Kurgan-Telecom Ru | Информационные технологии

ИИ в 1С уже не ограничивается генерацией кода и экспериментами с чат-ботами. Его подключают к тестированию, мониторингу, интеграциям, корпоративным данным и внутренним бизнес-процессам. Вокруг него появляются новые подходы к разработке, документации и работе команд.

На INFOSTART TECH EVENT 2026 этой теме посвящены 26 докладов, кейсов и практических форматов. Причем они не собраны в отдельный «ИИ-трек», а распределены по секциям разработки, тестирования, администрирования, интеграций, архитектуры и управления. И это хорошо показывает, как меняется сама роль технологии.

Сравниваются три механизма поискового спроса: классический органический поиск (SEO), генеративный поиск и ответы больших языковых моделей (GEO), платный поисковый трафик (PPC). Сводить их к одной метрике нельзя. SEO конкурирует за позицию и переход. Платный поиск — за управляемый рекламный контакт и конверсию. GEO задает вероятность упоминания, цитирования и рекомендации бренда внутри синтезированного ответа. Переход на сайт там не обязателен.

На август 2026 г. традиционный поиск остается большим. Google занимает около 91,1% мирового рынка поисковых систем. Выручка search advertising в США в 2025 г. достигла $114,2 млрд. Генеративный слой уже массовый: у Google AI Overviews больше 2,5 млрд ежемесячных пользователей, у AI Mode — больше 1 млрд, у ChatGPT — больше 1 млрд еженедельных активных пользователей. Яндекс, NAVER и Baidu ставят генеративные ответы прямо в свои поисковые продукты. Канал GEO при этом SEO не вытесняет. Между запросом и кликом сел еще один слой.

В конкуренцию входят клик, упоминание бренда в ответе, цитирование источника, попадание компании в набор вариантов. Прямой AI-referral по абсолютному объему заметно меньше органики. Темп у него выше. До клика он уже работает: упоминания, цитирование, потом брендовый спрос. В 2025 г. AI-referral traffic в крупной международной выборке вырос на 66%. В 2026 г. исследования пользовательских путей фиксируют статистически заметный downstream-эффект AI-рекомендаций. В стандартной реферальной атрибуции этого слоя нет.

Привет, Хабр! Меня зовут Андрей Кузнецов, последние 2 года вместе с командой развиваем ML в кибербезе. Наше сообщество FalsePositive занимается разбором научных статей и последних разработок в ML. А теперь мы запускаем BlueSec, открытые соревнования, в которых ИИ-агенты расследуют ИБ-инциденты. Агент получает первую улику, сам собирает картину атаки и выносит вердикт. Платформа оценивает, насколько точно и с минимальным количеством тулколлов он это сделал. Если вы работаете с LLM и агентами, то это возможность проверить свои и агентские скиллы в задачах на стыке ML и кибербеза, области, которая, думаю, переживает даже больше изменений, чем разработка. 

Соревнования идут онлайн из любой точки земного шара с 25.09 по 10.10, финал в Москве и в Питере оффлайн+онлайн, регистрация на сайте.

Под катом расскажу: зачем мы сделали именно такие соревнования, как устроены задачи и оценка, с чего начать, если вы никогда не писали агентов или никогда не расследовали инциденты.

Я в интернете относительно недавно, активным юзером стал где‑то в 2012 году. И я хорошо помню, как тогда выглядело погружение в какую‑нибудь тему.

Ты находишь тематический форум или сайт и просто начинаешь там сидеть. Читаешь обсуждения, постепенно узнаёшь людей, понимаешь локальные мемы, находишь старые треды, через какое‑то время плюс‑минус понимаешь, что вообще происходит в этом комьюнити.

Моим первым таким «серьёзным» местом был форум Cheat‑Master. И по моим воспоминаниям, интернет тогда был довольно концентрированным. Не в смысле, что сайтов было мало. Скорее, если ты нашёл правильный ресурс, тебе не обязательно было постоянно ходить ещё в десять соседних мест, чтобы понимать тему.

Каждая профессиональная область деятельности должна иметь своих специалистов, говорящих на своем «птичьем» языке. Иначе, какая же она профессиональная. Язык этот не является попыткой выделиться и набить себе цену. Нет, он появляется по причине необходимости собственных устоявшихся понятий. Так формируются тезаурус и онтология. В отношении естественных языков дела обстоят еще сложнее.

Ведущую роль здесь играют тезаурусы как модели смыслов и их взаимосвязей, выражаемые средствами языка. И эти модели являются основой понимания, через них достигается согласие. Проблему онтологий как моделей объектов и их взаимосвязей «реального» (в кавычках, так как сама по себе реальность является большой философской проблемой) мира, оставим пока в стороне.

До последнего времени в мире IT всё главным образом крутилось вокруг computer science, математики, финансов (статистики) и промышленного дизайна. Однако с появлением LLM этот, вполне себе теплый и камерный мир, где «рыбак рыбака видел из далека», начал стремительно разрушаться. Вначале, появились голосовые помощники и чат‑боты, а теперь это разрослось до новой формы поиска и попыток управления чем‑то (и да же вынесения суждений о чем‑то) в реальном мире с помощью LLM.

Искусственный интеллект стал неотъемлемой частью нашей жизни и в том или ином виде внедряется практически в любой крупной компании. Все это порождает новые объекты управления, которые уже не укладываются в классический DataGov. Поэтому DataGov 2.0 — это эволюционное развитие. Data Governance остается фундаментом, но к нему добавляются Model Governance, AI Risk Management и слой, который поставляет AI-ready данные в ИИ-системы.

Меня зовут Екатерина Яковлева, я руковожу центром DataGov группы компаний МТС. Сегодня поговорим о том, как поменялись привычные подходы в DataGov и что с этим делать. На основе моего опыта внутри MWS разберем, как понять, какие ИИ-инструменты уже живут в компании, сколько стоит один запрос, что можно смело отдать агентам, а что лучше оставить за человеком.

Приветствую всех!

Если у вас дома есть городской телефон и он показывает, с какого номера вам звонят, то, скорее всего, это определение работает через Caller ID. Когда-то давно эта технология подчистую заменила «традиционный» для нашей страны АОН, а там, где стационарные телефоны ещё остались, используется до сих пор.

Как же всё это работает, и можно ли запустить такое у себя? Сейчас и узнаем...

Как шаг за шагом организовать процесс внедрения статического анализа по ГОСТ Р 71207—2024: рассказываем простыми словами с отсылками на соответствующие пункты стандарта. Статья будет полезна компаниям, планирующим внедрять разработку безопасного ПО (РБПО) или проходить сертификацию по методике ВУ и НДВ ФСТЭК России.

У нас есть курьер, у него есть 20 адресов и склад. Задача — объехать всех и вернуться, потратив как можно меньше времени. Количество вариантов объезда будет немногим больше 60 квадриллионов (а если точнее, то 60 822 550 204 416 000). Для сравнения: столько секунд прошло бы за два миллиарда лет. И это так называемая задача коммивояжера. Дальше расскажу про то, как ее пытались решать живыми бактериями, почему это красиво, и на каком месте все рухнуло. 

Перед каждым ML-разработчиком, после обучения прекрасной модели, которая поднимет бизнесу метрики, а тебе годовую премию, возникает вопрос: а как ее задеплоить в сервисе, чтоб она начала работать?

А ты пошел отдыхать.

Меня зовут Стелла. Несколько лет назад — неважно, сколько именно — я работала главным бухгалтером розничной сети, и почти каждый конец месяца я отправлялась на охоту. Не за китом, нет. За временем, которое у меня крали.

Каждый первый рабочий день нового месяца я приходила в офис затемно, наливала кофе и запускала помощник закрытия. Потом садилась и ждала. Три часа и шесть минут — таков был обычный срок. За это время сервер, стоявший в прохладной комнате этажом ниже, перебирал сорок тысяч документов, как старый библиотекарь, который перечитывает каждую карточку каталога, хотя половину мог бы пропустить. Я не знала этого тогда. Я просто ждала и смотрела, как ползёт прогресс‑бар, медленнее, чем тень от облачного столба пересекает залив в штиль.

База наша была тяжела — семьдесят гигабайт, одна организация, но поток поступлений по эквайрингу шёл, как Гольфстрим: неутомимо, непрерывно, ежедневно. PostgreSQL под Linux, платформа 8.3.27, оценка МПЗ по ФИФО. Сервер 1С имел четырнадцать ядер, но во время перепроведения работал, по сути, одним. Как галера с сотней гребцов, где весло держит только один, а остальные смотрят на волны.

Я не раз говорила нашим технарям: три часа — это невыносимо. Закрытие месяца должно быть рутиной, а не одиссеей. Мне отвечали: «База большая, документов много, так работает 1С». Мне хотелось спросить: а почему тогда остальные документы проводятся за доли секунды, а банковские выписки тянутся, как смола в декабре? Но я не умела читать технологические журналы и не знала слов «pg_stat_statements» или «auto_explain». Я просто знала, что где‑то в недрах базы прячется зверь, пожирающий моё время.

Большинство крупных организаций последние несколько лет активно инвестировали в ИИ. Они запускали ИИ-помощников, проводили пилоты и все шире внедряли технологии в отдельных подразделениях. В последнем глобальном исследовании McKinsey об искусственном интеллекте 80% респондентов сообщили, что ИИ повысил их личную производительность. Но только 37% видят хоть какое-то его влияние на операционную прибыль компании.

Почему так происходит? Проблема скорее в том, где применяют технологию, чем в ее совершенстве. Большинство организаций используют ИИ, чтобы повысить эффективность отдельных этапов работы. Но гораздо больше возможностей есть в области координации между этими этапами.

Команда Бизнес-приложений VK Tech перевела статью о том, из чего складывается налог на координацию, почему его не устранили ни бережливое производство, ни ERP, ни RPA и с чего начать перестройку процессов с помощью ИИ-агентов.

Два года я копил контекст в чатах Claude: проекты, решения, заметки и привычный способ думать. Потом Anthropic отключила мой аккаунт, и я понял: пока твоя цифровая память живёт внутри чужого интерфейса, ты её арендуешь.

Поэтому я поселил свой второй мозг на Raspberry Pi. Он хранит личный контекст в обычных Markdown-файлах, работает с разными LLM и не исчезнет вместе с очередным аккаунтом. Рассказываю, как устроен мой Personal AGI, что он уже делает за меня, сколько времени экономит и во сколько обходится.

По мере роста продукта backend-системы требуют всё больше инженерных решений: появляются новые сервисы, растёт нагрузка, усложняется работа с данными и архитектурой.

В этом дайджесте собраны бесплатные вебинары о проектировании сервисов, оптимизации запросов, работе с распределёнными системами, базами данных и современных инструментах разработки. Разбираем подходы, которые помогают создавать устойчивые системы и решать практические задачи, с которыми сталкиваются инженеры в работе.

Так уж получилось, что приз от Хабра за победу в конкурсе Технотекст приехал аккурат на мой день рождения — 25 сентября. И поэтому я решил сделать отдельный пост

Это не эпизод сериала «Черное зеркало», а наука 90-х!

30 лет назад ученые пересадили зрелые дофаминовые нейроны, взятые из эмбриональных тканей после аборта, в мозг 20 людей с болезнью Паркинсона.

Зрелые они в том смысле, что они уже не будут делиться и что они дифференцированные до зрелого состояния (с аксонами и функциональными свойствами). То бишь, если бы те эмбрионы не померли, они бы ходили с этими нейронами и во взрослом возрасте. Поскольку нейроны, как правило, не делятся, иначе вы бы ничего не помнили.

Результаты исследования были опубликованы в New England Journal of Medicine в 2001 году.

Ученые брали ткань среднего мозга эмбриона человека, области, где формируются дофаминергические нейроны, из эмбрионов людей на 6–8 неделе развития. Эти клетки аккуратно отделили, превратили в суспензию и ввели в стриатум 20 пациентов с тяжелой формой Паркинсона. Перед пересадкой нейроны тестировали на возможность синтезировать дофамин.

Чтобы оценить эффект, была контрольная группа из 20 человек, которым провели операцию-плацебо: им буквально сверлили череп (не повреждая твердую оболочку), но не вводили нейроны. Это позволило сравнить, действительно ли трансплантация работает или улучшение связано с эффектом плацебо.

Результаты поразили. У 17 пациентов с пересаженными нейронами в течение 3 лет двигательные функции улучшились, а ПЭТ-сканирование показало рост дофаминовой активности (на картинке сверху до трансплантации и после, снизу до фейковой операции и после).

Посмертный анализ мозга умерших пациентов подтвердил, что пересаженные нейроны не только прижились, но и интегрировались, образовав синапсы с нейронами хозяина. Это доказало, что зрелые нейроны могут жить и функционировать в новом мозге, хотя не у всех пациентов эффект был одинаковым.

Директор магазина крупной продуктовой сети уволился в пятницу. В субботу из строя вышло холодильное оборудование. Истории предыдущих ремонтов под рукой нет, контакты мастера, который уже сталкивался с этой неисправностью, тоже приходится искать. Пока разбирались с проблемой, часть товара испортилась.

Вчера SpaceXAI выложила Grok 4.7. За три недели до этого OpenAI выпустила GPT-6 Astra, Anthropic — Claude Fable 5.1. Ещё в июле рядом встал Claude Opus 5: сама Anthropic пишет, что для большинства задач включать надо его, а Fable доставать, когда Opus уже не тянет ваши замеры.

Китайские лаборатории в этой компании больше не «дешёвый запасной аэродром». Qwen3.8 Max стоит те же $2 и $6 за миллион токенов, что и Grok, и на общем индексе отстаёт на один балл. Kimi K3 на суточных инженерных задачах сидит в том же коридоре, что и свежий Grok.

Ниже один набор работ: длинный код, терминал, схемы, юридические дела и счёт. Цифры лабораторий и независимый прогон Artificial Analysis лежат отдельно. На Terminal‑Bench они расходятся почти в полтора раза. Спорить «кто первый» по одной картинке из анонса после этого бесполезно.

Когда речь заходит о ЛЛМ и классификации, первая мысль — попросить модель сгенерировать класс через промптирование модели с описанием правил и добавлением примеров. Для небольшого количества классов это работает. Но для 100+ классов (или даже 20-30) — уже нет: контекст раздувается, модель галлюцинирует, а инференс может занимать десятки секунд. Мы решили использовать ЛЛМ иначе: не как генератор текста, а как энкодер, прикрутив сверху обычную классификационную голову.

В статье расскажу про нашу мотивацию использовать ЛЛМ как энкодер и покажу результаты на четырёх разных доменах банка, в рамках которых сравню генеративные модели с классическими энкодерами

В конце прошлой недели нам стали попадаться заголовки о том, что новое исследование якобы показывает: у нас может быть два мозга вместо одного, который вроде бы виден на МРТ. Как это часто бывает, слухи можно проследить до единственного пресс‑релиза, выпущенного одним из университетов, где проводилась эта работа. У вас не два мозга. Это просто странный способ интерпретировать результаты новой статьи.

Но есть куда более содержательные способы взглянуть на эти результаты. Они помогают понять, как формируется мозг, и заодно иллюстрируют некоторые общие принципы биологии развития. Поэтому давайте разберёмся, что именно показало исследование, и поместим его результаты в контекст развития мозга.