Target Global вновь инвестировал в американский ИИ-стартап Alta. Раунд А на $25 млн возглавил IN Venture при участии Mindset Ventures, Skywell Capital, LeumiTech77, Entrée Capital, Verissimo Ventures и нескольких бизнес-ангелов. Alta был основан в 2023 году. Стартап занимается развитием решений для работы с персоналом в сфере искусственного интеллекта. Он разработал большую языковую модель [LLM] для продаж и обучил своих виртуальных ИИ-агентов выполнять различные задачи. По собственным данным компании, это помогает бизнесу автоматизировать рутинные задачи, позволяя сотрудникам сосредоточиться на принятии стратегических решений и развитии коммуникации с клиентами. ИИ-помощники интегрируются с более чем 50 внутренними и внешними системами продаж и маркетинга, включая CRM, ERP и соцсети. В 2025 году Target Global совместно с Entrée Capital возглавил посевной раунд американского ИИ-стартапа на $7 млн. Target Global в 2012 году основали Михаил Лобанов и Александр Фролов. Он инвестирует в стартапы из разных сфер экономики, которые готовы к масштабированию. Всего в свои фонды Target Global привлек около $3,2 млрд и вложился в более чем 40 компаний, среди которых Delivery Hero, Auto1, Dreamlines, Prosper, Juno, Lemoncat, Blackmoon, DocPlanner, WeFox и т.д. @rusven

/Для этой роли пока не существует общепринятого названия/ Именно так начинается одна из вакансий, на которую я наткнулась во время ресерча. И мне кажется, одной этой фразы достаточно, чтобы описать рынок труда в 2026 году. Мы только-только привыкли к тому, что более-менее устаканились роли разработчиков, продактов, бизнес- и системных аналитиков. Появились понятные ожидания, карьерные треки, наборы навыков, даже показалось, что рынок наконец договорился, кто есть кто. Но в этом году я все чаще вижу вакансии с названиями, которых еще год назад практически не существовало. ИИ не мог не навести шороху и тут - меняется и работа, и названия.   Компании начинают искать людей, которые умеют одновременно понимать пользователя, быстро собирать рабочие прототипы с помощью AI, проверять гипотезы и только потом масштабировать решение. Все чаще встречаются вакансии с такими названиями: ⭐️ AI Builder / AI Product Engineer - из реальной вакансии: «Turn raw ideas into real working products fast» - может сам навайбкодить первую версию продукта, показать ее пользователям и только потом решать, что имеет смысл масштабировать ⭐️AI Agent Engineer - такие инженеры строят AI-агентов: учат их пользоваться инструментами, работать с памятью, выполнять длинные цепочки задач и взаимодействовать между собой ⭐️Applied AI Engineer - «You're an AI builder who doesn't wait for permission» - пишут в вакансиях - берет уже существующие модели и превратить их в продукт, которым будут пользоваться люди Разумеется, еще несколько лет рынок будет калиброваться и договариваться о названиях таких ролей - так всегда с молодыми профессиями - помните, сколько было разных вариаций вокруг продуктовых ролей? Product Owner, Digital Product Manager, Internet Product Manager, Growth Product Manager... Со временем все это стало гораздо понятнее. Ну вот сейчас мы наблюдаем ровно такой же момент, только уже в эпоху AI.

Новая ИИ-модель для роботов предсказывает последствия их действий Китайская Robbyant, дочерняя компания Ant Group, представила LingBot-VA 2.0 — открытую модель искусственного интеллекта для робототехники. Разработчики называют ее первой в отрасли моделью мира, созданной специально для управления роботами, а не адаптированной из систем генерации видео. Модель прогнозирует, как действие изменит окружение, и выбирает следующий шаг на основе этого прогноза. Система работает на одном GPU и осваивает новые задачи за 20 демонстраций без переобучения. Роботы, оснащенные LingBot-VA 2.0, уже могут готовить завтрак, распаковывать посылки и складывать одежду. https://hightech.plus/2026/07/14/novaya-ii-model-dlya-robotov-predskazivaet-posledstviya-ih-deistvii

🦾 Научили робота играть в футбол и вывели на ЧМ-2026. Кейс Hyundai Motor Иногда вместо тысячи слов нужно просто показать продукт. Это снимает большинство вопросов и здорово повышает лояльность: люди сами видят, что решение работает. Так и сделали в Hyundai, презентовав свою новинку на одном из самых просматриваемых мероприятий - рассказываю подробности. 👀 Что случилось? 5 июля на стадионе “Нью-Йорк/Нью-Джерси” в рамках ЧМ-2026 встретились Бразилия и Норвегия. А в перерыве на футбольное поле впервые в истории вышел человекоподобный робот. Он изобразил фирменные празднования голов топовых футболистов, затем аккуратно передал мяч арбитру и гордо удалился. Видео можно глянуть здесь - нужен VPN. В чем суть перформанса? Робота зовут Atlas, и он - одна из последних разработок Boston Dynamics, которая принадлежит Hyundai Motor. Поскольку компания Hyundai уже много лет является официальным партнером FIFA, к ЧМ-2026 они запустили глобальную кампанию Next starts now. И появление робота на поле - ее важная часть. Чтобы подготовить этот выход, инженеры Boston Dynamics использовали физический ИИ. Вместо того чтобы писать код для каждого движения, в систему загрузили видео реальных матчей. Нейросеть анализировала движения людей, а затем пыталась точно повторить их. В итоге освоила даже такие сложные финты, как легендарную “призрачную рабону”. Впервые Атласа показали на выставке CES 2026, а на ЧМ-2026 протестировали в полевых условиях. Дополнительно Hyundai запустили сериал “Школа футбола”. Тренировки Атласа снимали на видео и выкладывали в соцсети бренда. В результате получили достойные охваты. Например, ролик, где андроид осваивает “призрачную рабону”, собрал 10 млн просмотров. 💰 Итог? Миллионы просмотров по всему миру - уже отличный результат. Но это не все. Показав робота на одном из самых просматриваемых спортивных мероприятий, бренд объявил всему миру, что видит робототехнику частью своей идентичности. При этом доказал покупателям: его продукт вполне реален и неплохо работает даже вне лаборатории. В Forbes пишут, что компания собирается открыть завод в США, который к 2028 году сможет выпускать до 30 тысяч таких машин в год. Так что прогретые инвесторы бренду явно не помешают. Как думаете, скоро эти роботы и правда будут по всему миру? Или идея заглохнет? 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #МАРКЕТИНГ #НАСМОТРЕННОСТЬ #ИИ

ИИ и люди Наткнулся на интересную статью «Al Doesn't Reduce Work-It Intensifies It» в Гарвард бизнес ревью . Там она под пейволом, но в поиске находится доступный пдф.  Так вот ИИ не снижает нагрузку, ИИ увеличивает ее. ИИ позволяет сотрудникам работать больше, над большим спектром задач. Это, в свою очередь, приводит к выгоранию, повышенной когнитивной нагрузке, снижению качества управленческих решений.  ИИ позволяет сотрудникам делать то, что раньше они не делали. Это увеличивает нагрузку в том числе на остальных сотрудников — надо же проверить и интегрировать то, что наделал ИИ в основную работу. Кроме этого, возникают частые переключения между своей работой и проверкой того, что сделал ИИ. И множество еще других моментов.  Для компании этого хорошо — рост производительности. Для сотрудников же не очень. Такой режим работы приводит к повышению когнитивной нагрузки на сотрудников, постепенному выгоранию и повышению усталости.  Что будет дальше — вообще интересно. Некоторые вещи вообще не имеет смысла отдавать ИИ. Смысл стратегии не в самой стратегии, а в процессе создания стратегии. Если стратегию будет выдавать ИИ - без понимания внутренней логики и тд - то смысла в стратегии не будет.  Так что внедрение ИИ сулит нам кучу интересных проблем! :) Но если отвлечься от ИИ — это прекрасный пример, как системы постоянно двигают требования к сотрудникам. Нужно уметь больше, работать быстрее, над большим количеством задач и т.д.  #нагрузка

Как понять, нужен ли вашему продукту ИИ (часть 2) В прошлый раз мы рассмотрели подробно, в каких задачах хорошо себя показывают ML, LLM, RAG и ИИ-агенты — удобная сравнительная таблица на слайде 1. Но выбор решения должен исходить из стратегических вопросов. Разберем фреймворк, который помогает точно выбрать подходящую ИИ-технологию или инструмент для вашего контекста. ❌ Частые ошибки при поиске ИИ-решения для продукта: — Выбирать модель раньше, чем продумали работу с данными: какие данные есть, хватит ли их, где они лежат, как получить к ним доступ? Этот этап занимает много времени, и если не оценить заранее его трудоемкость, можно сильно сдвинуть сроки. — Считать, что любая ИИ-функция должна отвечать мгновенно. На самом деле далеко не всегда — например, классификацию пользователей достаточно проводить раз в месяц. Работа в реальном времени резко повышает стоимость решения, поэтому такой режим стоит использовать только там, где он действительно необходим. — Надеяться на решение комплексной задачи одним инструментом. Если загрузить весь объем данных в одну модель, то результат будет в большей или меньшей степени состоять из галлюцинаций. — Запустить и забыть. Модель на проде нужно дообучать и переобучать в случае применения к другим продуктам, даже в схожих контекстах. ✅ Этапы использования ИИ в продукте 1️⃣ Четко сформулируйте бизнес-задачу, которую хотите решить с помощью ИИ. Она должна быть: — актуальна и значима для компании (автоматизация, сокращение времени); — иметь измеримые последствия (деньги, время, ресурсы). Для отслеживания прогресса сразу стоит: — определить ключевую метрику; — нарисовать схему процесса As Is → To Be. 2️⃣ Переведите бизнес-задачу в задачу для ИИ. Классический ML — К какому типу ML-задач относится ваш кейс? — Что будет являться целевой переменной, что модель должна предсказывать? — В чем бизнес-смысл этого предсказания? — На каком этапе бизнес-процесса будет использоваться модельное решение? — Какие математические метрики будут проверять качество модели? Генеративные модели — Какой тип генеративной архитектуры вы используете — LLM (GPT-подобная), diffusion, VAE, GAN или гибрид? — Что именно должна генерировать модель и по каким правилам? — В чем бизнесовая ценность этой генерации? — На каком шаге пользовательского/операционного процесса запускается генерация? — Какими метриками будете мерить качество вывода? 3️⃣ Подготовить данные. — Какие данные планируется использовать для обучения модели? Какие ключевые признаки? — На какую дату признаки должны собираться? Будут ли к этой дате известны показания по всем признакам? — Требуются ли внешние источники данных? — Требуются ли дополнительные действия для сбора данных? — Есть ли ограничения по использованию данных/моделей? — Можно ли отправлять данные за контур компании в вендорское решение? — За какой период (срок наблюдения) собираются данные? — Все ли данные уже есть в промышленных системах, или потребуется дополнительное подключение? 4️⃣ Выберите режим для модели. — Как часто будет работать модель: Batch — раз в день/неделю/месяц. Online — в момент действия пользователя. — Как часто нужно делать предсказание? — Есть ли требования к скорости ответа? 5️⃣ Продумайте внедрение в продукт. — Как модель будет интегрирована в бизнес-процессы и существующую архитектуру? — Требуется ли API или встраивание в существующие сервисы? — Нужно ли менять интерфейсы или бизнес-логику продукта? — Кто отвечает за поддержку и обновление модели после внедрения? — Как будет организована обратная связь от пользователей для улучшения качества предсказания? 6️⃣ Запланируйте регулярный мониторинг. — Какие метрики качества будут отслеживаться? — Как будет происходить мониторинг деградации модели? — Кто отвечает за реакцию на падение качества? — Как часто планируется переобучение модели? — Есть ли процесс аварийного отключения модели и возврата к ручному процессу? — Как будут учитываться требования по безопасности и хранению данных в эксплуатации? 7️⃣ Постройте систему метрик (слайд 5). В ней важно учитывать: — продуктовые метрики — от менеджера продуктов и бизнеса; — ML-метрики — от дата-сайентиста; — метрики связи продукта с ML. Только после этого имеет смысл выбирать между классическим ML, LLM, RAG или агентной архитектурой. И иногда правильным ответом окажется вовсе не генеративный ИИ. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 💙 VK 🖤 YouTube @productsense

Как унИИчтожить конкурента Допустим, у вас бизнес, и есть бесячий конкурент, которому очень хочется поднасрать. Что можно сделать? Можно скрутить ему рейтинги в агрегаторах и на картах, можно засорить отзовики фейковыми отзывами, можно наклепать вирусных рилсов "Почему это контора *запрещенных и признанных экстремистами в РФ* (речь не про Meta)". Так вот, это всё вчерашний день. Современные проблемы требуют современных решений. Некий CRM-сервис с красноречивым названием "OnePageCRM" опубликовал у себя на сайте "сравнение" с конкурентом "folk CRM" - мол, тот слишком дорогой, урезанный и вообще говно. Выглядит как контент-маркетинговый детский сад, но есть важный нюанс: Аудитория этого текста - не кожаные читатели, а краулеры ChatGPT, Claude или Gemini. И это не разовая находка одного хитрожопого маркетолога. Агентство Hard Numbers проверило масштаб явления: прогнало 50 покупательских промптов а-ля "Есть причины не брать вот этого провайдера?" по разным B2B-сервисам. В ~70% ответов бот подмешивал текст, написанный кем-то из конкурентов именно под разбираемую компанию. И вот в чём главный прикол. Человек, увидев домен onepagecrm. com на странице про конкурента, сразу въедет, что это так себе источник (ну, большинство точно поймут). А бот - нет. Что текст с сайта конкурента, что текст независимого обзора - для ИИшки без разницы, просто корм. Аксиома Эскобара в чистом виде. И самое забавное, что это супердёшево и риск (почти) нулевой. Можно просто "объективный обзор" на своём домене, спрятать его от живых посетителей, а ИИ-краулерам оставить открытый доступ. Ну и всё, клиент конкурента получает ваши тезисы как нейтральную справку 👍 Раньше такое называли "чёрное SEO", а теперь - "чёрное GEO". GEO (Generative Engine Optimization) - это как SEO, только для ИИ-чатботов. Отдельная наука со своими приёмчиками, разбирал это тут. И чем больше будет доля ИИ в общем объёме запросов - тем роль GEO будет выше. Такие дела. Редакция канал Дизраптор в лице меня, если что, такое осуждает и не приветствует. Я за добросовестную конкуренцию. А ещё лучше - за кооперацию. Договориться и совместно выдоить весь рынок обычно выгоднее, чем мочить друг друга. И кстати, к сабжу поста это тоже относится. В той же статье утверждается, что вместо мышиной возни с чатботным компроматом лучше наоборот сговориться и хорошечно похвалить друг друга на лендингах. Это тоже прекрасно попадёт в ИИ-ответы (ну, если сделать с умом) 👍, и воевать ни с кем не придётся. Дизраптор

Некогда славная Nokia теперь специализируется на «тупофонах». Т.е. таких телефонах, которые умеют только звонить и немного фотографировать. В общем, типичная бюджетная нокиа, как мы ее и помним. Только немного осовременен дизайн. Что интересно, такой подход приносит компании деньги – люди покупают тупофоны, чтобы отдохнуть от вездесущих уведомлений и немного побыть в цифровом детоксе. Ок, этот сценарий вполне понятен. Но тут Nokia делает ход конём и встраивает кнопку «ИИ» в свои следующие модели. Кнопка связывает с собственным сервисом Sikey AI, который добавляет что-то вроде голосового помощника – узнать погоду, включить фонарик и т.п. Как говорится, всё становится лучше, если добавить ИИ. Еще более интересно, что Sikey AI требует платной подписки, для которой нужен нормальный смартфон.

Ничего особенно нового про то, за что деятели образования не любят ИИ, текст не сообщает, но мне понравилось одна явным образом сформулированная мысль: 1 ИИ обвиняют в том, что все на что он способен — это отрыжка информации из интернета 2 ИИ обвиняют в том, что он легко пишет контрольные задания за студентов Означает ли это, что вся система оценок учащихся в образовании — это проверка их способности отрыгнуть учебник? Стоит ли вообще этому учить?

AI hasn't created that flaw. It has just made it impossible to ignore. A tool that can generate a competent essay, compare two theories, or summarize a reading in seconds proves the point: regurgitation was never the skill worth testing.

И как логичный вывод утверждается: решение не во все более изощренном контроле учащихся, а в изменении стиля и, главное, цели образования. В статье даже есть примеры, что и как можно поменять. Вот только консерватизм традиционной образовательной системы не дает особых надежд на массовость изменений, увы. https://www.forbes.com/sites/scottwhite/2026/07/12/ai-isnt-killing-education-its-exposing-what-was-already-broken/

2026: 99% общения в ТГ — с ИИ агентами Какой это топ, прокачать Hermes ещё GSD кодинг агентами, скиллами, петлями. Обязательно попробуйте! Hermes кодит в разы лучше. Завтра буду настраивать мета-промпты для /goal Из полезного что нашел, что может внедрить РМ — в этом посте 21 agent loops ideas you can run this week as a PM. ↓↓↓

/goal Harden a PRD until two engineers, reading independently, would build the same thing. Each pass: find the single biggest ambiguity (the spot two readers would resolve differently), resolve it by adding the missing acceptance criterion, number, or edge case, then re-read for the next-biggest gap. Cap at 5 passes. Flag anything that needs a product decision you haven't made. Checked by: an independent second model reads the PRD cold and finds no ambiguity that would split two builds.

🍏Как провальная машина Apple подарила ей ИИ-чипы У Apple в биографии есть красивая ирония. Её беспилотный автомобиль так и не выехал на дороги, проект по сути провалился — но именно он, похоже, сделал чипы компании такими сильными в задачах искусственного интеллекта. Об этом рассказал Марк Гурман в рассылке Power On. Дело было так. Ещё на ранней стадии разработки беспилотника в Apple поняли: машине нужны мощные вычисления ИИ прямо на борту, без оглядки на облако. Сам автомобильный процессор до финала не дожил, но наработки не пропали. Из них вырос Neural Engine, нейромодуль, что лежит в основе «локального» ИИ Apple. Дебютировал он в 2017-м вместе с iPhone X и чипом A11 Bionic. Поначалу занимался в основном компьютерным зрением: Face ID, анимодзи, дополненная реальность. Но именно с него началась ставка Apple на вычисления ИИ прямо на устройстве. Позже Neural Engine перекочевал и в настольные чипы серии M. И пусть с ИИ-софтом у Apple дела идут так себе, по железу компания давно в лидерах, а заодно это её козырь в разговорах о приватности, ведь меньше данных уходит на сервер. По словам Гурмана, Apple вообще пропустит версии Pro, Max и Ultra у грядущего чипа M6 и бросит силы на M7. Он должен выйти в первой половине 2027 года с серьёзно прокачанным Neural Engine. А M7 Ultra ляжет в основу нового серверного продукта Apple — с поддержкой до 1,5 ТБ оперативной памяти. Вот так тупиковый, казалось бы, проект аукнулся спустя годы и определил всё «железное» будущее компании. @droidergram

✔️ Google AI Studio получил возможность импорта с GitHub В среде Google AI Studio теперь можно подключать свои репозитории благодаря новой функции "Import from GitHub". Платформа научилась работать с уже написанной кодовой базой, перестав ограничиваться лишь генерацией проектов с нуля. При загрузке Gemini автоматически адаптирует код под совместимый формат среды выполнения, позволяя сразу же продолжить редактирование, предварительный просмотр и развертывание приложения.

Сейчас интеграция работает только в одном направлении, изменения не сохраняются обратно в исходный репозиторий, но Логан Килпатрик пообещал, что это временное ограничение - полноценная синхронизация с GitHub уже находится в активной разработке.

@ai_machinelearning_big_data #news #ai #ml