59% компаний признались: увольнения списывают на ИИ, чтобы скрыть правду. Вот что на самом деле происходит
Вы всё ещё верите в сказки про увольнения из-за искусственного интеллекта? Большинство менеджеров по найму честно сознались: это всего лишь удобная легенда для акционеров. Разбираем три сигнала, которые выдают правду, и навыки, которые сделают вас действительно незаменимыми.
Вайбкодинг для 1С: как получить production-ready код с ИИ
Развенчиваем миф о «случайном коде»Когда разработчики 1С слышат о вайбкодинге, у многих возникает скептицизм. И не без оснований если просто скидывать задачу в Cursor и ждать чуда, результат действительно будет плачевным. ИИ генерирует что-то среднее, нарушает архитектуру, ломает существующий код.Но это не проблема ИИ. Это проблема подхода.На самом деле в 1С уже сейчас можно писать код с помощью ИИ не хуже, а часто лучше, чем опытный разработчик вручную. И качество напрямую зависит от того, как вы организуете этот процесс.Почему стандартный вайбкодинг не работает для 1С
Что смогут ИИ-агенты к 2030 году
Привет! На связи команда Research & Insights Центра стратегии цифровых продуктов МТС. В прошлом году мы подготовили исследование мирового и российского рынка ИИ-агентов. Перед вами четвертая часть обзора этого исследования.
Почему ничего нельзя вайбкодить — на примере Телеграм-бота
История успешных вайбкодеров напоминает истории успешного успеха: рассказываю о личном опыте, как мой друг вайбкодил бота под свой проект, и не смог, а сервис, который он пытался скопировать не делался за пару вечеров под сериальчик.
ИИ-агенты без оркестрации и роутинга
Если у вас мультиагентная система или сложный RAG, то с большой вероятностью вы используете жесткий роутинг или оркестрацию.Например, в мультиагентной системе могут быть сложные разветвления и в каждой точке, в зависимости от результата предыдущего агента, нужно пойти налево (запустить ветку агентов A) или направо (запустить ветку агентов Б). Это жесткий роутинг.Или приходит запрос от пользователя и нужно его классифицировать, вы отправляете его в LLM, получаете ответ, что запрос про A или про Б, и направляете к агенту RAG, который отвечает за область A или Б. Это оркестрация.Минусы такого подхода
SpaceX приобрела xAI
Илон Маск объявил, что SpaceX приобрела его стартап в области искусственного интеллекта xAI. Источники оценивают сделку в $1,25 трлн.
«Позови оператора»
Всем привет! Я работаю в Сбере, в кластере Digital Sales & AI. Последние пару лет у нас, как и у всех, в фокусе работа с искусственным интеллектом. В прошлом году мы внедрили в СберБизнес Giga‑ассистента — ИИ‑помощника на базе GigaChat.
Добавил Claude к YandexGPT в анализатор договоров — нашёл в 2.5 раза больше рисков
Почему одной LLM недостаточно, как двухслойная валидация ловит ошибки модели, и сколько бизнес экономит на проверке договоров.Что было в первой версииПару недель назад я рассказывал, как построил модульную систему промптов для YandexGPT. 32 тематических промпта, детекторы паттернов, калибровка по рынку. Система работала, находила риски, но вылезли проблемы:Ложные срабатывания — LLM иногда «видела» асимметрию там, где её не былоПропуски — некоторые паттерны (типа «1% в день за невывоз») проскакивали мимоНет второго мнения
Шесть осей прогресса LLM: почему «данные закончились» — это заблуждение
TL;DR«Данные закончились» — это про одну ось из шести. Пять остальных работают. Одномерные прогнозы — мусор.Вот в чём проблемаЗайдите в любой айтишный-чат.«Из архитектуры выжали всё». «Данные закончились». «Модели будут деградировать».Звучит умно. Проблема? Это полная ерунда.Не потому что эти люди глупы. Часто это крутые разработчики. Проблема в том, что они видят одну ось — supervised pre-training на интернет-текстах — и думают, что это весь AI.Ось упёрлась? Значит, AI упёрся.Нет. Не значит.Давайте честно: одномерное мышление — это ловушка2012 год.

