«Его ИИ говорит с моим ИИ»: Рабочие переписки сотрудников c начальством превращаются в обмен нейрослопом
Сотрудники и их начальники всё чаще передают ИИ коммуникативные задачи, в том числе общение между различными звеньями рабочей цепи. Такое явление в интервью для Fortune описала вице‑президент по лидерству и коучингу платформы Skillsoft Лина Ринне — она назвала его «социальной разгрузкой».
Как оценить библиотеку для ИИ-агентов без слепой проверки финального ответа
Сравниваем ревизии transformers по разным метрикамИИ-агенты для программирования
From Wizard to Warlock: магия в D&D как метафора эпохи LLM
Привет, я Саша Овчинников, старший специалист по тестированию в Контуре. 👋Последние несколько лет я активно пользуюсь LLM для достижения своих личных целей:как глава фехтовального клуба практически полностью автоматизировал процессы в нём;как опытный тренер — написал сложный проект, который превращает разбор боя в нормализованный анализ, удобный для постановки экспериментов;собрал Музу — личного ассистента поверх Obsidian;и многое другое.
J-пространство Anthropic: рабочее пространство, сделанное из слов. Почему Выготский объясняет данные лучше Баарса
Сотрудники Anthropic опубликовали 6 июля 2026 года результаты своего нового исследования в котором заявили об обнаружении в Claude аналога "глобального рабочего пространства" — J-space.Исследование крайне интересно, и, как я считаю, раскрывает будущее нейросетей глубже, чем кажется на первый взгляд.В этой статье я рассмотрю, почему Теория глобального рабочего пространства описывает структуру находки, но молчит о её главной странности — о том, что workspace состоит из слов. И почему на этот вопрос сто лет назад ответил Лев Выготский.Суть исследования
FINESSE-Bench: как мы обновили финансовый бенчмарк для LLM
В Лаборатории искусственного интеллекта «Финама» мы изучаем и развиваем применение ИИ в финансовом домене: от бенчмаркинга LLM до прикладных сценариев в трейдинге, аналитике и управлении рисками. В предыдущей статье мы рассказывали о первой версии нашего набора бенчмарков для оценки финансовых знаний моделей. С тех пор проект вырос, получил отдельную страницу FINESSE-Bench и заметно изменился — и по объёму, и по качеству, и по строгости методологии.
Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Часть 2. Почему AI-first команды не делают нас быстрее
В первой части статьи мы пришли к выводу, что само использование ИИ не ускоряет инженерную систему. Можно вырастить использование LLM-инструментов в принципе (MAU LLM), потом использование кодинг-агентов (MAU API) и всё равно не увидеть изменений в Lead Time, Throughput и Defect Rate.Проблема в том, что локальное ускорение быстро упирается в остальной процесс. Один человек или одна роль могут начать делать свою часть быстрее, но задача всё равно ждёт требований, проверки, тестирования, согласований, соседних команд или бизнес-эксперта. Поэтому дальше мы пошли в Agentic Engineering.
Жизнь после RAG: MCP, логи и автоматический анализ тикетов Jira
Привет, Хабр! Меня зовут Илья Парамошин, я ведущий инженер в МТС Web Services. В прошлый раз я рассказывал об архитектуре RAG-помощника для технической поддержки: индексации Confluence и Jira, гибридном поиске, генерации ответов с цитатами и оценке качества поиска. А недавно мы опубликовали продолжение — о том, как построили ИИ-агента для анализа тикетов.
