Как ИИ агент будет пользоваться вашим продуктом? Я видела много статей о том, как улучшить/упростить свою работу с использованием ИИ. Но вот вопрос - как ИИ будет пользоваться вашим продуктом, чтобы упростить чью-то чужую работу? Интерфейсы b2c продуктов простые и доступные. Продакты и дизайнеры потратили много времени, чтобы порог вхождения был минимальным, а путь максимально простой. А что происходит в дизайне b2b продуктов? Домены, где конкуренция крайне высокая, а продукты востребованы вне зависимости от масштаба и зрелости бизнеса, ИИ агенту разобраться вообще не проблема. В разработке или поддержке для ключевых продуктов есть и внятная тех документация, и понятные интерфейсы и множество инструкций. А в некоторых доменах всеми этими параметрами пренебрегают. Продукт разрабатывается экспертами для экспертов. Вместе с продуктом идет не инструкция, а обучение от вендора или "метод тыка". Тех дока хорошо, если хотя бы частично соотносится с актуальным релизом. Порог вхождения получается высокий. И возвращаясь к вопросу - что сейчас могут сделать продакты, чтобы их продуктом без проблем смог пользоваться ИИ, когда внедрение агентов станет активнее? По своему домену у меня нет конкретного понимания. Частично обучение может быть закрыто большим количеством видео использования продукта экспертом для решений разных задач. Частично - детальной документацией. Но я бы смотрела на задачу на шаг назад - по какой причине получается такой высокий порог вхождения и как его можно упростить. Чтобы с новыми релизами и апдейтами не приходилось в том числе переучитывать агентов В целом, я пока не видела по отрасли рассуждений на тему, как ИИшечка будет помогать работать пользаку в моем продукте. Заранее не согласна с идеей "пусть пользак сам разберется, как использовать агента". Адаптация под ИИ в какой-то момент скорее станет УТП, а потом и базовым минимумом. Во-о-от. Расскажите, чтоль, держите ли вы в голове, что вашим продуктом рано или поздно начнет пользоваться ИИ. И что делаете, чтобы агент влился в использование продукта максимально быстро

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.

📖Фундаментальный гайд по сборке ИИ-агентов Голая языковая модель - это просто генератор текста. Чтобы она начала выполнять задачи автономно, нужна инфраструктура. На GitHub выложили подробное руководство по созданию таких обвязок с нуля. 🔍Внутри разобрана вся техническая механика. Авторы пошагово показывают, как прикрутить к LLM долгосрочную память, настроить динамическую сборку контекста, подключить выполнение внешних инструментов и жестко задать границы безопасности. Отдельно препарируется логика работы в изолированных песочницах и оркестрация мультиагентных систем. Материал построен на практике и подкреплен готовым кодом. Для понимания рынка авторы напрямую сравнивают подходы к архитектуре в популярных инструментах: Cursor, Aider и Claude Code. Руководство полностью открытое. Если планируете собирать рабочие системы, а не просто перекидываться текстовыми промптами в чате - забирайте репозиторий по этой ссылке. 🦔 CyberYozh

Как понять, нужен ли вашему продукту ИИ (часть 1) Кажется, что в каждый продукт нужно встраивать ИИ — иначе за рынком не успеть. Из-за этого команды нередко начинают обсуждать модели и архитектуру раньше, чем отвечают на более важный вопрос: какую задачу вообще нужно решить? Разберемся, как подойти к поиску решения системно и выбрать технологию, которая действительно выполняет задачу, а не просто добавляет в продукт модное слово «ИИ». Не выбирайте решение, пока не ответите на вопрос: «Какую бизнес-метрику мы хотим изменить?» Практика крупных компаний показывает: далеко не каждый ИИ-проект приносит измеримый результат. Поэтому прежде чем обсуждать решения и конкретные модели, стоит понять, есть ли у проекта понятный экономический эффект: ➡️ увеличить конверсию; ➡️ поднять продажи; ➡️ сократить время обработки документов; ➡️ снизить трудозатраты операторов. Пока нет ответа на этот вопрос, обсуждать GPT, Qwen, RAG или ИИ-агентов просто рано.

Не всякая задача требует LLM

Сегодня слово «ИИ» почти автоматически ассоциируется с генеративными моделями. Но это лишь одна из технологий, которая не всегда релевантна задаче. Разберем, в каких случаях используются разные решения. ML = машинное обучение Если задача сводится к прогнозу, классификации или рекомендациям: ➡️ спрогнозировать спрос, успешность продажи, нагрузку контакт-центра; ➡️ оценить вероятность покупки или отмены доставки; ➡️ определить риск оттока; ➡️ сегментировать пользователей; ➡️ расставить клиентов контакт-центра по приоритету. Это типичные задачи, где классический ML дешевле, стабильнее и понятнее в эксплуатации. LLM = большие языковые модели Если необходимо работать с большим количеством текста: ➡️ анализировать документы; ➡️ искать информацию; ➡️ готовить саммари; ➡️ менять тональность коммуникации; ➡️ генерировать ответы или код. При этом важно помнить, что LLM — это не база знаний. Она умеет очень убедительно продолжать текст. Но если нужной информации нет в обучающих данных или она устарела, модель начинает достраивать ответ самостоятельно. Отсюда и появляются галлюцинации. RAG = поисковая дополненная генерация LLM, которая для ответа может обращаться к заданным источникам данных. Полезна, когда нужна точность с опорой на собственную базу знаний: ➡️ответ по внутренним регламентам и процессам; ➡️помощь на встречах по вопросам о продуктах; ➡️поддержка. Дообучать LLM на общедоступной информации излишне дорого. Кроме того, весь открытый интернет уже давно оказался в обучающих выборках крупнейших моделей — это означает дефицит качественных данных. Поэтому компании чаще используют RAG — модели дают доступ к корпоративным источникам: базе знаний, Confluence, Jira, CRM, регламентам и другим документам. В результате она отвечает на основе актуальной информации, может ссылаться на источник и значительно реже ошибается. ИИ-агент Ключевое отличие: чат просто отвечает, а агент планирует и выполняет действия через подключенные сервисы.

Пользователь собирается в отпуск: один агент может подобрать тур, второй — найти и купить билеты, третий — добавить поездку в календарь и отправить подтверждения на почту.

Команда небольших специализированных агентов, оркестрируемых верхнеуровневым «координатором», во многих сценариях оказывается эффективнее, чем попытка собрать одного универсального помощника. А еще они быстро развиваются, и управление ими становится проще. В следующей части разберем частые ошибки при поиске ИИ-технологии. И фреймворк, который поможет сделать правильный выбор. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 @productsense

ИИ-агенты уже умеют оформлять покупки, искать людям работу и выполнять многие повседневные задачи. Это одно из ключевых направлений для крупных ИИ-компаний, ведь диалоги с ИИ скоро могут заменить сотни приложений и сервисов. Что происходит Переход к ИИ-агентам — важный тренд в ИИ-индустрии. Нейросети теперь должны не просто генерировать ответы, а выполнять повседневные задачи за пределами чата с минимальным вмешательством человека. Поэтому чат-боты постепенно превращаются в платформы для управления сторонними сервисами и приложениями. Как это выглядит 🟣 Anthropic развивает MCP — протокол, через который к Claude можно подключать сторонние сервисы. Так нейросеть может работать с документами, репозиториями, CRM, базами данных и вообще любыми системами. 🟣 У OpenAI есть библиотека приложений ChatGPT Apps. Принцип работы такой же: ИИ получает доступ к вашему аккаунту во внешнем сервисе и начинает им управлять прямо внутри диалогового окна. Например, ИИ может работать с макетами в Figma и бронировать отели в Booking. 🟣 Google развивает Gemini Enterprise Agent Platform. Там компании могут создавать, подключать и управлять собственными ИИ-агентами для рабочих процессов. 🟣 К Алисе AI подключили Яндекс Такси и Яндекс Лавку. Теперь прямо в диалоге с нейросетью можно делать заказы и вызывать машины. Скоро на платформе появятся Доставка, Маркет и другие продукты Яндекса, а доступ к ИИ-агенту получат и внешние компании. Как это работает в Алисе AI ИИ-агент получает текстовый запрос, например: «Собери корзину продуктов, чтобы приготовить сбалансированный ужин». Затем система добавляет контекст: геопозицию пользователя, время, доступные товары, прошлые заказы, предпочтения и другие детали, которые помогают точнее выполнить задачу. После этого агент формирует корзину в Яндекс Лавке, а пользователю остаётся подтвердить и оплатить заказ прямо в чате. Что это меняет Чаты с нейросетями превращаются в универсальные интерфейсы для работы с сервисами. Благодаря этому привычные приложения скоро могут отойти на второй план, а работать с ними можно будет через запросы к ИИ. Подписывайтесь 👉 @techno_yandex

Исследование: ИИ-агенты потребляют в 136 раз больше энергии, чем чат-боты Агентный искусственный интеллект может многократно увеличить энергопотребление дата-центров и создать серьёзную нагрузку на мировую энергосистему, предупреждают исследователи Корейского института передовых наук и технологий (KAIST). Один сложный запрос к ИИ-агенту потребляет в среднем 348 Вт·ч — до 136 раз больше, чем у обычного чат-бота, и выполняется в 154 раза дольше. Причина — в автономности: агенты самостоятельно ищут информацию, обращаются к внешним сервисам и координируют несколько действий без участия человека, а значительная часть энергии тратится впустую. https://hightech.plus/2026/07/06/issledovanie-ii-agenti-potreblyayut-v-136-raz-bolshe-energii-chem-chat-boti

ИИ-агенты научились сами себя улучшать без участия инженеров Исследователи опубликовали работу под названием «Next-Generation Agentic Reinforcement Learning Systems Enable Self-Evolving Agents», где описан механизм, позволяющий корпоративным ИИ-агентам развиваться без постоянного вмешательства разработчиков. Агенты, которые работают внутри компаний, каждый день генерируют огромный объем полезных данных о своей работе. Проблема в том, что команды обычно улучшают их вручную: инженеры вычитывают логи, правят промпты, дообучают модели и заново разворачивают системы. Такой процесс медленный и не поспевает за темпом накопления данных. Авторы предлагают трехчастный механизм. Сначала каждый шаг агента записывается в общем формате, пригодном для дальнейшего обучения. Затем данные проходят через прокси-слой, который очищает их, приводит к единому виду, сохраняет и позволяет заново воспроизводить реальные сценарии работы. Отдельный управляющий слой решает, что стоит обновить: память агента, его навыки, промпты, инструменты или веса самой модели. Один из примеров такого подхода уже работает на практике, это система AREAL2.0, в которой обращения агента к языковой модели проходят через онлайн-сервис обучения с подкреплением. Благодаря этому реальные взаимодействия агента сразу становятся материалом для будущих обновлений модели. Авторы считают, что индустрии нужна именно система для превращения повседневной работы агента в пригодные для обучения данные. Это более важная задача, чем поиск более удачных алгоритмов оптимизации. Будущим агентам потребуются безопасные и воспроизводимые способы обновления памяти, навыков, промптов, инструментов и моделей, чтобы прогресс оставался управляемым. Полный текст работы: https://arxiv.org/abs/2607.01120v1

Какие все-таки быстрые времена, что целая технологическая эпоха спокойно укладывается не просто в одну человеческую жизнь — а в одну активную профессиональную жизнь, причем много чего определившую в мире, где мы в итоге живем. Винт Серф, в 1970-е один из разработчиков стека TCP/IP, сооснователь Internet Society и один из руководителей ICANN, человек, проработавший в Гугле с 2005 года, — сейчас в свои 83 решил выйти на пенсию с прекрасной должности chief internet evangelist. Не потому, что не тянет, а просто решил, что можно немного расслабиться. При этом он недавно вполне убедительно спорил с более юными экспертами на тему агентов: пока поклонники универсальности человеческого языка, якобы достигнутой с помощью ИИ, говорили, что нашего языка хватит и для общения агентов между собой, Серф утверждал, что ИИ, наоборот, порождает необходимость новых стандартизированных протоколов. И, как подтверждает его немаленький опыт, именно компании, вносящие активный вклад в разработку новых стандартов и протоколов, получат в итоге непропорционально большое влияние на развитие агентной экономики.

“I don’t think English is going to be the best choice. There’s a flexibility in it, but there’s ambiguity, and I think precision for interagent interaction is going to be very, very important. An agent really needs to be sure the other agent understands what it is that they just agreed to do together”

Можно только поздравить Серфа с новым интересным этапом его насыщенной жизни. https://techcrunch.com/2026/06/30/the-father-of-the-internet-is-finally-retiring/

🤖 Как помочь ИИ-агентам найти ваш сайт и не потерять продажи Я тут подсмотрел у зарубежных сервисов интересную штуку. Они создают специальный прайс для нейросетей. Зачем и как это пригодится в бизнесе? Рассказываю. 🛍️ О чем речь? Исследователи пророчат, что к 2028 году 70% покупателей будут использовать ИИ для поиска и выбора товаров. В принципе, это происходит уже сейчас. Пользователь пишет в чат-бот что-то вроде: “Найди мне самый дешевый сервис для X”, ИИ мониторит предложения и показывает самое выгодное. А иногда и сам покупает. Проблема в том, что обычно страницы с ценами верстают для людей - красивые таблички, интерактивные калькуляторы, всплывающие окна. В итоге ИИ путается и не находит сам прайс, а продукт пролетает мимо рекомендаций. Что теперь делать? Компании начинают создавать отдельные страницы с тарифами, чтобы их смогли прочитать роботы. Вот несколько примеров. 🔹 Платформа для управления соцсетями Buffer разместила под обычными тарифами ссылку “Посмотреть машиночитаемые цены (для ИИ-агентов)”. Она ведет на подробный текстовый файл в формате .md, где цены собраны в таблицы. Так робот сможет посчитать точную стоимость. 🔹 Облачный сервис Stacktree создал отдельный раздел для ИИ со ссылкой на простой текстовый прайс и указал, что там нет дизайна или экрана входа. 🔹 Платформа для отправки факсов Promptfax создала для роботов интерактивную ссылку. ИИ-агент может подставить параметры клиента и сразу получить точную цену для конкретного запроса. Мне стало интересно, и я пошуршал в Рунете. Информации практически нет, но, кажется, стратегию уже подхватывают. Например, страницу для ИИ-агентов я нашел в тарифах GigaChat. Как повторить? Тут все просто. Сделайте markdown-файл - обычный текстовый документ с простым форматированием и четкой структурой. В нем робот должен найти примерно такие данные. ▪️ Таблица с тарифами: название, цена и что включено. ▪️ Лимиты и плата за их превышение. ▪️ Сравнение разных вариантов оплаты: помесячно или за год. ▪️ FAQ: пара вопросов, которые задают перед покупкой. Сохраните файл на отдельной странице, оставьте ссылку под основным прайс-листом и не забывайте обновлять, когда меняются тарифы. А вы встречали такое на российских сайтах? Пишите примеры в комментах - посмотрим, сколько уже таких компаний. 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #МАРКЕТИНГ #БИЗНЕС #ИИ