Что реально происходит с ИИ‑трансформацией российского бизнеса: семь наблюдений с двух конференций

Семь наблюдений об ИИ‑трансформации российского бизнеса

За последние месяцы мы провели две онлайн‑конференции про внедрение ИИ в российский бизнес. 3 апреля — «ИИ‑Трансформацию», с топами из X5, MWS AI, Skyeng, mymeet.ai ^[1] и Data Monsters. 29 мая — «Точку сборки», вместе с кафедрой технологического предпринимательства МФТИ: выпускники кафедры, фаундеры, практики вроде Александра Горного и команды AgentArea. Суммарно — больше двадцати спикеров, около 1500 регистраций на обе конференции и средняя оценка эфиров выше 9 из 10 у аудитории.

Меня зовут Жемал Хамидун, я CPO AlpinaGPT ^[2], Head of AI Alpina Digital ^[3] и автор тг‑канала «Готовим ИИшницу» ^[4].

Обычно с таких мероприятий уносят красивые тезисы и хайповые заголовки. Мне интереснее другое — что повторяется у разных спикеров из разных индустрий и в разных форматах. Совпадение у людей, которые друг друга не слышали, — самый честный сигнал, который вообще можно снять с конференции.

Я пересмотрел записи, свёл вопросы аудитории и результаты живых опросов на обеих конференциях. Ниже семь наблюдений, которые прозвучали у нескольких независимых спикеров сразу.

Сразу про жанр, чтобы не было обманутых ожиданий. Это не замер и не исследование. Это обзор того, что говорили практики на двух наших мероприятиях, плюс мой комментарий там, где мне есть что подтвердить или оспорить своим опытом ^[5]. Записи конференций не публичные, поэтому цифры спикеров — это их цифры со сцены: методику расчёта в докладах почти никто не раскрывал, и дальше я помечаю это отдельно. Внешние исследования, наоборот, все со ссылками — их можно открыть и проверить.

Кстати, 16 сентября мы проводим вторую конференцию «ИИ‑Трансформация» — программу как раз собираем. Регистрация бесплатная, через нашего чат‑бота: зарегистрироваться ^[6]. В том же боте лежат записи первой конференции и полные саммари всех семи трендов, о которых я расскажу дальше — можно посмотреть уже сейчас, чтобы не читать материал вслепую.

Наблюдение первое: порог входа в разработку снизился, и вайб‑кодинг стал корпоративной практикой

Ещё два года назад запустить корпоративный ИИ‑инструмент означало собрать команду разработки на полгода, договориться с юристами про подрядчиков, купить лицензии и встать в очередь на согласование бюджета. Сейчас это делается иначе — про это независимо друг от друга говорили минимум три спикера с обеих конференций.

Дальше я называю это вайб‑кодингом. Термин про то, что рабочий софт собирает не программист, а человек с задачей: он формулирует текстом, что нужно, код пишет модель, а автор проверяет результат по поведению ^[7], а не построчно.

Илья Бердыш, CEO mymeet.ai ^[1], показал на обеих конференциях один и тот же кейс. Илья без технического образования за две недели собрал десктоп‑приложение на macOS для своего же сервиса. Тратил по два‑три часа вечером. Одна подписка Claude за 100 долларов в месяц, среда агентной разработки Conductor, около 11 000 строк кода и 16 000 строк документации к нему. По его словам, приложение работает поверх бэкенда mymeet, им уже пользуются клиенты, а версия для Windows пишется параллельно.

Отдельно он подсветил, кто в его компании начал применять ИИ первым. Первыми адаптерами оказались вовсе не разработчики — у них скепсиса больше всего. А руководитель отдела продаж за один день собрал калькулятор окупаемости в фирменной дизайн‑системе и закрыл задачу, кочевавшую по бэклогу годами.

Денис Сметнёв, сооснователь Skyeng и uForce, за два месяца без опыта кодинга собрал пять промышленных решений, которыми уже пользуется его команда. На «Точке сборки» он показал сетку сайтов‑сателлитов: один агент собирает её за два‑четыре часа по семантике топ‑выдачи Яндекса. И рассказал про голосовых агентов с задержкой ответа 0,2–0,3 секунды, у которых, по его словам, робота распознаёт один собеседник из тысячи.

На круглом столе техпредов МФТИ ту же мысль независимо высказали трое выпускников. MVP — минимальную работающую версию продукта — собирают за вечер «на 100 долларов токенов». Команда разработчиков для запуска больше не обязательна. А роль основателя смещается к оркестрации: он не играет партию сам, он следит, чтобы сходилось то, что играют люди и агенты.

Мне это стало очевидно, когда мы готовили сами эти две конференции. Оба сайта и оба чат‑бота для регистрации мы собрали вайб‑кодингом за считанные дни, без полноценной команды разработки. Раньше на такую инфраструктуру закладывали несколько месяцев, а на весь конференционный проект — от полугода. Узкое место переехало: техника перестала тормозить, а оркестровку контента и работу со спикерами по‑прежнему нужно делать руками и головой.

Практический вывод простой. Если у вас всё упирается в «нам нужно ждать разработчиков» — пора начинать вайб‑кодить. Задачи, которые раньше физически невозможно было провернуть без штатной команды, теперь закрываются силами продакта, маркетолога или менеджера с одной подпиской и аккуратно собранным контекстом. У нас это выглядит так: продакты и руководители функций приходят с готовым прототипом и просят «докрутить это в продакшн».

Где у этого граница — по моему опыту. Прототип и внутренний инструмент проходят. Всё, что смотрит наружу и хранит чужие данные, всё равно возвращается к разработчикам: как минимум на ревью и на нагрузку. «Докрутить в продакшн» из предыдущего абзаца — не фигура речи, это отдельная работа, и делают её инженеры.

Наблюдение второе: мультиагенты стали дефолтом, но с оговоркой про деградацию точности

Второй тренд, который вылез сразу у нескольких технических спикеров, — это устойчивый переход от одиночных агентов к мультиагентным системам. Причём переход с чётко проговорёнными ограничениями, что для российского рынка большая редкость.

Сергей Андриянов, наш CTO в AlpinaGPT и основатель WebRegul, рассказал на «ИИ‑Трансформации» историю продукта Evolver — системы автоматизации код‑ревью. Первая версия была одним большим агентом‑универсалом с двадцатью инструментами. Он честно масштабироваться отказался: галлюцинации, десять итераций на простую задачу, слабая предсказуемость.

Промышленная версия построена в три специализированных агента. Библиотекарь знает документацию и трекер задач. Исследователь знает кодовую базу и граф связей между функциями. Ревьюер пишет замечания к строкам кода. Аргумент Сергея: «так же, как и в реальной команде, мы не нанимаем одного человека на всё».

Цифры, которые он показал: скорость код‑ревью выросла в три раза, экономия 50–80 часов в месяц на одну команду, багов на 15% меньше, техдолг ниже на 40%. Дальше честно. Это цифры со слайда, снятые внутри одной компании; методику замера — особенно по техдолгу — со стороны воспроизвести нельзя. Сергей мой коллега, так что читайте это как заявление заинтересованной стороны, а не как независимый бенчмарк.

Александр Писемский, фаундер ZenPulsar и в прошлом сооснователь Group‑IB, показал ансамбль из трёх агентов, работающих с рыночными сигналами на сырьевых рынках — нефть, зерно, металлы, сахар. Исследовательский агент подбирает источники и признаки. Тренировочный собирает и валидирует модели. Эксплуатационный следит за деградацией, переобучает и отвечает за аудит. По его словам, работу команды из 5–6 человек за полгода сейчас делает один человек с этим ансамблем за три недели.

Артём Астапенко, основатель AgentArea и AI‑лаборатории Jamakase Technologies (до этого — работа над западными проектами Airbyte, Alephzero, Opstrace), на «Точке сборки» показал, как это масштабируется. У него платформа для оркестрации агентов, где есть control plane — единый слой контроля с политиками, идентификацией агентов и подтверждением их действий. Логика ^[8] та же: собирать специализированную «команду» вместо одного агента‑универсала.

Но на обеих конференциях звучало и общее ограничение. Точность цепочки — это произведение точностей её шагов. Если каждый агент отрабатывает на 90%, то на двух шагах остаётся 0,9² ≈ 81%, на пяти — 0,9⁵ ≈ 59%, на семи — уже около 48%. Обычное умножение: чем длиннее цепочка автономных шагов, тем быстрее уезжает результат.

Именно поэтому Сергей Андриянов проговорил про третью продакшн‑версию Evolver: примерно семьдесят процентов в ней — workflow, то есть жёстко заданный сценарий с фиксированными шагами, и только тридцать — автономные агенты, которые вызываются внутри него. Автономные агенты дороже, менее предсказуемы, хуже отлаживаются и путаются в инструментах при большом контексте. Workflow предсказуем, дешевле и лучше ложится в продакшн, где цена ошибки ^[9] высокая.

Anthropic закрепили этот подход в посте «Building Effective Agents» ^[10] ещё в конце 2024 года: workflows — для задач, где нужны предсказуемость и повторяемость, agents — там, где нужна гибкость и решение принимается на стороне модели. Российские практики пришли к тому же выводу независимо: ни один из спикеров на этот пост не ссылался.

Практический вывод для CTO. Если на старте проекта вы по умолчанию строите автономного агента только потому, что «так модно», — через полгода, скорее всего, будете переписывать его на workflow.

Наблюдение третье: данные и процессы решают, а не модели

Третий паттерн вылез в опросах аудитории и подтвердился словами всех бизнес‑спикеров: роль инструмента переоценивают, всё остальное недооценивают. На квизе «ИИ‑Трансформации» 90,3% участников выбрали ответ «пилоты не масштабируются из‑за завышенных ожиданий, неготовности данных и слабой интеграции в процессы», а не «из‑за плохих моделей» или «из‑за дороговизны».

Сразу оговорка про этот процент: это опрос в зале, не исследование. Отвечали те, кто пришёл на конференцию про ИИ, — выборка смещённая по определению. Ценность у неё одна: видно, как думает та часть рынка, которая уже что‑то внедряет.

На «Точке сборки» участники круглого стола сформулировали ту же мысль как «плоды отравленного дерева»: плохие данные портят результат сильнее, чем раньше, потому что уходят в чёрную коробку и незаметно ломают выводы там.

Артемий Малков из Data Monsters (20 с лишним лет в ИИ, работа с NVIDIA, Siemens, GE, Intel, Sber, X5) вложил в это конкретный кейс. В его компании больше 60 бэк‑офисных процессов последовательно переписаны в Markdown — обычные текстовые файлы с простой разметкой. Пишут их вместе с ИИ на 90-минутных звонках в Cursor.

Смысл — сложить корпоративное знание в текст, чтобы будущие модели «прочитали папку» и поняли уникальность бизнеса. Смысл не в том, что модель сама всё выучит: уникальность компании, по Малкову, появляется в момент несогласия с усреднённой моделью — «ты молодец, но у нас по‑другому».

Отдельно он ввёл понятие Golden Dataset — библиотека из 10–20 редких экзотических случаев, тот самый «длинный хвост», на котором модель регулярно спотыкается. Ценность корпоративной ИИ‑системы, по его словам, живёт именно там, а не в качестве базовой модели.

В том же направлении высказался Александр Горный, сооснователь United Investors, на «Точке сборки». Его формулировка: успех ИИ‑стартапа определяет не качество модели или обёртки, а постановка бизнес‑цели заказчиком и работа с мотивацией ^[11] конкретных сотрудников. Когда крупная компания заказывает «протестировать ИИ», она ровно это и получает: попробовали, акт подписан, результата нет. А когда формулировка звучит как «сэкономить X% денег, сократить найм на N человек, поднять конверсию на Y процентов» — включаются совсем другие механизмы.

Из этих трёх тезисов вырастает формула, которую я озвучил на «ИИ‑Трансформации» и которая, судя по реакции ^[12] зала, задела всех: Инструмент × Обучение ^[13] × Поддержка = Результат. Если хотя бы одна составляющая равна нулю, результат тоже нулевой.

Две внешние цифры в ту же сторону. По исследованию Boston Consulting Group “The Widening AI Value Gap” ^[14] (сентябрь 2025, более 1250 компаний по миру) всего 5% компаний перестроили процессы под ИИ и получают отдачу в масштабе — BCG называет их future‑built. Ещё 35% масштабируют внедрения и видят частичный возврат. А 60% при заметных вложениях не получают ощутимого прироста ни в выручке, ни в издержках вообще. По исследованию МТС Web Services ^[15] (декабрь 2025, опрошено более 700 российских компаний), среди организаций с бюджетом на ИИ сформированная стратегия его развития есть только у 26% — у остальных 74% её нет.

Оба числа про одно: узкое место не в моделях, а в том, что компания делает вокруг них.

Наблюдение четвёртое: управление, безопасность и аудит стали узким местом

Четвёртый тренд особенно ярко проявился на «Точке сборки», хотя семена его были заложены ещё на «ИИ‑Трансформации». Речь про то, что вопросы контроля, безопасности и аудита ИИ‑агентов уже перестали быть теорией и становятся реальным блокером внедрений.

Артём Астапенко на «Точке сборки» дал точную метафору: агент — это стажёр в незнакомом офисе. Ему нужен контролируемый доступ, а не ключи от всех файлов сразу: лимит бюджета, подтверждение действий у «начальника», песочница для рискованных операций.

У агентов появляется и прямой доступ к платежам: x402 ^[16] — стандарт, выросший из Coinbase и переданный в Linux Foundation, — и Agentic Commerce Protocol ^[17] у Stripe. Это протоколы, которые позволяют программе платить самостоятельно, без человека в момент транзакции. Чем больше таких каналов, тем дороже обходится отсутствие надзора.

При этом набор рисков у агентских систем не совпадает с рисками самой языковой модели. OWASP — открытое отраслевое сообщество, которое ведёт списки типовых уязвимостей. В его Top-10 для LLM‑приложений ^[18] большинство пунктов про безопасность самой модели и её обвязки: промпт‑инъекции, утечка системного промпта, отравление данных и модели, небезопасная обработка вывода; полномочиям там отведён один пункт — Excessive Agency. Под агентов OWASP завёл отдельный трек ^[19], и там на первый план выходят как раз полномочия: злоупотребление правами доступа, перехват цели агента, злоупотребление инструментами, каскадные сбои по цепочке.

Александр Писемский со стороны финтеха подтвердил ту же историю. Главный барьер для ИИ в финансах — не точность модели, а аудит и соответствие требованиям регулятора: способность объяснить регулятору и клиенту, откуда взялось каждое инвестиционное решение. Поэтому в ZenPulsar языковая модель используется только для рассуждений и суммаризации. Классификация тональности идёт через FinBERT — узкую модель для финансовых текстов, у которой выводы воспроизводимы и объяснимы.

Плюс отдельная реальность российского рынка: 152-ФЗ о персональных данных, требование обрабатывать их внутри страны, риск отключения от зарубежных API. Одной техникой утечки не закрыть. Нужна связка из DLP (систем контроля исходящего трафика), культуры и удобного внутреннего инструмента — если он неудобнее ChatGPT, лить всё равно будут мимо. Но и без отдельного слоя контроля и аудита не закрыть тоже.

Практический вывод: если ваша компания рассматривает мультиагентную систему в проде и в архитектурной документации нет отдельного раздела про контроль доступа, аудит‑логи, идентификацию агентов и лимиты — у вас нет продакшн‑архитектуры, у вас есть проект будущего инцидента.

Наблюдение пятое: главный навык сегодня — оркестрация, а не программирование

Пятый паттерн прошёл через обе конференции красной нитью — сменился главный навык. Если пять лет назад ценным был человек, который умеет писать код или строить модели, то сейчас всё чаще ценен тот, кто умеет управлять «командой» из людей и агентов одновременно.

На открывающем докладе на «Точке сборки» я привёл цитату главы NVIDIA Дженсена Хуанга с CES 2025 ^[20]: «во многом IT‑отдел каждой компании в будущем станет HR‑отделом для ИИ‑агентов». Это не метафора и не хайп — это описание того, как уже сейчас перестраивается менеджмент.

Артемий Малков сказал ту же мысль иначе: сотрудник становится «супервайзером знаний». Юрист отвечает уже не за транзакции, а за когнитивный компонент своей роли — набор навыков и промптов. Перепроверяет ИИ в редких случаях и управляет корпусом знаний.

Виталий Литвинов, один из активных участников обеих конференций, сформулировал в чате жёстче: «архитектор, а не менеджер». Я согласен. Менеджер управляет людьми со свободой воли, архитектор проектирует систему из компонентов с предсказуемым поведением ^[21]. Агенты ближе ко второму: у них нет «не хочу сегодня», зато есть идентичность, полномочия и аудит.

Из этого вырастает практическое следствие для найма. Круглый стол техпредов МФТИ отдельно проговорил, что в командах, где активно используются агенты, узкое место сместилось на тестирование. Один разработчик, усиленный ИИ, генерирует столько, что команда физически не успевает проверять. В командах на десять человек нагрузка на тестировщика, по их словам, выросла кратно — и нанимать начали именно тестировщиков, а не новых разработчиков. Это косвенное подтверждение тезиса про оркестрацию: ценнее становится не «уметь произвести», а «уметь проверить и собрать».

Наблюдение шестое: внедрение ломается на людях, а лечится одним евангелистом

Шестое наблюдение — самое неудобное для тех, кто верит, что «купили платформу, и всё поехало». Внедрение ИИ в 2026 году ломает не технология и даже не бюджет. Ломает конкретный человек в конкретной команде, который не нажимает нужную кнопку.

По опросу Harris Poll для Express Employment Professionals ^[22] (1003 респондента, поле — ноябрь 2025, публикация — июнь 2026), 90% американских соискателей говорят, что их беспокоит растущее применение ИИ на работе: зависимость от технологии, исчезновение позиций для новичков, потеря собственных навыков решать задачи. По опросу WalkMe “AI in the Workplace” ^[23] (поле — июль 2025, публикация — август 2025; 1000 работающих американцев, которые уже применяют ИИ в работе), 78% из них используют ИИ‑инструменты, которые им не выдавал работодатель, — и данные уходят за периметр компании.

Обе цифры американские, и первая — про соискателей, а не про людей внутри уже работающей команды. Российского замера такой же глубины у меня нет, так что беру их как указание направления, а не как факт про наш рынок.

Александр Горный на «Точке сборки» дал способ обойти эту проблему на примере своего продукта Optimizer (ИИ‑ассистент для отделов продаж). Идея простая. Не раздавать инструмент всей команде разом, а дать его одному самому лояльному сотруднику, поработать с ним и получить результат в цифрах. Дальше он сам становится проповедником, и продукт расходится по команде без давления сверху.

Отдельно Горный подсветил вещь, которую редко проговаривают публично: мотивация ^[24] руководителя не совпадает с мотивацией ^[25] среднего продажника. Руководитель хочет роста выручки. А средний менеджер по продажам — по оценке Горного, около 70% от всех — хочет не больше денег, а меньше работать за те же деньги. Продавать инструмент нужно каждому под его собственную задачу, а не под задачу генерального.

У нас в Альпине путь был другим по форме, но тем же по сути. Мы начали в 2023 году: определили высокочастотные задачи, нашли первых энтузиастов в каждом отделе, обучили их на реальных задачах, собрали внутреннее сообщество. Один маркетинговый юнит по итогам первого года сэкономил 1400–2000 часов, больше 50% сотрудников используют платформу каждый месяц, а десятки автоматизированных функций (генерация постов и визуалов, аннотации, аналитика, подготовка к внутренним совещаниям) запускались уже без указаний сверху.

Оксана Хлыстова из MWS AI собрала на «ИИ‑Трансформации» отдельный доклад про типовые провалы корпоративных внедрений. Главную причину она назвала ту же: «инструмент внедрили, а под него никто не перестроил свои задачи».

Если у вас стоит корпоративная ИИ‑платформа и ей пользуется 5–10% сотрудников — это не проблема платформы. Это признак того, что вокруг неё нет ни одного человека с ролью «ИИ‑евангелист» и мандатом менять процессы. Разбираться нужно с этим — смена платформы ничего не даст.

Наблюдение седьмое: дистрибуция, бренд и данные важнее самого кода

Седьмой тренд вытекает из первого. Стоимость написания кода стремится к нулю — а это факт, про который на обеих конференциях говорили все. А раз так, успех начинает определять то, что раньше считалось «мягкой» частью бизнеса.

Илья Бердыш на «Точке сборки» сформулировал это чётко:

Кодить теперь можно почти что угодно и быстро, но выигрывает не тот, кто написал код, а тот, кто донёс продукт до клиента и вложил в него человеческое видение.

Артём Астапенко подтвердил с другой стороны индустрии: «код стоит почти ноль, ценность в открытости и данных». На той же «Точке сборки» я поспорил в чате с одним из участников про уникальность корпоративных данных. Его тревога: модели «прожуют» данные и усреднят компании.

Я с этим не согласен. В 2010-х преимущество строилось на объёме: у кого больше данных, тот и выиграл. Сейчас, когда мощные модели доступны всем, преимущество смещается в скорость и качество конвейера, который эти данные использует. Это моя интерпретация, а не измеренный факт. Объём никуда не делся — просто выигрывает та компания, которая быстрее превращает свои данные в решение, а голый склад данных не выигрывает.

Отсюда — новая экономика ИИ‑стартапов, которую Артём сформулировал одной фразой: «вместо стартапа на миллион клиентов — сто ниш по сто клиентов». Если код перестал быть узким местом, выигрыш собирается не одним универсальным продуктом на массовый рынок, а сотнями узких решений с высокой ценностью на клиента.

Что со всем этим делать

Если свести семь наблюдений в одну картину, получается следующее. Российский рынок ИИ в 2026 году прошёл фазу хайповых пилотов и вошёл в фазу зрелых внедрений. Технологический порог рухнул: запуск MVP перестал быть проектом и стал задачей на вечер. Поэтому конкуренция уехала туда, где раньше было «мягко»: постановка бизнес‑задачи, готовность данных, культура применения, надзор и соответствие требованиям, отношения с клиентами.

Мультиагентные системы стали дефолтом — но с пониманием их ограничений и с осознанным выбором в пользу жёсткого сценария там, где цена ошибки высокая. Ключевой навык профессионала сместился с программирования на оркестрацию людей и агентов. А успех внедрения решает не платформа, а один конкретный человек внутри команды — тот самый ИИ‑евангелист, который тянет её на себе.

Хорошая новость: рынок ещё пластичен, и тот, кто сейчас правильно расставит приоритеты, получит преимущество на несколько лет вперёд. Плохая новость: те, кто продолжает считать, что ИИ — это про модели и подписки, потратят следующие два года на попытки закрыть разрыв между внедрением и реальным применением — без нужной методологии.

Все семь наблюдений выросли из двух конференций — третью мы уже собираем.

16 сентября с 10:00 до 16:00 (МСК) мы проводим вторую онлайн‑конференцию «ИИ‑Трансформация» — продолжаем формат апрельской встречи и разбираем российские и международные кейсы внедрения ИИ в бизнес‑процессы. Выступят спикеры из Skyeng, mymeet и других компаний — программу сейчас дособираем и опубликуем в ближайшие недели.

В апреле на первой конференции у нас собралось больше 1150 участников: CEO, CTO и HRD разбирали реальные внедрения — от ИИ‑агентов в бэк‑офисе до расчёта окупаемости пилотов. Записи всех выступлений и саммари с трендами (агенты, ROI, эффективность ИИ) лежат в нашем чат‑боте ^[6] — можно посмотреть уже сейчас, до сентябрьской встречи. Участие в самой конференции бесплатное, регистрация через того же бота: зарегистрироваться ^[6].

А в комментариях интересно послушать вас: какое из семи наблюдений сильнее всего откликается по вашему опыту работы с ИИ в компании? И где, по вашим ощущениям, российский рынок уходит вперёд от общемирового — а где, наоборот, отстаёт?

Ещё больше кейсов и разборов внедрений ИИ — в Телеграм‑канале «Дело в промпте» ^[26]. Заходите, если хочется быть в курсе.

Источники

1. Anthropic — Building Effective Agents ^[10] (workflows vs agents), 19 декабря 2024

2. Boston Consulting Group — “The Widening AI Value Gap”, Build for the Future 2025 ^[14] (n = 1250), сентябрь 2025

3. Express Employment Professionals & Harris Poll — AI Is Driving Workplace Gains but Deepening Job Anxiety for US Workers ^[22] (n = 1003, поле — ноябрь 2025), июнь 2026

4. WalkMe — AI in the Workplace Survey ^[23] (n = 1000 работающих американцев, применяющих ИИ в работе; поле — июль 2025), август 2025

5. МТС Web Services — “Технологические стратегии бизнеса” ^[15] (более 700 компаний), декабрь 2025

6. OWASP Top 10 для LLM‑приложений ^[18] и OWASP — Agentic AI: Threats and Mitigations ^[19], 2025

7. Дженсен Хуанг (NVIDIA) о том, что IT станет «HR для ИИ‑агентов» ^[20], CES, январь 2025

Выступления, живые опросы и чаты конференций «ИИ‑Трансформация» (03.04.2026) и «Точка сборки» (29.05.2026) — мои конспекты и внутренние отчёты. Записей в открытом доступе нет, поэтому всё, что взято оттуда, помечено в тексте как слова спикера, а не как проверяемый источник.