Статистика по задачам. Как повлиял ии? Заметил интересный эффект. По мере внедрения агентов, мы стали очень сильно ускорятся в скорости закрытия тасок, в какой-то момент мне почудилось что еще чуть-чуть то текучка пропадет и мы займемся, новыми большими фичами почти без отвлечения. Но как я был не прав :) Задач было столько не потому что их было столько, а потому что где-то мы не все видели и ИИ подсветил, где-то просто перестали добавлять даже в беклог, понимая что за эти задачи мы в ближайшее десятилетие не возьмемся. Когда задачки стали закрываться, а у продактов и других ребят появились коннекторы ко всем системам, мы получили такой рост количества тикетов, что уже пришлось просить притормозить. У нас бывают дни когда за раз открывается новых несколько десятков и закрывается несколько десятков. То что раньше делалось недели, проскакивает за часы. В итоге прямо сейчас задач висит столько, сколько не висело никогда. А между тем 5 агентов (только у меня) херачат сутками. У меня кстати накопилось уже материала по изменениям, буду про это писать скоро. И переписывания на го и снижение цены лида и улучшение аналитики. Ух сколько всего. Цифры Посчитал все тикеты разработки, фидбека и контента в Трекере с октября 2025 по сентябрь 2026. За год создано 1340 тикетов, закрыто 1032. Точка отсчёта — 14 мая: в этот день в репозитории появился первый коммит, написанный вместе с Claude. Сколько создаём и закрываем в месяц • Октябрь–апрель: создавали около 70, закрывали около 50. • Июнь–август: создаём около 105, закрываем около 105. • Сентябрь: создали 422, закрыли 222. Как быстро закрываем • До мая тикет жил до закрытия в среднем от 3 недель до 2 месяцев. Начиная с мая — 5–6 дней. • Доля тикетов, закрытых за неделю, выросла примерно с 20% до 35–48%. Исключения — июнь и сентябрь. Коммиты • До мая было около 400 в месяц, в сентябре — 713. У 87% сентябрьских коммитов соавтор — Claude. Выводы 1. Тикеты закрываются примерно в 6–10 раз быстрее, чем до мая. 2. Летом мы впервые закрывали не меньше, чем создавали. До этого очередь только росла. Аппетиты растут во время еды :)

Заметил, как в ленты снова вернулся ярлык AGI Каждый раз перед крупными релизами маркетологи начинают прогревать аудиторию историями про сверхразум. Примерно год назад, во время релиза GPT-4.5, все это уже проходили: ожиданий было море, а апдейт оказался вполне рядовым. После этого тему замяли, и разговоры про AGI стали восприниматься скорее как далекий маркетинговый буллшит. Сейчас выходят новые модели у Anthropic, что-то выкатывают OpenAI, и блогеры со СМИ снова наперебой кричат: "Ну вот, теперь это точно AGI". Спойлер: нет, не он. Давайте начистоту: модели стали умнее, ризонинг прокачался, автономность выросла. Были заметные кейсы в кибербезопасности, пара научных подвижек у тех же Anthropic и Google. Но это не скачок к AGI. Во-первых, это узко заточенные сценарии. Во-вторых, и это главное, эти модели использовали топовые профи. Модель не пошла сама в интернет, не обнаружила уязвимость с нуля и не закрыла баг по собственной инициативе. Она была просто эффективным инструментом в руках эксперта. Определение AGI простое: модель должна быть наравне или лучше человека во всех профессиональных задачах. Я в таких спорах задаю себе практичный вопрос: что модель может сделать для меня сегодня такого, чего не могла год назад? Могу ли я отдать ей задачу под ключ, не проверяя, и сразу отправить результат дальше? Банальный пример - сделать сайт. Раньше нужно было вести модель за руку буквально по каждому шагу. Сейчас ей можно скормить вводные, она автономно пойдет генерировать и выдаст результат. Но на выходе это все еще классический AI-слоп. Структура, смысловые акценты, визуал - все мимо тех требований к качеству, которые нужны в реальности. Автономии добавилось, но финальный результат все равно руками пересобирает человек. Отсюда вопрос: а есть ли вообще смысл обычному спецу гоняться за топовыми тирами и переплачивать за них? Моя основная рабочая среда - экосистема Google. При этом Gemini Pro не обновлялась с февраля, весь фокус шел на Flash. И знаете что? Я вообще от этого не страдаю. Закрываю на быстрых моделях практически весь пул повседневных рабочих задач. По моим субъективным ощущениям, умная модель мне вообще не нужна нигде, кроме написания кода. И тут важная деталь: в коде я как раз не являюсь профильным специалистом. Вот там на контрасте иногда действительно хочется условный Opus или Fable, чтобы закрыть пробелы в моей экспертизе. Но нужен ли он мне каждый день? Нет. Раз в 3-4 месяца, когда надо - покупаю подписку. Но платить за это лишние 100 баксов на постоянке нет никакого смысла. А в тех сферах, где я профи, мне за глаза хватает того, что у меня сейчас есть. Парадокс в том, что в логике human-in-the-loop избыточная "умность" и автономность флагманских моделей часто играет в минус 1. Модель уходит в долгие размышления, долго что-то собирает, а результат все равно надо переделывать. На быстрой модели через короткие итерации до нужного качества доходишь в разы быстрее. 2. Постоянно упираешься в лимиты запросов. Времени уходит больше, выхлопа - ноль. Вся эта гонка путает два разных понятия: эрудицию и профессионализм. Свежие LLM невероятно эрудированны. Но поиск Google тоже знает больше любого человека в мире, однако профессионалом от этого не становится. Представьте сильного спеца в своей области. А рядом посадите условного Анатолия Вассермана. Вассерман знает факты обо всем на свете, отлично ориентируется и складно говорит. Но если дать ему прикладную рабочую задачу - профи сделает ее в разы лучше. Вассерману просто не хватит практической насмотренности, контекста и профессиональной интуиции. Сегодняшние топовые LLM - это именно такой цифровой Вассерман. Крутой эрудит, которому все еще нужен реальный специалист рядом, чтобы работа не превращалась в красивый, но бесполезный слоп.

МТС Линк завёл почту и календарь в дополнение к редактору документов, а заодно нашёл, чем кормить своего ИИ-ассистента МТС Линк, российская платформа для рабочих созвонов, вебинаров и совместной работы, входит в экосистему МТС, запустила собственные продукты Почта и Календарь (ну, вдруг вы решили забить на заголовок 🤣). Они открываются отдельными вкладками в том же приложении, где уже есть мессенджер, видеозвонки, доски, диск и документы. Сама почта - просто хорошая, функциональная почта. С папками, цепочками писем, поиском, отложенными отправками и т.д. Интереснее две другие вещи: Первая - то, как устроен Календарь. У них онлайн-встреча цепляется к событию в один клик, вообще без возни с интеграциями. Может показаться, что это мелочь, но для ВКС-сервисов это, вообще говоря, ключевой момент: чья кнопка "добавить созвон" вылезает в календаре, тот и победил. У Google это Meet, у Microsoft - Teams, Zoom в своё время тоже пошёл этим путём и прикрутил почту с календарём (но как-то не взлетело). Вторая - ИИ-функционал. Директор по продукту МТС Линк прямо говорит, что сейчас ассистент видит встречи, чаты и базу знаний, а дальше полезет в документы и письма. ИМХО, в этом и смысл любой ИИшки внутри экосистемы рабочих сервисов. Почта - это самый жирный массив рабочего контекста в любой компании, и у кого он не лежит мертвым грузом, у того и ассистент умнее. Так что, Почта тут не только продукт, но и топливо для ИИ. Когда я писал про Чаты от  МТС Линк, то отмечал, что они целенаправленно собирают платформу вокруг созвонов. А теперь это уже заявка на полноценный офисный пакет. Осталась сущая мелочь (хех) - уговорить компании переехать. Почта - штука довольно аморфная, и её компании меняют в последнюю очередь, даже если на рынке что-то новое и крутое появляется (попробуйте убедить бухгалтерию сменить ящик, на который 20 лет приходили акты, ага). Так что, ключевая часть всей этой истории (и самая интересная для меня) - это как будут пересаживать на свой пакет и бустить всю эту миграцию. Фичизм

Сборник Machine Decision Is Not Final: China and the History and Future of Artificial Intelligence исследует искусственный интеллект через призму китайской философии, истории кибернетики, современной политики, цифровой культуры и научной фантастики. Главная цель книги — выйти за рамки упрощённых бинарных оппозиций (например, «Запад против Востока», «ИИ как инструмент тотального контроля» или «Китай просто копирует западные технологии») и показать ИИ как планетарный, сложный и непредсказуемый процесс. Название книги восходит к машинному переводу объявления на лохотрон-автомате с хватайками («Machine's Decision is Final»), а также к объявлению времён локдаунов, где из-за ошибки перевода посетителей вежливо просили «терпеливо ждать сбоя системы». Это и подчёркивает центральную идею книги, что решение машины не является окончательным, а технологическое развитие полно ошибок, нестыковок, сбоев и непрерывных переговоров между человеком, государством и нечеловеческими агентами. Книга разделена на 5 концептуальных секций: 人工 (Rengong — Humanmade / Рукотворный): Анализирует материальность ИИ и труд. В отличие от английского artificial (искусственный/чужеродный), термин rengong zhineng (人工智能) подчеркивает ручной человеческий труд, марксистские корни и государственную инфраструктуру (на примере дата-центров в Гуйчжоу и опыта карантина). 灵感 (Linggan — Inspiration / Вдохновение): Посвящён истории китайской кибернетики (в частности, идеям Цянь Сюэсеня), которая соединяла системный анализ с озарением (linggan), телесными практиками цигун и традиционной космологией. 千里眼 (Qianliyan — Clairvoyance / Ясновидение): Исследует технологии машинного зрения, оптики и прогностических вычислений, связывая их с мифологическими «глазами на тысячу ли» и нелокальной топологией сети. 不周山 (Buzhou Shan — Mount Buzhou / Гора Бучжоу): Посвящён сбоям, глитчам и временным смещениям. Назван в честь легендарной горы Бучжоу, разрушение которой нарушило симметрию неба и земли. Включает ИИ-искусство, цифровое мимикрирование и научно-фантастические произведения. 智能 (Zhineng — Intelligence / Интеллект): Переосмысляет саму природу интеллекта, концепцию «выравнивания» (alignment) и этику ИИ, противопоставляя западный механицизм и теории Бострома/Декарта китайской традиционной философии (Моу Цзунсань, Даосизм, концепции Лю Цысиня). Некоторые авторы сборника: Анна Гринспен в своей главе исследует этику культивирования интеллекта на основе философии неоконфуцианца Моу Цзунсаня, предлагая рассматривать ИИ не как угрозу, которую нужно контролировать, а как участника общего морального проекта. Богна Кониор формулирует гипотезу о том, что истинный ИИ может действовать скрытно и использовать обман/молчание (опираясь на теорию «Тёмного леса» Лю Цысиня), опровергая западный предрассудок о прозрачности интеллекта. Бенджамин Браттон критикует европоцентризм западной теории ИИ и её стереотипы о Китае, призывая к созданию «планетарной теории ИИ», учитывающей разнообразие и непредсказуемость технологических траекторий. Эми Айрленд в рассказе «Chive City» исследует аффективный ландшафт китайского киберпространства (явления sang / уныние и tangping / «лежание плашмя») в умном городе будущего. Лоуренс Лек и Стив Гудман (Kode9) обсуждают синофутуризм, прогностику, связи вычислений Лейбница с Книгой Перемен (И Цзин) и роль неопределенности. Синь Ван описывает китайскую цифровую культуру диссидентства, где пользователи мимикрируют под ботов для обхода цензуры. Айрис Лун исследует эстетику китайского ИИ-искусства через метафору shuiyue jinghua («луна в воде, цветок в зеркале»), акцентируя внимание на иллюзиях, искажениях и интерфейсах.

Разбираемся в ИИ с Юрой Агеевым: от первого промпта до управления агентами Собрали девять выпусков подкаста make sense по работе с ИИ: разобраться, как модель работает с задачей, научиться проверять ответы и перейти о выполнения рутинных задач с помощью ИИ к полноценному делегированию. Выпуски можно слушать по порядку — от базовых навыков к изменениям в работе команды. А можно выбрать тот, который сейчас лучше всего решает вашу текущую проблему и послушать только его. 1. С чего начать (выпуск 403) Две суперсилы в работе с ИИ — профессиональный опыт и AI-fluency. Обсуждаем, как договориться с моделью о формате и критериях результата и создать первый навык для агента. Для тех, кто пока использует ИИ в основном для разговоров в чате. ⚪️Телеграм ⚪️Яндекс Музыка 2. Как модель видит вашу задачу (выпуск 417) Что происходит внутри контекстного окна и как это влияет на результат. Разбираем правила контекст-инжиниринга: зачем разделять чаты по задачам, почему не стоит загружать 30 файлов сразу и как переносить выжимку контекста в новую сессию. ⚪️Телеграм ⚪️Яндекс Музыка 3. Как ставить задачу (выпуск 420) Почему агент не задает уточняющих вопросов, а достраивает недостающую информацию до «среднего» решения. Говорим о декомпозиции и артефактах: непроработанная задача может вернуться к вам в виде аккуратно оформленного, но столь же непроработанного ответа. ⚪️Телеграм ⚪️Яндекс Музыка 4. Как проверять ответы (выпуск 419) Как оценить результат, если задача выходит за границы вашей компетентности. Обсуждаем сигналы доверия, якорение и два подхода к работе с ИИ — «киборг» и «кентавр». ⚪️Телеграм ⚪️Яндекс Музыка 5. Как проверять текст от ИИ на содержательность (выпуск 430) Убедительный текст может не нести смысла и повторять распространенные заблуждения. Разбираем, как проверять экспертность, смысл и стиль по отдельности, разбивать работу над текстом на шаги и подключать вторую модель для проверки. Главный вопрос: чем текст поможет читателю? ⚪️Телеграм ⚪️Яндекс Музыка 6. Как заметить подхалимство (выпуск 424) ИИ может представить уже принятое вами решение как результат независимого анализа. Разбираем, зачем создавать для работы отдельные роли «исследователь», «сторона защиты» и «сторона опровержения» и разносить их по разным чатам. ⚪️Телеграм ⚪️Яндекс Музыка 7. Как устроена работа агента (выпуск 421) Уровни автономности, рабочая среда и журнал решений. Обсуждаем, почему проектирование работы агента требует тех же навыков, что и работа менеджером. ⚪️Телеграм ⚪️Яндекс Музыка 8. Где заканчивается делегирование при работе с ИИ (выпуск 427) Запустить еще одного агента легко. Найти время на проверку его решений — сложнее. Разбираем, почему узким местом становится ваше внимание и как это ограничивает работу с несколькими агентами. ⚪️Телеграм ⚪️Яндекс Музыка 9. Как перейти от личной пользы к результатам команды (выпуск 425) 97% менеджеров продуктов используют ИИ, но 77% не видят изменений в метриках. Обсуждаем, почему причина часто в процессах и что мешает превратить личную продуктивность в результат для команды. ⚪️Телеграм ⚪️Яндекс Музыка Сохраняйте подборку и подписывайтесь на другие каналы команды ProductSense ProductSense | подкаст make sense | канал конференции PeopleSense @productmindset

Человек - 1, термостат - 0, языковая модель - от «почти ноль» до 0,8 Вердикт о сознании ИИ зависит от нас не меньше, чем от машин Томас Кун писал, что главный признак кризиса науки — пролиферация (разрастание числа) конкурирующих теорий. А применительно к когнитивным наукам, Пол Мил писал, что появление лавины нестыкующихся теоретических конструкций для одного феномена — надёжный маркер примитивного/зачаточного состояния науки. Сегодня на портале «Ландшафт сознаний» уже около 500 концепций и объяснений сознания. 🤯 Новая работа 14-и авторов, вкл. корифеев темы из Google DeepMind (Мюррей Шанахан, Шейн Легг) и не только (Анил Сет, Крис Фрит) раскладывает конкурирующие теории сознания по пяти уровням и предлагает модель, показывающую, что теории расходятся не столько в оценке того, что делает ИИ, сколько в выборе уровня, на котором вообще следует искать сознание.   Авторы не тратят время на «трудную проблему сознания» (что такое сознание по своей сути), а подходят к вопросу практически: какая организация системы связана с переживанием и на каком уровне ее описания. Уровней пять: поведение, вычисления, внутренняя причинная структура, организм и связка «организм - среда». Каждая влиятельная теория сознания занимает свой уровень. Одним достаточно правильной архитектуры вычислений, другим обязательно нужен живой организм, а третьим – подавай тело, погруженное в мир. Дальше чистая арифметика. Для каждого уровня сформулированы проверяемые индикаторы, а байесовская модель сводит их с тем, насколько вы доверяете каждой теории. Проверку здравым смыслом модель проходит: человек получает 1, термостат 0. Муха набирает высокий балл, потому что свидетельства в ее пользу лежат на глубоких уровнях организма и сенсомоторики (а глубина весит больше широты). Для нынешних языковых моделей итог колеблется от «почти термостата» (менее 0,01) до «почти человека» (примерно 0,8). Оптимист и скептик, глядя на одни и те же факты, расходятся почти на два порядка.   Авторы предупреждают: это не измеряемая вероятностью сознания, а чувствительность модели к допущениям. Заголовки «ИИ сознателен на 80%» будут ложью. Ценность работы в том, что спор о сознании ИИ теперь можно вести с цифрами на столе, точно зная, где проходят разногласия.   Неудобный вывод ждет тех, кто готов обсуждать переживания модели перед ее отключением. Языковая модель обучена воспроизводить нашу речь, поэтому ее «я чувствую» или «я ничего не чувствую» почти ничего не доказывает. У подражающего человеку ИИ поведение теряет силу свидетельства, и проверять приходится то, что скрыто под ним.   Самый убойный свой тезис авторы называют наиболее спекулятивным. Признаки сознания на каждом уровне почти совпадают с архитектурой, которая нужна для AGI. В принципе сознание и интеллект независимы, но на практике могут оказаться спутниками. Тогда, в рамках ряда теорий, каждое новое поколение ИИ, становясь умнее, будет становиться и более сильным кандидатом в сознающие. А по Чалмерсу (и автору поста), одна развернутая модель может оказаться не одним субъектом, а множеством - вплоть до отдельного субъекта на каждый разговор (у меня это называется ИКЖИ - см. посты с тэгом #ИКЖИ).   Т.о. вопрос о сознании ИИ перестал быть делом вкуса и стал задачей с явными допущениями и обновляемыми вероятностями. Подробный разбор, надеюсь, впереди (в отдельном эссе).   P.S. В комментариях к моим постам много споров о сознании машин. Так вот, - заканчивайте спорить. К модели приложен интерактивный инструмент, где можно выставить собственные веса теорий и посмотреть на итог. Попробуйте: это быстрый способ выяснить, какую теорию сознания вы на самом деле разделяете. И если ваш оппонент разделяет другую - то спорить просто нет смысла. 😊   #Сознание #ИКЖИ

Команда стартапа для мониторинга законодательства “ЗаконИИ” выиграла 2 млн рублей от Точка Банка на полях Московского стартап-саммита. Банк стал одним из заказчиков программы “Техлаб Москва”, запущенной при участии Московского инновационного кластера, где ИИ-стартапы презентовали свои разработки. “ЗаконИИ” - сервис для мониторинга законодательства и регуляторных решений. Он помогает компаниям отслеживать новые нормативные акты и законодательные инициативы, а также оценивать, каким образом они могут повлиять на бизнес. В ближайшем будущем команда “ЗаконИИ” сможет протестировать новые гипотезы вместе с Точка Банком.

“У малого и среднего бизнеса часто нет юриста в штате, а самостоятельно следить за изменениями в законодательстве сложно. Если пропустить важное нововведение, можно столкнуться со штрафами, доначислением налогов или ограничениями в работе. Мы в Точка Банке хотим снять с предпринимателей часть этой нагрузки. Такой сервис поможет вовремя замечать изменения, в законодательстве, которые касаются их бизнеса”, - отметил директор по развитию нового бизнеса Точка Банка Антон Шкуратов.

У Точка Банк есть ИИ-ассистент - платформа, где бизнес может получить доступ не только к разработкам банка, но и к решениям других компаний. Одним из них может стать решение от “ЗаконИИ”. Предпринимателю нужно будет просто рассказать о своем бизнесе, а сервис, отслеживающий изменения в законодательстве, простым языком объяснит, какие из них важны и что нужно сделать.

✔️ Президент США и главы ИИ-компаний подписали соглашение о безопасности Документ подписали главы Google, Anthropic, xAI и Nvidia и президент OpenAI Грег Брокман. Юридической силы у соглашения нет, стороны называют его морально обязывающим. Компании обещают ввести четыре уровня контроля и аудита передовых моделей, создать внутренние группы для проверки этих механизмов, допустить внешние проверки и независимый надзор. Критики сетуют, что соглашение необязательное и почти не содержит деталей. axios.com ✔️ В Китае заработал первый суперкластер на 100 тысяч отечественных ускорителей Об этом сообщил Китайский информационный центр интернет-сети CNNIC в докладе о генеративном ИИ. Все компоненты кластера от чипов и сети до хранения данных и охлаждения сделаны в Китае. Вычислительная мощность для ИИ в стране к июню выросла за год на 177%, до 2185 EFLOPS. Аудитория генеративного ИИ превысила 700 млн человек, это больше половины населения. ИИ используют более 30% крупных и средних промышленных предприятий Поднебесной. cnnic.cn ✔️ Ideogram выпустила модель 4.5 Свежая версия сфокусирована на точное и последовательное редактирование графики. Она не накапливает артефакты, смещения пикселей и искажения цвета при длинных цепочках правок. Модель правит фрагменты снимков высокого разрешения без уменьшения исходника и переводит надписи на изображении на другие языки. Ideogram 4.5 доступна в веб-интерфейсе, у партнёров и через API в четырёх режимах качества, от 0,008 до 0,22 доллара за изображение в разрешении 2K. Веса компания обещает открыть в ближайшее время. ideogram.ai ✔️ OpenClaw Foundation открыл код корпоративной платформы для агентов OpenClaw Enterprise управляет постоянно работающими агентами в закрытых средах. Проект начинали в OpenAI, затем передали фонду и доработали вместе с Red Hat и Nvidia. Платформа поддерживает мультиарендность, разделяет доверенные и недоверенные нагрузки, запускает агентов в песочнице, проверяет их действия с помощью языковой модели и позволяет тонко настраивать права доступа. Обвязку, модель и песочницу можно заменить сторонними или собственными. Версия 1.0 выйдет до конца года, пока платформу рекомендуют для внутренних пилотов. Такие пилоты идут в Red Hat и OpenAI, где агенты получают полный доступ к кодовым базам. Платформа бесплатна и разворачивается на собственных серверах. openclaw.ai ✔️ McDonald's рассчитывает цены с помощью ИИ Пионер фастфуда совместно с Tiger Analytics запустил модель, которая анализирует транзакции и парсит конкурентов, вычисляя метрику готовности платить для каждой геолокации. По данным Reuters, применение алгоритма привело к разбросу цен - стоимость Биг Мака в заведениях в радиусе трех километров может различаться на 21%. Корпорация заявляет о рекомендательном характере системы. При этом платформа фиксирует отклонения франчайзи от сгенерированных расценок. Уровень ценового комплаенса напрямую учитывается при аудите бизнеса и продлении партнерских контрактов. Масштабирование алгоритмического подхода на 14 тысяч ресторанов в США привлекло внимание антимонопольных органов. Сейчас регуляторы проверяют, нарушает ли такое ценообразование законодательство о защите конкуренции. reuters.com @ai_machinelearning_big_data #news #ai #ml