ИИ в бизнесе: почему большинство проектов не доходят до результата и что с этим делать
Привет, Хабр! На связи Никита Устриков. Подготовил для вас статью, основанную на нескольких источниках: отчёте MIT NANDA The GenAI Divide: State of AI in Business 2025, материалах Gartner и McKinsey по корпоративным внедрениям, стратегии развития ИИ в БКС и нашем докладе на TechWeek‑2026 «ИИ в бизнесе: почему 9 из 10 проектов не выходят в прод», где мы начали публично и системно разбирать эту тему. Полный список источников привожу в конце статьи.ВведениеЗа последние два года вопрос «почему корпоративный ИИ не приносит денег» из редких обсуждений превратился в одну из ключевых тем разговоров между CAIO, CIO, CDTO и командами, отвечающими за трансформацию.
Как работают модели SOFROS AI-ML: от классификации до семантического поиска
ВступлениеМодель классификации. Наивный байесовский классификаторМодель экстракции. Извлечение именованных сущностейМодель семантического поиска: генерация с дополнительной выборкойМодель контекстного поиска: вызов инструментов веб-поиска
Помешательство вокруг ИИ парализовало принятие решений
Об авторе: Ник Суреш — австралийский дата‑инженер родом из Малайзии. Отмучившись в паре крупных корпораций, он основал консалтинговую фирму, помогающую небольшим клиентам налаживать работу с данными.Я убеждён, что целые компании сейчас в состоянии ИИ‑психоза, с ними невозможно нормально общаться на тему ИИ. Не буду называть имена, потому что среди этих людей есть мои хорошие друзья, но мне страшно представить, чем всё это может для них закончиться.— Митчелл Хашимото, основатель HashiCorp
Покажи мне свой харнесс — и я спрошу у Клода, кто ты
Я продолжаю пилить по вечерам и ночам локальный заметочник Nitinol. Это третья статья цикла: в первой я рассказывал, как десять лет терял заметки, во второй — про хранение и поиск без RAG. В этот раз — про кухню разработки: стек, модели и процесс, о которых спрашивали в комментариях.
Как у нас в проекте на самом деле пишется код
После прошлого поста в комментариях несколько раз возникал вопрос: а кто вообще пишет весь этот код и насколько здесь участвуют нейросети? Вопрос, в общем, закономерный. Объём того, что небольшая команда успевает одновременно разрабатывать и поддерживать, действительно довольно большой.Масштаб, о котором обычно не пишутВ прошлой статье речь шла в основном про транспортный уровень - uTLS, decoy-трафик, pacing и всё, что связано с прохождением DPI. Это удобно рассматривать как отдельную техническую задачу, но внутри проекта это только один слой.
LLM не научились врать. Они научились говорить
LLM галлюцинирует, впрочем, все видели, как это выглядит. Модель уверенно, связно, с правильной интонацией и терминологией сообщает то, чего нет. Инженеры считают это багом, который чинят и вот-вот починят.Не починят. Это не техническая ошибка, а неотъемлемое свойство языка, которое машина сделала видимым.Язык не нуждается в реальностиЯзык — уникальная система именно в том, что появляется из реальности, но для собственной связности в реальности не нуждается.
Разделение ответственности между Claude и Codex: как я перестал выбирать одну нейросеть и усилил сразу две
Я Go-разработчик, но у меня есть собственный проект — и это значит, что Go только часть работы. В обычную неделю я переключаюсь между Go-бэкендом, SQL, React и TypeScript, дизайном API, архитектурой, Docker, CI/CD, инфраструктурой, тестами и UX.Проблема не в том, что я чего-то из этого «не знаю». Невозможно держать все эти области в голове одновременно и при этом в одиночку делать продукт целиком. Контекст-свитчинг стоит дорого сам по себе.AI помогает. И примерно здесь у всех начинается один и тот же спор: Claude или Codex? Кто лучше пишет код, за какую подписку платить.

