EvaTeam — среди лидеров нового исследования ТеДо «Созвездие TMS & KMS 2026»
Компания «Технологии Доверия» (ТеДо) опубликовала новое исследование российского рынка систем управления проектами и баз знаний. Эксперты сравнили 16 продуктов от 9 российских вендоров по 280 критериям — от функциональности до стратегии развития.По итогам исследования:
Бизнес не умеет управлять экспертизой сотрудников – как это исправить
Кажется, современный бизнес научился управлять всем: продажами, ресурсами, бюджетами, сотрудниками. Почему тогда на поиск специалиста, который устранит сбой в интеграции приложения, уходит несколько дней? А кто обновляет инструкции по запуску рекламы – вообще непонятно. Так бывает, когда в компании не работает управление знаниями. Разбираемся, почему так происходит и как база знаний помогает изменить ситуацию.
Онбординг за дни вместо недель: как ИИ собирает обучение из вашей базы знаний на примере сервиса БЗ
В корпоративный искусственный интеллект за последнюю пару лет вложили от 30 до 40 миллиардов долларов. К лету 2025-го выяснилась досадная вещь: 95% этих внедрений не принесли компаниям ничего – ни сэкономленных часов, ни лишнего рубля в годовом отчёте. Попробую проиллюстрировать: Новый сотрудник открывает корпоративного ассистента и задаёт первый рабочий вопрос – что-нибудь житейское, вроде «как оформить командировку в другой часовой пояс». Ассистент отвечает обстоятельно и с полной уверенностью в себе. Но неправильно.
От GTD к AI-агенту: как я собрал локальный второй мозг на Codex, Markdown и Obsidian
Я не программист: когда-то давно я учил веб-разработку, понимаю базовые вещи про HTML, CSS, JavaScript, файлы, папки и GitHub, но профессионально разработкой не занимаюсь.При этом потребность систематизировать знания и дела у меня была давно.Личные заметки, рабочие задачи, бизнес-проекты, документы, идеи, планы, договорённости — на первый взгляд это разные вещи. Но на более глубоком уровне почти всё сводится к одному циклу:получить информацию;понять, что в ней важно;сохранить её так, чтобы потом найти;связать с уже известным;применить в нужный момент.
Решение задачи удаления избыточных терминов в заданном контексте без потери информации. Примеры в Colab
Как известно, LLM - это машина, которая “видела” “весь Интернет”, много чего запомнила и много чему научилась. Задавая ей правильные вопросы можно получать “правильные” ответы (где “правильные” стоит понимать в статистическом смысле). Широта и универсальность таких способностей дает возможность ставить новые универсальные задачи и получать общее решение таких задач.
Второй мозг строят все. Но большинство — не для себя
В моём инфо-пузыре последний месяц все строят второй мозг в Obsidian по методу Карпатого и рассказывают, как это повышает эффективность агентов. Гист прочитан, vault переформатирован, Claude подключён.Но никто особо не останавливается на вопросе: а для кого именно строится эта система — для агента или для себя? И есть ли вообще разница.
Мета-работа, память агентов и Product Graph: почему AI не спасёт продукт без структуры знаний
За годы работы в разнообразных командах я много раз видел одну и ту же ситуацию.
Цифровая копия сотрудника (руководство)
Или «Как я из маркетолога всю душу вытянул»Я сегодня разговаривал с директором по маркетингу из одной компании, которая промышляет ИИ‑продуктом. Очень умная женщина. За два часа она рассказала столько, что мой мозг начал буферизироваться где‑то на сороковой минуте. Я киваю, записываю, а внутри нарастает паника: я физически не успеваю переваривать.И вот сижу после звонка, смотрю на транскрипт, и в голове щёлкает мысль. Не «как бы это законспектировать покрасивее». А другая: что если можно вытащить из этого разговора не текст, а саму логику принятия решений? Не что она сказала — а как она думает.
Как не дать knowledge base устареть
Устаревшая документация хуже, чем её отсутствие — она отравляет контекст LLM. Агент доверяет тому, что видит. Garbage in — garbage out, только garbage выглядит как аккуратный markdown.Это вторая часть серии. Первая часть —
Слепое пятно LLM-разработки: контекст за пределами кода
Качество работы LLM — функция от качества контекста на входе. Это утверждение звучит банально, однако зачастую разработчики оптимизируют модель, выбирая между GPT, Claude, Gemini и прочими, и промпт, но не контекст в целом
