ген ИИ

ИИ-трансформация организации: ожидание vs реальность Большинство компаний сейчас делает одну и ту же ошибку: покупает доступ к GTP-модели и называет это ИИ-трансформацией. Но исследования показывают неприятную вещь: массовое использование ИИ уже есть, а бизнес-эффект — далеко не у всех. По McKinsey, 88% организаций уже регулярно используют ИИ хотя бы в одной функции, но только около трети начали масштабировать ИИ-программы на уровне компании. И только 39% видят влияние на EBITDA на уровне предприятия. Кстати, на российском рынке цифры по компаниям, которые видят экономический эффект ГОРАЗДО ниже. Главный инсайт: ИИ даёт эффект не там, где можно «посоветоваться», а там, где он встроен в процесс. MIT называет это «пропасть генеративного ИИ» (GenAI Divide): после $30–40 млрд инвестиций в корпоративный GenAI 95% организаций, по их оценке, не получают измеримого P&L-эффекта. Причина не в слабых моделях, а в том, что ИИ остаётся надстройкой над старыми процессами: без памяти, обратной связи, доступа к контексту и связи с ежедневными операциями. Самые интересные кейсы как раз про это: 1️⃣ X5 использует ИИ не как чат-бот, а как часть операционной модели ритейла: ценообразование, прогнозирование спроса, логистика, ассортимент, автоматизация магазинов. По открытым данным, эффект от ИИ-решений у X5 оценивается примерно в 5 млрд рублей дополнительного операционного результата за год. Это не магия модели, а результат встраивания ИИ в ежедневную механику торговли. 2️⃣ СИБУР применяет ИИ в R&D: автоматизирует анализ экспериментальных данных и изображений материалов. В отдельных аналитических испытаниях скорость может вырасти до 7 раз, а совпадение автоматического и ручного анализа по ключевым параметрам превышает 85%. ИИ по сути ускоряет научно-производственный цикл. 3️⃣ Альфа-Банк пошёл ещё дальше и прямо формулирует AI-native-модель развития: ИИ становится базовым слоем процессов - разработка, документы, клиентские сервисы, инциденты, аналитика, валютный контроль. Вывод для бизнеса простой. ИИ-трансформация - это только частично про внедрение ИИ. На самом деле это ответ сразу на несколько вопросов: 1. Умеем ли мы быстро тестировать и «убивать» неудачные гипотезы? 2. Какие процессы обходятся дороже всего организации и можем ли мы применять ИИ в них? 3. Как обучить сотрудников, масштабировать успешный опыт применения ИИ внутри организаций и создать систему поддержки? 4. Как мы замеряем качество работы ИИ? Умеем ли мы мерить результат в виде постоянных A/B-тестов? 5. Как мы обеспечиваем безопасность и контроль? 6. Какой наш текущий уровень зрелости применения ИИ и куда мы стремимся? Какой целевой облик нашей AI-native организации? Компании, которые просто дают сотрудникам нейросеть, получают временный всплеск продуктивности сотрудников, который идет на спад с течением времени. Компании, которые встраивают ИИ в процессы, получают новую управленческую архитектуру. И, кажется, именно здесь сейчас проходит настоящая граница между “мы тоже используем ИИ” и реальной ИИ-трансформацией. А как происходит у вас в организации? Пишите в комментариях 👇 PS: картинку взял из исследования Antrophic. Разберу его отдельно чуть позже #полезное 💬 ген ии | MAX

ИИ в строительстве: один из самых недооценённых рынков для применения ИИ На прошлой неделе вышло новое исследование «Яков и Партнеры» про ИИ в девелопменте, в посте мы разберем основные выводы. Строительная отрасль - это длинные циклы, дорогой капитал, десятки подрядчиков, проектная документация, продажи, стройка, сроки, ошибки и маржа, которая за несколько лет сжалась примерно в два раза. Сегодня развитие сектора сдерживают три ключевых ограничительных фактора: низкая производительность, высокая стоимость капитала и кадровый дефицит. Частично эти проблемы могут быть решены с помощью применения ИИ. Главная цифра: потенциальный ежегодный эффект от масштабного внедрения ИИ в российском девелопменте оценивается примерно в 0,9 трлн рублей. Это сумма эффектов от ускорения продаж, сокращения сроков строительства, снижения ошибок, оптимизации проектирования, закупок и маркетинга. Но есть важный нюанс. Большинство компаний уже что-то пробуют, но до системного эффекта далеко. По исследованию, 64% девелоперов находятся на стадии экспериментов, 27% — на этапе активного развития, и только 9% — на стадии масштабирования. Где ИИ уже сегодня приносит экономический эффект? - прогнозирование цен и темпов продаж; - динамическое ценообразование квартир; - конкурентная разведка по рынку; - сквозная аналитика маркетинговых воронок; - скоринг лидов; - генерация маркетинговых материалов; - генеративный дизайн мастер-плана и оптимизация застройки; - LLM-copilot для договоров и допсоглашений. Неочевидный вывод: первые деньги от ИИ в девелопменте лежат не обязательно на стройплощадке. Часто они лежат раньше — в выборе концепции, финансовой модели, ценообразовании и продажах. То есть ИИ меняет не только то, как строить, но и то, что именно строить, по какой цене продавать и как быстрее возвращать капитал. #исследования 💬 ген ии | MAX

Методические рекомендации по безопасному ИИ: что осталось за рамками? Вчера я написал пост про то, что Банк России выпустил методические рекомендации по безопасному применению ИИ для финансовых организаций. На мой взгляд, документ получился правильным: он переводит разговор о защите ИИ в практическую плоскость специфических рисков, операционной надежности, угроз, поставщиков, проверки open source компонент и контроля на всех этапах жизненного цикла. Но есть несколько тем, которые, кажется, пока остались за рамками. И именно они будут критичны для промышленного внедрения ИИ в банках и финтехе. Что не попало в документ? 1️⃣ Нет полноценного описания риск-ориентированного применения ИИ В документе говорится о рисках и пропорциональности мер, но нет простой матрицы критичности: low / medium / high / critical. А она нужна. Внутренний ассистент для поиска по базе знаний, скоринговая модель, антифрод, робот в контакт-центре и ИИ-агент, который может запускать действия в банковских системах - это разные классы риска. Для каждого уровня должны быть свои обязательные требования: человек в контуре, журналирование, red team, ограничения автономных действий, согласование с рисками, регулярная переоценка. 2️⃣ Недостаточно раскрыта тема ИИ-агентов и мультиагентных систем Рекомендации упоминают агентов, плагины и интерфейсы при учете open-source компонентов. Но агентная архитектура заслуживает отдельного раздела. У ИИ-агентов другая поверхность атаки: память, инструменты, права доступа, цепочки действий, вызовы API, подключение к корпоративным системам, автономное планирование. Международная практика уже выделяет избыточную автономность LLM-систем (excessive agency по OWASP) как отдельный риск. Это ситуация, когда модели дают слишком много прав на действия без достаточных ограничений, проверок и контроля. Для банков это особенно важно: ассистент, который умеет только подсказать, и агент, который может инициировать и произвести операцию - это, как говорят в Одессе, две большие разницы. 3️⃣ Нет модели зрелости ИБ Документ говорит, что нужно делать, но не помогает организации понять, где она находится сейчас: - хаотичное использование ИИ сотрудниками? - пилоты под контролем ИБ? - масштабирование технологий в промышленном контуре? - зрелое управление и постоянные улучшение? - непрерывный мониторинг качества и red team? Например, ISO/IEC 42001 описывает AI management system как систему для установления, внедрения, поддержания и постоянного улучшения управления ИИ в организации. Такой рамки зрелости в рекомендациях Банка России пока не хватает. Мой вывод: документ Банка России - хороший фундамент для защиты ИИ. Но следующий слой должен быть шире: управление ИИ + защита ИИ + риск-менеджмент ИИ. #кибербез 💬 ген ии | MAX

Банк России опубликовал методические рекомендации по безопасному применению ИИ Вышел хороший системный документ по безопасному ИИ для финансовой отрасли. На мой взгляд эти рекомендации подойдут для любой отрасли и для государственного управления. Сделаю аж 2 поста по его разбору. Первый пост про то, что вошло в документ, второй пост про то, что осталось важного за рамками. ИИ предлагается рассматривать как полноценный объект киберриска и операционной надежности, а не просто как инструмент или алгоритм. Это часть критичного бизнес-процесса, у которой есть свои угрозы, инциденты, цепочки поставок, требования к мониторингу, восстановлению и ответственности. Что важного в документе? 1️⃣ Описаны специфические риски ИИ Отравление данных, утечки через модель, галлюцинации, дрейф данных, недостаточную объяснимость, атаки на open-source компоненты и поставщиков. Это важно, потому что раньше ИИ часто пытались уложить в классическую ИБ-рамку. Теперь понятно, что AppSec и защиты периметра не достаточно. 2️⃣ Для систем ИИ предусматривается отдельная модель угроз Рекомендации предлагают рассматривать весь жизненный цикл: подготовку данных, разработку модели, обучение, тестирование и эксплуатацию. На каждом этапе свои риски: где-то можно отравить данные, где-то подменить модель, где-то извлечь конфиденциальную информацию, а где-то устроить отказ в обслуживании через специально сформированные запросы. 3️⃣ ИИ в критичных процессах не должен работать без человека Если ИИ используется в автоматическом режиме в критически важных процессах (например, платежах или учетных системах) при высоком уровне риска рекомендуется валидация результата человеком с возможностью его изменить. 4️⃣ Open source и внешние ИИ-сервисы становятся зоной повышенного внимания Отдельный блок посвящен поставщикам, open-source моделям, компонентам, агентам, плагинам и интерфейсам. Организациям рекомендуется вести их учет, оценивать доверие, проверять уязвимости, лицензии, цепочки поставок и процессы безопасной разработки. 5️⃣ ИИ нужно мониторить как динамическую систему Недостаточно один раз протестировать модель перед запуском. Нужны регистрация входных и выходных данных, контроль аномалий, мониторинг поведения модели, red team, пентесты, дообучение и планы действий при нештатных ситуациях. Вывод: для финансовых организаций ИИ стал не только задачей бизнеса и data science, но и полноценной зоной ответственности ИБ-директора, риск-менеджмента, архитекторов и владельцев процессов. Кто сейчас внедряет ИИ-агентов, RAG-системы, скоринговые модели или ассистентов для сотрудников, должен задавать не только вопрос «какую пользу это даст?», но и вопрос: "как применять ИИ безопасно в организации?" #кибербез 💬 ген ии | MAX

Как создать ИИ-агент, который работает системно с большим контекстом Недавно я писал про «обвязку агента» (Agent Harness). Вкратце - это слой правил, инструментов и контекста, инфраструктурная оболочка, которая управляет работой агента: памятью, инструментами, контекстом, циклами выполнения, проверками и безопасностью. Есть ряд лайфхаков, как улучшить работу ИИ-агентов через три уровня циклов. 1️⃣Внутренний цикл (Inner loop) Реализует базовый цикл агента: мысль → действие → наблюдение Агент вызывает инструменты, смотрит на результат и делает следующий шаг. Файлы становятся памятью, тесты - обратной связью. Что можно решать: поправить баг, написать скрипт, собрать отчёт, проанализировать папку документов, подготовить прототип. 2️⃣ Внешний цикл (Outer loop / Ralph loop) Агент перезапускается снова и снова в бесконечном цикле, но каждый раз анализирует накопленные артефакты: планы, логи, ошибки, промежуточные результаты. Это позволяет не только отрабатывать одиночные запросы, но и рефлексировать и сохранять долгосрочную память и контекст. Что можно решать: исследование, миграцию кода, генерацию датасета, серию экспериментов, подготовку сложного аналитического продукта. 3️⃣ Мета-цикл (Meta loop) Следующий уровень - агент улучшает уже не только результат, а саму агентную систему: промпты, tools, конфиги, логику повторений, критерии качества. После каждой правки он проверяет benchmark или eval и оставляет то, что улучшило результат. Что можно решать: настройку агентной фабрики, подбор лучшего профиля под модель, повышение устойчивости, создание доменных ассистентов под конкретный процесс. По сути это инженерный слой, который улучшает качество работы самого агента и его окружения. Что это значит для бизнеса? Хороший агент - это не тот, кто правильно отвечает на запросы пользователей. Хороший агент оставляет после себя измененные файлы, пройденные проверки, измеримый результат, а также совершенствует собственные навыки. Правильная точка входа для компании - не «чат-бот для сотрудников», а конкретный процесс, где есть документы, действия, проверки и повторяемый результат: анализ договоров, подготовка КП, проверка кода, сбор отчётов, исследование рынка, тестирование гипотез. Следующий скачок продуктивности даст не модель сама по себе, а правильно собранная среда вокруг неё. #агенты 💬 ген ии | MAX

Когда ИИ превращает подписку в open source и «ломает» бизнес-модель Недавно произошел интересный прецедент с WHOOP - фитнес-браслетом от Google. Энтузиаст из интернета с применением ИИ сделал реверс-инжиниринг браслета и создал Goose - open-source решение для WHOOP 5.0. Приложение подключается к браслету по Bluetooth, забирает данные и локально превращает их в экраны health, recovery, sleep, strain, stress и другие метрики. Автор отдельно пишет, что проект независим от WHOOP и не использует исходный код компании. Параллельно появился Noop - неофициальное open-source приложение, которое позволяет читать данные WHOOP без облака, аккаунта и подписки. По данным TechRadar, WHOOP-подписки начинаются от $199 в год, а рядом уже появились несколько альтернативных проектов: Noop, Goose и Whoof. Это по сути уничтожает бизнес-модель продукта. WHOOP продаёт не просто браслет. Он продаёт доступ к интерпретации данных: восстановление, сон, нагрузка, стресс, рекомендации. Но если разработчики с помощью ИИ могут быстро разобрать протоколы, вытащить сырой поток данных и собрать альтернативный интерфейс, то подписочная модель становится не актуальной. Что делать бизнесу, который работает по подписке? На самом деле как по мне рецепт один - создавать контролируемые API и экспорт данных раньше, чем это сделает сообщество. Лучше управляемая экосистема разработчиков, чем партизанский open source вокруг продукта. При этом на раскрытии информации организация может тоже зарабатывать средства. Как по мне это интересный прецедент и таких случаев будет становиться все больше. PS: кейсом поделился Сергей Кобелев из "Якова и партнеров" #интересное 💬 ген ии | MAX

Claude Mythos: друг или враг организации? Вокруг Mythos сейчас много шума. Одни видят в них прорыв для ИБ. Другие - инструмент, который может ускорить атаки. У многих ИБ-директоров сейчас стоит вопрос, а что реально умеет Mythos и какие угрозы для ИБ он создает? Короткая хронология: - 7 апреля Anthropic анонсировала Project Glasswing - программу, где Claude Mythos Preview дали ограниченному кругу партнёров для поиска уязвимостей в критически важном ПО - 22 мая компания сообщила, что около 50 партнёров нашли с помощью Mythos Preview более 10 000 уязвимостей высокой и критической степени - исследователи Calif заявили, что вместе с Mythos Preview за пять дней собрали рабочий macOS kernel exploit на Apple M5. По сообщениям WSJ/MacRumors, речь шла о связке двух багов, которая давала повышение привилегий. Но сами исследователи подчёркивали: это не «ИИ сам взломал MacBook», а связка сильной модели и человеческой экспертизы. - Anthropic утверждает, что Mythos Preview способен находить и эксплуатировать zero-day в основных ОС и браузерах, а в одном из тестов собрал сложную цепочку из нескольких браузерных уязвимостей с обходом песочниц. - 9 июня Anthropic выпустила Claude Fable 5 — публичную модель Mythos-класса, и Claude Mythos 5 — ограниченную версию для доверенных киберзащитников и инфраструктурных организаций. Что похоже на правду? Fable - публичная Mythos-class модель. Anthropic заявляет, что она сильна в программировании, анализе документов, vision-задачах и долгих агентных сценариях. Например, Fable смогла самостоятельно пройти видеоигру Pokemon Fire без подсказок. Mythos - "опасная" модель с ослабленными ограничениями в отдельных чувствительных областях. Доступ к нему не открыт для всех. Они могут существенно ускорить поиск уязвимостей. Главный риск не в том, что «любой школьник теперь взломает банк», а в том, что опытный атакующий с ИИ может быстрее пройти путь от идеи до рабочей цепочки атаки. Что похоже на миф? - «Mythos взламывает всё подряд» - слишком грубое упрощение. У злоумышленника действительно должны быть высокие компетенции, понимание слабых мест инфраструктуры и идеи атаки, чтобы их реализовать. - «Fable полностью безопасна». У публичной версии есть фильтры, но любая мощная модель с доступом к вашим данным, коду или рабочим системам становится частью контура риска. Как защищаться от хакера с ИИ? Главное - исходить из того, что атакующий теперь быстрее анализирует ваш внешний периметр, код, конфигурации, утечки и публичную информацию. 1. Управление уязвимостями и быстрый патчинг критических. Критические уязвимости в VPN, почте, браузерах, DevOps-инструментах, CMS и внешних сервисах нельзя закрывать «когда дойдут руки». В мире атак с ИИ-ассистентами это окно будет использоваться быстрее. 2. Проверить внешний периметр и ограничить его. Всё, что торчит в интернет, должно быть известно команде ИБ и ИТ: домены, поддомены, тестовые стенды, забытые админки, старые панели, публичные бакеты, API и dev-сервисы. 3. Навести порядок с секретами. API-ключи, токены, приватные ссылки, пароли в репозиториях, логах, Notion, Confluence и чатах — это топливо для атаки. Их нужно искать, менять и закрывать автоматическими проверками. 4. Ограничить права. Если сервисный аккаунт, маркетолог, подрядчик или AI-инструмент имеет доступ «ко всему», это не удобство, а будущий инцидент. Минимальные привилегии должны стать нормой. 5. Усилить мониторинг. Важно видеть странное поведение: массовое сканирование, необычные входы, скачивание больших объёмов данных, активность сервисных аккаунтов, подозрительные запросы к API. 6. Самим использовать ИИ в защите. Анализ кода, триаж уязвимостей, проверка конфигураций, разбор логов, подготовка киберучений и моделирование сценариев атак — всё это должно стать частью работы ИБ-команды. Хакер с ИИ опасен скоростью. Организация должна быстрее находить, приоритизировать и закрывать слабые места, чем атакующий успеет собрать из них рабочую цепочку. #кибербез 💬 ген ии | MAX

ПМЭФ-2026: суверенитет, классика, ИИ и роботы Завершился ПМЭФ-2026, искусственный интеллект обсуждали почти в каждой первой сессии, но не как отдельную технологию, а как фактор перестройки экономики, изменение рынка труда, образования, малого бизнеса, отраслевого и государственного управления. Из интересного: 1️⃣ ИИ становится темой производительности, а не только цифровизации Одна из самых важных цифр форума: уже существующие ИИ-технологии, по оценкам Сбера, могут повысить производительность труда в России на 11–22%. При этом около 48% российской экономики находится в зоне влияния ИИ. ИИ начинают воспринимать не как модный инструмент для текстов и картинок, а как способ решать одну из главных проблем экономики - дефицит ресурсов и стимулирование роста производительности труда. 2️⃣ Рынок труда будет меняться не по профессиям, а по навыкам По анализу 22 млн вакансий, 62% навыков на российском рынке труда могут быть дополнены или частично замещены ИИ. Это значит, что трансформация не обязательно будет выглядеть как массовое исчезновение профессий. Скорее, начнется пересборка ежедневной работы: аналитика, документы, поиск информации, клиентские коммуникации, подготовка решений, контроль исполнения. 3️⃣ Главная новая тема — агентная экономика На ПМЭФ прозвучал прогноз Альянса в сфере ИИ: к 2030 году более половины бизнес-решений могут приниматься с участием или под управлением ИИ-агентов. Агентная экономика - это когда ИИ не только отвечает, но и анализирует ситуацию, предлагает следующий шаг, запускает цепочку операций и взаимодействует с другими системами, что дает новую ценность для бизнеса. 4️⃣ Малый бизнес становится следующим полем внедрения ИИ Интересный сигнал - ИИ всё активнее упаковывают не только для корпораций, но и для МСП. Обсуждались сценарии, где предприниматель управляет компанией через диалог с ИИ-помощником, а внутри запросы распределяются между специализированными агентами: продажи, финансы, закупки, маркетинг, документооборот. В одной из публичных оценок срок возврата инвестиций в ИИ-агентов для малого бизнеса назывался на уровне 1–1,5 года. 5️⃣ Образование по ИИ превращается в отдельный большой рынок На сессии о кадрах для индустрии ИИ прозвучала оценка: рынок образования в сфере искусственного интеллекта в России сейчас составляет 45,7 млрд рублей, а к 2030 году может вырасти до 117 млрд рублей. Если горизонт актуальности технологических знаний сжимается до месяцев, то компаниям придётся перестраивать обучение: не раз в несколько лет отправлять сотрудников на курс, а постоянно обновлять навыки внутри рабочих процессов. 6️⃣ ИИ уходит в реальные отрасли, а не только в корпоративные процессы Хороший пример — агросектор. По данным Росагролизинга, техника с элементами автопилотирования и ИИ поставлялась уже в 46 регионов России, клиентами стали 135 хозяйств. В 2026 году на разных стадиях реализации находятся заказы на 76 единиц такой техники на сумму более 230 млн рублей. Это важный маркер: ИИ становится не только инструментом для текстов и презентаций, но и технологией для физической экономики. 7️⃣ Доверие, культура и регулирование становятся ограничителями масштабирования На ПМЭФ отдельно обсуждали, что развитие ИИ должно учитывать не только технологические возможности, но и безопасность, прозрачность, культурный код, национальную идентичность и возраст пользователей. Особенно чувствительная тема — дети, которые могут воспринимать ИИ не как инструмент, а как живого собеседника. ПМЭФ-2026 показал, что российская ИИ-повестка становится более прагматичной и прикладной. Главный вопрос теперь в том, как встроить ИИ в процессы, данные, инфраструктуру и управление, организовать обучение, безопасность и контроль. PS: я в этом году не попал на ПМЭФ, но решил все равно сделать пост по итогам. Картинку взял из Интерфакса #итоги 💬 ген ии | MAX

Как ИИ дизраптит отрасли в России Друзья, привет, дал комментарии для SberPro по текущему статусу развития ИИ в России. По мне получился неплохой срез рынка ИИ и сбор статистики по разным отраслям. По данным статьи, вклад ИИ в ВВП России в 2025 году оценивался в 1,8 трлн рублей, а к 2030 году может достигнуть более 11 трлн рублей в год. Российский рынок генеративного ИИ, по оценкам, может вырасти до 778 млрд рублей к 2030 году. Фокус организаций смещается в сторону промышленного внедрения и масштабирования: - защищённые корпоративные контуры (в финансовом секторе до 90%); - интеграция с внутренними системами; - контроль доступа и журналирование; - оценка качества ответов; - защита данных и безопасность ИИ; - переход от отдельных пилотов к платформенному подходу. Интересно, что 71% крупных компаний в России уже применяют генеративный ИИ хотя бы в одной функции, а 78% фиксируют экономический эффект. При этом основной результат пока чаще связан со снижением затрат, но следующий этап — рост выручки за счёт новых продуктов и сервисов. Около 10% компаний получают эффект до 5% EBITDA. По отраслям рынок ИИ развивается очень неравномерно: • лидеры — ИТ, телеком, e-commerce и финансы: здесь компании уже направляют на ИИ 13–17% ИТ-бюджета, получают эффект до 8% EBITDA и ожидают рост до 13–21% EBITDA в ближайшие годы • в электронной коммерции ген ИИ особенно быстро заходит в маркетинг и продажи: 92% компаний уже внедряют или планируют такие сценарии • в промышленности темп осторожнее: около 50% крупных предприятий готовы использовать ген ИИ в производственных процессах, 42% — в управлении производством, 29% — в НИОКР и проектировании. Но при этом 70–80% промышленных компаний уже применяют ген ИИ во вспомогательных функциях: документообороте, аналитике, отчётности и протоколировании. Успех масштабирования генеративного ИИ определяют семь факторов: бизнес-спонсор, работа с качеством данных, конвейер по тестированию гипотез, безопасность, интеграция в процессы, обучение сотрудников и регулярное измерение эффекта. Многие компании застревают на этапе пилотов: сделали несколько проектов, получили интерес, но не смогли встроить ИИ в ежедневную работу. Масштабирование начинается тогда, когда ИИ становится частью стандартного процесса: сотрудник не заходит в отдельный сервис, а работает в привычной системе, где ИИ уже встроен в документооборот, CRM, service desk, базу знаний, систему разработки или аналитическую платформу. В конечном счёте выигрывают не те компании, которые первыми купили доступ к модели, а те, кто научился перестраивать процессы вокруг ИИ. #полезное 💬 ген ии | MAX

Hermes Agent: ИИ-агент, который не просто отвечает, а учится на опыте Друзья, последний месяц активно тестирую Hermes Agent, потратил кучу денег на токены активно применяю его в своей деятельности, нашел полезные сценарии применения для себя и даже нашел собутыльников единомышленников. Пока большинство ИИ-агентов остаются «умными чатами», Nous Research показала Hermes Agent - open-source агента, который живёт на вашем сервере, помнит контекст, сам создаёт навыки и становится полезнее со временем. Главная идея Hermes: агент должен не каждый раз начинать с нуля, а накапливать операционный опыт. Выполнил сложную задачу - зафиксировал подход как reusable skill. Получил обратную связь - улучшил навык. Через неделю или месяц - может найти старую переписку, вспомнить проект и продолжить работу. Что умеет Hermes Agent: 1️⃣ Постоянная память Агент хранит контекст по проектам, пользователю и прошлым задачам. Это уже ближе не к «чату», а к цифровому сотруднику, который постепенно понимает вашу рабочую среду. 2️⃣ Самообучающиеся навыки Hermes может создавать и улучшать собственные skills — инструкции и процедуры для повторяющихся задач. Например: как готовить еженедельный отчёт, как работать с конкретным репозиторием, как проверять документы или собирать дайджест. 3️⃣ Работа через привычные каналы С ним можно взаимодействовать не только через CLI, но и через Telegram, Discord, Slack, WhatsApp, Signal, Email и другие платформы. То есть агент может жить не в отдельном интерфейсе, а там, где уже идёт работа. 4️⃣ Автоматизации по расписанию Встроенный cron позволяет запускать регулярные задачи: отчёты, аудиты, бэкапы, мониторинг, брифинги. Это важный шаг от «попросил — получил ответ» к модели «агент сам делает рутину». 5️⃣ Субагенты и параллельная работа Hermes может запускать изолированных подагентов под отдельные задачи. Один собирает данные, второй анализирует, третий готовит текст или код. Такой подход снижает хаос в длинных задачах и делает агента ближе к мини-команде. 6️⃣ Локальный и self-hosted режим Hermes можно запускать на VPS, локальной машине, GPU-кластере или serverless-инфраструктуре. Он не привязан к одному провайдеру моделей: поддерживаются OpenRouter, OpenAI, Nous Portal, NVIDIA NIM, Hugging Face и собственные endpoint’ы. Кому будет полезно? Hermes Agent будет полезен разработчикам, техническим командам и тем, кто строит корпоративных ИИ-агентов. Это хороший пример self-hosted цифрового сотрудника: он помнит контекст, создаёт навыки из опыта, работает с инструментами и может автоматизировать рутину — от кода и документации до отчётов, мониторинга и подготовки материалов. #агенты 💬 ген ии | MAX