Это надо знать заранее: объясняю экономику ИИ просто и на пальцах
Ваша подписка — это верхний этаж пирамиды. Мы будем спускаться всё ниже, что б понять на чём же стоит ИИ-бум на самом деле?TL;DR: Opus 5.5 вышел, а месячный план не изменился и уже кажется привычным. Как будто всё честно: я плачу разумные деньги и получаю технологию. Однако это только верхний этаж. Что сложено под ним и почему оттуда пахнет порохом, разбираю ниже, шаг за шагом. Каждое звено по отдельности называют «управляемым риском». Но есть одна вещь, которая давит на все звенья сразу, и мы в ней разберемся. О локальном опыте подсчёта стоимости я писал в предыдущей статье. Здесь же совершенно другой масштаб.
Оркестратор для кодинг-агентов: от отдельных сессий — к единому процессу
Сегодня coding-агенты неплохо справляются не только с небольшими правками, но и с достаточно крупными инженерными задачами: могут написать код, тесты для нескольких модулей и подготовить запрос на слияние (pull request). Но есть другая проблема: между этапами создания ПО работу по-прежнему выполняют люди. Аналитик вместе с агентом подготавливает список требований и передаёт разработчику, тот дополняет требования ограничениями и ставит новую задачу coding-агенту, и так далее. Получается интересная ситуация: агент может выполнить большую часть работы внутри этапа, но сам процесс всё ещё держится на человеке.
Как пустить ИИ в 1С и ничего не сломать: на примере одного HTTP-метода
Всем привет! Раз вы откликнулись на эту статью, предполагаю, что вы тоже давно точите зуб на то, как работает ваша 1С. А когда появляется новая задача по ERP, вы с небольшой опаской наблюдаете за её реализацией. Вот и я такой же. Только с недавних пор мне пришлось погрузиться в 1С сильнее, чем среднестатистическому пользователю.
Google представили Gemini 4 Argon: модель обошла GPT-6 Astra, Fable 5.1 и Opus 5.5 на DeepSWE
Google представили Gemini 4 Argon, новую флагманскую модель для программирования, профессиональных задач и кибербезопасности. В опубликованной компанией таблице она показывает лучший результат в 13 из 19 строк, а ещё в одной делит первое место с GPT-6 Astra.
Выручка +49 %, но это не заслуга ИИ: разбор ИИ-контура у селлера на Wildberries и Ozon
Производитель косметики, шесть кабинетов на Wildberries и Ozon, оборот около 45 млн ₽ в месяц. За шесть недель команда маркетплейсов из шести человек запустила 26 автоматизаций — по плану внедрения было три. Выручка за то же время выросла на 49 %, и ниже я объясню, почему мы не записываем этот рост на счёт ИИ.В разборе — как устроен корпоративный ИИ-контур, откуда взялись 26 автоматизаций, что ИИ нашёл в данных компании (включая ключ доступа к финансам всех кабинетов, лежавший по публичной ссылке), как мы мерили эффект и что не получилось. Это промежуточный замер: 11 августа — 22 сентября 2026 года. Повторный — через три месяца.
В Ollama добавили поддержку локальных Jev‑подобных моделей
В Ollama появилась поддержка Jev‑подобных моделей, которые выбирают ответ из заданных вариантов и возвращают оценки вероятностей. Функцию добавили в версии 0.35, а сами модели работают полностью локально.
Каждый LLM-фреймворк описывает инструмент по-своему
Чтобы дать LLM доступ к своему коду, пишут инструменты (tools). Инструмент — это функция и всё, что модели нужно знать, чтобы её вызвать: имя, описание и схема аргументов.Потом те же инструменты приходится писать ещё раз. Первая версия сделана на tool() из AI SDK. В проекте появляется MCP-сервер, и инструменты переписывают под registerTool. Соседняя команда использует Genkit, и те же инструменты пишут в третий раз, через defineTool. Функции остаются прежними, меняется только обёртка.К тому же каждая обёртка привязана к своему фреймворку. tool() берётся из пакета ai, defineTool — метод экземпляра Genkit, registerTool
Вышло обновление Ideogram 4.5; модель теперь точнее редактирует изображения
Команда Ideogram выпустила обновлённую модель для генерации и редактирования изображений. В версии 4.5 акцент сделали на последовательных правках. Теперь модель лучше сохраняет детали, цвета и текстуру, когда пользователь несколько раз редактирует картинку.
Сервис SOFROS AI-ML на практике: реальные кейсы и экономический эффект от нормализации данных
ВведениеВ предыдущих статьях цикла мы разобрались, почему нормативно-справочная информация (НСИ) неизбежно деградирует, как устроен сервис SOFROS AI/ML, какие модели работают «под капотом» и как они встраиваются в 1С:MDM. Мы показали методологию, архитектуру и интерфейсы.Но у вас мог остаться главный вопрос: а что с результатами? Сколько времени и денег это экономит? Какие реальные задачи решает? Можно ли измерить эффект в цифрах?
