Паша AI AI AI

AI повышает ценность инженерного опыта Первые исследования AI-ассистентов создавали впечатление, что они сокращают разрыв между разработчиками разного уровня. В эксперименте с 4867 разработчиками из Microsoft, Accenture и еще одной компании из Fortune 100 использование GitHub Copilot увеличило число выполненных задач в среднем на 26%. При этом менее опытные разработчики получили больший прирост производительности. Но больший прирост не означает, что разница в экспертизе исчезает. AI хорошо сокращает время на написание кода, однако написание кода — лишь часть разработки. Адвайт Саркар и Иэн Дросос из Microsoft проанализировали более восьми часов записей программирования с AI на YouTube и Twitch. В наблюдавшихся сессиях работа выглядела как повторяющийся цикл: разработчик формулировал задачу, изучал сгенерированный код, запускал программу, оценивал результат, а затем уточнял запрос, добавлял контекст или самостоятельно менял код. То есть генерация переходила к AI, но постановка задачи и оценка результата оставались за человеком. Именно здесь становился важен инженерный опыт. Разработчики замечали проблемы, которые невозможно определить только по тому, что программа запускается: неправильную конфигурацию базы данных, ненужную сложность, неудачно выбранные библиотеки или реализацию, которая технически работает, но не соответствует исходному замыслу. Они также решали, когда имеет смысл продолжать диалог с моделью, а когда быстрее исправить код самостоятельно. Получается важный сдвиг. Раньше значительная часть преимущества опытного разработчика проявлялась непосредственно в производстве кода: быстрее написать реализацию, найти ошибку, вспомнить API или подобрать подходящий инструмент. AI снижает стоимость части этой работы. Но одновременно возрастает относительная ценность другого навыка — способности оценивать результат. Похожую картину показывает исследование использования GitHub Copilot в open-source-проектах. С Copilot разработчики создавали больше изменений, которые в итоге принимались в проекты. Однако эффект зависел от знакомства разработчика с кодовой базой: меньший опыт работы с конкретным репозиторием был связан с более долгим процессом согласования изменений. В этом нет противоречия. AI может дать начинающему разработчику больший относительный прирост производительности, потому что автоматизирует работу, которая раньше занимала у него много времени. Но знание архитектуры, продукта и существующей кодовой базы определяет, насколько легко сгенерированный код превратить в изменение, которое действительно можно принять в систему. Поэтому AI сокращает один разрыв между джуниором и сеньором, но не обязательно другой. Он уменьшает разницу в скорости производства кода. Но способность понять, какой код вообще стоит производить, остается отдельным навыком. Чем дешевле становится генерация, тем больше разработка смещается от написания к оценке: правильно ли поставлена задача, вписывается ли решение в архитектуру, не создает ли оно лишнюю сложность, что произойдет в пограничных случаях и соответствует ли результат потребностям продукта. Поэтому AI не столько обесценивает инженерный опыт, сколько меняет то, за что этот опыт ценится. Модель может написать функцию. Гораздо сложнее определить, нужна ли эта функция, правильно ли она устроена и что произойдет, когда созданная система выйдет за пределы демонстрации. И по мере того, как код становится дешевле генерировать, профессиональное суждение становится важнее.

Frontier-AI выходит из премиального сегмента В этом месяце почти одновременно OpenAI и Anthropic выпустили новые модели, которые стали производительнее предшественников и при этом заметно дешевле в использовании:   - У GPT-6 Sol и GPT-6 Luna стоимость API снизилась примерно вдвое по сравнению с моделями семейства GPT-5.6. Миллион входных токенов Sol теперь стоит $2 вместо $4, выходных — $10 вместо $20. У Luna цены опустились до $0,1 и $0,5 соответственно. OpenAI связывает снижение с более эффективным инференсом и кэшированием контекста, но по сети пролетела информация о том, что готовится более дорогой тариф за 500$. Возможно, стоит ждать сокращения лимитов.  - У Claude Opus 5.5 входные и выходные токены подешевели на 20%, а чтение кэша сразу на 60%. Новая модель расходует меньше токенов и выполняет задачу за меньшее число шагов. По расчетам Anthropic, типовая нагрузка обходится примерно на 40% дешевле, чем при использовании Opus 5. Теперь нет смысла сравнивать модели только по цене миллиона токенов. Агент может долго собирать контекст, вызывать инструменты, создавать подзадачи, проверять результат и несколько раз переделывать работу.  Это меняет экономику автоматизации. Если недавно сильную модель было разумно подключать только к дорогим и редким операциям, теперь ее можно использовать для миграции кода, подготовки финансовой модели, проверки документов или работы с корпоративными системами. С учетом новых цен — это имеет смысл в масштабе тысяч операций. Дешевеет доступ к уровню возможностей, который совсем недавно считался frontier. Авторы исследования экономики AI-инференса подсчитали, что стоимость достижения одного и того же уровня результатов в задачах на знания, математику, рассуждение и программирование снижается примерно в 5–10 раз за год. Модели уже выполняют задачи на том же уровне качества, что и мощные дорогие флагманы.  Есть и обратная сторона — экономия на одной операции редко приводит к сокращению общего AI-бюджета. Компании начинают запускать больше агентов, давать им длинные задачи, увеличивать контекст и добавлять циклы проверки. То же исследование показывает, что стоимость работы на абсолютной границе возможностей растет, поскольку модели рассуждают дольше и используют больше вычислений. Теперь для бизнеса важнее стоимость правильно и надежно завершенной задачи с учетом всех промежуточных итераций. Если нынешний темп сохранится, массовое распространение агентов произойдет тогда, когда доступные им сложные действия станут достаточно дешевыми для ежедневного использования.

Самый важный навык в ближайшие 10 лет Согласно прошлогоднему исследованию WEF, в ближайшие пять лет сменится каждая седьмая рабочая роль: 92 млн исчезнет, 170 млн появится. К 2030-му работодатели обновят 39% требований к навыкам сотрудников. Предприниматель и блогер Дэн Ко описал, на что обратить внимание в карьере. Теперь надо не просто развиваться на своей должности, а прокачивать самостоятельность: она поможет в любых задачах. Важно ставить свои цели, действовать без внешних указаний, постоянно учиться и не пасовать перед неудачами. Еще несколько идей из текста Дэна: • Задачи надо решать структурно. Проактивности недостаточно — надо формулировать гипотезу, проверять ее, оценивать обратную связь и исправлять ошибки. Если необходимо — повторять до результата. • Карьера и даже жизнь — это эксперимент. Больше нет «обязательных» инструментов и «правильных» профессий — надо тестировать возможные пути, учитывать ошибки, оценивать результат и снова экспериментировать. • AI усиливает наши способности, а не отбирает рабочие места. Хотя нейросеть способна написать код или создать картину, только человек может поставить цель, оценить результат и, что принципиально, нести ответственность за него. Но ценность навыков смещается: создавать строки кода уже не так важно, как создавать смыслы, управлять системой и реализовывать задуманное. • Самыми востребованными специалистами станут универсалы. Они видят систему в разных областях, ставят задачи и осваивают под них инструменты. Показательно, что последний тезис поддержал Сатья Наделла, генеральный директор Microsoft. Он призвал не зацикливаться на конкретных инструментах, но развивать петлю «человек — AI»: сотрудник выполняет задачи с помощью нейросетей, при этом обучает AI, а на результатах тренируется взаимодействовать с ним. Подход не только наращивает компании AI-капитал, но и повышает ценность ее сотрудников.

AI-агенты накапливают коллективный разум через технологии Исследователи MIT представили SwarmWorld — виртуальный мир, где от 50 до 200 одинаковых AI-агентов самостоятельно искали ресурсы, испытывали материалы, строили объекты и писали для них программы. Им не назначали роли и не выдавали рецепты, однако со временем среди агентов появились исследователи, строители, смотрители и координаторы. В основе эксперимента лежит стигмергия — координация через изменения окружающей среды. Так же устроена природа, например один муравей оставляет химический след, а остальные усиливают удачный маршрут. В SwarmWorld подобным следом стали технологии: • Мир представлял собой двумерную территорию с ресурсами, производственными площадками и меняющимися условиями. • Каждый агент видел только ближайшее окружение, обладал ограниченной памятью и мог предложить план максимум из 12 действий. • Последнее слово оставалось за детерминированным симулятором — работу AI-агента определяли заложенные физические правила. • Успешная находка сохранялась в мире и влияла на следующих участников, даже если ее автор ни с кем не взаимодействовал. Агенты проверяли в четырех режимах. В первом они могли общаться, публиковать результаты, обучать друг друга, обмениваться ресурсами и наследовать чужие программы. В других режимах исследователи последовательно убирали сообщения и возможность копировать код, пока от коллективной работы не осталась лишь координация через физические объекты. Контрольная группа состояла из изолированных агентов, каждый из которых работал в собственном мире. На длинной дистанции общество из 100 агентов создало в среднем 5,75 технологий, а отдельные боты, координировавшиеся только через окружающую среду, — 7,0. Изолированный поиск дал всего 2,75 технологий, но лучший артефакт нашли именно одиночки. Получается, рой AI-агентов полезен, когда нужно накопить несколько дополняющих друг друга технологий и сохранить работоспособность системы при разных сбоях. В свою очередь, одиночный поиск лучше работает в соревнованиях за рекорд. Еще интереснее, что активная коммуникация помогала далеко не всегда. Около 95% первых повторных использований технологии начинались с наблюдения за объектом, а не с сообщения «создателя». AI-агенты учились скорее как разработчики, изучающие работающий репозиторий, чем как участники бесконечного совещания. SwarmWorld продолжает несколько более ранних экспериментов. В Generative Agents 25 виртуальных персонажей обменялись информацией о вечеринке ко Дню святого Валентина, начали приглашать друг друга и в назначенное время собрались вместе. В Project Sid общества из 10–1000+ агентов в Minecraft самостоятельно создавали специализации, правила и культурные практики. Эти работы показали, что модели способны организовать социальное поведение. Другую часть механизма продемонстрировал Voyager — один агент сохранял успешные действия в виде библиотеки исполняемого кода, благодаря чему находил в Minecraft в 3,3 раза больше уникальных предметов и достигал некоторых этапов технологического дерева в 15,3 раза быстрее прежних систем. SwarmWorld объединил эти подходы. Роевой подход проверяли и за пределами игровых задач. В работе по проектированию белков AI-агенты отвечали за разные позиции в аминокислотной последовательности, а созданные ими варианты тестировались в реальных условиях. На фоне этого эксперимента SwarmWorld пока остается симуляцией — исследователи использовали одну модель и всего четыре набора начальных условий, а свойства материалов рассчитывались по заданным правилам. Полагаю, главный вывод исследования в том, что коллективный интеллект не возникает из ролевых промптов. Можно заранее назвать агентов исследователем, разработчиком и координатором, но сами по себе эти роли не заставят их работать как систему. Эффективнее дать ведущему агенту возможность самому разделять цель на независимые задачи, передавать их субагентам и собирать результаты в общем рабочем контуре. Такой подход сокращает лишнюю коммуникацию, предотвращает дублирование работы и позволяет продолжать ее с уже накопленного результата.

Спасет ли налог на автоматизацию от ловушки сокращений AI повышает производительность и освобождает людей от рутины, но его польза зависит от того, успевает ли экономика создавать рабочие места. Если компании заменяют сотрудников быстрее, чем те находят другую работу, то спрос на продукцию компаний падает. Такой сценарий описали экономисты Бретт Хеменуэй Фолк и Джерри Цукалас в работе The AI Layoff Trap. Выглядит логично: когда компания ради экономии увольняет часть сотрудников, они теряют доход и меньше тратят. А если почти все компании увольняют, то слишком много народу тратит меньше, и спрос падает в целом. Но падение распределяется между всеми участниками рынка, а экономят те, кто первыми провели сокращения. Получается экономическая ловушка, похожая на эффект безбилетника: каждой компании выгодно продолжать автоматизацию, даже если все понимают, что массовые увольнения сжимают рынок. И чем сильнее конкуренция и производительнее AI, тем быстрее эта гонка. Признаки проблемы уже видны. В 2025-м американские компании связали с AI 54 836 объявленных сокращений. Некоторые говорили об этом прямо. Например, компания Block уволила более 4000 человек, объяснив решение возможностями интеллектуальных инструментов. Авторы проверили пару способов остановить процесс, но они неэффективны: • Переобучение сотрудников не отменяет сокращений. Статистика подтверждает — по данным ВЭФ, 77% работодателей планируют обучать персонал работе с AI, но при этом 41% собираются сокращать тех, чьи задачи можно автоматизировать. • Безусловный базовый доход поддерживает потребление, но недостаточно. В 2024-м в США группа ученых провела эксперимент, где тысяча людей три года получали по 1000 $ в месяц. Расходы домохозяйств участников выросли лишь на 300 $ в месяц. А участие в рынке труда снизилось на 4,1% — то есть и спрос поднялся слабо, и мотивация создавать экономическую ценность снизилась. На основе этого исследователи предлагают «пигувианский налог на автоматизацию» — чтобы сгладить для экономики потерю доходов и падение спроса из-за замены человека AI-агентами. Специалисты отмечают: собранные средства можно направлять на переобучение и на создание рабочих мест. AI перестраивает занятость и сейчас обсуждаются механизмы, способные смягчить этот переход. Предложенные исследователями меры должны повлиять на рост числа предпринимателей, что положительно скажется на экономике. Вопрос в том, сможет ли сочетание переобучения, социальной поддержки и корректирующих налогов сделать переход менее болезненным — или же технологическая гонка продолжится, пока не упрется в падение потребительской базы.

AI-агенты переводят киберугрозы на новый уровень AI уже ищет уязвимости, анализирует код, создает эксплойты и автоматизирует отдельные этапы атак. Но с AI-агентами риски переходят на следующую ступень. В кибератаках агент получает цель, инструменты и память, после чего сам проходит цикл «наблюдение — действие — проверка результата — следующий шаг». Не сработало — пробует другой путь. Атакующая система способна подстраивать действия под конкретную инфраструктуру без постоянного участия оператора. Это показали исследователи, создав прототип AI-червя. Их система генерировала стратегии под определенную машину, анализируя ее конфигурацию и результаты предыдущих действий. Червь использовал open-weight LLM: после компрометации GPU-хоста разворачивал там локальную модель и использовал новую машину как вычислительный узел. Эксперимент провели в изолированной сети из 33 виртуальных машин. В 15 независимых запусках по семь дней червь в среднем находил 31 уязвимость и получал повышенные привилегии на 23 хостах. В отдельных запусках он распространялся через семь последовательных поколений: на скомпрометированных машинах запускались следующие экземпляры червя. Новые риски проявляются и на испытаниях моделей: • Модели от OpenAI вышли из изолированной среды и получили доступ к производственной инфраструктуре Hugging Face, воспользовавшись уязвимостью в инструменте установки пакетов. • У Anthropic Claude из тестовой среды в трех случаях вышел в интернет и проник в инфраструктуру реальных организаций. • Модель Kimi K3 обнаружила доступный из sandbox интернет и получила данные с GitHub. • В тестах AI Security Institute агенты пытались через социальную инженерию внести уязвимости в open-source-проект. Развитие AI-агентов резко ускорило многие этапы кибератак и спровоцировало гонку автономности между атакующими и защитниками. Кибербезопасность вынуждена учитывать противника, который автоматически ищет уязвимости, меняет тактику и масштабирует атаку. AI-агенты требуют от защитных систем такой же автономности — непрерывно обнаруживать, анализировать и блокировать подозрительные действия.

Компании будут конкурировать в накоплении AI-капитала Сатья Наделла опубликовал большое эссе о том, как AI меняет экономику. По его мнению, компаниям больше не стоит выбирать между моделями, потому что теперь это лишь компонент. Главным активом бизнеса становится обучающийся контур (learning loop), когда когда каждый запрос к AI, ее ответ, внесённые пользователем правки и итоговое решение сохраняются внутри организации и постепенно улучшают работу собственных AI-систем. Раньше цифровые системы помогали сотрудникам применять накопленные знания. Теперь AI может усваивать этот опыт и превращать в воспроизводимый процесс. Так формируется token capital — AI-возможности, созданные компанией из собственных данных, рабочих процессов и экспертизы сотрудников. Само потребление токенов такого капитала не создает. Он появляется, когда компания сохраняет контекст задач, действия людей и агентов, внесенные исправления, причины решений и результаты. А после оценивает их по собственным бизнес-метрикам и использует эти данные для улучшения системы. Также Наделла отмечает, что внешнему исполнителю собственное обучение передать не получится. Если компания подключила готовую модель, получила ответ и не сохранила опыт внутри, при следующем запросе она практически начинает заново — интеллектуальный актив не появляется. По этим причинам корпоративной AI-системе нужны собственная база знаний, история решений, частные оценки качества, контур обратной связи и возможность менять базовую модель без потери накопленного опыта. При этом человеческий капитал становится еще важнее — именно люди ставят цели, замечают связи между областями, учитывают контекст и оценивают результат. Без них AI воспроизводит шаблоны, не понимая, куда должна двигаться компания. Например, в эксперименте Harvard Business School и BCG модель GPT-4 правильно обработала данные по разработке стратегии бренда, но пропустила деталь из интервью, которая меняла запрос. В свою очередь, чем лучше рабочий процесс, тем качественнее следующие данные и тем быстрее копится институциональное знание. Такой цикл со временем превратится в преимущество, которое не наверстать покупкой доступа к более мощной модели. Например, банк Morgan Stanley создал AskResearchGPT, которая работает с корпоративной базой документов. В нее ежегодно добавляется более 70 тысяч отчетов, на основе которых AI предлагает решения похожих вопросов. Также Наделла настаивает на создании экосистемы, где компании сохранят контроль над своей интеллектуальной собственностью и результатами обучения. Когда знания банков, промышленности, медицины и ритейла копятся внутри универсальных AI-систем — целые отрасли развивают чужой актив вместо собственного. В итоге в ближайшие годы компании будут конкурировать именно в скорости, с которой переводят рутину в институциональное знание. Модели продолжат сменять друг друга, а накопленный цикл обучения останется с компанией и будет ценнее после каждого использования.

AI ускоряет науку Научный поиск упирается не только в сложность исследований, но и в объем знаний: ежегодно выходят миллионы работ, а лаборатории собирают огромные массивы данных. Исследователи ищут связи между многочисленными публикациями, проверяют свои гипотезы на соответствие всей информации по теме, проводят долгие расчеты и проверяют многоэтапными экспериментами. К счастью, все больше этих задач берет AI. Результаты есть, особенно в медицине. AlphaFold сформировала открытую базу из более чем 200 млн трехмерных структур белков. А с помощью Meta AI команда Дженнифер Дудны создала компактные РНК-направляемые нуклеазы SynTnpB с последовательностями, которых нет в природе. С этими нуклеазами можно редактировать ДНК человека. Еще AI-системы перспективны в материаловедении. Так, GNoME предсказала 381 тысячу стабильных кристаллических структур, среди которых могут оказаться материалы для аккумуляторов, солнечных панелей и микроэлектроники. Отдельные задачи — только первый этап. Следующий — собрать в единый процесс поиск научных знаний, генерацию гипотез, анализ данных и экспериментальную проверку. В Nature в 2026-м описали мультиагентную систему Robin. Она ищет информацию в научной литературе, формулирует гипотезы, предлагает идеи для экспериментов, анализирует результаты и по ним формирует следующие гипотезы. Авторы протестировали систему на поиске терапевтических кандидатов для возрастной макулярной дегенерации. Nature отмечает движение к лабораторному циклу с AI на каждом этапе. Для такого подхода уже создают техническую базу. Американскую программу Genesis Mission запустили в ноябре 2025-го, а летом 2026-го расширили до федерального масштаба. По ней более 15 федеральных ведомств должны объединить в инфраструктуру научные датасеты, суперкомпьютеры, ИИ-модели и исследовательское оборудование. Копайлоты будут работать с данными, модели — строить прогнозы, суперкомпьютеры — проводить расчеты, а автоматизированные лаборатории — проверять гипотезы в физическом мире. На инициативу обещают свыше 5 млрд $. Чем больше функций уходит AI, тем важнее становится контроль опасных запросов. 7 августа 2026-го Anthropic обновила биологические ограничения Claude Fable 5: раньше практически любой запрос на тему биологии переводился на менее способную модель Opus 5. После обновления число таких «откатов» сократилось примерно на 85%, при этом система выявляет и блокирует задачи, которые считает опасными. Параллельно компания планирует trusted access pathways — расширенный доступ для проверенных исследователей. Так AI помогает уже не с отдельной операцией, а с последовательностью действий. Следующий шаг — self-driving laboratories, где алгоритм выбирает следующий эксперимент, лабораторная установка его выполняет, а полученные данные возвращаются в систему и используются для следующей итерации. Если эта модель масштабируется, исследователи будут все меньше заниматься промежуточными операциями и все больше — выбирать направления, ставить задачи и проверять результаты. Материалы, лекарства и исследования смогут проходить от идеи до пилота за несколько лет вместо десятилетий.

AI-агенты могут закрыть дефицит кадров По прогнозам, к 2030 году российской экономике может не хватать до 11 млн работников. А McKinsey считает, что на европейском рынке труда можно автоматизировать 58% рабочего времени, сэкономив к тому же 2030-му почти два триллиона долларов. Дефицит кадров закроют не только АI-инструменты, но и виртуальные сотрудники. Копайлоты ускоряют человека, виртуальные же сотрудники заменяют его: получают роль, зону ответственности и доступ к корпоративным системам. Мы в MWS AI создали целый ряд таких — например, виртуального рекрутера: он будет разбирать отклики, общаться с кандидатами, назначать собеседования и передавать HR-специалисту список соискателей с обоснованием выбора. В Microsoft AI-рекрутер уже координирует адаптацию новичка, автоматизирует типовые задачи, подсказывает следующие шаги и обновляет данные в HR-системе. И у клиентов MWS есть примеры: • В энергетической компании цифровой сотрудник адаптирует новичков, оформляет документы, настраивает доступы и отвечает на вопросы. • В AdTech-компании виртуальный маркетолог самостоятельно запускает 30% рекламных кампаний и готовит коммерческие предложения. Полагаю, к 2027-му AI-агентов «наймут» до половины российских компаний. Но им придется пересмотреть понятие штатной единицы и научиться считать не количество сотрудников, а общую производительность людей и агентов. Иначе отечественные компании отстанут от зарубежных: согласно отчету HR Monitor 2026 от McKinsey, они уже считают таким способом.

Физики Калтека получили 300 млн на квантовый компьютер с коррекцией ошибок Инвесторы вложили 300 млн долларов в небольшой стартап Oratomic, который предложил архитектуру квантового компьютера на 20 000 кубитах — квантовых аналогах битов. Однако, в отличии от классических компьютеров, их количество здесь не играет решающую роль. Квантовое превосходство на десятках кубитов в отдельных задачах уже показывал Google, но для корректной работы квантового компьютера кубиты должны находится в особом «спутанном» состоянии. Ученые умеют добиваться его, но оно нарушается от малейших внешних воздействий, поэтому квантовые системы сохраняют его лишь доли секунды. Основатели Oratomic — физики из Калифорнийского технологического института Калтек — предложили свой подход. Они использовали систему из атомов в лазерных пинцетах: пары лазерных лучей удерживают атомы и позволяют проводить с ними операции записи и считывания информации. Подход позволяет реализовать систему из 20 000 кубитов, часть из которых отводят для коррекции ошибок. Это позволяет компенсировать потерю спутанного состояния отдельными кубитами и продлевает время работы квантового компьютера. Исследователи планируют финализировать разработку к 2030 году. Квантовые компьютеры дают безграничные вычислительные возможности для развития искусственного интеллекта, тем более нейросети прощают единичные ошибки в вычислениях при обучении.