения «галлюцинаций» языковых моделей и внедрения облачной аналитики реального времени. Физическая безопасность роботов, работающих рядом с людьми, требует новых сенсорных решений. Сетевая инфраструктура должна выдерживать высокие нагрузки AI-систем. Культурное сопротивление персонала может свести на нет технические преимущества. Руководители компаний должны решить, какие решения разрабатывать самостоятельно, а какие покупать у поставщиков. Мероприятие показало, что агентный AI - это не просто следующий шаг автоматизации, а фундаментальное изменение корпоративных процессов, требующее комплексного подхода к данным, управлению и человеческому фактору.

Искусственный интеллект перестал быть просто инструментом - теперь это полноценный участник бизнес-процессов. AI-агенты получают доступ к данным, инструментам и принимают решения. Но что происходит, когда эти системы выходят из-под контроля? Недавняя кампания кибершпионажа показала: правила на уровне промптов не работают. Защита должна строиться на границах - там, где агенты взаимодействуют с идентификацией, инструментами и данными. Ведущие регуляторы и стандарты безопасности сходятся в одном: AI-агентов нужно контролировать как мощных полуавтономных пользователей. В статье представлен практический план из восьми шагов, который можно внедрить уже сегодня. Каждый шаг отвечает на конкретный вопрос совета директоров и подкреплен рекомендациями NIST, OWASP и требованиями EU AI Act. От управления идентификацией до непрерывного тестирования - это не теория, а чек-лист для руководителей. Главное изменение мышления: вместо вопроса о наличии защитных барьеров нужно спрашивать о доказательствах их работы.

Крупный игрок облачного рынка Rackspace поделился практическим опытом использования искусственного интеллекта в операционной деятельности. Компания столкнулась с теми же проблемами, что и большинство предприятий: хаотичные данные, размытая ответственность, пробелы в управлении и растущие расходы на эксплуатацию моделей. Вместо теоретизирования Rackspace показывает конкретные решения - от автоматизации создания правил кибербезопасности до использования AI-агентов в миграции VMware на AWS. Особенно интересен опыт платформы RAIDER, которая сократила время разработки детекторов угроз вдвое. Компания подчеркивает: AI должен стать операционной дисциплиной, а не модной игрушкой. Главный вывод - начинайте с повторяющихся процессов, четко определяйте зоны контроля из-за требований к данным и переносите inference-задачи внутрь компании для снижения затрат. Rackspace прогнозирует, что до 2026 года архитектурные решения будут определяться экономикой inference и требованиями регуляторов, а не новизной технологий.

Cisco активно внедряет искусственный интеллект в свои операции и продукты, предлагая клиентам проверенные решения для построения AI-систем корпоративного уровня. Компания использует машинное обучение и агентный ИИ для улучшения сервисов и персонализации пользовательского опыта. Разработанная Cisco AI-инфраструктура объединяет вычислительные мощности и сетевые технологии, оптимизированные для обучения моделей и обработки запросов. Особое внимание уделяется автоматизации сетей через естественный язык и быстрому развертыванию конфигураций. В партнерстве с NVIDIA компания создала новое поколение коммутаторов и контроллеров для AI-кластеров. Платформа Secure AI Factory обеспечивает промышленные AI-конвейеры с распределенной оркестрацией и управлением GPU. Решение Unified Edge приближает вычисления к источникам данных, что критично для задач с минимальной задержкой. Безопасность пронизывает всю экосистему - от защиты цепочек поставок до управления рисками многоагентных взаимодействий. Cisco помогает организациям перейти от генеративного к агентному ИИ, предлагая инструменты для автономных программных агентов и унифицированные системы управления.

Представьте: компания тратит миллионы на внедрение искусственного интеллекта, но результаты нулевые. Знакомая история? Ronnie Sheth, глава SENEN Group, раскрывает главную причину провалов - плохое качество данных, которое ежегодно обходится бизнесу в 12,9 миллиона долларов. Но есть и хорошие новости: компании наконец-то осознали проблему. Вместо слепого следования трендам руководители начинают задавать правильные вопросы. Sheth делится опытом работы с клиентами, которые приходили за ИИ, а получали сначала помощь с данными - и это оказывалось лучшим решением. Её компания достигла невероятного показателя: 99,99% клиентов возвращаются снова. Секрет прост - сначала фундамент, потом здание. Эксперт объясняет, почему 2025 год станет переломным для корпоративного ИИ и как перейти от экспериментов к реальной ценности. Время пилотных проектов прошло - настал момент для практичных решений, которые действительно работают и приносят измеримые результаты бизнесу.

Большинство компаний сталкиваются с неприятным сюрпризом: успешный пилотный проект по автоматизации превращается в финансовую дыру при масштабировании. Грег Холмс из Apptio объясняет, почему 80% инновационных инициатив терпят крах и как избежать этой участи. Проблема кроется в отсутствии финансовой прозрачности на ранних этапах. Пилот показывает экономию 100 часов в месяц, но скрывает реальные затраты на инфраструктуру, которая работает с избыточными мощностями. При переходе в продакшн картина меняется драматически: растут расходы на вычисления, хранение данных, API-вызовы множатся, появляются непредвиденные сценарии. Решение - интеграция FinOps с автоматизацией для отслеживания стоимости каждой транзакции с первого дня. Холмс приводит пример Liberty Mutual, сэкономившей 2,5 миллиона долларов благодаря мониторингу потребления ресурсов. Ключевой момент - передача финансового контроля разработчикам через инструменты инфраструктуры-как-код. Это позволяет оценивать затраты до развертывания, а не исправлять ошибки постфактум. Общий язык между технологами и финансистами через TBM-таксономию превращает технические метрики в бизнес-показатели, понятные всем уровням управления.

Компания FedEx запускает систему на базе искусственного интеллекта, которая меняет правила игры в логистике. Речь идет не о простых чат-ботах для клиентов, а о серьезных инструментах для крупного бизнеса. Новые технологии позволяют предсказывать задержки до их возникновения, автоматически перенаправлять грузы и упрощать процесс возврата товаров. Для компаний, отправляющих тысячи посылок ежедневно, это означает меньше звонков в поддержку, снижение затрат и повышение доверия клиентов. ИИ анализирует исторические данные, погодные условия и дорожную обстановку, чтобы заранее предупредить о проблемах. Возвраты, которые раньше требовали ручной обработки, теперь автоматизируются - от создания этикеток до выбора оптимального маршрута. FedEx не обещает полную трансформацию отрасли, а фокусируется на конкретных задачах с измеримыми результатами. Это тихая, но важная фаза внедрения ИИ в корпоративный сектор, где технологии работают незаметно, но эффективно устраняют операционные проблемы.

Мы долго готовились к эпохе, когда искусственный интеллект начнет массово создавать фальшивый контент. Эксперты предупреждали: скоро мы не сможем отличить правду от лжи, и это разрушит доверие в обществе. Теперь этот момент наступил, но оказалось, что мы готовились не к тому. Инструменты проверки подлинности, которые должны были спасти нас, не работают. Более того, даже когда люди узнают, что контент поддельный, они все равно поддаются его влиянию. Министерство внутренней безопасности США использует ИИ-генераторы от Google и Adobe для создания материалов, которыми делится с публикой. Белый дом публикует отредактированные фотографии и отказывается отвечать на вопросы о манипуляциях. Исследования показывают: даже когда участникам прямо говорят, что видео - дипфейк, они продолжают верить увиденному на эмоциональном уровне. Прозрачность помогает, но этого недостаточно. Мы вступаем в мир, где влияние переживает разоблачение, сомнение легко превращается в оружие, а установление истины больше не служит кнопкой перезагрузки. Защитники правды уже катастрофически отстают от тех, кто ее искажает.

Шведский финтех-гигант Klarna присоединился к инициативе Google по созданию универсального протокола коммерции (UCP) - открытого стандарта, который позволит ИИ-агентам совершать покупки без головной боли с интеграцией. Представьте: сегодня каждый умный помощник требует отдельного подключения к системам оплаты и каталогам товаров. Это как иметь связку ключей для каждой двери в торговом центре. Google предлагает единый универсальный ключ, а Klarna становится одним из первых платежных провайдеров, который этот ключ поддерживает. Протокол UCP охватывает весь цикл покупки - от поиска товара до послепродажной поддержки. Для бизнеса это означает возможность подключиться один раз и работать со всеми ИИ-агентами сразу, вместо создания десятков индивидуальных интеграций. Klarna добавляет в эту экосистему свои гибкие платежные решения и мгновенное принятие решений по транзакциям. Это важный шаг к будущему, где покупки совершает не человек на сайте магазина, а его виртуальный помощник. Успех зависит от качества данных и прозрачности процессов - ведь доверие остается главным фактором в онлайн-торговле.

Многие компании бросились внедрять генеративный искусственный интеллект, но большинство пилотных проектов провалились. Почему? Потому что выбор первого AI-решения определяет успех всей цифровой трансформации. Mistral AI разработала методологию отбора «знаковых кейсов» - проектов, которые становятся фундаментом для масштабирования технологий по всей организации. Статья раскрывает четыре критерия идеального стартового проекта: стратегическая ценность, срочность, практическая эффективность и техническая осуществимость. Вы узнаете, почему амбициозные «лунные проекты» и быстрые тактические победы одинаково опасны для долгосрочного успеха. Реальные примеры партнерства с Cisco, Stellantis и ASML демонстрируют, как правильно выбранный кейс превращает AI из модной игрушки в инструмент генерации прибыли. Материал содержит пошаговый план - от воркшопов с экспертами до развертывания рабочего прототипа за три месяца. Особое внимание уделяется ловушкам, в которые попадают 6 типов неудачных проектов. Для руководителей, планирующих AI-трансформацию, это практическое руководство по избеганию дорогостоящих ошибок и построению масштабируемой стратегии внедрения.