Репетиторство — область, где ИИ экономит часы подготовки, но легко навредить, если подпустить его не туда. Разберём по задачам: где нейросеть освобождает время педагога, а где начинает отучать ученика думать.

Подготовка занятий: сильный сценарий

Самое очевидное и безопасное. План урока под конкретную тему и уровень ученика, разбивка сложного на шаги, подбор аналогий и примеров — ИИ делает это за минуты.

Рабочие модели — Claude Fable 5, GPT-5.6 Sol, Gemini 3 Pro. Дайте контекст: возраст, уровень, что уже пройдено, где ученик буксует, — и получите структурированный план. Чем конкретнее вводные, тем полезнее результат.

Приёмы:

• Просите варианты объяснений. «Объясни дроби тремя способами: через пиццу, через деньги, через линейку» — вы выберете то, что зайдёт конкретному ученику.
• Просите разбить на шаги. ИИ хорошо декомпозирует сложную тему на микрошаги, которые легче подать.
• Готовьте с запасом сложности. Попросите и лёгкую версию, и усложнённую — подстроитесь на ходу.

Генерация задач и упражнений

Отличный сценарий. Нужны 20 задач на квадратные уравнения нарастающей сложности или 15 предложений на отработку времён — ИИ сгенерирует за секунды. Это снимает главную рутину: придумывание однотипных упражнений.

Важная оговорка: проверяйте ответы сами. ИИ уверенно генерирует задачи, но в ответах (особенно в математике и физике) может ошибиться. Сгенерированное — черновик, а не готовый материал: пробегитесь по ключу глазами.

Проверка работ: помогает, но с надзором

ИИ хорошо проверяет то, где есть чёткий критерий: грамматику, орфографию, решение с однозначным ответом. Сэкономит время на рутинной проверке однотипных работ.

Где осторожно:

Творческие работы ИИ оценивает по формальным признакам и не чувствует того, что видит педагог: искры, индивидуальности, хода мысли. Как помощник для первого прохода — да, как финальный судья — нет.

Объяснение на понятном языке

Ценный приём прямо на занятии. Ученик не понял объяснение из учебника — попросите ИИ переформулировать проще, через понятную аналогию, на языке интересов ученика (через футбол, через игры, через котиков). Модели хорошо адаптируют регистр под аудиторию.

Но держите руку на пульсе: ИИ может упростить до неверного. Аналогия должна прояснять, а не подменять суть. Финальную корректность объяснения гарантируете вы.

Материалы и оформление

Карточки для запоминания, таблицы, памятки, тесты — всё это ИИ собирает быстро. Оформить карточку удобно генератором тестовых данных для примеров, а собрать наглядную таблицу — конвертером в Markdown. Проверить, что текст памятки читается по возрасту, поможет оценка читаемости.

Красная линия: где ИИ вредит ученику

Здесь главное. Всё выше — про работу репетитора. А вот чего делать нельзя.

Нельзя давать ИИ решать за ученика. Если ученик прогоняет домашку через нейросеть, он не учится — он имитирует учёбу. Задача репетитора — заметить это и переключить: не «реши», а «объясни, где ты застрял».

Нельзя заменять диалог. Обучение — это живая реакция на конкретного ребёнка: где недопонял, где заскучал, где загорелся. ИИ этого не видит. Он инструмент подготовки, а не замена педагогу.

Нельзя доверять ИИ факты без проверки. Даты, формулы, правила — модель может выдать правдоподобную ошибку. В обучении цена такой ошибки высокая: ученик запомнит неверное. Всё фактическое сверяйте.

Как объяснить ученику про ИИ

Отдельная польза: научите ученика пользоваться ИИ правильно — это навык на будущее. Не «спиши у нейросети», а «попроси объяснить, потом проверь и перескажи своими словами». ИИ как репетитор-объяснятор под вашим контролем — это хорошо. ИИ как решала — это вред.

Что запомнить

• Планы занятий и генерация задач — где ИИ экономит больше всего, берите смело.
• Ответы к задачам и проверку — сверяйте сами, ИИ ошибается в фактах и логике.
• Творческие работы ИИ оценивает формально — только первый проход, не финал.
• Красная линия: ИИ помогает готовить и объяснять, но не должен решать за ученика.
• Научите ученика правильному использованию — это навык на будущее.

Подобрать модель под предмет поможет подборщик моделей. Смежные материалы: нейросети для учёбы и для родителей.

Каждый месяц выходит модель мощнее и часто дешевле предыдущей. Соблазн переключить продакшен в тот же день велик — особенно когда новинка обещает то же качество за половину цены. Разберём, что проверить до перехода, чтобы не сломать то, что работает.

Почему «умнее по бенчмаркам» ≠ «лучше для вас»

Первая ловушка. Новая модель показывает рекорды на SWE-bench, ARC-AGI и десятке других тестов. Но бенчмарки меряют общие способности на стандартных задачах, а у вас — свой конкретный сценарий, свои промты, своя обвязка.

Модель, которая лучше в среднем, может оказаться хуже именно на вашей задаче: изменился стиль ответов, поехало следование формату, сломался тон. Прирост на бенчмарке в вашем продукте не гарантирован. Поэтому решает не таблица из анонса, а прогон на ваших данных.

Что проверить до перехода

1. Ваши промты на новой модели

Промты, отлаженные под старую модель, не обязаны работать на новой так же. Новая может быть «умнее» и додумывать то, что вы явно не просили, или наоборот — перестать угадывать то, что раньше понимала с полуслова. Прогоните весь набор системных промтов и посмотрите на выход.

2. Формат и структуру ответов

Если вы парсите ответ модели (JSON, разметка, конкретные поля), проверьте формат в первую очередь. Смена модели — типичная причина, по которой вдруг ломается парсинг: та же инструкция, а кавычки, обёртки или порядок полей поехали.

3. Краевые случаи

Не только «счастливый путь». Прогоните то, на чём старая модель спотыкалась, и то, что для вас критично: отказы, длинные входы, смесь языков, пограничные форматы. Именно здесь новинки чаще всего ведут себя иначе.

4. Реальную стоимость

«Вдвое дешевле за токен» не всегда значит «вдвое дешевле в проде». Новая модель может быть многословнее и тратить больше выходных токенов, съедая выигрыш. Считайте на реальном трафике, а не по цене за токен — прикинуть поможет калькулятор стоимости.

5. Скорость и задержку

Более мощная модель бывает медленнее. Для чата или голоса задержка критична — проверьте, укладывается ли новинка в ваш бюджет времени. Оценить поможет калькулятор задержки.

Как мигрировать без сюрпризов

Не переключайте всё разом. Классический безопасный путь:

1. Прогон на тестовом наборе. Тот же набор сценариев, что вы (надеюсь) собрали для старой модели. Сравните ответы бок о бок.
2. Канареечный выпуск. Пустите на новую модель малую долю трафика — 5–10%. Смотрите на метрики и жалобы.
3. Постепенное расширение. Если канарейка живёт, наращивайте долю. При росте ошибок — откат за одну настройку.
4. Полный переход только после чистого канареечного периода.

Ключ к безопасной миграции — абстракция над моделью. Если смена модели у вас это правка одной строки конфига, а не переписывание половины кода, откат и эксперименты становятся дешёвыми. Если нет — начните с этого, ещё до перехода.

Когда переходить сразу можно

Не всё требует осторожности. Быстрый переход оправдан, если:

• у вас прототип или внутренний инструмент, где цена ошибки мала;
• вы не парсите ответ жёстко и терпимы к вариациям формата;
• новинка того же семейства (обновление внутри линейки часто совместимо по поведению);
• у вас есть быстрый откат, и вы готовы им воспользоваться.

Когда лучше подождать

• Критичный продакшен с платящими клиентами и жёстким SLA.
• Свежая модель в первые дни — на ней ещё не отловили краевые баги и особенности (о стадиях зрелости — в гайде про превью, бету и GA).
• Нет тестового набора — тогда сначала соберите его, иначе переходить будете вслепую.

Частая ошибка: переход ради переходов

Отдельно. Новая модель выходит часто, и гнаться за каждой — значит непрерывно тестировать вместо того, чтобы работать. Если текущая модель закрывает задачу, а новая даёт прирост, которого вы даже не заметите в своём сценарии, — переход не окупит потраченного на миграцию времени. Меняйте модель, когда есть измеримая причина, а не потому что вышла новая.

Что запомнить

• Бенчмарки не гарантируют прирост на вашей конкретной задаче — прогоняйте на своих данных.
• Проверьте в первую очередь промты, формат ответа и краевые случаи.
• Считайте реальную стоимость и задержку, а не цену за токен.
• Мигрируйте через канареечный выпуск, а не переключением всего разом.
• Держите абстракцию над моделью — тогда откат и эксперименты дёшевы.
• Переходите по измеримой причине, а не ради новизны.

Свежий повод задуматься о переходе — выход Claude Opus 5. Как выбирать модель под задачу — в гайде по выбору, а сравнить кандидатов помогут подборщик моделей и сравнение моделей.

24 июля Anthropic официально выпустила Claude Opus 5 — новый флагман, доступный в Claude.ai, Claude Code и через API. Главная интрига: модель обходит более дорогую Fable 5 на большинстве бенчмарков, а стоит при этом вдвое дешевле по входному токену. Разбираем, что это меняет.

Цифры

• Цена: $5 за миллион входных токенов и $25 за выходной — та же, что была у линейки Opus, и вдвое ниже входной цены Fable 5.
• Контекст 1 млн токенов, вывод до 128 тысяч за ответ.
• SWE-bench Verified: 96,0% — почти потолок на реальных задачах из репозиториев.
• SWE-bench Pro: 79,2%; на мультимодальном SWE-bench скачок крупнее — с 38,4% до 59,4%.

Отдельно отмечены рекорды в новых областях: 43,3% на Frontier-Bench (агентный кодинг), 30,2% на ARC-AGI-3 (новое рассуждение — примерно втрое выше следующей модели), 70,57% на OSWorld 2.0 (работа с компьютером) против 55,7% у Opus 4.8.

Главное — цена относительно Fable 5

Тут интересный сдвиг в линейке Anthropic. Fable 5, вышедшая в июне, была позиционирована как самая мощная модель компании, класса выше Opus, по цене $10/$50. Opus 5 при вдвое меньшей входной цене:

Opus 5 обходит Fable 5 на 7 из 12 общих бенчмарков — включая разрыв почти в 10 пунктов на Frontier-Bench. Fable 5 удерживает лидерство лишь на SWE-bench Pro, и то на 0,8 пункта. То есть новый Opus почти догнал модель классом выше за половину цены.

Что это значит на практике

Для тех, кто платит за API. Появился флагман, который делает почти то же, что топовая Fable 5, за вдвое меньшие деньги. На объёмах это прямая экономия без потери качества — редкий случай, когда «дешевле» не значит «слабее».

Для агентного кодинга. 96% на SWE-bench и рекорды на Frontier-Bench и OSWorld — это про модель, которая не просто пишет код, а выполняет многошаговые задачи и работает с компьютером. Именно сюда смещается фронтир.

Для тех, кто выбирает модель. Расстановка сил в линейке Anthropic стала менее очевидной: самый дорогой уже не значит однозначно лучший. Стоит ли сразу переходить на новинку — вопрос отдельный, мы разбираем его в гайде про переход на новую флагманскую модель.

Оговорки

Бенчмарки — это заявления вендора в собственном анонсе. На реальных задачах расстановка бывает другой, а «почти догнал по цифрам» и «догнал в бою» — не одно и то же. Что означают сами бенчмарки и каким верить — в разборе.

Отдельно про доступ из России: как и прежние модели Anthropic, Opus 5 официально в РФ недоступен — нужны обходные пути и зарубежная оплата.

Что запомнить

• Claude Opus 5 — новый флагман Anthropic, цена $5/$25 (вдвое ниже Fable 5).
• 96% на SWE-bench Verified, контекст 1 млн, рекорды на агентном кодинге.
• Обходит более дорогую Fable 5 на 7 из 12 бенчмарков.
• Главный сдвиг — топовое качество за половину цены предыдущего флагмана.
• Бенчмарки — заявления вендора; официального доступа из РФ нет.

Полная карточка модели — в каталоге нейросетей. Прямое сравнение с Fable 5 — здесь. Прикинуть стоимость под свой объём поможет калькулятор стоимости.

Тестирование — благодарная для ИИ область: много рутины, чёткие входы и выходы, текстовые артефакты. ИИ экономит здесь реальные часы. Но у него есть одна опасная особенность именно для QA: он создаёт ощущение покрытия там, где его нет. Разберём по этапам, где помогает, а где усыпляет бдительность.

Генерация тест-кейсов: сильный сценарий

С чего разумно начать. Дайте модели описание фичи или пользовательскую историю — и получите список тест-кейсов: позитивные, негативные, граничные значения.

Рабочие модели — Claude Fable 5, GPT-5.6 Sol, Gemini 3 Pro. Они хорошо перечисляют то, что легко забыть вручную: пустой ввод, максимальная длина, спецсимволы, отрицательные числа, одновременный доступ.

Приём: просите именно граничные и негативные случаи. «Придумай 15 способов сломать эту форму» работает лучше, чем «напиши тесты». Разработчик пишет тесты на то, как должно работать; тестировщик — на то, как сломать, и ИИ хорошо помогает во втором, если правильно попросить.

Но вот ловушка. Список выглядит внушительно и создаёт чувство, что покрытие полное. На деле ИИ перечисляет типовое, а самые злые баги живут в специфике вашей системы, которую модель не знает. Список от ИИ — это отправная точка, а не готовое покрытие. Обязательно дополняйте знанием предметной области.

Автотесты: помогает, но проверяйте

ИИ хорошо пишет код автотестов по описанию: селекторы, ассерты, обвязка. На знакомом фреймворке экономит много рутины.

Что проверять обязательно:

Последнее особенно коварно: если попросить «напиши тест для этой функции», ИИ напишет тест, который проходит на текущем поведении — даже если оно ошибочно. Тест должен проверять требование, а не фиксировать то, что код делает сейчас.

Разбор багрепортов и логов

Отличный сценарий. Вставьте длинный лог или стектрейс — модель выделит вероятную причину и объяснит цепочку. Сэкономит время на разгребании простыней вывода.

Полезно и обратное: попросить ИИ улучшить багрепорт. Черновик «не работает кнопка» модель развернёт в структурный отчёт с шагами воспроизведения, ожидаемым и фактическим результатом. Хороший багрепорт экономит время разработчику, а его составление — как раз рутина.

Тестовые данные

Быстрая и безопасная задача. Нужны 200 реалистичных пользователей, адреса, номера, даты в разных форматах — ИИ сгенерирует. Для граничного тестирования просите крайности: самое длинное имя, невалидный email на грани, дату 29 февраля.

Важно: не используйте реальные персональные данные для тестов. Синтетические данные от ИИ здесь не только удобны, но и правильны с точки зрения приватности. Обезличить существующий набор поможет чистка от персональных данных, а сгенерировать таблицу с нуля — генератор тестовых данных.

Проверка требований на противоречия

Недооценённый сценарий. Дайте модели спецификацию и попросите найти неоднозначности, пробелы и противоречия. ИИ хорошо ловит формулировки вида «система должна быстро отвечать» (насколько быстро?) и конфликтующие условия в разных разделах.

Это тестирование до написания кода — самое дешёвое. Найти дыру в требованиях на этапе спеки в разы дешевле, чем багом в проде.

Чего ИИ не сделает

Не поймёт, что важно для пользователя. Модель перечислит технические кейсы, но какой баг критичен для бизнеса, а какой можно отложить, — решает человек, знающий продукт.

Не заменит исследовательское тестирование. Самые интересные баги находят, когда тестировщик «гуляет» по продукту с интуицией и любопытством. ИИ работает по шаблонам, а здесь нужен именно отход от них.

Не даст гарантию покрытия. Главная ловушка ещё раз: длинный список от ИИ ощущается как полное покрытие, но это иллюзия. Реальное покрытие — это ваше знание системы плюс подсказки ИИ, а не список сам по себе.

Не проверит удобство. Работает ли кнопка — да. Удобно ли ей пользоваться — вопрос к живому человеку.

Что запомнить

• Генерация тест-кейсов и данных — где ИИ экономит больше всего, берите смело.
• Автотесты пишет хорошо, но проверяйте, что тест реально падает на баге.
• Главная ловушка QA — ложное чувство покрытия: список ИИ ощущается полным, но это иллюзия.
• Тест должен проверять требование, а не текущее поведение кода.
• Исследовательское тестирование и оценку важности ИИ не заменит.

Подобрать модель под задачу — подборщик моделей. Смежные материалы: нейросети для кода и для аналитики данных.

Компания раскатала ИИ-ассистент на всю разработку. Вопрос от руководства закономерный: он окупается? Ответить «команда довольна» недостаточно, а первая же попытка посчитать упирается в то, что очевидные метрики врут. Разберём, что мерить и как не оптимизировать не то.

Почему «строк кода в день» — вредная метрика

Соблазн велик: ИИ пишет код, посчитаем строки. Это худшее, что можно сделать, и вот почему.

ИИ-ассистент легко генерирует много кода. Но больше кода — это не польза, а чаще вред: его нужно читать, ревьюить, поддерживать и отлаживать. Метрика «строк в день» вознаграждает многословие и наказывает за краткое элегантное решение. Начнёте её оптимизировать — получите раздутую кодовую базу и довольный дашборд.

То же с «числом принятых автодополнений» и «числом запросов к ИИ». Это метрики активности, а не пользы. Активность легко накрутить, ничего не улучшив.

Что мерить на самом деле

Польза ИИ-кодинга видна не в объёме, а в результате поставки. Работают четыре группы метрик — те же, что для здоровья разработки вообще (их называют DORA-метриками):

Ключевая идея: ИИ-кодинг полезен, если ускоряет поставку, не роняя качество. Если релизы участились, а доля багов не выросла — вот это польза. Если код пишется быстрее, но багов стало больше — это не ускорение, а перекладывание работы на потом.

Пара про скорость и качество

Мерить надо всегда парой. Скорость без качества — ловушка.

• Быстрее + качество не упало = настоящая польза. Расширяйте доступ.
• Быстрее + больше багов = мнимая польза. Вы просто перенесли работу с написания на отладку.
• Не быстрее + качество то же = ИИ не помогает на этих задачах. Нормально, бывает.
• Медленнее = что-то не так с внедрением. Разбирайтесь, где трение.

Одна метрика скорости без метрики качества всегда покажет улучшение — потому что писать быстро и плохо легко. Именно поэтому CloudWatch и подобные панели показывают расход и активность, но честно не берутся судить о качестве кода: его надо мерить отдельно и парой.

Где ИИ-кодинг реально помогает, а где нет

Польза неравномерна, и это нужно измерять по типам задач, а не в среднем по команде.

Помогает сильно: шаблонный код, тесты, миграции, работа с незнакомым API, объяснение чужого кода, рутинный рефакторинг. Здесь ускорение реальное и заметное.

Помогает слабо или мешает: сложная бизнес-логика, архитектурные решения, задачи, где важен контекст всей системы. Здесь ИИ уверенно предлагает правдоподобное, но неверное, и проверка съедает выигрыш.

Если мерить в среднем, эти две картины смешаются в невнятное «вроде помогает». Разбивка по типам задач показывает, где расширять применение, а где не стоит.

Практические ловушки

Эффект новизны. Первые недели все воодушевлены и активны — метрики взлетают. Через месяц эйфория спадает. Мерьте на дистанции в несколько месяцев, а не по первым восторгам.

Смещение отбора. ИИ раньше начинают использовать сильные разработчики. Их высокая продуктивность — не заслуга ИИ, а их собственная. Сравнивайте команду с собой до и после, а не разработчиков между собой.

Забыли про расход. Ускорение может обойтись дороже, чем стоит. Считайте не только выигрыш во времени, но и расход на токены — прикинуть окупаемость поможет калькулятор ROI.

Оптимизация метрики вместо цели. Как только метрика становится целью, её начинают накручивать. Держите несколько метрик в связке, чтобы накрутить одну можно было только ценой других.

С чего начать

1. Зафиксируйте базу до внедрения. Без «как было» не с чем сравнивать. Если уже внедрили — берите исторические данные о поставке.
2. Мерьте поставку, а не активность. Время до продакшена и частота релизов важнее числа запросов к ИИ.
3. Всегда парой скорость + качество. Одна скорость соврёт.
4. Разбивайте по типам задач. Среднее по команде скрывает, где польза, а где нет.
5. Считайте расход. Окупаемость — это выигрыш минус стоимость токенов.
6. Смотрите на дистанции. Первый месяц искажён новизной.

Что запомнить

• «Строк кода» и «число запросов» — метрики активности, они врут.
• Мерьте поставку: время до продакшена, частоту релизов, долю багов, время восстановления.
• Всегда парой скорость + качество — одна скорость всегда покажет улучшение.
• Разбивайте по типам задач: ИИ помогает на рутине и мешает на сложной логике.
• Учитывайте расход и дистанцию — окупаемость и без эффекта новизны.

Свежий пример готового инструмента для этого — Coding Agent Insights в CloudWatch. Какую модель выбрать под кодинг — подборщик моделей и сравнение моделей.

20 июля Amazon добавил в CloudWatch новую функцию — Coding Agent Insights: панель, которая показывает инженерным руководителям, что на самом деле приносят ИИ-инструменты кодинга в их компании. Событие узкое, но за ним стоит большой вопрос, который дозрел до продукта: а как вообще понять, помогает ли ИИ-кодинг?

Что выпустили

Coding Agent Insights собирает телеметрию с ИИ-агентов кодинга и показывает её рядом с обычными операционными данными CloudWatch. Из коробки — расход токенов, стоимость и активность разработчиков.

Поддерживаются Claude Code, Codex и GitHub Copilot. С Claude Code интеграция идёт через шлюз Claude без дополнительной настройки — телеметрия собирается на стандарте OpenTelemetry, который агенты и так отдают.

На какие вопросы отвечает

AWS прямо формулирует, зачем это:

То есть это не про то, «умный ли ИИ», а про то, окупается ли он в конкретной компании и где именно.

Почему «измерить ИИ-кодинг» — отдельная задача

Казалось бы, что тут мерить: агент пишет код, стало быстрее. На практике всё сложнее, и вот почему компаниям понадобился отдельный инструмент.

Расход непрозрачен. Токены тратятся неравномерно: одна команда жжёт бюджет на автодополнении, другая почти не пользуется. Без данных бюджет распределяется вслепую.

Ускорение неочевидно. «Кажется, стало быстрее» — не метрика. Реальный эффект видно только на данных о поставке, а не по ощущениям.

Польза неравномерна. ИИ-кодинг сильно помогает на одних задачах и почти бесполезен на других. Панель показывает, где именно он работает, чтобы расширять доступ осознанно.

Что это значит для рынка

Событие вписывается в главный тренд июля: ИИ переходит из режима эксперимента в режим оплачиваемой работы. Когда инструмент стоит денег и его раскатывают на всю компанию, появляется закономерный вопрос — а он вообще окупается? И на него нужен ответ в цифрах, а не в энтузиазме.

Показательно, что мерить взялись именно расход и активность, а не «качество кода». Качество ИИ-агента оценить сложно и субъективно; расход токенов и скорость поставки — измеримы. Компании начинают с того, что можно посчитать.

Оговорки

Панель показывает расход и активность, но не качество. Много токенов и высокая активность не означают, что код стал лучше — можно быстро писать посредственный код. Это инструмент для бюджетирования и распределения доступа, а не для оценки инженерного качества.

И доступно это в облаке AWS — то есть полезно тем, кто уже там живёт. Но сама идея (мерить пользу ИИ-кодинга данными, а не ощущениями) применима где угодно.

Что запомнить

• AWS выпустила Coding Agent Insights — панель пользы ИИ-кодинга в CloudWatch.
• Показывает расход токенов, стоимость и активность по командам; поддерживает Claude Code, Codex, Copilot.
• Отвечает на вопрос «окупается ли ИИ-кодинг и где именно», а не «умный ли он».
• Мерит измеримое (расход, скорость), а не «качество кода» — качество оценить сложнее.
• Тренд: ИИ уходит из эксперимента в оплачиваемую работу, и его начинают считать деньгами.

Как оценить окупаемость ИИ-инструмента самому, без облачных панелей, — в гайде про измерение пользы ИИ-кодинга и с помощью калькулятора окупаемости ИИ. Какую модель выбрать для кодинга — в подборщике моделей.

Подкаст — это не только запись. Это расшифровка, чистка, нарезка, шоуноты, обложка, публикация в пяти местах. Здесь ИИ экономит реальные часы — но в паре мест способен испортить выпуск. Разберём весь цикл по порядку.

Расшифровка: самый сильный сценарий

С чего начинается почти любая пост-обработка. Часовой выпуск руками расшифровывать — полдня; ИИ делает это за минуты.

Рабочие инструменты — Whisper (открытый, можно гонять локально, русский держит хорошо) и специализированные сервисы транскрибации с распознаванием спикеров. Последнее важно для подкаста: кто что сказал в диалоге на два-три голоса модель размечает сама.

Приёмы, повышающие качество:

• Дайте список имён и терминов заранее. Имена гостей, названия компаний, специфический жаргон — то, на чём распознавание чаще всего спотыкается.
• Проверяйте цифры и фамилии вручную. Остальное текст передаёт точно, а вот номер и незнакомая фамилия — главный источник ошибок.
• Прикинуть длительность и объём расшифровки поможет калькулятор времени чтения.

Шоуноты и тайм-коды: почти бесплатно

Из готовой расшифровки ИИ собирает описание выпуска, тайм-коды по темам и короткий анонс. Это та работа, которую подкастеры ненавидят и часто пропускают — а зря, она кормит поиск и удержание.

Загрузите расшифровку в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro и попросите: краткое описание, 5–7 тайм-кодов по смысловым блокам, три варианта заголовка. Оговорка: тайм-коды модель проставляет по тексту, а не по звуку, поэтому сверьте привязку — на паузах и перебивках она иногда уходит на несколько секунд.

Нарезка клипов для соцсетей

Один из самых полезных новых сценариев. ИИ находит в выпуске самодостаточные фрагменты на минуту-две — то, что можно выложить в вертикальном формате как тизер.

Что он делает хорошо: находит законченные мысли, где не нужен контекст остального выпуска. Что проверять: клип не должен обрываться на середине аргумента — модель иногда режет по времени, а не по смыслу. Финальный отбор оставьте за собой, ИИ хорош как первый проход.

Чистка звука: осторожно

А вот здесь начинается зона риска. ИИ-шумоподавление и «улучшение голоса» работают, но у них есть цена.

Главная ошибка — агрессивная обработка. Сильное шумоподавление съедает воздух и делает голос «подводным», а «улучшайзеры» добавляют металлический призвук, который слышен на хороших наушниках. Правило: обрабатывайте минимально, слушайте до и после на разной технике.

Полностью синтетический голос: спорно

Технически можно озвучить сценарий синтезом — ElevenLabs v3 и подобные модели звучат убедительно, теги интонации задаются прямо в тексте (разметить удобно помощником по аудио-тегам).

Но для подкаста как жанра это спорный ход. Слушатель приходит за живым человеком, и синтетический ведущий, даже качественный, ломает доверие, если о нём не предупредить. Разумное применение — озвучить вставку, перевод реплики иностранного гостя, служебный фрагмент. Заменять живого ведущего целиком — значит менять природу формата, и слушатель это почувствует.

Обложки и оформление

Обложку выпуска или сезона можно собрать в Midjourney v7, Nano Banana Pro или FLUX.2. Для подкаста задача благодарная: обложка нужна узнаваемая и атмосферная, а не фотореалистичная. Собрать промпт под нужный формат поможет конструктор промптов для картинок, а проверить, что всё влезает в квадрат площадки, — калькулятор соотношения сторон.

Перевод и локализация

Расшифровку легко перевести и сделать субтитры на другом языке — это расширяет аудиторию почти бесплатно. Полную озвучку на другом языке синтезом тоже можно, но применимо то же правило, что и к синтетическому ведущему: как служебная опция — да, как подмена живого голоса — с оговорками.

Чего ИИ не сделает

Не придумает тему и не проведёт разговор. Драматургия выпуска, живая реакция на собеседника, то, ради чего вообще слушают, — это человек.

Не отберёт лучшее вместо вас. ИИ предложит десять клипов, но какой из них «выстрелит», решает вкус и знание аудитории.

Не заменит уши на финальном сведении. Последнее прослушивание перед публикацией — только живое, на нескольких устройствах.

Что запомнить

• Расшифровка и шоуноты — где ИИ экономит больше всего, берите смело.
• Нарезка клипов — отличный первый проход, финальный отбор за вами.
• Чистка звука — работает, но обрабатывайте минимально: агрессия портит голос.
• Синтетический ведущий — для вставок да, вместо живого голоса — ломает доверие.
• Тему, драматургию и финальное ухо ИИ не заменит.

Как подобрать модель под конкретный шаг — подборщик моделей. Смежные материалы: нейросети для расшифровки аудио и для YouTube.

Когда DeepSeek переводит V4 в «стабильный релиз», а OpenAI помечает модель как «превью», это не маркетинг, а конкретные обещания про то, будет ли модель работать так же завтра. Разберём стадии зрелости — чтобы не построить продукт на том, что через месяц изменится под ногами.

Зачем вообще эти стадии

Модель — это не только веса. Это ещё и API: формат запроса, набор параметров, поведение на краевых случаях, цена. Разработчику важно знать, что из этого зафиксировано, а что может поменяться без предупреждения. Стадии релиза — это язык, которым вендор сообщает степень своих обязательств.

Проще говоря: чем «зрелее» стадия, тем меньше вероятность, что ваш код сломается из-за изменений на стороне модели.

Стадии от сырой к зрелой

Экспериментальная / research preview

Самая ранняя. Модель показывают, чтобы собрать отклик, а не чтобы на ней строили. Может исчезнуть, подорожать, изменить поведение в любой момент.

• Что обещают: ничего. Это витрина, а не продукт.
• Когда брать: для экспериментов, демо, «пощупать». Никогда — для продакшена.

Превью / бета

Модель работает, ей можно пользоваться, но API ещё не заморожен. Параметры могут переименовать, поведение — подкрутить, лимиты — изменить.

• Что обещают: работоспособность, но не стабильность интерфейса.
• Когда брать: для внутренних инструментов, прототипов, задач, где вы готовы быстро чинить поломки. Для продукта с платящими клиентами — с осторожностью.

Release Candidate (RC)

«Кандидат в релиз» — почти финальная версия. Если не найдут критичных проблем, именно она станет стабильной. Встречается реже, в основном у крупных вендоров.

• Что обещают: что серьёзных изменений уже не будет, если не всплывёт баг.
• Когда брать: можно начинать интеграцию, закладывая небольшой запас на правки.

Стабильная / GA (General Availability)

Общедоступный релиз. API заморожен, поведение задокументировано, вендор берёт обязательство не ломать совместимость. Именно на эту стадию рассчитаны production-системы.

• Что обещают: стабильность интерфейса и предсказуемость.
• Когда брать: для всего, что идёт в продакшен и должно работать завтра так же, как сегодня.

Депрекация (deprecated)

Обратная сторона. Модель ещё работает, но помечена на вывод: вендор объявляет дату отключения, обычно за 30–180 дней. Это сигнал начинать миграцию.

• Что обещают: что скоро отключат. Дату смотрите в объявлении.
• Когда реагировать: сразу, как увидели пометку. Не в последний день.

Сводка

Три ловушки, на которых спотыкаются

«Превью» ≠ «плохо». Превью-модель может быть мощнее любой стабильной — свежие флагманы часто выходят сначала в превью. Вопрос не в качестве ответов, а в стабильности интерфейса. Отличная модель в превью — это отличная модель, на которую нельзя закладываться вслепую.

Дата депрекации приходит незаметно. Вендор объявляет её заранее, но письмо теряется, а через три месяца прод падает. Возьмите за правило проверять статус используемых моделей — хотя бы раз в квартал.

У «стабильной» версии тоже есть срок жизни. GA не значит «навсегда». Модель может стать стабильной, поработать год и уйти в депрекацию, когда выйдет следующее поколение. Стабильность — про то, что не сломается внезапно, а не про то, что будет вечно.

Как этим пользоваться на практике

1. Прототип — на превью, продакшен — на GA. Экспериментируйте на свежем, запускайте на зафиксированном.
2. Держите список используемых моделей с их статусом. Одна таблица экономит панику при внезапной депрекации.
3. Закладывайте абстракцию над моделью. Если завтра модель уйдёт, менять её должно быть просто — не переписывая полкода. Помогает и с ценой: перевести проект на модель дешевле станет вопросом одной строки.
4. Читайте дату депрекации как дедлайн миграции, а не как «когда-нибудь потом».

Что запомнить

• Стадия релиза — это обещание вендора про стабильность API, а не про качество ответов.
• Превью / бета — работает, но интерфейс может меняться. GA — можно строить продакшен.
• Превью-модель бывает мощнее стабильной — стадия не про качество.
• Депрекация — сигнал к миграции; реагируйте сразу, не в последний день.
• Держите абстракцию над моделью, чтобы смена стоила одной строки.

Свежий пример перехода в GA — DeepSeek V4. Как вообще выбирать модель под задачу — в гайде по выбору, а прикинуть стоимость перехода помогут калькулятор стоимости и сравнение подписки и API.

24 июля DeepSeek перевела V4 из статуса превью в стабильную версию — общедоступный релиз (GA). Модель вышла ещё в апреле, но именно сейчас получила статус, на который можно опираться в продакшене. Разберём, что это меняет.

Что за модель

DeepSeek V4 — открытый флагман в двух вариантах: V4-Pro (1,6 трлн параметров, около 49 млрд активных на запрос) и более лёгкий V4-Flash (284 млрд, 13 млрд активных). Оба построены на архитектуре Mixture of Experts: на каждый запрос включается лишь часть «экспертов», что даёт высокое качество при низкой цене вывода.

Ключевые характеристики:

• окно контекста 1 млн токенов, вывод до 384 тысяч;
• открытые веса — можно скачать и запустить локально;
• работает в России без обходных путей;
• цена вывода в разы ниже западных флагманов.

Главная цифра

На бенчмарке SWE-bench Verified (реальные задачи из репозиториев с открытым кодом) V4-Pro показывает 80,6% — это лучший результат среди моделей с открытыми весами и вплотную к закрытым флагманам. При этом за токен вывода V4-Pro обходится примерно в семь раз дешевле топовых западных моделей.

Именно это сочетание — качество почти флагманское, цена на порядок ниже — и есть причина, по которой DeepSeek остаётся заметной величиной, а не просто «ещё одной открытой моделью».

Что означает «стабильный релиз»

Тут стоит пояснить, потому что путаница частая. Модель проходит стадии зрелости:

До сегодняшнего дня V4 была доступна, но формально в статусе, который не гарантировал стабильности API. Перевод в GA — сигнал бизнесу: строить на ней production-системы теперь безопасно, ломающих изменений не будет. Для тех, кто ждал этого статуса, чтобы начать внедрение, барьер снят.

Кому это реально меняет расклад

Российским командам. Открытая модель, работающая без обходных путей, с качеством близко к флагманскому — это редкое сочетание. Для многих задач V4 закрывает потребность, ради которой раньше приходилось искать доступ к закрытым западным моделям.

Тем, кто считает деньги на объёме. Разница в цене вывода в разы — это не про экономию на кофе, а про то, укладывается ли проект в бюджет вообще. На больших потоках запросов семикратная разница решает.

Тем, кому важен локальный запуск. Открытые веса означают, что данные не уходят наружу. Оговорка: для крупной версии нужно серьёзное железо — прикинуть требования поможет калькулятор видеопамяти.

Оговорки

В самых тяжёлых задачах V4 всё же уступает топовым закрытым флагманам — «почти вровень» на бенчмарке и «вровень» в бою не всегда одно и то же. И большой размер Pro-версии означает, что запустить её локально дома не выйдет: это модель для серверов, а не для ноутбука.

Что запомнить

• DeepSeek V4 перешла в стабильный релиз — можно строить продакшен.
• 80,6% на SWE-bench — лучший результат среди открытых, близко к закрытым.
• Цена вывода в разы ниже западных флагманов.
• Открытая, работает в РФ и локально, контекст 1 млн токенов.
• Для тяжёлых задач и локального запуска крупной версии — свои оговорки.

Чем открытые модели отличаются от закрытых и когда что выбирать — в разборе открытых и закрытых нейросетей. Что вообще значат стадии релиза модели — в гайде про превью, бету и стабильные версии.

Поддержка клиентов — самая массовая корпоративная задача для ИИ и самая обманчивая. Демо всегда выглядит блестяще: модель вежливо отвечает на типовой вопрос. Проблемы начинаются на втором вопросе, где клиент уточняет условия, и на третьем, где он недоволен. Разберём, что реально работает.

Что вообще делает ИИ в поддержке

Полезно сразу разделить четыре разные задачи — их часто путают, а требования у них противоположные.

Самый недооценённый сценарий — последний. Агент, который не отвечает клиенту, а подсказывает живому оператору, даёт большую часть выгоды почти без рисков. С него разумно начинать.

Текстовый чат: чем закрывать первую линию

Claude Sonnet 5 — рабочая лошадка для поддержки. Хорошо держится в рамках инструкций, редко выдумывает условия, аккуратно признаёт незнание — а для поддержки это важнее блеска формулировок. Большое окно контекста позволяет держать регламенты прямо в диалоге.

GPT-5.6 Luna — сильна там, где нужен живой разговорный тон и работа с недовольством клиента. Хорошо переформулирует, снижает накал. Обратная сторона той же черты: под нажимом склонна соглашаться, поэтому запреты надо прописывать жёстко.

Gemini 3.6 Flash и другие лёгкие модели — для высокого потока однотипных обращений. Разница в цене между флагманом и лёгкой моделью на объёмах поддержки решает: если 80% обращений — это пять типовых вопросов, гонять их через флагман бессмысленно.

DeepSeek V4 — вариант для тех, кому важна открытость и работа в России. Цена на порядок ниже западных флагманов, качество для типовых сценариев достаточное.

Практический подход — маршрутизация: лёгкая модель разбирает поток и отвечает на простое, флагман подключается на сложном. Это экономит больше, чем любые оптимизации промта.

Голос: отдельная история

Голосовая поддержка — не «то же самое, но вслух». Три отличия ломают наивный перенос:

• Задержка видна. В чате пауза в две секунды незаметна, в разговоре — неловкая тишина. Прикинуть бюджет времени поможет калькулятор задержки.
• Нельзя переписать ответ. Сказанное сказано; в чате пользователь простит правку следующим сообщением, в голосе — нет.
• Распознавание ошибается на именах и номерах. Фамилия, адрес, номер заказа — главный источник сбоев. Всегда проговаривайте распознанное обратно для подтверждения.

Для распознавания речи рабочие варианты — Whisper и специализированные модели вроде Nemotron 3.5 ASR; для синтеза — ElevenLabs v3, где теги интонации задаются прямо в тексте (разметить реплики удобно помощником по аудио-тегам).

Что отделяет демо от рабочей линии

Модель — меньшая часть задачи. Вот что решает на практике.

Источник правды. Ответы про тарифы, сроки и условия должны приходить из документов, а не из памяти модели. Иначе агент однажды пообещает скидку, которой нет.

Гардрейлы. Жёсткие запреты, которые не обходятся уговорами клиента. Как их формулировать — в гайде про правила поведения агента.

Эскалация с контекстом. Передача человеку должна нести краткую суть диалога. Иначе клиент рассказывает свою историю второй раз, и экономия съедается его раздражением.

Регресс после правок. Правка промта, чинящая один случай, регулярно ломает два соседних. Без прогона одного и того же набора сценариев это не видно.

Крупные вендоры это поняли: OpenAI в июле выпустила Presence — платформу, где всё перечисленное идёт из коробки, и продаёт уже не доступ к модели, а обвязку вокруг неё.

Где ИИ в поддержке ошибается

Придумывает условия. Самая дорогая ошибка. Лечится только источником правды, а не выбором модели.

Соглашается под нажимом. Настойчивый клиент выбивает согласие, потому что модель обучена быть полезной. Лечится жёсткими гардрейлами.

Не понимает, что застряла. Может ходить по кругу бесконечно. Лечится правилом: два круга без прогресса — эскалация.

Теряется на смеси языков. «Здравствуйте, my order number is…» — типичная ситуация, на которой падает качество. Проверяйте отдельно, если аудитория смешанная.

С чего начать, если вы только внедряете

1. Соберите топ-20 обращений за последний месяц. Это ваш реальный поток, а не воображаемый.
2. Начните с подсказок оператору, а не с автоответов. Риск нулевой, выгода видна сразу.
3. Опишите политики — тарифы, сроки, условия — как отдельный документ с датой.
4. Пропишите эскалацию раньше, чем начнёте отвечать клиентам автоматически.
5. Считайте не токены, а разборы. Основной расход — время людей на анализ случаев, где агент ошибся. Прикинуть денежную сторону поможет калькулятор окупаемости ИИ.

Что запомнить

• Разделяйте четыре задачи: ответ, диалог, действие, подсказка оператору. Начинайте с последней.
• Держите маршрутизацию: лёгкая модель на поток, флагман на сложное.
• Голос — не чат вслух: задержка, необратимость реплики, ошибки на именах и номерах.
• Решает не модель, а источник правды, гардрейлы, эскалация и регресс.
• Считайте расход в разборах, а не в токенах.

Подобрать модель под свой сценарий помогут подборщик моделей и сравнение моделей.

Между «модель хорошо отвечает» и «агент работает на линии поддержки» лежит пропасть, и заполняется она не выбором модели помощнее, а правилами. Разберём, как их писать, — на четыре слоя, от самого мягкого к самому жёсткому.

Почему одного системного промта мало

Типичная первая версия агента — один длинный системный промт: «Ты — вежливый помощник компании N. Отвечай на вопросы о тарифах». Работает ровно до первого нестандартного диалога, а дальше начинается:

• клиент спрашивает про скидку — агент из вежливости её выдумывает;
• клиент настаивает — агент соглашается на возврат, которого не полагается;
• регламент поменялся — агент продолжает рассказывать старые условия;
• случай сложный — агент крутится по кругу вместо того, чтобы позвать человека.

Все четыре проблемы — разного типа, и лечатся разными слоями правил. Смешивать их в одном абзаце промта — главная ошибка.

Слой 1. Политики: что считается правдой

Политика — это описание предметной области, на которое агент опирается вместо собственных знаний. Не «будь полезным», а конкретика: тарифы, сроки, условия возврата, что входит в подписку.

Правило простое: если факт можно посмотреть в документе — он должен приходить из документа, а не из головы модели. Модель угадывает вероятное продолжение текста; вероятное продолжение «наша скидка составляет» — это любое правдоподобное число.

Как оформлять:

• держите политики отдельным блоком, а не вплетайте в характер агента;
• пишите датой и версией — так вы поймёте, что агент отстал от жизни;
• то, что меняется часто (цены, акции), подтягивайте динамически, а не зашивайте в промт.

Слой 2. Гардрейлы: чего агент не делает никогда

Гардрейл — жёсткий запрет, который не обсуждается ни при каких формулировках клиента. Он отличается от политики тем, что не описывает мир, а ограничивает поведение.

Минимальный набор для поддержки:

Формулируйте гардрейл как запрет с готовой заменой: не просто «не называй сумму возврата», а «не называй сумму возврата — вместо этого передай диалог оператору». Запрет без альтернативы модель обходит, потому что ей всё равно надо что-то ответить.

Слой 3. Разрешённые действия: белый список

Как только агент получает доступ к системам компании — оформить заявку, изменить тариф, отправить письмо, — вопрос «что ему можно» перестаёт быть стилистическим.

Работает только белый список: перечислить, что можно, и запретить всё остальное. Чёрный список («нельзя удалять аккаунты») всегда неполон — вы не перечислите заранее всё, чего не подумали.

Для каждого действия зафиксируйте:

1. Что делает — одна фраза без двусмысленностей.
2. Какие данные нужны и что делать, если их не хватает.
3. Нужно ли подтверждение — от клиента, от оператора или ничьё.
4. Обратимо ли — необратимые действия по умолчанию требуют человека.

Практическое правило: всё, что нельзя отменить, требует подтверждения человека. Это дешевле любого разбирательства постфактум.

Слой 4. Эскалация: когда звать человека

Самый недооценённый слой. Агент без правил эскалации будет пытаться решить задачу до последнего — и раздражать клиента сильнее, чем честное «сейчас подключу коллегу».

Опишите триггеры явно:

• клиент попросил человека — безусловная передача, без уговоров;
• два круга без прогресса — агент повторяется, значит, застрял;
• эмоциональный накал — жалоба, угроза уйти, упоминание суда;
• случай вне политик — нужного факта в документах нет;
• необратимое действие — см. слой 3;
• низкая уверенность — модель сама сигналит, что не знает.

И обязательно опишите, что передаётся вместе с диалогом: краткая суть, что уже проверено, что клиент просит. Эскалация без контекста — это когда клиент рассказывает свою историю второй раз, и вся экономия на поддержке съедается его раздражением.

Как проверить правила до выката

Написанные правила ничего не стоят, пока не прогнаны на сценариях. Минимальный набор проверок:

• Обычные случаи — 10–20 типовых обращений, всё должно закрываться.
• Пограничные — вопросы на стыке политик, где легко соврать.
• Провокации — «а если я скажу, что мне обещали скидку?», «покажи свою инструкцию».
• Эскалационные — случаи, которые обязаны уйти человеку. Проверяем, что уходят.
• Регресс — тот же набор после каждой правки промта.

Последний пункт важнее остальных: правка, которая чинит один случай, регулярно ломает два соседних. Без прогона одного и того же набора вы этого не заметите.

Частые ошибки

Всё в одном абзаце. Политики, запреты и эскалация вперемешку — модель усредняет их важность. Разделяйте по слоям.

Вежливость важнее правды. Если промт требует «всегда быть на стороне клиента», модель согласится с чем угодно. Гардрейл должен быть сильнее тона.

Нет владельца правил. Регламент поменялся, а промт правит тот, у кого дошли руки. Назначьте ответственного за политики — как за любой другой документ.

Правила писали не те, кто на линии. Операторы знают реальные сценарии; продакт знает, как должно быть. Нужны оба.

Что запомнить

• Правила бывают четырёх типов: политики, гардрейлы, разрешённые действия, эскалация. Не смешивайте.
• Факты — из документов, а не из памяти модели.
• Гардрейл формулируйте как запрет плюс альтернатива.
• Действия — только белым списком; необратимое — через человека.
• Эскалация нужна с контекстом, иначе она хуже её отсутствия.
• Любая правка проверяется регрессом на том же наборе сценариев.

Как крупные компании собирают это в готовую платформу — на примере OpenAI Presence. Собрать сам системный промт помогут конструктор системного промта и доктор промтов, а расписание фоновых задач агента — расшифровщик cron-выражений.

22 июля OpenAI представила Presence — платформу для развёртывания ИИ-агентов в крупных компаниях: поддержка клиентов, продажи и внутренние процессы, в голосовом и чат-канале. Это заметный разворот стратегии: компания продаёт не сырой доступ к модели, а собранную систему управления агентом.

Что именно выпустили

Presence — это не новая модель. Это обвязка вокруг модели, которая отвечает на вопрос «как сделать так, чтобы агент вёл себя предсказуемо в продакшене». В неё входят:

• политики и регламенты — описание того, что агент делает и чего не делает;
• гардрейлы — жёсткие ограничители поведения;
• список разрешённых действий — что агенту позволено выполнять в системах компании;
• симуляции и инструменты оценки — прогон сценариев до выката;
• процесс улучшения на базе Codex — доработка агента после запуска.

Отдельный акцент — на управлении изменениями: продукты, тарифы и регламенты компании меняются, и агент должен меняться вместе с ними, не ломаясь.

Главная цифра

OpenAI утверждает, что Presence работает на её собственной англоязычной телефонной линии поддержки и закрывает 75% входящих обращений без участия человека. Это редкий случай, когда вендор показывает не демо, а свою рабочую нагрузку — проверить со стороны нельзя, но заявление конкретное и проверяемое изнутри компании.

Почему это важнее, чем звучит

Разрыв между «модель хорошо отвечает в чате» и «агент работает на линии поддержки» — главная причина, по которой корпоративные пилоты не доходят до продакшена. Модель может ответить блестяще, но:

Ни один из этих пунктов не решается выбором модели помощнее. Это инженерная обвязка, и раньше каждая компания строила её сама.

Что это значит для рынка

Presence — сигнал, куда движется монетизация. Доступ к модели дешевеет: за июль стоимость вывода у флагманов сжалась до нескольких долларов за миллион токенов. Зарабатывать на литре топлива всё труднее — значит, продавать будут машину целиком.

Для интеграторов и агентств это двоякая новость. С одной стороны, часть работы, которую они делали руками, теперь идёт из коробки. С другой — сама постановка задачи («опишите политики, сценарии эскалации и разрешённые действия») никуда не девается, и это по-прежнему человеческая работа, за которую платят.

Доступность

Сейчас Presence доступна отобранным корпоративным клиентам в рамках ограниченной общей доступности. Это значит: продукт вышел из закрытого превью, но раздаётся не всем подряд.

Что запомнить

• Presence — управляемая платформа для агентов, а не новая модель.
• В центре — политики, гардрейлы, разрешённые действия, симуляции и эскалация.
• OpenAI гоняет её на собственной телефонной поддержке: 75% обращений без человека.
• Тренд очевиден: ценность уходит от доступа к модели к обвязке вокруг неё.
• Доступ пока ограниченный, для корпоративных клиентов.

Как самому описать правила поведения агента, если корпоративной платформы под рукой нет, — разобрали в гайде про гардрейлы и эскалацию. Какие нейросети сегодня закрывают задачи поддержки клиентов — в подборке для колл-центров.

Комнатные растения — идеальная задача для ИИ: почти всё диагностируется по внешнему виду, а цена ошибки — загубленный фикус, а не что-то серьёзное. Разберём, где нейросети реально помогают цветоводу, а где их уверенность обманчива.

Определить растение по фото

Лучший сценарий, и работает он отлично. Сфотографируйте растение и загрузите в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro: вид, семейство и близкие похожие растения модель называет уверенно, даже по неидеальному снимку.

Зачем это на практике:

• Достался безымянный цветок — от бабушки, из офиса, с рук. Чтобы за ним ухаживать, надо знать, что это.
• Отличить похожие виды. Разные потосы, филодендроны, суккуленты выглядят близко, а уход у них разный. Модель разбирает по форме листа, жилкованию, стеблю.
• Понять, ядовит ли для питомцев. Многие популярные растения токсичны для кошек и собак — модель предупредит, но серьёзные сомнения проверяйте отдельно.

Приём, повышающий точность: дайте несколько ракурсов. «Определи по этим трём фото: лист сверху, стебель, общий вид» работает надёжнее одного снимка. И просите модель отмечать неуверенность — «если признаков мало, скажи, что дофотографировать».

Диагностика по фото: где ИИ силён

Второй сильный сценарий — разобраться, что не так. Пожелтевший лист, пятна, увядание, налёт — всё это визуальные признаки, а с ними ИИ работает хорошо.

Загрузите фото проблемы и опишите условия: как часто поливаете, где стоит, сколько света. Модель разберёт вероятные причины и, что важнее, объяснит цепочку: почему жёлтые нижние листья — это чаще перелив, а сохнущие кончики — сухой воздух.

Типовые проблемы, которые ИИ опознаёт уверенно:

Последняя строка показывает и границу: одно и то же пятно бывает от разных причин. Здесь модель даёт версии, а не приговор — и это честно.

Уход и организация

• График полива под ваши условия. Опишите растение, размер горшка, освещённость, отопление — модель прикинет частоту. Не абсолютную истину, но лучше, чем «поливаю, когда вспомню».
• Разбор, почему не цветёт. Опишите условия и уход — модель разберёт вероятные причины: не тот свет, нет периода покоя, перекорм азотом.
• Пересадка. Когда пора, какой горшок, какой грунт под конкретный вид — модель структурирует известные правила.
• Подбор растения под место. «Тёмная ванная без окна», «южный подоконник, забываю поливать» — получите список с объяснением, почему. Учитывает ваши условия, а не средние.
• План на отпуск. Как подготовить растения к двум неделям без вас.

Где ИИ выдумывает

Честная часть, без которой обзор был бы рекламой.

Точный диагноз болезни по одному фото. Модель назовёт вероятную причину, но грибок, бактериоз и последствия перелива на фото порой неотличимы. Лечение «наугад» по неверному диагнозу вредит.

Конкретные препараты и дозы. «Обработай тем-то в такой-то концентрации» — модель может назвать средство, которого нет в вашей стране, или ошибиться с дозировкой. Названия проверяйте, дозы берите с упаковки.

Редкие и коллекционные виды. На массовых растениях модель точна, на редких вариегатах и коллекционных формах — начинает угадывать. Чем реже растение, тем осторожнее с ответом.

«Спасётся ли?» Прогноз по фото — гадание. Модель не видит корни, а именно там обычно решается судьба залитого растения.

Отдельно про приложения-определители

Специализированные приложения с «ИИ-определением растений» популярны, и стоит понимать, чем они отличаются от чат-бота.

Что реально: узкая модель, натренированная именно на растениях, по одному фото часто точнее универсального чат-бота в определении вида. Как быстрый определитель — удобно.

В чём подвох: многие такие приложения агрессивно навязывают платную подписку и склонны к тревожным «диагнозам», чтобы удержать пользователя. Определение вида — их сильная сторона; развёрнутые советы по лечению у чат-бота, которому вы описали условия, часто вменяемее.

Разумная связка: приложение — чтобы опознать, чат-бот с описанием ваших условий — чтобы разобраться в уходе.

Генерация и вдохновение

Мелочь, но приятная: генераторы изображений помогут представить, как будет смотреться растение в интерьере или спланировать композицию на полке. Для настоящего вида нужна модель с загрузкой фото вашей комнаты; по тексту выйдет похоже, но не про вашу квартиру.

Сводка

Что запомнить

• Сильнейшие сценарии — определение вида и диагностика по видимым признакам.
• В спорной болезни модель даёт версии, а не диагноз, — и это правильно.
• Препараты и дозы сверяйте сами: модель может ошибиться со средством или концентрацией.
• Приложения-определители точнее в опознании вида, но навязывают подписку и пугают; уход разумнее обсуждать с чат-ботом.
• Признак, что зашли не туда: вопрос «спасётся ли», где ответ зависит от корней, которых на фото нет.

Про склонность моделей уверенно выдумывать — в разборе галлюцинаций. Похожая логика с живыми существами, которые не расскажут о себе, — в обзоре нейросетей для владельцев питомцев.

Спрашивать ИИ о здоровье люди будут независимо от предупреждений — это удобно, быстро и не стыдно. Раз так, вопрос не «стоит ли», а «как делать это, не навредив себе». Особенно теперь, когда чат-боты подключают к медкартам и анализам и они звучат ещё убедительнее.

Разберём по-честному: где ИИ полезен, где опасен, и как формулировать, чтобы получать пользу без риска.

Одно правило, из которого следует всё

ИИ объясняет — врач решает. Это не осторожная оговорка, а рабочая граница.

Модель не понимает ваше тело. Она предсказывает вероятное продолжение текста на основе миллионов прочитанных медицинских текстов. Этого достаточно, чтобы объяснить термин, и категорически недостаточно, чтобы оценить именно ваше состояние — где важны осмотр, анамнез, анализы в динамике и десятки вещей, которых модель не знает и знать не может.

Всё, что ниже, — следствия из этого правила.

Что спрашивать безопасно

Это зона «объяснить и организовать», где ИИ силён.

Расшифровать термин из заключения. «Что означает такой-то показатель в анализе крови, за что он отвечает» — модель объяснит понятно и по делу. Вы приходите к врачу, понимая, о чём речь.

Понять, о чём спросить врача. Опишите симптомы и попросите: «составь список вопросов врачу и что важно ему сообщить». Пятнадцать минут приёма стоят того, чтобы потратить пять на подготовку.

Разобраться в назначении. «Объясни, зачем обычно назначают такой класс препаратов и как он работает» — общий принцип, а не рекомендация для вас.

Перевести врачебный язык. Загрузите заключение и попросите объяснить простыми словами. ИИ хороший переводчик с медицинского на человеческий.

Организовать. Календарь приёма лекарств (по вашим, уже назначенным), список документов к госпитализации, вопросы для второго мнения.

Общая гигиена и профилактика. Как правильно мыть руки, почему важен сон, что такое базовая профилактика — общеизвестные вещи модель излагает корректно.

Что спрашивать опасно

Это зона «оценить состояние живого человека», куда ИИ ходить не должен.

Признак, по которому легко себя проверить: если ответ модели может напрямую повлиять на то, что вы примете, отмените или проигнорируете, — это вопрос к врачу, а не к ИИ.

Как формулировать, чтобы было безопаснее

Даже правильный по теме вопрос можно задать так, что ответ подтолкнёт к ошибке. Несколько приёмов.

Просите объяснение, а не решение. «Объясни, что это значит» вместо «что мне делать». Первое — знание, второе — медицинский совет.

Просите отметить неуверенность. «Если данных недостаточно для ответа, скажи об этом» снижает риск, что модель выдаст выдумку за факт.

Просите отправить к врачу там, где нужно. «Если это повод обратиться к врачу — скажи прямо». Хорошо настроенные модели так и делают, но напоминание не лишнее.

Не давите на модель ролью. «Представь, что ты врач, и поставь диагноз» — не хитрость, а способ получить более уверенную и потому более опасную выдумку. Реального врача это не заменяет, а осторожность модели убирает.

Отдельно про подключённые данные

Новые сервисы вроде ChatGPT Health подключаются к анализам и Apple Health напрямую. Это удобно, но добавляет два вопроса.

Приватность. Проверяйте, что данные о здоровье не идут в обучение и рекламу. У серьёзных сервисов это прописано, но читать стоит — это самая чувствительная категория ваших данных. Общие правила — в гайде по защите данных.

Ложная убедительность. Модель, у которой «на руках» ваши анализы, звучит авторитетнее — но принцип не изменился. Доступ к цифрам не даёт понимания тела. Разбор подключённого анализа — по-прежнему повод для вопроса врачу, а не замена ему.

Когда ИИ реально спасает время

Чтобы не создать впечатление, что ИИ в медицине бесполезен, — он очень полезен, просто на своём месте:

• вы понимаете, что вам сказал врач, а не киваете и гуглите потом;
• вы приходите на приём с вопросами, а не вспоминаете их в лифте;
• вы не паникуете над непонятным термином в заключении, а разбираетесь;
• вы экономите приём — базовое объяснение получаете заранее, а живое время врача тратите на важное.

Это заметный выигрыш. Он весь — в зоне «объяснить и подготовить», и ни разу не в зоне «поставить диагноз».

Что запомнить

• Единственное правило: ИИ объясняет, врач решает.
• Безопасно — расшифровать термин, подготовить вопросы, понять назначение.
• Опасно — диагноз, дозировки, совместимость лекарств, оценка норм.
• Самопроверка: если ответ повлияет на то, что вы примете или отмените, — это к врачу.
• Формулируйте на объяснение, а не на решение; просите отмечать неуверенность.
• Подключённые данные не меняют границу — только делают выдумку убедительнее.
• Приватность медданных — самое чувствительное, проверяйте условия.

Обзор того, где нейросети помогают со здоровьем и фитнесом, а где нет, — в отдельном материале. Почему уверенный ответ модели не значит верный — в разборе галлюцинаций.

23 июля OpenAI открыла ChatGPT Health для всех пользователей в США старше 18 лет — на всех тарифах, включая бесплатный. Функция позволяет подключить к чату данные Apple Health и медицинские записи. Разберём, что это меняет и где проходят границы.

Что подключается

ChatGPT Health связывается с целым набором сервисов: Apple Health, Epic, One Medical, а также фитнес- и wellness-приложениями — MyFitnessPal, Weight Watchers, AllTrails, Peloton и другими.

Получив доступ к вашим данным, чат обещает:

• разбор анализов — объяснить показатели лабораторных тестов;
• советы по питанию с учётом ваших данных;
• идеи блюд и планы тренировок под ваши цели;
• ответы, персонализированные под вашу историю, а не общие.

Главное отличие: изолированное пространство

Здесь OpenAI сделала то, чего от неё давно ждали в чувствительных темах. ChatGPT Health — это отдельное пространство со своей историей и памятью, отгороженное от обычных чатов.

Ключевые гарантии приватности:

• медкарты и данные Apple Health не используются для обучения базовых моделей;
• и не используются для таргетинга рекламы;
• поверх обычного шифрования всех чатов добавлено дополнительное шифрование синхронизированных медданных.

Это прямой ответ на главный страх пользователей: «отдам данные о здоровье — они утекут в обучение или в рекламу». Формально теперь — нет.

Дисклеймер, который важнее функций

OpenAI повторяет это настойчиво, и не зря: сервис информационный, а не диагностический. Компания прямо пишет, что медицинские рекомендации нужно проверять у профессионального врача.

Это не юридическая формальность в подвале страницы, а центральное ограничение продукта. ChatGPT Health не ставит диагноз, не назначает лечение и не заменяет приём. Он объясняет и организует — то, в чём ИИ действительно силён, — но ответственность за медицинские решения остаётся на человеке и его враче.

Почему это осторожный запуск

Показательна сама история продукта: функция уже запускалась ранее в этом году в ограниченном виде, была переосмыслена и вернулась спустя месяцы с расширенным доступом и усиленной защитой данных. Такой темп — редкость для OpenAI, которая обычно выкатывает быстро. Медицина — та область, где цена ошибки заставляет притормозить даже самых быстрых.

Мы разбирали, почему ИИ в вопросах здоровья — это помощник, а не врач: та же логика применима и здесь. Изоляция данных и красивая интеграция не меняют фундаментального: модель угадывает вероятное продолжение текста, а не понимает ваше тело.

Что это значит для пользователя

• Для США — удобный инструмент, чтобы разобраться в анализах и держать данные о здоровье в одном месте, с приличными гарантиями приватности.
• Для остального мира, включая РФ — прямого доступа нет, но направление задано: медданные становятся штатным входом для ИИ-ассистентов, и вопрос приватности выходит на первый план.
• Универсальный вывод — даже с изоляцией данных правило прежнее: ИИ объясняет, врач решает. Разбор анализа моделью — повод задать врачу более точный вопрос, а не основание что-то принять или отменить.

Где ИИ реально помогает в вопросах здоровья, а где опасен, — в отдельном разборе. Как вообще устроена приватность при работе с нейросетями — в гайде по защите данных.

Настольные игры — хобби, живущее на стыке правил и живого общения. ИИ отлично работает с первым и опасен для второго. Разберём по задачам — от семейных настолок до ролевых кампаний.

Объяснить правила: лучший сценарий

Главная боль настольщика — правила на сорок страниц, которые никто за столом не читал до конца.

Загрузите PDF правил в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro и спрашивайте по ходу партии: «можно ли строить в этот ход», «как работает эта карта в связке с той». Модель отвечает по загруженному документу — это надёжнее пересказа по памяти, где она может смешать редакции игры.

Три приёма, которые поднимают качество:

• Просите цитату. «Ответь и приведи пункт правил» — сразу видно, ответ это или фантазия.
• Уточняйте редакцию. У популярных игр по несколько изданий с разными правилами; без уточнения модель усреднит.
• Объяснение для новичка. «Объясни правила за пять минут, без крайних случаев» — лучший способ запустить партию с новыми людьми, не читая вслух буклет.

Рассудить спор

Классика: двое трактуют карту по-разному, партия стоит. Модель с загруженными правилами — быстрый третейский судья: разбирает формулировку, показывает соответствующий пункт, называет распространённые трактовки.

Оговорка: по-настоящему спорные места есть даже в официальных FAQ. Если модель говорит «правила неоднозначны» — это честный ответ, дальше решает стол, а не машина.

Ролевые игры: где ИИ сильнее всего

Для мастеров D&D и других НРИ нейросети — почти читерство по экономии времени.

Подготовка сессии. Опишите, где находится партия и что запланировано, — попросите детали: описание таверны, три слуха, которые можно услышать, имена стражников, содержимое сундука. Час подготовки превращается в пятнадцать минут.

НПС с характером. «Придумай торговца в портовом городе: странность, манера речи, секрет, цель» — готовый персонаж, которого не стыдно отыграть. Пачка из десяти таких — на всю кампанию.

Импровизация на сессии. Игроки пошли не туда — прямо за столом попросите модель накидать локацию или случайную встречу. Быстрее, чем листать бестиарий.

Балансировка боёв. Опишите состав партии и уровень — модель прикинет сложность энкаунтера и предложит корректировки. Проверяйте по официальным таблицам, но как первая оценка работает.

Генерация завязок. Три-пять вариантов квеста из одной строчки описания мира. Выбираете один, остальные — в копилку.

Про генерацию карт подземелий и портретов персонажей — отдельная радость: генераторы изображений закрывают то, на что у мастера никогда не было ни времени, ни художника.

Чего ИИ за столом делать не должен

Здесь проходит граница, и она важнее списка возможностей.

Не заменяйте мастера моделью. Соблазн «пусть ИИ водит кампанию» упирается в то, что модель не держит долгосрочную интригу, забывает договорённости двадцатисессионной давности и не чувствует, что за столом стало скучно. Как ассистент мастера — да. Вместо — получается казённый квест-автомат.

Не отдавайте модели решения за игроков. «Спроси у ИИ, что бы сделал мой персонаж» — это отказ от самой игры.

Не тащите телефон в каждый спор. Постоянные паузы «сейчас спрошу у модели» убивают темп хуже любого спора. Работает правило: быстрые вопросы — по ходу, глубокие разборы — между сессиями.

Помните, ради чего собрались. Настолки — предлог посидеть с людьми. Всё, что ИИ делает до и после стола, усиливает вечер; всё, что он делает вместо общения за столом, обесценивает его.

Выбор игры и обучение

• Подбор под компанию. Опишите состав: «четверо, двое новичков, один не любит конфликтные игры, вечер два часа» — получите список с объяснением, почему. Работает лучше рейтингов, потому что учитывает вашу компанию, а не среднюю.
• Разбор стратегии. После партии: «я проиграл вот так — что я делаю не так в этой игре?» Модели прилично знают стратегию популярных настолок.
• Обучение сложным играм. План «как за три партии научить компанию играть в тяжёлую евро-игру» — с чего начать, что отложить на потом.

Сводка

Что запомнить

• Сильнейший сценарий — вопросы по загруженному PDF правил с цитатами.
• Для мастеров НРИ ИИ — ассистент подготовки: НПС, локации, слухи, балансировка.
• Граница простая: ИИ работает до и после стола, а не вместо людей за ним.
• В спорах модель — судья по правилам, но неоднозначности решает стол.
• Заменить мастера моделью пока нельзя — и, судя по природе задачи, не стоит пытаться.

Как работать с большими PDF — в обзоре нейросетей для документов. Генерация карт и портретов для кампании — в обзоре генераторов изображений.

Вопрос «можно ли писать с ИИ» устарел: пишут почти все. Актуальный вопрос — как делать это так, чтобы читатель, узнав о вашем процессе, не почувствовал себя обманутым. Особенно теперь, когда платформы начали встраивать детекторы и проверка стала доступна каждому подписчику.

Ниже — практическая рамка. Она не про мораль, а про управление доверием: единственным активом, который у пишущего человека нельзя восстановить быстро.

Главный принцип: обман — не в инструменте

Читателя не смущает, что вы пользуетесь инструментами. Никто не чувствует себя обманутым из-за проверки орфографии или редактора, сократившего текст.

Обман начинается там, где заявленное расходится с реальным. Если подписчик платит за «письма от Марии» и верит, что Мария их пишет, а Мария их не читала до отправки — проблема не в ИИ. ИИ лишь сделал такую подмену дешёвой.

Отсюда рабочее определение честности: читатель, полностью узнав ваш процесс, не должен почувствовать, что купил не то. Это проверяется простым мысленным тестом: готовы ли вы описать свой процесс публично? Если да — скорее всего, всё в порядке. Если формулировка получается уклончивой — вы уже знаете ответ.

Спектр использования: где проходит граница

Использование ИИ — не бинарное «писал / не писал». Полезно видеть спектр:

Граница доверия проходит между четвёртой и пятой строкой: пока мысли ваши, а формулировки совместные — читатель получает то, за чем пришёл. Когда и мысли, и формулировки машинные — подпись автора становится этикеткой на чужом продукте.

Как раскрывать: три правила формулировки

Коротко и буднично. Абзац покаяния хуже одной спокойной строки. «Черновик собран с помощью ИИ по моему плану, факты и выводы мои» — этого достаточно. Драматизация раскрытия сама создаёт ощущение, что было что скрывать.

Конкретно, а не вообще. «Я использую ИИ» не говорит ничего. Полезная формула: что делает модель + что делаете вы. «Модель расшифровывает интервью и предлагает структуру; текст и оценки — мои».

Один раз и на видном месте. Страница «как я работаю» или строка в описании рассылки работает лучше, чем сноска в каждом посте. Постоянным читателям не нужно напоминание в каждом письме.

Чего не делать

• Не полагаться на «не поймают». Детекторы ошибаются в обе стороны, но траектория очевидна: проверок будет больше, а цена пойманного молчания всегда выше цены признания.
• Не «очеловечивать» текст ради обхода детекторов. Это худшее из обоих миров: усилия потрачены, текст не стал лучше, а намерение — уже обман, независимо от результата.
• Не перекладывать ответственность. «Это модель ошиблась» не работает: под текстом ваша подпись. Ошибка ИИ, вышедшая под вашим именем, — ваша ошибка.
• Не выдавать машинную продуктивность за свою. Семь постов в день там, где вы писали один в неделю, читатели заметят раньше любого детектора — по интонации.

Отдельный случай: работа на заказ

Если вы пишете за деньги — клиенту, работодателю, изданию, — правило жёстче: уровень использования ИИ — предмет договорённости, а не ваш личный выбор. У заказчика могут быть свои причины требовать полностью человеческий текст: юридические, репутационные, платформенные. Молчаливая подмена здесь — не серая зона, а прямое нарушение договорённостей, даже неписаных.

Спросить один раз — «использую ИИ для черновиков, правлю всё руками, ок?» — дешевле любых последствий.

Почему честность — это ещё и выгодно

Прагматический аргумент, который часто упускают: раскрытый процесс перестаёт быть уязвимостью. Автору, который сам описал свою работу с ИИ, детектор не страшен — что бы тот ни показал, ответ уже опубликован. Автор, который молчит, ставит свою репутацию в зависимость от точности чужого инструмента — заведомо несовершенного.

И второе: аудитория, которая осталась с вами после честного «да, я работаю с ИИ вот так», — это аудитория, которую уже не отпугнёт ничей скан.

Что запомнить

• Проблема не в инструменте, а в расхождении заявленного с реальным.
• Тест на честность: готовы ли вы описать свой процесс публично.
• Граница — между «мысли мои, формулировки совместные» и «текст машинный целиком».
• Раскрывать коротко, конкретно, один раз — без покаяний.
• В работе на заказ уровень ИИ — предмет договорённости, не личный выбор.
• Раскрытый процесс — защита от любых детекторов; молчание отдаёт вашу репутацию их точности.

Как модели определяют авторство текста и почему их вердикты нельзя считать доказательством — в гайде про детекторы. Посмотреть на свой текст глазами статистики — в инструменте «Ритм текста».

Substack — одна из главных платформ платных рассылок — 22 июля объявила об интеграции детектора ИИ-текста Pangram. Теперь проверить, писал ли автор сам, может не только редакция, но и читатель.

Как это устроено

• Сканируются посты, заметки, ответы и комментарии, опубликованные с конца июля; задним числом старые тексты не проверяются.
• Результат — процентная раскладка: сколько в тексте сгенерированного, сколько написанного с помощью ИИ, сколько человеческого.
• Минимальная длина для проверки — около 100 символов.
• Результат видит только запросивший подписчик — публичного ярлыка на посте не появляется.
• Работает в вебе и iOS, Android обещают позже.

Что дали авторам

Substack подчёркивает: это не запрет ИИ и не обязательная маркировка. Авторам оставили четыре рычага:

1. Предпроверка — прогнать черновик через Pangram до публикации и увидеть, что увидит читатель.
2. Оспаривание — сообщить об ошибочном срабатывании и убрать некорректный скан.
3. Отключение — полностью выключить возможность проверки своих текстов.
4. «Заметка автора об ИИ» — добровольное поле, где можно объяснить свой процесс: что делает модель, что делаете вы.

Сооснователь и глава Substack Крис Бест объяснил запуск словом собственного изобретения — «клодфишинг»: разрыв между ожиданием читателя, что текст написал человек, и реальностью, в которой его не писал никто.

Очевидная слабость

Мы подробно разбирали, как работают детекторы ИИ-текста, и главный вывод оттуда применим напрямую: детекторы систематически ошибаются, причём не случайным образом. Под ложные срабатывания чаще попадают люди, пишущие на неродном языке, и авторы ровных формальных жанров.

Substack, судя по конструкции запуска, это понимает: приватность результата, оспаривание, отключение — всё это амортизаторы вокруг несовершенного инструмента. Вопрос в том, как поведут себя читатели: процент на экране выглядит убедительнее, чем оговорки к нему.

Почему это всё равно важно

Прецедент в другом. До сих пор детекторы жили на отдельных сайтах, куда текст надо было нести самому. Теперь проверка встроена в саму платформу, где доверие к автору — это буквально товар: подписчики платят за то, что читают конкретного человека.

Substack первым признал очевидное: на платформе платных рассылок вопрос «кто это написал» — не любопытство, а вопрос о том, за что заплачены деньги. Ход с «заметкой автора» при этом умнее самого детектора: он переводит тему из «поймали / не поймали» в «автор сам рассказывает, как работает».

Что это значит для пишущих

Если вы ведёте рассылку — здесь или где-то ещё, — направление задано, и готовиться стоит к нему:

• Проверка станет нормой. Не обязательно этой платформы и этого детектора — самой возможности проверить.
• Молчание станет проигрышной стратегией. Добровольное «как я работаю с ИИ» читается как уверенность; пойманное детектором молчание — как обман.
• Использование ИИ само по себе никого не смущает — смущает несоответствие между заявленным и реальным.

Как выстроить честную работу с ИИ в текстах, которые читают живые люди, — в свежем гайде. Проверить собственный текст на статистические признаки генерации можно в нашем инструменте — он честно не называет себя детектором.

Рыбалка — хобби, где опыт традиционно передаётся от человека к человеку, а «уловистое место» — валюта дороже денег. Посмотрим трезво, что из этого мира ИИ уже умеет, а что остаётся маркетингом рыболовных приложений.

Определить рыбу по фото

Работает, и работает хорошо. Сфотографируйте улов и загрузите в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro: вид, семейство и характерные признаки модели называют уверенно, в том числе по не самым удачным снимкам.

Зачем это на практике:

• Отличить похожие виды. Язь или голавль, краснопёрка или плотва — классика споров на берегу. Модель разбирает по признакам и объясняет, на что смотреть: форма рта, положение плавников, чешуя.
• Понять, что попалось незнакомое. В новых местах это не праздное любопытство: от вида зависит, можно ли рыбу брать.
• Съедобность и осторожность. Модель предупредит об основных рисках, но здесь оговорка обязательна: сомневаетесь — отпускайте. Ошибка ИИ в определении экзотической рыбы — не ваша проблема, пока вы её не съели.

Просите модель отмечать неуверенность: «если признаков недостаточно, скажи, какие ракурсы дофотографировать». Это сильно поднимает качество ответов.

Разобраться в правилах: где ИИ полезен, а где опасен

Правила любительской рыбалки — нормы вылова, размеры, нерестовые запреты, разрешённые снасти — меняются по регионам и сезонам.

Полезно: попросить модель объяснить систему — как устроены запреты, что такое промысловый размер, как считается суточная норма, чем отличаются правила для разных водоёмов. Структуру она излагает хорошо.

Опасно: спрашивать конкретные даты и нормы для вашего региона и верить ответу. Модель может пересказать прошлогоднюю редакцию или перепутать регионы — а штраф придёт вам. Конкретику проверяйте в действующих правилах рыболовства для вашего бассейна; у модели можно попросить ссылку на первоисточник и краткий пересказ уже найденного документа.

Хороший гибрид: скормите модели актуальный текст правил (PDF) и задавайте вопросы по нему — «можно ли в июне на спиннинг на этом водохранилище». Пересказ по загруженному документу надёжнее пересказа по памяти.

Подготовка: снасти, узлы, оснастки

Недооценённая область, где модель заменяет час листания форумов:

• Подбор снасти под задачу. Опишите условия — водоём, глубина, течение, целевая рыба, бюджет — и попросите разобрать варианты с компромиссами. Выйдет структурированное «за и против», а не реклама конкретного бренда.
• Узлы и оснастки. Модель объяснит, чем паломар отличается от клинча и когда какой уместен. Схему лучше смотреть на видео, но понять «что учить» помогает быстро.
• Чек-листы. «Собери список для двухдневной рыбалки с ночёвкой в сентябре, ловля с берега» — готовый список, который останется только вычеркнуть лишнее.
• Разбор неудач. Опишите, как ловили и что не сработало, — модель предложит гипотезы: проводка, горизонт, размер приманки. Это разговор с опытным напарником, который не устаёт от вопросов.

Дневник уловов — самое недооценённое

Лучшее, что ИИ может дать рыбаку системно. Ведите записи как угодно небрежно — голосом в заметки, фотками, обрывками, — а модель раз в месяц превращает это в структуру: даты, места, погода, что ловилось и на что.

Через сезон у вас появляется личная статистика, и вот она — в отличие от чужих «секретных мест» — действительно предсказывает ваш клёв. Попросите модель найти закономерности: «по моим записям, при каком ветре и давлении лучше ловилось на этом озере?» С десятками записей это уже не гадание, а ваша собственная выборка.

«ИИ покажет клёвые места»: делим на десять

Обещание, на котором держится реклама половины рыболовных приложений. Разберём честно.

Что реально: приложения с картами глубин, структурой дна и прогнозом активности по погоде и давлению существуют, и часть использует машинное обучение. Как навигация и сбор факторов в одном экране — полезно.

Что маркетинг: «ИИ знает, где стоит рыба». Модель не видит рыбу в вашем озере. Прогнозы активности — статистика по погодным факторам, а не знание о конкретном водоёме. Они не заменяют ни эхолот, ни местный опыт.

Чего не стоит делать: спрашивать чат-бота «где клюёт в озере N». Модель не знает вашего озера, но может уверенно что-то сочинить по мотивам форумов десятилетней давности. Это худший сценарий использования — правдоподобная выдумка вместо ответа.

Погода и безопасность

Модель хорошо объясняет связки «давление — активность рыбы», «фронт — клёв», помогает прочитать прогноз глазами рыбака. Но решение «выходить ли на лёд» и «плыть ли при таком ветре» ИИ не принимает — здесь только официальные предупреждения и здравый смысл. Бот, который «разрешил» выход на лёд, ответственности не несёт.

Сводка

Что запомнить

• Лучший сценарий — определение рыбы по фото и вопросы по загруженным правилам.
• Самый ценный на дистанции — дневник уловов: своя статистика бьёт чужие секреты.
• Нормы и даты запретов проверяются по действующему документу, не по памяти модели.
• «ИИ знает клёвые места» — маркетинг: статистика по погоде не знает вашего озера.
• Безопасность на воде и льду не делегируется.

Как модели работают с загруженными документами — в обзоре нейросетей для анализа PDF. Почему уверенный ответ не значит верный — в разборе галлюцинаций.

Сценарий, который сейчас внедряют все: бот отвечает клиентам или сотрудникам по вашим документам. Технически это RAG — разбирали, как он устроен. Но техника — половина дела. Вторая половина, о которой говорят реже: что именно лежит в базе.

Ниже — практика подготовки базы знаний. Она одинакова для бота поддержки, внутреннего помощника по регламентам или консультанта по каталогу.

Главный принцип: бот не умнее своей базы

Модель не знает ваших цен, сроков и регламентов. Всё, что она может, — найти кусок вашего текста и пересказать его. Отсюда два следствия:

• Если ответа нет в базе — бот его выдумает или откажется. Оба исхода плохи, но выдумка хуже: она выглядит как ответ.
• Если в базе противоречие — бот выберет случайную из версий. Два документа с разными ценами означают, что клиенты получают обе.

Поэтому работа над ботом начинается не с промпта, а с ревизии документов.

Что включать в базу

Порядок важности, проверенный на практике:

1. Ответы на реальные вопросы. Выгрузите историю обращений за пару месяцев и сгруппируйте. Топ-50 вопросов покрывает обычно 80% потока — под них и пишутся статьи базы.
2. Условия и цифры. Цены, сроки, лимиты, условия возврата. То, что спрашивают дословно и где ошибка бота дороже всего.
3. Пошаговые процедуры. «Как вернуть товар», «как сменить тариф». Ботам они даются отлично, если написаны шагами.
4. Границы. Чего компания НЕ делает: не доставляет в такие-то регионы, не чинит такое-то. Без этого бот будет обещать несуществующее.
5. Когда звать человека. Явный список тем, где бот должен передать диалог: претензии, юридические вопросы, нестандартные случаи.

Чего в базе быть не должно

• Устаревших версий документов. Главный источник противоречий. Старое — удалять, а не оставлять «на всякий случай».
• Внутренней кухни в клиентском боте. Если в базу внутреннего регламента попал документ «как отвечать на жалобы», клиентский бот однажды его перескажет. Базы для разных аудиторий — физически разные базы.
• Сканов и PDF из картинок. Текст, который не выделяется мышкой, для поиска не существует. Либо распознавать, либо переносить в текст.
• Гигантских таблиц «обо всём». Таблица на 200 строк с десятком колонок при нарезке на куски превращается в конфетти без заголовков. Большие таблицы дробить по темам и подписывать.
• Персональных данных. База знаний — не CRM. Никаких примеров с реальными именами и номерами договоров.

Как писать документы, которые бот понимает

Правила простые и совпадают с правилами хорошей документации для людей:

• Один документ — одна тема. Простыня «Всё о доставке и возвратах и оплате» отвечает на любой вопрос хуже, чем три отдельных документа.
• Заголовок = вопрос пользователя. «Как вернуть товар без чека» найдётся по запросу; «Раздел 4.2. Порядок урегулирования» — нет.
• Первый абзац содержит ответ. Дальше детали. Бот часто берёт именно начало найденного куска.
• Самодостаточные абзацы. Документ нарежется на фрагменты, и «как сказано выше» в отдельном куске повиснет в воздухе. Не жалейте повторить условие.
• Цифры словами контекста. Не «лимит — 50 000», а «лимит вывода — 50 000 рублей в сутки»: кусок с голым числом без единиц и предмета бесполезен.
• Даты актуальности в тексте. «Тарифы действуют с 1 июля 2026» — страховка от молчаливого устаревания.

Обновление: где боты тихо ломаются

Базу собрали, бот запустили — через полгода он вежливо советует прошлогодние условия. Устаревание — главный режим отказа таких систем, и защищаются от него процессом, а не технологией:

• Владелец у каждого документа. Меняются цены — конкретный человек обязан обновить конкретную статью.
• Обновление базы — пункт в чек-листе изменений. Поменяли условия доставки → обновили статью. Не «потом», а тем же днём.
• Регулярная ревизия хвоста. Раз в квартал просмотреть документы, которые давно не трогали: они первые кандидаты в устаревшие.
• Читайте логи бота. Вопросы, на которые он не нашёл ответ, — готовый список того, чего не хватает в базе. Это самый дешёвый источник улучшений.

Как проверить базу до запуска

Составьте 30–50 реальных вопросов (из той же истории обращений) и прогоните через бота. Смотрите на три типа ошибок:

Отдельно проверьте вопросы «на границе»: то, чего в базе нет и быть не должно. Правильное поведение — честное «не знаю, передаю оператору», и его стоит прописать в системном промпте явно.

Что запомнить

• Бот не умнее базы: ревизия документов важнее промпта.
• Основа базы — ответы на реальные вопросы из истории обращений, а не оргструктура компании.
• Противоречия и старые версии — главный источник вранья бота. Старое удалять.
• Документы писать по правилу: одна тема, заголовок-вопрос, ответ в первом абзаце, самодостаточные куски.
• Устаревание побеждается процессом: владельцы документов, обновление в чек-листе изменений, ревизия раз в квартал.
• Логи неотвеченных вопросов — бесплатный план развития базы.

Как работает поисковая часть под капотом — в разборе RAG. Прикинуть объём и стоимость векторной базы под ваши документы можно в калькуляторе.

21 июля Джек Дорси — сооснователь Twitter и глава Block — представил Buzz: групповой чат для работы, в котором люди и их ИИ-агенты сидят в одних и тех же ветках. Позиционирование дерзкое: вызов одновременно Slack и GitHub.

Что это такое

Идея Buzz в одном предложении: агент — не бот, которого вызывают командой, а полноценный участник переписки.

В привычных рабочих чатах ИИ живёт на птичьих правах: отдельные команды, отдельные окна, интеграции сбоку. Buzz строится от обратного — агент состоит в команде, видит контекст обсуждения, отвечает в ветке и делает работу прямо из разговора. Отсюда и заявка на территорию GitHub: если агент пишет код по обсуждению в чате, граница между «поговорили» и «сделали» стирается.

Четыре обещания Дорси

Формула из анонса: Buzz — model-agnostic, decentralized, self-sovereign, open source. Переведём каждое слово, потому что в них вся суть.

• Независимость от моделей. Агент в чате может работать на любой модели — вы не привязаны к ИИ одного вендора. Прямой контраст со Slack, который встраивает ИИ своей материнской компании.
• Децентрализация. Нет единого сервера, через который проходит вся переписка компании.
• Суверенность. Данные принадлежат вам, а не платформе. После историй с обучением моделей на пользовательском контенте это звучит как рыночный аргумент, а не идеология.
• Открытый код. Проверяемо, разворачиваемо у себя, форкается.

Набор узнаваемый: Дорси годами продвигает децентрализованные протоколы — от Bluesky до Nostr. Buzz выглядит попыткой применить ту же философию к рабочему пространству, где сейчас закрытые платформы держат всё.

Почему это интереснее очередного мессенджера

Рынок рабочих чатов давно поделён, и в лоб его никто не отбирал. Но ставка Buzz не на «чат лучше» — она на смену единицы работы.

Если агенты действительно становятся участниками команд, привычная архитектура чатов начинает мешать: агенту нужен весь контекст ветки, право действовать и место в переписке, а не слэш-команда. Мы разбирали, как индустрия к этому идёт: агенты уже выполняют многошаговые задачи, получают общие протоколы, а буквально вчера MCP перестроили под масштабирование. Инфраструктура складывается — не хватало именно «офиса», спроектированного под смешанные команды.

Занятно и то, что Дорси второй раз заходит на поле, где сидит гигант: Bluesky против Twitter, теперь Buzz против Slack.

Здоровый скепсис

• Анонс — не продукт. Красивую четвёрку слов из поста в X ещё предстоит увидеть в работе.
• Децентрализованные проекты Дорси растут медленно. Идейно безупречные, массовыми они становятся редко.
• Рабочий чат — это инерция. Компании не мигрируют из Slack из-за философии; нужен разрыв в полезности, и его пока никто не показал.
• Агенты в общем чате — это и общие риски. Кто отвечает за действие агента, запущенного в общей ветке, — вопрос, на который пока нет хорошего ответа ни у кого.

Что это значит для пользователя

Пока — следить. Но направление подтверждается с разных сторон: рабочие инструменты перестраиваются под то, что часть «коллег» — программы. Если вы выстраиваете процессы с агентами уже сейчас, стоит присмотреться к принципу Buzz: агент полезнее всего там, где у него есть полный контекст обсуждения, а не отдельное окно с запросами.

Что агенты уже умеют на практике и где ломаются — в нашем разборе.

У фрилансера две работы: та, за которую платят, и обслуживание этой работы — отклики, переговоры, договоры, счета, напоминания должникам. Вторая съедает часы и не оплачивается. Разберём, какую её часть можно отдать ИИ.

Сразу зафиксируем принцип: всё, что уходит заказчику, вы читаете перед отправкой. ИИ пишет черновик — подписываетесь вы. Со всеми последствиями.

Отклики на заказы

Самая массовая боль: на площадках выигрывает не лучший исполнитель, а тот, кто откликнулся быстро и по делу.

Рабочая схема — не «напиши отклик», а шаблон с подстановкой. Дайте модели (Claude Fable 5, GPT-5.6 Sol — любая сильная текстовая) свой профиль и 2–3 удачных прошлых отклика, затем скармливайте текст заказа: «Составь отклик по моему стилю, укажи релевантный опыт, задай один уточняющий вопрос по задаче».

Уточняющий вопрос в конце — приём, который стоит вписать в промпт навсегда: он показывает, что вы читали задание, и вытягивает заказчика в диалог.

Чего не делать: рассылать сгенерированное без чтения. Модель уверенно пообещает опыт, которого у вас нет — а расплачиваться на созвоне вам.

Переговоры и трудные письма

Недооценённый сценарий, где ИИ спасает не время, а нервы.

• Ответ на правки, которые ломают работу. Опишите ситуацию и попросите: «Составь твёрдый, но вежливый ответ: правки выходят за рамки ТЗ, предложи оценить их отдельно».
• Напоминание об оплате. Три уровня — мягкое, настойчивое, предупреждение о прекращении работ. Модель хорошо держит тон, который у вас в 23:00 уже не получается.
• Отказ от проекта. Сформулировать «нет» так, чтобы дверь осталась открытой.
• Поднятие ставки старому клиенту. Классика неловких писем — модель делает достойный черновик с аргументацией.

Здесь работает правило перевода эмоций: вы пишете как есть («он третий раз меняет ТЗ и не платит»), модель переводит на дипломатический.

Договор и ТЗ: помогает, но с границей

Что можно. Попросить модель разобрать присланный договор: «Перечисли пункты, которые невыгодны исполнителю, и объясни почему». Находит типовые ловушки — неограниченные правки, передачу прав до оплаты, штрафы без встречных обязательств, размытые критерии приёмки. Это дешёвый первый фильтр.

Что нельзя. Считать этот разбор юридической проверкой. Модель не знает практики вашей юрисдикции и может пропустить критичное. Крупный контракт — юристу; ИИ-разбор — для мелких типовых договоров, где юрист дороже самого заказа. Мы разбирали границу подробнее в обзоре нейросетей для юристов.

ТЗ — обратная задача. Из переписки с заказчиком попросите собрать структурированное ТЗ со списком того, что НЕ входит в объём. Раздел «не входит» — главная защита от расползания проекта, и заказчики его подписывают охотнее, чем кажется.

Смета и оценка сроков

Модель полезна как спарринг-партнёр: «Вот задача. Разбей на этапы, для каждого — вилку часов. Какие этапы я, скорее всего, недооцениваю?»

Последний вопрос самый ценный. Классика недооценки — согласования, правки, интеграция чужого — у моделей хорошо описана: они видели тысячи разборов чужих провалившихся смет.

Чего не делать: брать итоговую цифру как есть. Модель не знает вашу скорость. Берите структуру и вопросы, часы ставьте свои.

Рутина вокруг денег

• Счета и акты. Шаблон один раз, дальше подстановка. Модель аккуратно собирает формулировки работ из переписки за месяц.
• Учёт. Свалка «кто сколько должен» из переписок превращается в таблицу одним запросом. Для регулярного учёта всё же лучше сервис, но разгрести завал — отлично.
• Налоги. Объяснить разницу режимов — да. Посчитать и посоветовать ваш — к бухгалтеру: цена ошибки выше стоимости консультации. Про эту границу — в обзоре про бухгалтерию.

Портфолио и самопрезентация

Описания кейсов по схеме «задача — решение — результат» модель пишет заметно лучше среднего фрилансера, потому что фрилансер про себя писать не умеет и не любит.

Дайте факты: что было, что сделали, что получилось в числах. Просите не хвалебный текст, а сдержанный — «без превосходных степеней, факты и результат». Выйдет убедительнее.

Чего ИИ не сделает

• Не выберет, с кем работать. Красные флаги заказчика — «всё просто, на полчаса», торг до старта, «предыдущий исполнитель сбежал» — модель перечислит, но чуйка на людей нарабатывается только практикой.
• Не проведёт созвон. Подготовит вопросы — да. Говорить вам.
• Не возьмёт ответственность. Сгенерированный договор, смета, обещание в отклике — подпись ваша. «Это ИИ написал» аргументом не является.
• Не заменит работу. Если сама услуга — сгенерированный текст без вашей добавки, у заказчика быстро возникнет вопрос, зачем ему посредник.

Сводка

Что запомнить

• ИИ снимает вторую, неоплачиваемую работу фрилансера — переписку, документы, рутину.
• Самый недооценённый сценарий — трудные письма: напоминания об оплате, отказы, поднятие ставки.
• Разбор договора моделью — фильтр перед юристом, а не вместо него.
• В смете берите у модели структуру и вопросы, а не цифры.
• Всё, что уходит заказчику, читается перед отправкой — без исключений.
• Деловой тон и структура письма — в обзоре нейросетей для деловой переписки.

Gemini Flash и Flash-Lite, GPT Sol, Terra и Luna, Claude Opus, Sonnet и Haiku, Mistral Large, Medium и Small. Названий десятки, и кажется, что в них нет системы. Система есть — и она одна на всех.

Три яруса, которые есть у каждого

Почти каждая линейка устроена одинаково: флагман — середина — эконом. Названия разные, логика общая.

Оговорка сразу: соответствие грубое. Terra и Luna из линейки GPT-5.6 — специализированные модели, а не просто «середина и эконом»; Flash у Google по скорости обгоняет флагманов. Но для первого чтения названий таблица работает.

Что реально отличает ярусы

Не «ум» в бытовом смысле. На простом вопросе все три яруса ответят одинаково. Разница проявляется на сложном: многошаговые рассуждения, длинные документы, запутанный код, редкие темы.

Цена — в разы, а не в проценты. Между соседними ярусами разница обычно 3–10 раз за токен. Между флагманом и экономом — до 30–50 раз. Это главная причина разобраться в названиях: неправильный выбор яруса умножает счёт, а не прибавляет к нему.

Скорость — обратна качеству. Эконом отвечает быстрее флагмана: меньше модель — быстрее генерация. Если ответ нужен мгновенно, дорогая модель может быть буквально хуже.

Главная ошибка: «возьму лучшую»

Интуиция говорит: раз флагман умнее, беру его — хуже не будет. Будет, и вот почему.

Переплата на ровном месте. Основная масса реальных задач — переформулировать, извлечь, классифицировать, суммаризовать, ответить по документу — целиком закрывается средним ярусом. Флагман сделает то же самое, но в 5 раз дороже и медленнее.

Ожидание. Флагманы думают дольше. В чате это раздражает, в продукте с потоком пользователей — становится проблемой.

Рабочее правило: начинайте со среднего яруса. Поднимайтесь на флагман, только когда середина ощутимо не справляется — и вы можете сказать, в чём именно. Спускайтесь на эконом, когда задача однотипная и массовая.

Суффиксы, которые стоит знать

Помимо ярусов, в названиях встречаются модификаторы:

• Lite / Mini / Nano — урезанная версия ещё ниже эконом-яруса. Для классификации и коротких ответов.
• Turbo / Fast — ускоренный вариант той же модели, часто с тем же качеством.
• Числа версий (3.5 → 3.6) — обновление в пределах поколения. Обычно означает оптимизацию, а не скачок: свежий Gemini 3.6 Flash отличается от 3.5 экономией токенов, а не новым уровнем ума.
• Специализация (Cyber, Code, Vision) — модель под конкретный класс задач. Вне своей специализации не лучше обычной.
• Preview / Experimental — черновик: может измениться или исчезнуть. В продукт не ставить.

Как ярусы выглядят в деньгах

Условный пример по мотивам реальных прайсов: обработка 1 000 запросов по паре страниц текста каждый.

Числа условные — прайсы меняются, — но соотношение стабильно годами: каждый ярус вверх умножает счёт в разы. Прикинуть под свои объёмы можно в калькуляторе стоимости, а подобрать ярус под задачу — в подборщике модели.

Практические правила

• Не выбирайте модель по названию компании. Внутри каждой линейки есть все три яруса; вопрос не «чей ИИ лучше», а «какой ярус нужен задаче».
• Начинайте с середины, двигайтесь по результатам.
• Для массовых однотипных задач берите эконом и проверьте качество на выборке — чаще всего его хватает.
• Флагман — для задач, где ошибка дорога: юридический разбор, сложный код, ответственные тексты.
• Числовое обновление (3.5 → 3.6) берите не думая — это почти всегда та же модель дешевле или быстрее.
• Preview-версии не для продакшена. Исчезают без предупреждения.

Что стоит за словами «модель думает» и почему флагманы медленнее — в разборе рассуждающих моделей. Сколько пользователь реально ждёт ответа при разной скорости — в калькуляторе задержки.

21 июля Google DeepMind выпустила сразу три модели: Gemini 3.6 Flash, Gemini 3.5 Flash-Lite и Gemini 3.5 Flash Cyber. Разберём, что в них нового — и почему главной новостью выглядит отсутствие четвёртой.

Gemini 3.6 Flash: скидка поведением

Основное обновление получила «рабочая лошадка» — так Google сама называет линейку Flash, модель по умолчанию для большинства задач.

Заявлены улучшения в коде, рабочих задачах и мультимодальности, но продаётся релиз другим числом: расход токенов сокращён до 17% по сравнению с Gemini 3.5 Flash.

Это стоит перевести с маркетингового. Платят за токены, а не за ответы. Если модель формулирует тот же ответ короче и тратит меньше служебных рассуждений — счёт уменьшается сам, без изменения цены за миллион. То есть Google удешевила модель не прайс-листом, а поведением. Для массовой модели по умолчанию это ощутимее любого рекорда в бенчмарке.

Flash-Lite: ещё дешевле

Вторая модель — Gemini 3.5 Flash-Lite, позиционируется как самая экономичная в своём классе. Это ярус для задач, где качество флагмана избыточно: классификация, извлечение данных, простые ответы в высоконагруженных сервисах.

Flash Cyber: не для всех

Третья модель самая необычная. Gemini 3.5 Flash Cyber — специализированная версия для поиска и исправления уязвимостей в коде.

Широкой публике её не дадут: доступ получат только правительства и доверенные партнёры через ограниченную пилотную программу. Логика понятна: инструмент, который умеет находить дыры в защите, одинаково полезен и защитникам, и атакующим. Google выбрала путь закрытого распространения — посмотрим, надолго ли.

Чего в релизе нет

Флагманская Gemini Pro не обновлялась с февраля — по меркам нынешней гонки это вечность. По информации Bloomberg, внутри Google релиз задерживается из-за недостигнутых целевых показателей: модель пока не дотягивает до планки, которую сама компания ей поставила.

Логан Килпатрик из Google DeepMind комментирует сдержанно: Gemini 3.5 Pro тестируется с партнёрами, выход ожидается в ближайшее время.

Ситуация показательна для всего рынка. Быстрые дешёвые модели обновляются легко и часто — там прогресс измеряется экономией. Флагманы, от которых ждут скачка качества, застревают: у OpenAI линейка GPT-5.6 вышла тройкой специализированных моделей вместо одного универсала, теперь и Google тасует нижние ярусы, пока верхний не готов.

Что это значит для пользователя

• Если вы пользуетесь Gemini — обновление придёт само, модель по умолчанию станет экономнее. Делать ничего не нужно.
• Если вы платите за API — переход с 3.5 Flash на 3.6 Flash это скидка до 17% без изменения кода. Причин не переходить нет.
• Если ждёте нового флагмана — ожидание продолжается. Заявленные партнёрские тесты обычно означают недели, а не дни.

Чем Flash отличается от Lite, Pro и Ultra и как вообще читать названия моделей, чтобы не переплачивать, — разбираем в отдельном гайде. Подробное сравнение нового Flash с предшественником — в карточке.

3D-печать — редкий случай, когда ограничения ИИ видно буквально: неудачную статью можно переписать, а неудачную деталь придётся выбросить вместе с потраченным пластиком и шестью часами печати.

Разберём, где нейросети реально экономят время, а где создают иллюзию решения.

Главное ограничение: генерация 3D-моделей

Начнём с того, чего все ждут и что работает хуже всего.

Генераторы 3D по текстовому описанию существуют и развиваются. Но между «моделью, которая выглядит как чашка» и «моделью, которую напечатает ваш принтер» лежит пропасть, и состоит она из требований, о которых генератор ничего не знает.

Что обычно не так с сгенерированной геометрией:

• Сетка не замкнута. Дыры в поверхности, вывернутые нормали, самопересечения. Визуально незаметно, слайсер спотыкается.
• Толщина стенок не выдержана. Модель может иметь стенку в 0,2 мм там, где сопло физически не выдавит меньше 0,4.
• Нет учёта нависаний. Красивая форма с углом 70 градусов потребует поддержек по всей площади и оставит рубцы.
• Нет допусков. Две детали, которые должны соединяться, сгенерированы впритык — после усадки они либо не сойдутся, либо будут болтаться.
• Масштаб произвольный. Модель приходит в условных единицах, реальные размеры вы задаёте сами.

Практический вывод: генерация годится для декоративных объектов и черновых форм, которые вы потом дорабатываете в редакторе. Для функциональных деталей — нет. Особенно для тех, что должны с чем-то стыковаться.

Где ИИ действительно помогает

Разобрать брак по фотографии

Самый недооценённый сценарий и, пожалуй, самый ценный.

Сфотографируйте испорченную деталь и загрузите в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro с описанием: материал, температура сопла и стола, скорость, тип принтера.

Модели уверенно опознают типовые дефекты по внешнему виду: расслоение, недоэкструзию, слоновью ногу, струнность, коробление, забитое сопло, следы от поддержек. И, что важнее, объясняют цепочку причин — а не просто называют дефект.

Это ровно та задача, где ИИ силён: типовая диагностика по визуальным признакам, где ответ давно известен, но новичок его не знает.

Подобрать настройки слайсера

Опишите ситуацию: принтер, материал, что печатаете, какая задача — прочность, скорость или внешний вид. Попросите разобрать, какие параметры критичны и в какую сторону их двигать.

Модели знают логику настроек: как связаны температура и адгезия слоёв, почему для прочности важнее заполнение периметрами, чем процент инфила, когда охлаждение помогает, а когда портит.

Оговорка: конкретные числа проверяйте. Модель может назвать температуру, которая не подходит именно вашему филаменту — у разных производителей разброс существенный. Берите рекомендованный диапазон с катушки, а от модели — понимание, куда внутри диапазона двигаться.

Посчитать и спланировать

• Расход материала и время. Прикидочно, до запуска слайсера.
• Выбор материала. Опишите условия эксплуатации — нагрев, нагрузка, улица, контакт с пищей — и получите разбор, какой пластик подходит и чем придётся заплатить в печати.
• Ориентация детали на столе. Опишите геометрию и назначение: модель разберёт, как расположить, чтобы слои работали на прочность, а поддержек было меньше.

Последний пункт особенно полезен: направление слоёв определяет, где деталь сломается, и новички об этом почти не думают.

Написать скрипт для параметрической модели

Вот это работает отлично — потому что здесь задача превращается в код.

Опишите деталь словами, попросите написать скрипт для OpenSCAD или параметрический скетч. На выходе получите текст, который вы читаете, правите и в котором меняете размеры переменной.

Разница с генерацией меша принципиальная: код детерминирован, проверяем и редактируем. Ошибку видно и можно исправить, а не гадать, что не так с сеткой. Для функциональных деталей — держателей, проставок, корпусов, крепежа — это лучший способ применить ИИ в 3D-печати.

Придумать форму

Нейросеть-генератор изображений (Midjourney v8, любая другая) не даст вам модель, но даст референс. Для декоративных вещей это ускоряет самый неприятный этап — придумывание.

Дальше моделируете руками, но уже понимая, что делаете.

Сводка

Что запомнить

• Генерация 3D по описанию — самая слабая часть. Для декора терпимо, для функциональных деталей нет.
• Лучший способ применить ИИ в моделировании — не меш, а код: OpenSCAD или параметрический скрипт.
• Диагностика брака по фотографии экономит больше всего времени новичку.
• Настройки слайсера берите как логику, а числа — с катушки филамента.
• Ориентация детали определяет, где она сломается, — этот вопрос модели стоит задавать.
• Никакой ИИ не отменяет штангенциркуль: размеры под сборку меряются, а не угадываются.

О том, почему модели уверенно выдают правдоподобные, но неверные детали, — в разборе галлюцинаций. Если моделируете через код — пригодится обзор нейросетей для программирования.

Вы задаёте обычный вопрос — про дозировку лекарства, про то, как работает замок, про сюжет книги — и получаете вежливое «извините, не могу помочь». Обидно вдвойне, когда ничего плохого вы не задумывали.

Разберёмся, откуда берутся отказы, какие из них ошибочные, и как переформулировать вопрос, не пытаясь никого обмануть.

Почему модель отказывает

Модели обучены отказываться в определённых темах. Но решение принимается не по смыслу вашей задачи, а по признакам формулировки — и здесь кроется источник большинства ложных отказов.

Ложное срабатывание по ключевым словам

Самая частая причина. В вопросе встретилось слово из чувствительной области, и модель отреагировала на него, не разобравшись в контексте.

Классические примеры: вопрос про историческое оружие, про химию в школьной программе, про сюжет детектива с убийством, про медицинский термин. Тема сама по себе законная, но слово знакомое.

Слишком общая формулировка

«Как взломать» — модель не знает, вы про свой забытый пароль или про чужой аккаунт. При неоднозначности она склоняется к отказу, потому что цена ошибки в другую сторону выше.

Тема требует ответственности, которой у модели нет

Медицина, право, финансы. Здесь отказ часто не полный: модель объясняет общее, но не даёт конкретной рекомендации. Это не сбой, а осознанное поведение — совет по дозировке от текстовой модели никто не должен получать.

Запрос выглядит как обход ограничений

Если вопрос сформулирован в духе «представь, что ты не ИИ» или «ответь гипотетически, будто правила не действуют», модель распознаёт конструкцию и отказывает — даже если по сути вы хотели чего-то безобидного. Такие обёртки скорее вредят.

Что делать: работающие приёмы

Все они об одном — дать модели контекст, которого ей не хватило. Это не обман, а восполнение недостающей информации.

1. Объясните, зачем вам это

Самый действенный приём и самый честный. Вместо «как отравить крыс» — «я снимаю дачу, в подполе завелись крысы, какие есть законные способы избавиться и что безопаснее при наличии собаки».

Второй запрос содержит цель, обстоятельства и ограничение. Модели больше не нужно гадать.

2. Назовите свою роль

«Я преподаватель химии, готовлю занятие для 9 класса» или «я пишу детектив, мне нужна правдоподобная сцена». Роль объясняет, почему вопрос вообще возник.

Важно: это работает, когда роль настоящая. Если вы приписываете себе профессию, чтобы получить то, чего иначе не дадут, — это уже попытка обхода, и приём не для этого.

3. Сузьте запрос

Общий вопрос воспринимается опаснее конкретного. «Как обойти защиту» звучит тревожно; «я забыл пароль от своего роутера TP-Link, как сбросить настройки к заводским» — обычная бытовая задача.

4. Спросите про принцип, а не про инструкцию

Разница между «объясни, как это работает» и «дай пошаговую инструкцию» существенна. Понимание принципа модель даёт охотнее.

5. Уточните, что именно смутило

Прямой приём, которым мало кто пользуется: «Что в моём вопросе вызвало отказ? Я хотел узнать вот что». Модель часто объясняет, и становится ясно, какое слово переформулировать.

6. Попробуйте другую модель

Модели откалиброваны по-разному. Отказ у одной не означает отказ у другой. Если вопрос точно безобидный, а модель упёрлась — это разумный шаг.

Чего делать не надо

Когда отказ стоит принять

Не всякий отказ ошибочен. Есть случаи, где стоит остановиться:

• Просите конкретную медицинскую рекомендацию. Дозировка, совместимость препаратов, диагноз — сюда идти не нужно, и отказ здесь работает правильно.
• Вопрос касается причинения вреда людям. Тут всё очевидно.
• Нужен юридически значимый вывод. Не «объясни статью», а «составь мне позицию в суде» — это к юристу.
• Ответ затрагивает конкретного живого человека. Модель не должна рассуждать о частных лицах, и это правильно.

Признак, по которому легко себя проверить: если после нескольких переформулировок вы ловите себя на том, что придумываете, как обмануть систему, — вы уже не уточняете вопрос, а обходите ограничение. Это разные занятия.

Что запомнить

• Большинство отказов — ложные срабатывания по формулировке, а не оценка ваших намерений.
• Самый действенный приём — объяснить цель и обстоятельства. Он же самый честный.
• Конкретный вопрос проходит там, где общий отказывается.
• Можно прямо спросить, что именно вызвало отказ, — модель обычно объясняет.
• Разные модели откалиброваны по-разному: отказ не универсален.
• Уловки вроде «представь, что ты не ИИ» делают хуже, а не лучше.
• Если приходится придумывать обман — тема, скорее всего, отказана по делу.

Как формулировать запросы так, чтобы модель понимала с первого раза, — в гайде по промптам, а проверить конкретный промпт на противоречия и расплывчатость можно в нашем инструменте.

Model Context Protocol (MCP) — стандарт, по которому нейросети получают доступ к внешним данным и сервисам. На следующей неделе выходит обновление, меняющее работу с идентификаторами сессий. Спецификация была опубликована ещё в мае, теперь дело доходит до внедрения.

Как было

Сейчас соединение устанавливается так: клиент подключается к серверу, сервер отвечает описанием своих возможностей и выдаёт идентификатор сессии. Дальше клиент прикладывает этот идентификатор к каждому запросу, чтобы сервер понимал — это тот же разговор.

Формулировка Нейта Барбеттини, инженера-основателя компании Arcade, которая два года занимается этой темой: сервер отвечает своими возможностями и возвращает идентификатор сессии, а клиент затем отправляет его с каждым запросом, чтобы сервер знал, что это то же самое соединение.

Логично и понятно — ровно до момента, когда серверов становится больше одного.

В чём была проблема

Представьте, что нагрузка выросла и вы поставили десять серверов за балансировщиком. Пользователь подключился, первый сервер выдал ему идентификатор. Следующий запрос балансировщик отправил на седьмой сервер — а тот про этот идентификатор ничего не знает.

Решать это можно: хранить сессии в общей базе, привязывать пользователя к конкретному серверу, синхронизировать состояние между узлами. Всё это работает и всё это лишняя сложность. Барбеттини описывает ситуацию как серьёзную боль.

Что меняется

Протокол переходит к более свободному, «безсессионному» подходу к идентификаторам на стороне сервера — примерно так же, как это устроено у обычных сайтов.

Идея простая: если каждый запрос самодостаточен и содержит всё нужное, серверу не надо ничего помнить между запросами. Тогда любой узел обрабатывает любой запрос, и балансировщик может раскидывать нагрузку как угодно.

Это не изобретение авторов MCP — так работает большая часть веба последние двадцать лет. Скорее протокол приводят в соответствие с тем, как инфраструктуру строят на практике.

Почему это важнее, чем звучит

MCP — не пользовательская функция, его не видно из интерфейса. Но именно через него нейросеть добирается до вашей почты, календаря, базы данных или внутреннего сервиса компании. Мы разбирали как устроен MCP и чем он отличается от протокола A2A.

Пока протокол существует в демонстрациях и на одной машине разработчика, вопрос сессий никого не волнует. Он становится решающим ровно тогда, когда компания хочет развернуть MCP-сервер для тысячи сотрудников. То есть на этапе, до которого отрасль как раз дошла.

Обновления такого рода не попадают в заголовки, потому что показать нечего: ничего нового модель делать не начинает. Но именно от них зависит, останется ли технология демонстрацией или станет инфраструктурой.

Что это значит для пользователя

Напрямую — ничего заметного. Косвенно: подключений нейросетей к корпоративным системам станет больше, потому что развернуть их станет проще.

Отдельно стоит держать в голову, что упрощение серверной части не отменяет вопросов доступа. Если запрос самодостаточен, значит вся необходимая информация — включая права — едет в самом запросе. Аккуратность в настройке доступов от этого только важнее.

Начнём с предупреждения, потому что в генеалогии цена ошибки особенная: неверная запись расходится по семейным древам и живёт десятилетиями.

Нейросеть не знает вашу родословную и не имеет доступа к архивам. Если спросить «кем был мой прадед Иван Петров из Тамбовской губернии», модель ответит — складно, с деталями, с датами. И всё это будет выдумкой. Она не ищет, она достраивает правдоподобный текст.

Теперь о том, где ИИ действительно незаменим. А таких мест больше, чем кажется.

Расшифровать дореволюционный почерк

Главная задача, ради которой генеалогу-любителю вообще стоит открывать нейросеть.

Метрические книги, ревизские сказки, исповедные росписи писались скорописью XVIII–XIX веков. Человеку без подготовки они выглядят как узор. Уверенно читать их учатся месяцами.

Загрузите скан страницы в Claude Fable 5, GPT-5.6 Sol или Gemini 3 Pro и попросите: «Это русская рукопись XIX века. Расшифруй текст. Где не уверена — отметь квадратными скобками».

Модели неплохо справляются с дореформенной орфографией, узнают титла и сокращения, знают формульный язык метрических записей — а он повторяется от страницы к странице, и это сильно помогает.

Обязательно требуйте отмечать неуверенность. Без этой просьбы модель выдаст ровный текст без единой оговорки, и вы не отличите прочитанное от додуманного. С просьбой — увидите, где именно нужна ваша проверка.

Разобрать, что означает запись

Расшифровали — теперь надо понять. Метрическая запись полна терминов, которые сегодня ничего не говорят: «восприемник», «дворовый человек», «однодворец», «мещанин такой-то слободы», «отставной унтер-офицер».

Здесь модель работает как хороший справочник: объясняет сословия, чины, degrees родства, разбирает, что означала конкретная формулировка и какой у неё юридический смысл.

Полезный запрос: «Вот расшифрованная метрическая запись о рождении. Объясни каждый термин и скажи, какие выводы о семье из неё можно сделать, а какие нельзя».

Последняя часть важна: модель неплохо проводит границу между «в записи сказано» и «из записи можно предположить».

Перевести даты

Мелочь, которая отнимает время. Даты до 1918 года в юлианском календаре, а ещё встречаются записи по церковным праздникам и святцам.

Модель переводит между старым и новым стилем и подсказывает, на какой день приходился праздник. Проверять всё равно стоит: ошибка на день-два здесь встречается.

Составить план поиска

Недооценённый сценарий. Опишите, что уже знаете — фамилия, губерния, уезд, примерные годы, сословие — и попросите составить план: какие типы документов искать, в каком порядке, в каких архивах они обычно хранятся.

Модель хорошо знает структуру российского архивного дела: какие фонды за что отвечают, чем ревизская сказка отличается от исповедной росписи, где искать сведения о переселенцах, что делать, если село сменило губернскую принадлежность.

Чего она не знает — что конкретно лежит в конкретном архиве. Номера фондов и описей, которые модель называет, проверяйте по описям архива. Это ровно тот случай, где выдумка звучит убедительнее всего.

Навести порядок в семейном архиве

Скучная, но благодарная работа. Если у вас накопились разрозненные записи — выписки, фотографии подписей, чьи-то воспоминания, — модель поможет собрать это в структуру: свести в таблицу, выявить противоречия, найти пропуски.

Особенно полезен запрос на поиск нестыковок: «Вот собранные сведения о семье. Найди противоречия в датах и логические несоответствия». Модель заметит, что человек родился позже собственного ребёнка или женился в семь лет, — обычная ситуация, когда данные копились годами из разных источников.

Разобрать старую фотографию

Загрузите семейное фото и попросите описать: примерный период по одежде и причёскам, тип фотографии, что можно сказать об обстановке. Военная форма, знаки различия, ордена — модель часто определяет период и род войск.

Оговорка та же: это версия, а не установленный факт. И конкретных людей на фото модель не опознаёт — она читает контекст, а не лица.

Написать связный текст о семье

Когда факты собраны, из них надо сделать читаемый рассказ, чтобы родственники прочли, а не пролистали таблицу. Здесь ИИ на своём месте: даёте проверенные факты, получаете связное изложение.

Единственное правило — давайте только то, что подтверждено. Если оставить пробел, модель его заполнит, и в семейной истории появится красивая подробность, которой не было.

Сводка

Что запомнить

• ИИ силён там, где нужно прочитать и объяснить уже найденный документ.
• ИИ бесполезен там, где нужно найти документ: доступа к архивам у него нет.
• Всегда просите отмечать неуверенность при расшифровке — иначе не отличите прочитанное от додуманного.
• Номера фондов и описей проверяйте всегда. Это самая частая и самая правдоподобная выдумка.
• В семейную историю вносите только подтверждённое: неверная запись потом расходится по всем древам родни.
• Признак того, что вы ушли не туда: вопрос начинается со слов «найди моего предка».

Про склонность моделей уверенно выдумывать факты — подробнее в разборе галлюцинаций. Работа с документами и сканами вообще — в обзоре нейросетей для анализа документов и PDF.

Каждое второе судебное дело про нейросети упирается в два слова — fair use, «добросовестное использование». Именно на нём построена защита компаний, обучающих модели на чужих текстах, и именно вокруг него ломаются копья.

Разберём, что это такое, без юридического жаргона. Сразу оговорка: это объяснение принципа, а не юридическая консультация — за ней идите к юристу.

Что такое fair use

Это исключение в авторском праве США. Обычно использовать чужое произведение без разрешения нельзя. Fair use описывает случаи, когда всё-таки можно: цитирование, пародия, критика, обучение, новостная журналистика.

Ключевая особенность: fair use — не список разрешённых действий, а тест. Суд каждый раз взвешивает четыре фактора и решает по совокупности. Заранее сказать «это точно fair use» нельзя почти никогда.

Четыре фактора

1. Цель и характер использования

Главный вопрос: преобразует ли новое использование исходное произведение или просто замещает его?

Ключевое слово — «трансформативность». Если вы взяли книгу и продаёте её копии, это замещение. Если вы написали на неё рецензию с цитатами — это преобразование: у рецензии другая функция, другая аудитория, другой смысл.

Коммерческий характер использования играет против, но не решает дело сам по себе — трансформативность важнее.

2. Природа исходного произведения

Художественный вымысел защищён сильнее, чем справочник или новостная заметка. Логика: авторское право защищает творческое выражение, а не факты. Использовать телефонный справочник проще, чем роман.

Опубликованное произведение использовать проще, чем неопубликованное — у автора есть право первой публикации.

3. Объём и значимость заимствования

Сколько взяли и насколько важную часть. Причём важность весит больше объёма: можно взять один абзац из книги и проиграть, если это был ключевой абзац, ради которого книгу читают.

4. Влияние на рынок оригинала

Часто решающий фактор. Вредит ли использование продажам оригинала? Не заменяет ли оно покупку?

Здесь же учитывается потенциальный рынок лицензий: если существует практика покупать лицензии на такое использование, отказ платить работает против ответчика.

Как это ложится на обучение нейросетей

Теперь применим тест к ИИ.

Фактор 1 — обычно в пользу компаний. Модель не хранит книгу и не выдаёт её обратно; она извлекает статистические закономерности. Это сильный аргумент за трансформативность: назначение результата совершенно иное, чем у исходной книги.

Фактор 2 — против компаний, когда в корпусе художественная литература, и почти нейтрален, когда там документация или новости.

Фактор 3 — двусмысленный. Для обучения берут произведение целиком, и это плохо. Но в выдачу оно целиком не попадает, и это хорошо.

Фактор 4 — поле главной битвы. Компании: модель не заменяет чтение романа, никто не отказывается от книги в пользу чат-бота. Авторы: модель конкурирует с нами на рынке текстов, а лицензионный рынок для обучения существует — и вы им не пользуетесь.

Почему обучение проходит, а скачивание — нет

Это и есть тот разграничитель, который проявился в судебной практике 2025–2026 годов, включая дело с выплатой $1,5 млрд.

Логика такая: fair use оправдывает использование, но не оправдывает способ получения.

Аналогия бытовая. Вы имеете право процитировать книгу в рецензии — это fair use. Но если вы украли эту книгу из магазина, право на цитирование вас от кражи не спасает. Это два отдельных действия, и первое законно, а второе нет.

Отсюда разделение: обучение на легально приобретённых текстах суд склонен признавать добросовестным использованием, а массовая загрузка с пиратских библиотек остаётся нарушением сама по себе — независимо от того, что потом с этими файлами делали.

Практический вывод для компаний очевиден: происхождение данных стало отдельным предметом проверки. Проще купить корпус, чем потом объяснять, откуда он взялся.

Что из этого работает в России

Здесь важная оговорка: fair use — институт американского права, в России его нет.

В российском законодательстве действует другая конструкция — закрытый перечень случаев свободного использования произведения. Разница принципиальная:

В российский перечень входят, в частности, цитирование в научных и информационных целях, использование в учебных изданиях, воспроизведение в личных целях — каждое со своими условиями.

Обучение нейросетей в этот перечень прямо не вписано, и устоявшейся судебной практики по нему пока нет. Так что американские решения интересны как ориентир для отрасли, но напрямую на российскую ситуацию не переносятся.

Что запомнить

• Fair use — это тест из четырёх факторов, а не список разрешений. Результат заранее не известен.
• Главные факторы на практике — трансформативность и влияние на рынок.
• Обучение модели суды склонны считать трансформативным использованием.
• Fair use не оправдывает способ получения материала: пиратское скачивание остаётся нарушением само по себе.
• В России fair use не действует — там закрытый перечень случаев свободного использования, и обучение ИИ в него прямо не включено.
• Всё вышесказанное — объяснение принципа, а не юридическая консультация.

Как защитить свои данные от попадания в обучающие корпуса — в отдельном гайде. Почему часть индустрии уходит в синтетические данные, где вопроса о происхождении не возникает, — здесь.

20 июля судья Арасели Мартинес-Ольгин окончательно утвердила мировое соглашение на $1,5 млрд по коллективному иску авторов и издателей к Anthropic. Дело слушалось в Федеральном окружном суде Северного округа Калифорнии.

Цифры

• Общая сумма — $1,5 млрд.
• Затронуто около 500 000 произведений.
• По $3 000 за одно произведение.

Предварительное одобрение соглашению давал судья Уильям Алсуп, который впоследствии ушёл в отставку.

Разделительная линия, которую провёл суд

Самое важное в этом деле — не размер выплаты, а то, где именно суд усмотрел нарушение.

Обучение модели на защищённых авторским правом текстах суд признал добросовестным использованием. То есть сам факт, что нейросеть училась на книгах, нарушением не является.

Незаконным признан способ получения книг. Компания скачивала их с пиратских библиотек — в материалах фигурируют Library Genesis и Pirate Library Mirror. Именно это и стало основанием для иска.

Логика получается такая: учиться на книге можно, а красть её — нельзя. Для отрасли это разграничение важнее любой суммы: оно означает, что легальность обучения зависит не от того, чему модель училась, а от того, как компания получила материал.

Почему авторы не считают это победой

Судя по реакции, многие авторы и правообладатели не восприняли исход как выигрыш, несмотря на масштаб выплаты.

Причина понятна, если вернуться к предыдущему разделу. Соглашение закрывает эпизод с пиратскими библиотеками — но не оспаривает главное, чего добивались авторы: право моделей учиться на их работах вообще. Три тысячи долларов за книгу — компенсация за способ получения, а не за использование.

Кроме того, соглашение не создаёт обязательного прецедента для будущих дел: стороны договорились, а значит суд не выносил окончательного решения по существу спора.

Куда это ведёт

Практический вывод для индустрии простой и уже читается в поведении компаний: источник данных становится таким же предметом проверки, как и сама модель. Лицензионные соглашения с издательствами, покупка корпусов, договоры с медиа — всё это дешевле, чем полмиллиона произведений по $3 000.

Отдельная линия — синтетические данные, которые как раз обходят вопрос происхождения: их мы разбирали отдельно, и юридическая чистота там одно из главных преимуществ.

Похожие иски идут и в других отраслях: музыкальные лейблы судятся с ИИ-сервисами примерно по той же логике.

Что это значит для пользователя

Напрямую — ничего: модели работают как работали. Косвенно — две вещи.

Во-первых, стоимость обучения новых моделей вырастет, если данные придётся покупать, а не собирать. Это в итоге отражается на ценах API.

Во-вторых, разграничение «учиться можно, красть нельзя» проясняет и вашу ситуацию как автора. Если ваш текст лежит в открытом доступе и модель на нём училась — по этой логике нарушения нет. Нарушение возникает, если текст был получен способом, который сам по себе незаконен.

Что именно попадает под добросовестное использование и почему суды рассуждают именно так — в отдельном гайде.

Сразу с главного, потому что дальше будет много полезного и легко потерять эту мысль: нейросеть не ставит диагноз животному. Ни одна из перечисленных ниже. Кошка не расскажет, где болит, симптомы у животных смазаны, а стоимость ошибки — жизнь питомца, который не может пожаловаться.

Всё остальное — распознавание, разбор состава, организация, подготовка вопросов к врачу — работает хорошо. Об этом и поговорим.

Разобрать состав корма

Самая недооценённая задача. На пачке корма мелким шрифтом написано двадцать компонентов, половина из которых непонятна.

Сфотографируйте состав и загрузите в Claude Fable 5 или GPT-5.6 Sol с запросом вроде: «Разбери состав по пунктам. Что здесь источник белка, что наполнитель, что консерванты. Отдельно отметь, что вызывает вопросы».

Модель уверенно расшифровывает термины и объясняет, чем «мясная мука» отличается от «дегидрированного мяса», а «злаковые продукты» — от конкретного злака. Это ровно та работа, где ИИ силён: перевод специальной терминологии на человеческий язык.

Чего делать не стоит: спрашивать «подходит ли этот корм моей собаке». Это уже медицинский вопрос — он зависит от возраста, веса, состояния почек, аллергий и десятка вещей, которых модель не знает.

Определить породу и возраст по фото

Задача чисто визуальная, и здесь ИИ работает надёжно. Gemini 3 Pro, Claude Fable 5, GPT-5.6 Sol — любая модель со зрением по фото назовёт породу или предположит смесь.

Практическая польза: у беспородного щенка из приюта можно прикинуть, во что он вырастет. Модель по строению лап, форме морды и типу шерсти назовёт вероятных предков и примерный взрослый размер. Вероятностно, но лучше, чем ничего.

Предупреждение: возраст по фото определяется плохо. У взрослых животных разброс огромный, и здесь модель просто угадывает.

Подготовиться к визиту в клинику

Приём длится пятнадцать минут, и половина владельцев выходит с ощущением, что забыли спросить главное.

Опишите модели ситуацию: что происходит, когда началось, что изменилось в поведении, еде, туалете. Попросите: «Составь список вопросов ветеринару и список фактов, которые ему нужно сообщить».

Получите структурированный перечень — что именно наблюдать до приёма, какие детали важны, о чём спросить. Это не диагноз, это подготовка. Врач всё равно решает сам, но приходите вы к нему с фактами, а не с «ей как-то нехорошо».

Обратная задача тоже работает: после приёма загрузите заключение и попросите объяснить термины простыми словами.

Разобрать анализы — с большой оговоркой

Соблазн загрузить бланк анализа крови и спросить «что это значит» велик. Модель ответит и объяснит, за что отвечает каждый показатель, — и это полезно для понимания.

Но: референсные значения у животных отличаются от человеческих, различаются между лабораториями, между породами и с возрастом. Модель может подтянуть человеческие нормы и объявить нормальный показатель отклонением. Используйте это как способ понять терминологию, а не как оценку результата.

Организация и рутина

• Расписание прививок и обработок. Опишите, что и когда делали, — модель составит календарь. Простая задача, но именно её все забывают.
• Переход на новый корм. Постепенный переход по дням расписывается за секунду.
• Расчёт порции. По весу, возрасту и активности модель прикинет норму. Проверяйте по упаковке — там указания производителя, и они точнее.
• Подготовка к перевозке. Список документов, требования к переноске, что взять — модель соберёт чек-лист, но актуальные правила перевозчика проверяйте на его сайте: они меняются.

Обучение и поведение

Здесь ИИ полезнее, чем ожидаешь. Опишите проблему подробно — «щенок грызёт обувь, когда остаётся один на три часа» — и попросите разобрать возможные причины и методы коррекции.

Модель хорошо структурирует известные подходы к дрессировке и объясняет логику: почему наказание постфактум не работает, зачем нужна последовательность. Для типовых проблем — грызёт, лает, не идёт на зов, метит — этого достаточно.

С агрессией к людям или другим животным — только к специалисту. Это тот случай, когда неправильный совет из интернета приводит к укусу.

Генерация изображений: развлечение

Портрет кота в костюме адмирала — Midjourney v8, Kling для видео, любой генератор изображений. Задача несерьёзная, но именно она у владельцев питомцев самая популярная, так что упомянуть честно стоит.

Нюанс: чтобы получился ваш кот, а не абстрактный, нужна модель с загрузкой референса. По текстовому описанию выйдет похожий, но чужой.

Сводка

Что запомнить

• ИИ хорош там, где нужно объяснить и организовать: состав, термины, календарь, чек-лист.
• ИИ плох там, где нужно оценить состояние живого существа, которое не может рассказать о себе.
• Анализы читайте с врачом: нормы у животных не совпадают с человеческими, и модель об этом легко забывает.
• Самый недооценённый сценарий — подготовка вопросов к приёму. Пятнадцать минут у врача стоят того, чтобы потратить пять на подготовку.
• Признак того, что вы зашли не туда: вопрос начинается со слов «что с моим питомцем».

Похожая граница проходит и в теме человеческого здоровья — разбирали её в обзоре нейросетей для здоровья и фитнеса. Только с животными цена ошибки выше: питомец не поправит модель, когда та ошибётся, и не скажет, что стало хуже.

Вопрос «а не ИИ ли это написал» задают всё чаще: преподаватели студентам, редакторы авторам, заказчики исполнителям. В ответ появились десятки сервисов, выдающих уверенное «87% вероятность ИИ». Разберёмся, откуда берётся это число и насколько ему можно верить.

Короткий ответ: детекторы меряют не то, что вы думаете, и ошибаются предсказуемым образом.

Что детектор считает на самом деле

Детектор не понимает текст. Он оценивает статистические свойства — насколько текст похож на то, что выдала бы языковая модель.

Признак 1: предсказуемость слов

Языковая модель на каждом шаге выбирает следующее слово из распределения вероятностей и чаще всего берёт что-то из верхушки списка. В результате её текст состоит преимущественно из «ожидаемых» продолжений.

Человек так не пишет. Мы вставляем неожиданное слово, обрываем мысль, используем странное сравнение. Детектор прогоняет ваш текст через собственную модель и смотрит: насколько каждое слово было предсказуемо? Ровный, гладкий, ожидаемый текст поднимает оценку «это ИИ».

Признак 2: разброс длин предложений

Второй признак нагляднее и его можно проверить самому. У человека предложения скачут по длине: короткая фраза, потом длинный период на три строки с придаточными, потом снова короткая. У модели предложения выходят более ровными по длине — она держит средний, «удобный» размер.

Формально это считается через разброс: средняя длина предложения и отклонение от неё. Малый разброс — подозрительно ровно.

Признак 3: словарное разнообразие

Сколько уникальных слов на общее число слов. Модель охотно повторяет удачную конструкцию, человек чаще ищет синоним. Признак самый слабый из трёх — сильно зависит от темы и длины текста.

Где детекторы ошибаются систематически

Вот здесь начинается главное.

Ложные срабатывания на неносителях языка. Человек, пишущий на неродном языке, использует более простые конструкции и предсказуемые обороты — ровно то, что детектор считает признаком машины. Это самая известная и самая несправедливая ошибка детекторов.

Ложные срабатывания на формальных жанрах. Инструкция, техническая документация, юридический текст, научная статья — все они пишутся нарочито ровно и предсказуемо. Хороший технический текст статистически похож на машинный, потому что задача у него та же: минимум неожиданностей.

Пропуск отредактированного текста. Достаточно переписать часть предложений, добавить пару длинных и пару коротких — и статистика съезжает. Детектор ловит не ИИ, а неотредактированный вывод ИИ.

Пропуск текста, написанного с промптом на стиль. Если модель попросили писать рвано и разговорно, разброс длин вырастет сам собой.

Полная беспомощность на коротких текстах. Меньше 300 слов — статистики физически недостаточно. Любой вердикт по абзацу — это угадывание.

Что означает «87% вероятность ИИ»

Не то, что кажется. Это не «текст на 87% написан ИИ» и не «мы уверены на 87%». Это выход внутренней модели детектора, откалиброванный производителем на его собственной выборке. На вашем жанре калибровка может не работать вовсе.

Ключевое: у детекторов нет доступа к истине. Они не знают, как текст был создан. Они сравнивают его с представлением о том, как пишет машина, — представлением, устаревающим с каждой новой моделью.

Практический вывод

Если вы проверяете чужой текст. Вердикт детектора — повод задать вопрос, а не основание для обвинения. Обвинять студента или автора на основании процента — значит принять на себя ошибку инструмента, которая систематически бьёт по тем, кто пишет на неродном языке. Спросите про черновики, историю правок, попросите объяснить решения в тексте — это надёжнее любого детектора.

Если проверяют ваш текст. Сохраняйте историю: черновики, версии документа, переписку. Это единственное реальное доказательство авторства. И помните, что детектор может сработать на вашем совершенно человеческом тексте просто потому, что вы пишете ровно.

Если вы редактируете вывод модели. Признаки, по которым вас поймают, — те же, что делают текст скучным: одинаковые предложения, предсказуемые обороты, повторяющиеся слова. Так что правка ради живости и правка ради «прохождения детектора» — это одно и то же действие.

Посмотреть на собственный текст глазами такого анализа можно в нашем инструменте «Ритм текста»: он считает разброс длин предложений и словарное разнообразие прямо в браузере и честно оговаривает, что детектором не является.

Что запомнить

• Детекторы меряют статистику, а не авторство: предсказуемость слов, разброс длин предложений, разнообразие лексики.
• Они систематически ошибаются на неносителях языка и на формальных жанрах.
• Отредактированный текст они не ловят — ловят только сырую генерацию.
• На тексте короче ~300 слов их вердикт не имеет смысла.
• Процент — это выход модели, а не вероятность в бытовом смысле.
• Как доказательство результат детектора не годится. История правок годится.

16 июля вступили в силу уточнённые правила монетизации YouTube. Формально это не новый запрет, а разъяснение старого требования об «оригинальном и аутентичном» контенте — но разъяснение такое, что многим каналам придётся пересобирать производство.

Три категории, которые лишают монетизации

Площадка описала, что именно считает неаутентичным контентом. Категорий три, и они заметно разные.

Первая — повторяющийся шаблонный контент. Ролики, собранные по одному лекалу с минимальными изменениями: тот же сценарий, тот же голос, меняются только детали. ИИ и CGI здесь упомянуты прямо, но не как причина запрета, а как способ такое производить быстро.

Вторая — контент, рассчитанный на тяжёлую реакцию. Ролики, которые эксплуатируют шок, страх или чужое горе ради просмотров. Важная деталь: эта категория выводится из партнёрской программы независимо от того, использовался ли ИИ. Обычное видео, снятое на камеру, попадает под то же правило.

Третья — ИИ-персонажи в чувствительных темах. Сгенерированный «эксперт», рассуждающий о финансах, здоровье или юридических вопросах. Логика понятна: зритель не может проверить, стоит ли за советом кто-то, кто несёт за него ответственность.

Каналы, у которых доля такого контента превышает допустимую, теряют доступ к партнёрской программе.

Что сказали в самой площадке

Глава направления безопасности YouTube Мэтт Халприн объяснил, что правила направлены не против технологии как таковой. Позиция площадки: инструмент не имеет значения, значение имеет вклад автора. Если человек использовал генератор, но выстроил сценарий, добавил свой комментарий, свёл материал — это оригинальный контент. Если он поставил генерацию на поток и не добавил ничего — нет.

Почему это было предсказуемо

Массовая генерация видео стала дешёвой быстрее, чем площадки успели придумать, что с этим делать. Мы разбирали, как индустрия пыталась решить задачу технически — через автоматическую маркировку ИИ-контента. Маркировка отвечает на вопрос «сделано ли это ИИ». Новые правила YouTube отвечают на другой вопрос — «есть ли здесь работа автора», и он оказался практичнее.

Показательно, что вторая категория вообще не про ИИ. Площадку беспокоит не происхождение ролика, а то, что канал зарабатывает на конвейере ради просмотров.

Что делать автору

• Проверьте вариативность. Если ваши ролики отличаются друг от друга только подставленным словом, это ровно первая категория.
• Добавляйте своё. Комментарий, разбор, монтажное решение, личный опыт — то, чего не было во входных данных генератора.
• Осторожнее с чувствительными темами. Финансы, медицина, право с ИИ-ведущим — прямое попадание в третью категорию.
• Не рассчитывайте на эмоциональные крайности. Шок-контент выводится из монетизации без всякой связи с ИИ.

Дисклеймер: правила описаны в общих формулировках, конкретных числовых порогов («сколько процентов роликов допустимо») площадка не публикует. Это значит, что решение о канале остаётся оценочным, и подстраховаться точным расчётом не получится.

Отличить сгенерированный текст от написанного человеком, кстати, сложнее, чем принято думать, — почему детекторы ошибаются, разбираем в отдельном гайде.

Персональный тренер стоит денег и есть не у всех. Нейросеть бесплатна, отвечает мгновенно и не устаёт объяснять. Вопрос в том, где эта замена честная, а где опасная — потому что спорт это единственная из бытовых тем, где неверный совет травмирует буквально.

План тренировок

Самый рабочий сценарий, если правильно поставить задачу.

Что писать в запросе. Чем больше вводных, тем осмысленнее ответ:

«Мужчина, 34 года, вес 88 кг, рост 180. Сидячая работа. Зал 3 раза в неделю по часу. Цель — снизить вес и укрепить спину. Ограничение: грыжа L5-S1, врач запретил осевую нагрузку на позвоночник. Опыт — год назад ходил полгода. Составь программу на 8 недель с прогрессией».

Такой запрос даст разумный план с разбивкой по неделям и подходам. Запрос «составь программу тренировок» без деталей — бесполезный универсальный шаблон.

Что модель делает хорошо: структурирует, распределяет нагрузку по дням, объясняет назначение каждого упражнения, предлагает замены, если оборудования нет.

Ключевая оговорка: если у вас есть ограничение по здоровью — травма, операция, хроническое заболевание — нейросеть должна работать после врача, а не вместо. Она не знает вашей истории и не осматривала вас. Скажите ей, что запретил врач, и она встроит запрет в план. Спрашивать «можно ли мне при грыже приседать» — плохая идея.

Разбор техники по видео

Здесь у моделей заметный прогресс, но и заметные пределы.

Как это работает: снимаете подход сбоку, загружаете видео или несколько кадров, просите разобрать технику. Модели со зрением — Claude, ChatGPT, Gemini — уверенно замечают грубые ошибки: круглая спина в становой, колени внутрь в приседе, локти в стороны в жиме.

Рабочий приём: снимайте сбоку и с фиксированной точки, полностью в кадре, при нормальном освещении. Просите не «оцени технику», а конкретнее: «посмотри на положение поясницы в нижней точке».

Где предел. Модель видит кадр, но не видит того, что чувствуете вы. Она не оценит, насколько вам тяжело, не заметит компенсации, не поймёт, что боль в плече появилась ещё до подхода. Грубые ошибки — да, тонкая настройка — нет.

Данные с часов и трекеров

Недооценённый сценарий, где нейросеть особенно полезна.

Приложения показывают графики, но редко объясняют. Скиньте выгрузку или скриншот и попросите объяснить простыми словами:

• пульсовые зоны — почему вы бегаете в четвёртой зоне, хотя план на вторую;
• вариабельность сердечного ритма (HRV) — что означает падение и стоит ли пропускать тренировку;
• динамика за месяц — где вы прогрессируете, а где топчетесь;
• сон и восстановление — как они соотносятся с нагрузкой.

Формулировка: «объясни, что означают эти показатели и на что мне обратить внимание». Модель отлично работает переводчиком с языка цифр.

Питание под нагрузку

Работает, но с чёткой границей.

Нормально: рассчитать примерную калорийность и распределение белков-жиров-углеводов под ваш вес и режим, составить варианты приёмов пищи, посчитать белок в конкретном блюде, подобрать перекус перед тренировкой.

Не стоит: спрашивать про спортивные добавки и дозировки, лечебные диеты, питание при заболеваниях. Здесь та же логика, что с лекарствами: цифра прозвучит уверенно, а проверить её вы не сможете.

Общий разбор темы — в обзоре нейросетей для питания.

Где нейросеть опасна именно в спорте

Четыре зоны, где ошибка стоит здоровья:

1. Боль. Модель по описанию не отличит крепатуру от надрыва. Любая острая или не проходящая боль — к врачу, а не в чат. Нейросеть может помочь сформулировать вопросы врачу — это её потолок.
2. Возвращение после травмы. Сроки восстановления индивидуальны и зависят от того, что видит специалист на снимках. Универсальные «через 6 недель можно» опасны.
3. Максимальные веса и рекорды. Модель не чувствует, готовы ли вы сегодня. Прогрессия по плану, а не по совету чата.
4. Спортивная фармакология. Отдельно и категорически. Никаких вопросов про препараты.

Отдельный момент: модель склонна соглашаться. Спросите «правда ли, что для роста мышц нужно 3 грамма белка на килограмм?» — и получите обоснование вашей версии. Спрашивайте нейтрально: «сколько белка рекомендуют при силовых тренировках и на чём основана эта рекомендация».

Что взять

Минимальный набор: одна модель со зрением для видео и скриншотов плюс бесплатная текстовая для планов и расчётов.

Главное правило: нейросеть отлично объясняет и структурирует, но не чувствует вашего тела. Она хороший помощник тренера и плохая замена врачу. План — можно доверить, боль — нельзя.

Как проверять её ответы — в гайде про факты и галлюцинации. Обзор нейросетей для здоровья в целом — здесь.

Языковая модель отвечает текстом. Модель для картинок отвечает картинкой. А что должна выдать модель, управляющая роботом? Ответ неочевиден — и именно в нём главная сложность целого направления, которое называют VLA.

Расшифровка

VLA — vision-language-action, «зрение-язык-действие». Три слова описывают всю цепочку:

• vision — модель видит: камера робота даёт картинку;
• language — модель понимает команду на обычном языке: «убери красную кружку со стола»;
• action — модель выдаёт действие: конкретные углы поворота суставов, скорости, положения захвата.

Последний пункт и есть принципиальное отличие от всего остального. Чат-бот выдаёт токены, которые читает человек. VLA выдаёт числа, которые исполняет мотор, — десятки раз в секунду, непрерывно.

Почему это сложнее, чем кажется

Три причины, из-за которых робототехника отстаёт от текстовых моделей на несколько лет.

Ошибку нельзя переписать. Неудачный абзац вы просто перегенерируете. Робот, уронивший чашку, уже разбил чашку — отменить нечего.

Данных мало и они дорогие. Текстов в интернете триллионы. А записей «как рука робота берёт предмет» нужно набирать вручную: сажать оператора, давать ему манипулятор и снимать часами. Каждый час данных стоит реальных денег.

Физический мир не прощает приблизительности. Модель может «примерно» понять смысл абзаца — и это нормально. «Примерно» взять стакан означает разлитую воду.

Как устроена современная VLA

Разберём на примере Isaac GR00T N1.7 от NVIDIA — одной из немногих открытых моделей этого класса.

Внутри работают две системы в связке:

1. Медленная и умная (на базе Cosmos-Reason2). Смотрит на картинку и на команду, разбирается: что перед нами, где нужный объект, в каком порядке действовать. По сути — обычная мультимодальная модель.
2. Быстрая и точная — 32-слойный диффузионный трансформер. Переводит намерение в конкретную траекторию движения.

Разделение не случайно: рассуждать нужно раз в секунду, а управлять моторами — десятки раз в секунду. Одна модель обе задачи тянуть не может.

Размер такой модели — 3 млрд параметров. Для сравнения, современные языковые модели — сотни миллиардов и триллионы. Причина проста: модель должна работать прямо на роботе, на компактной плате, без связи с облаком.

Видео от первого лица

Самая интересная часть — откуда берут данные, которых мало.

Метод EgoScale в GR00T использовал 20 854 часа видео от первого лица: как люди работают руками на производстве, в рознице, в здравоохранении. Не записи роботов — записи людей, снятые с камеры на голове.

Логика в том, что человеческая рука и манипулятор решают одну задачу, и общие закономерности переносятся: как подходить к предмету, под каким углом брать, как удерживать.

При этом обнаружилась закономерность, которую назвали первым законом масштабирования ловкости: рост обучающего видео с 1 000 до 20 000 часов более чем удвоил долю успешно выполненных задач. Проще говоря, здесь работает то же правило, что и в языковых моделях: больше данных — заметно лучше результат. До этого не было очевидно, что оно распространяется и на физические действия.

Чем VLA отличается от «робота с ИИ» в рекламе

Разграничение, которое стоит держать в голове.

Промышленный робот на конвейере десятилетиями работает без всякого ИИ — и делает это надёжнее любой нейросети, потому что выполняет одно и то же движение. VLA нужны там, где обстановка меняется: склад с разными коробками, кухня, уход за человеком.

Обратная сторона — та же, что у чат-ботов: вероятностность. VLA-модель может ошибиться, и предсказать заранее, когда именно, нельзя.

Где это уже применяют

Честная картина на середину 2026 года: массового применения нет, есть пилоты и исследования.

Реально работает:

• склады и логистика — сортировка разнородных предметов;
• производство — операции, где деталь каждый раз лежит немного иначе;
• лаборатории — рутинные манипуляции с образцами.

Пока не работает: домашние роботы, уход за людьми, всё, где цена ошибки — здоровье человека.

Государства при этом делают на направление серьёзные ставки: Япония планирует 10 млн роботов с ИИ к 2040 году и вкладывает $65 млрд.

Что запомнить

• VLA = зрение + язык + действие: модель выдаёт движения, а не текст.
• Главное отличие от чат-бота — выход исполняет мотор, а не читает человек.
• Устроены как две системы: медленная рассуждает, быстрая управляет.
• Модели компактные (миллиарды, а не сотни миллиардов) — работают на роботе.
• Учат на видео от первого лица, в том числе на записях работы людей.
• Закон масштабирования ловкости: 1k→20k часов данных более чем удвоили успех.
• Массового применения пока нет — пилоты, склады, производство.

Как физический ИИ развивается в целом — в материале про обучение роботов. Что происходит с ценами на железо, без которого это невозможно, — здесь.

15–16 июля глава NVIDIA Дженсен Хуанг провёл два дня в Токио. По итогам объявлены три программы, и все они — про ИИ, который работает руками, а не отвечает текстом.

Noetra: национальная ИИ-фабрика

Правительство Японии обязалось вложить до 1 трлн иен ($6,2 млрд) за пять лет в строительство государственного дата-центра.

Технические параметры:

Ключевые партнёры — SoftBank, Sony, NEC, Honda, всего в проекте участвуют 44 японские компании.

Развёртывание разбито на три этапа с понятной логикой:

1. 2026 — модель рассуждений на японском языке;
2. 2028 — мультимодальная версия;
3. 2030 — ИИ, готовый управлять роботами.

Коалиция по робототехнике

Вторая программа объединила промышленных гигантов: Fanuc, Yaskawa, Kawasaki Heavy, Fujitsu, Hitachi, NEC, Sony, SoftBank, Kubota и AIRoA.

Для неё представлен Cosmos 3 Edge — версия моделей NVIDIA, работающая прямо на роботе, на чипах Jetson Thor. Смысл в том, чтобы робот принимал решения на месте, а не отправлял картинку в облако и ждал ответа: на производстве задержка в полсекунды может стоить дорого.

Toyota

Отдельное соглашение: Toyota интегрирует платформу NVIDIA Drive в автомобили следующего поколения — включая симуляции производства, программное обеспечение машин и транспортные системы.

Показательна осторожность формулировок: речь идёт о продвинутых системах помощи водителю, а не о полной автономности. Toyota традиционно консервативнее американских конкурентов в обещаниях, и здесь это заметно.

Что за этим стоит

Цифры национальной стратегии объясняют, почему всё это делается сразу и вместе:

• 10 миллионов роботов с ИИ к 2040 году в 18 отраслях;
• $65 млрд государственных и частных инвестиций в физический ИИ;
• цель — занять более 30% мирового рынка ИИ-робототехники, который оценивают примерно в ¥20 трлн ($133 млрд).

Логика японской ставки понятна. Догонять США и Китай в гонке языковых моделей поздно и дорого. Зато в промышленной робототехнике у Японии исторически сильные позиции — Fanuc и Yaskawa десятилетиями делают промышленных роботов. Идея в том, чтобы добавить к железу, которое уже умеют делать, мозги нового поколения.

Второй мотив — демография. Япония стареет быстрее почти всех стран мира, рабочих рук не хватает уже сейчас. Роботы здесь не футурология, а ответ на конкретную проблему.

Трезвый взгляд

Три оговорки, которые стоит держать в голове.

Сроки далёкие. Дата-центр заработает в 2028-м, роботоготовый ИИ обещан к 2030-му. За четыре года в этой отрасли меняется всё — планы 2022 года сегодня читаются как исторический документ.

140 мегаватт — это много, но не рекорд. Крупнейшие американские кластеры уже сейчас работают на сопоставимых и больших мощностях. Япония строит не самый большой ИИ-центр в мире, а свой собственный — и это разные задачи.

Ставка узкая. Если физический ИИ окажется сложнее ожидаемого — а он пока развивается медленнее языкового, — Япония останется и без роботов, и без сильных языковых моделей.

Что это значит для остальных

Тенденция шире одной страны. Государства перестают надеяться, что нужные технологии просто купят на рынке, и строят собственную инфраструктуру — Европа со своей фронтирной моделью и Китай с альянсом WAICO делают то же самое, только с другого конца.

Как именно ИИ учится управлять физическими объектами — в гайде про VLA-модели. Одна из таких моделей, открытая Isaac GR00T N1.7, уже есть в нашем каталоге.

Обзоры нейросетей обычно пишут для тех, кто и так в теме. Этот — про аудиторию, о которой в таких статьях вспоминают редко, хотя пользы ей нейросеть может принести больше, чем многим: пожилой человек чаще сталкивается с непонятными документами, мелким шрифтом и телефонными мошенниками.

Сразу оговорка, которая определяет весь материал: у этой аудитории цена ошибки выше. Неверный совет про лекарство или ложная уверенность в собеседнике стоят дороже, чем неудачно сгенерированная картинка. Поэтому здесь особенно важно, где нейросети верить нельзя.

Прочитать то, что написано мелко

Самый недооценённый сценарий и, пожалуй, самый полезный.

Как это работает: фотографируете документ и просите объяснить простыми словами. Модели со зрением — Claude, ChatGPT, Gemini, из работающих в России — Алиса и GigaChat — справляются уверенно.

Что имеет смысл давать:

• квитанции ЖКХ — за что конкретно начислено, откуда сумма;
• договоры и допсоглашения — что подписываете, какие обязательства берёте;
• инструкции к технике — как включить, что означает индикатор;
• письма из инстанций — что от вас хотят и в какой срок.

Формулировка, которая работает лучше всего: «объясни простыми словами, что здесь написано и что мне нужно сделать». Модель перестанет копировать канцелярит и переведёт на человеческий.

Медицина: полезно, но с жёсткой границей

Здесь нужно быть максимально точным, потому что тема опасная.

Что нейросеть делает хорошо: объясняет термины. Получили выписку с диагнозом из латинских слов и аббревиатур — модель расшифрует, что это за орган, что за показатель, что означает отклонение от нормы. Это снимает главную тревогу — непонимание.

Ещё она хорошо помогает подготовиться к приёму: сформулировать вопросы врачу, вспомнить, что рассказать про самочувствие, составить список принимаемых лекарств.

Что нейросеть делать не должна, категорически:

1. Ставить диагноз. Она не осматривает и не назначает анализы. Совпадение симптомов с описанием болезни ничего не доказывает.
2. Назначать или отменять лекарства. Особенно отменять. Никогда не корректируйте назначения врача по совету чат-бота.
3. Называть дозировки. Модель выдаст правдоподобную цифру, которая может не совпасть с вашей. Дозировка — из назначения и инструкции.
4. Оценивать совместимость препаратов. Здесь ошибка опаснее всего, а модель склонна отвечать уверенно даже там, где не знает.

Простое правило: нейросеть переводит с медицинского на русский, а решения принимает врач. Как проверять её ответы вообще — в гайде про галлюцинации.

Защита от мошенников

Сценарий, ради которого стоит освоить нейросеть отдельно.

Пришло странное сообщение, письмо или позвонили из «службы безопасности банка» — опишите ситуацию нейросети и спросите, похоже ли это на мошенничество. Модели такие схемы знают хорошо и разбирают их по признакам: почему звонок подозрительный, чего в реальности банк никогда не делает, что нужно предпринять.

Работает и с текстом: перешлите подозрительное СМС или письмо и попросите оценить. Модель заметит и поддельный адрес отправителя, и типичное давление срочностью.

Важное дополнение: сейчас мошенники подделывают голос, в том числе голос родственника. Ключевой признак — просьба срочно перевести деньги и требование никому не рассказывать. Как распознавать подделки — в гайде про дипфейки.

Чего никогда не нужно делать: вводить в чат-бот номер карты, коды из СМС, пароли и паспортные данные. Настоящая служба поддержки их не спрашивает, а нейросети они для помощи не нужны. Если сомневаетесь, что стоит отправлять, — вычистить лишнее поможет чистка персональных данных.

Общение и досуг

Менее очевидные, но живые сценарии.

• Написать письмо или поздравление — модель поможет собрать мысли, не меняя вашего голоса, если попросить сохранить стиль.
• Разобраться в мессенджерах и приложениях — «объясни по шагам, как отправить фото внукам в телеграме». Пошаговые инструкции — сильная сторона моделей.
• Расшифровать молодёжный сленг из переписки с внуками. Работает и в обратную сторону.
• Собеседник на любую тему — обсудить книгу, вспомнить историю, разобраться в новостях. Здесь у моделей неограниченное терпение, чего не всегда хватает близким.

Про последнее стоит сказать честно: у постоянного общения с ботом есть своя обратная сторона. Он не заменяет живых людей, и в этом качестве им лучше не пользоваться.

Что выбрать и как начать

Практические советы для начала:

Начните с голоса. Набирать текст на телефоне неудобно, а голосовой ввод есть почти везде. Для первого знакомства Алиса проще всего: работает в России без ухищрений, отвечает голосом, не требует регистрации через зарубежный номер.

Разрешите себе переспрашивать. Если ответ непонятен — «объясни проще» или «объясни, как будто мне это впервые рассказывают». Модель не устанет и не будет раздражаться.

Не верьте на слово в трёх темах: здоровье, деньги, юридические сроки. Здесь нейросеть — источник вопросов к специалисту, а не источник ответов.

С чего начать технически — в гайде первые шаги для новичка. Как пользоваться из России без VPN — здесь.

Звучит как парадокс: нейросеть учится на текстах, которые написала другая нейросеть. Тем не менее это уже стандартная практика, и часть свежих моделей без неё бы не появилась. Разбираемся, почему так вышло и где здесь подвох.

Что это такое

Синтетические данные — это обучающие примеры, созданные искусственно, а не собранные из реального мира.

Три основных способа их получить:

1. Сгенерировать моделью. Сильная модель пишет тысячи примеров задач с решениями, на них учат модель поменьше. Это близкий родственник дистилляции.
2. Сгенерировать программой. Для математики и кода это особенно удобно: пример можно построить по правилам, а правильность — проверить автоматически, запустив код или сверив вычисление.
3. Размножить реальные данные. Взять настоящий набор и получить из него вариации: перефразировать текст, повернуть картинку, заменить имена.

Зачем это понадобилось

Причины сугубо практические, и их три.

Качественные тексты кончаются. Интернет большой, но пригодного для обучения текста в нём конечное количество, и лучшую его часть уже вычерпали. Дальше — либо мусор, либо то, что нельзя использовать по лицензии.

Реальные данные юридически опасны. Обучение на чужих книгах, статьях и коде — предмет судебных разбирательств по всему миру. Сгенерированные примеры этой проблемы лишены.

Персональные данные нельзя брать вообще. Медицина, финансы, кадры — области, где настоящие данные закрыты законом. Синтетический набор с той же статистикой, но без живых людей, эту стену обходит легально.

Отдельный случай — редкие ситуации. Чтобы модель научилась распознавать нештатную ситуацию, нужны примеры. В реальности их по определению мало, а сгенерировать можно сколько угодно.

Где это работает хорошо

Закономерность простая: синтетика хороша там, где ответ можно проверить.

• Код. Сгенерировали задачу и решение — запустили тесты. Прошли тесты, значит пример корректный.
• Математика. То же самое: ответ либо сходится, либо нет.
• Формальные преобразования. Перевод между форматами, извлечение полей, структурирование.

Именно поэтому прогресс моделей в коде и математике идёт быстрее, чем, скажем, в понимании человеческих мотивов: первое можно автоматически проверять и наращивать бесконечно, второе — нет.

Где начинаются проблемы

Коллапс модели — главный риск и самый обсуждаемый. Если учить модель на выводе предыдущей модели, потом следующую — на выводе этой, и так по кругу, качество деградирует. Редкие явления из данных вымываются, разнообразие падает, ответы становятся всё более усреднёнными и однообразными.

Аналогия: это как многократно копировать копию. Каждая итерация вроде бы похожа на оригинал, но артефакты накапливаются, а детали исчезают безвозвратно.

Наследование ошибок. Модель-учитель передаёт ученику не только знания, но и свои заблуждения — причём в концентрированном виде. Ошибка, которая у учителя была редкой, у ученика может стать системной.

Ложное разнообразие. Сто тысяч сгенерированных примеров выглядят как большой набор данных, но если все они получены одной моделью с похожими промптами, реального разнообразия там куда меньше, чем кажется по объёму.

Отсюда практическое правило отрасли: синтетика идёт в дополнение к реальным данным, а не вместо них. Полностью синтетический цикл обучения — прямая дорога к коллапсу.

Как это касается вас

Три момента, которые важны и без обучения собственных моделей.

Ответы моделей становятся более похожими друг на друга. Если разные модели учились на пересекающихся синтетических наборах, их стиль и подход сближаются. Отчасти поэтому текст, написанный нейросетью, стало легче узнавать — по характерным штампам.

Синтетика — законный инструмент и для вас. Нужно протестировать программу или показать таблицу коллеге, но данные настоящие и чувствительные? Сгенерируйте похожий набор вместо того, чтобы обезличивать реальный. Это надёжнее: обезличенные данные иногда удаётся восстановить, а выдуманные восстанавливать нечего. Для этого есть генератор тестовых данных.

«Обучено на 10 триллионах токенов» — не показатель качества. Важно не сколько данных, а какие. Как читать подобные заявления — в гайде про бенчмарки.

Что запомнить

• Синтетические данные — созданные искусственно, а не собранные из реального мира.
• Причины: качественные тексты кончаются, реальные данные юридически рискованны, персональные — запрещены.
• Работают лучше всего там, где ответ можно проверить автоматически: код, математика.
• Главный риск — коллапс модели: обучение на выводе моделей по кругу вымывает разнообразие.
• Модель-учитель передаёт ученику и свои ошибки.
• Правило: в дополнение к реальным данным, не вместо них.
• Для вас лично это удобный способ не использовать чувствительные данные в тестах и демонстрациях.

Пока корпорации меряются размерами моделей, некоммерческая организация Current AI пытается построить то, чего в отрасли пока нет: общедоступную инфраструктуру ИИ, бесплатную для всех. Аналогия, которую они используют сами, — Всемирная паутина.

Кто это и на какие деньги

Current AI основал Мартин Тисне в феврале 2025 года. С января 2026-го организацию возглавляет Аяй Бдейр — до этого она отвечала за ИИ-стратегию в Mozilla, а ещё раньше основала littleBits.

Привлечено $400 млн. Состав доноров показателен:

• правительство Франции — $100 млн;
• Ford Foundation и MacArthur Foundation;
• DeepMind и Salesforce.

То есть в финансировании открытой альтернативы участвуют и государство, и классическая благотворительность, и сами корпорации.

Формулировка Бдейр объясняет замысел прямо: если ИИ действительно преобразующая технология, то у неё должна быть публичная альтернатива — как Всемирная паутина, доступная всем бесплатно.

Что уже сделано

Не декларации, а работающие проекты.

Suno Sutra (февраль 2026, Индия) — портативное устройство с поддержкой 22 индийских языков, работающее офлайн. Создано совместно с государственной платформой Bhashini. Офлайн здесь принципиален: в регионах со слабой связью облачный ИИ бесполезен.

Alpha Chat (июль 2026, Женева) — открытый чат-бот, собранный за семь недель коалицией из десяти организаций, включая Hugging Face, Mozilla и MIT Media Lab. Каждый участник принёс свою часть: кто-то языковую модель, кто-то инструменты безопасности, кто-то вычислительные мощности.

Отдельно раздано $3,2 млн грантов четырём организациям:

Почему это про языки

Ключевой перекос отрасли: модели учатся преимущественно на английском и ещё нескольких крупных языках. Всё остальное — по остаточному принципу.

Причина не в злом умысле, а в данных: чем меньше текстов на языке в интернете, тем хуже модель его понимает. Для языков с десятками миллионов носителей, но слабым цифровым следом, это замкнутый круг — данных нет, потому что нет сервисов, а сервисов нет, потому что нет данных.

Гранты Current AI бьют именно в эту точку: сначала создать датасеты, а модели появятся следом. Работает ли такой подход — вопрос открытый, но логика понятна.

Трезвый взгляд

$400 млн — сумма внушительная для НКО и незначительная по меркам отрасли: это меньше, чем крупные игроки тратят на вычисления за квартал. Соревноваться с фронтирными моделями на эти деньги невозможно, и Current AI, судя по проектам, к этому и не стремится.

Их ниша другая — то, что коммерчески невыгодно: языки с малым числом носителей, офлайн-устройства для регионов со слабым интернетом, инструменты аудита. Рынок этим заниматься не будет, потому что не окупится.

Второй вопрос — устойчивость. Гранты и государственные деньги имеют свойство заканчиваться, а поддержка инфраструктуры требует постоянных расходов. Аналогия со Всемирной паутиной тут работает и против авторов: веб бесплатен для пользователя, но за серверы платит кто-то конкретный.

И третья оговорка, которую стоит держать в голове: DeepMind среди доноров — это одновременно и сигнал доверия, и повод спросить, насколько независимой останется «альтернатива корпорациям», частично профинансированная корпорацией.

Что это значит для пользователя

Прямо сейчас — почти ничего: проекты локальные, до массового пользователя не доходят. Но направление стоит отметить.

Чем именно отличаются открытые модели от закрытых и что вообще означает слово «открытая» — в гайде про открытые и закрытые нейросети. А про то, откуда берутся обучающие данные и почему их всё чаще генерируют искусственно, — в гайде про синтетические данные.

Машина — источник вопросов, на которые неудобно искать ответ: что за значок загорелся, нормальную ли цену назвал сервис, стоит ли брать конкретный автомобиль с пробегом. Раньше шли на форумы и к знакомому мастеру. Теперь можно спросить нейросеть — и в большинстве случаев получить внятный разбор. Смотрим, где это работает.

Расшифровать ошибку и значок на приборке

Самый частый сценарий — и самый удачный.

Как это работает: фотографируете приборную панель и спрашиваете. Модели со зрением — Claude, ChatGPT, Gemini — уверенно опознают символы и объясняют, что означает каждый: можно ли ехать дальше или надо останавливаться. Из работающего в России — Алиса и GigaChat справляются с типовыми значками.

Ещё лучше нейросеть разбирает коды OBD-II. Скинули «P0301» — получите разбор: пропуски зажигания в первом цилиндре, вероятные причины по убыванию, что проверить первым и на что это влияет.

Рабочий приём: указывайте марку, модель, год, двигатель и пробег. «P0171 на Октавии 2014, 1.8 TSI, 180 тысяч» даст гораздо более осмысленный ответ, чем просто код: у конкретных моторов есть характерные болячки, и модель про них знает.

Понять, за что просят деньги

Здесь нейросеть работает как переводчик с сервисного на человеческий — и это её сильная сторона.

Сфотографируйте заказ-наряд и попросите объяснить каждую позицию: что это за деталь, зачем её меняют, обязательно ли это сейчас или может подождать. Модель разложит по пунктам и обычно честно скажет, какие работы выглядят необязательными.

Полезная формулировка: «какие из этих работ критичны для безопасности, какие можно отложить, а какие вызывают вопросы». Отвечает по существу.

Важная оговорка: нейросеть не видела вашу машину. Она может сказать, что позиция выглядит избыточной, но если мастер настаивает — это повод спросить его, а не заочно ему не поверить.

Выбор и покупка автомобиля

Два разных сценария с разной надёжностью.

Подбор модели — работает хорошо. Опишите бюджет, задачи, климат, пробеги — получите варианты с обоснованием и списком типичных проблем каждого. Отдельно спросите «что ломается на этой модели после 150 тысяч» — обычно даёт конкретику.

Оценка конкретного объявления — с осторожностью. Скиньте текст и фото: модель найдёт нестыковки, странные формулировки, признаки перекраса на фото. Но актуальные цены рынка она не знает — обучающие данные устарели. За ценами идите на площадки объявлений, а нейросеть используйте как второй взгляд на само объявление.

Документы, страховка, ДТП

Недооценённый сценарий.

• Разбор полиса. Загрузите КАСКО или ОСАГО и спросите, что покрывается, а что нет, какие есть исключения. Страховые пишут так, что без перевода не обойтись.
• Европротокол. Нейросеть подскажет порядок действий при мелком ДТП и поможет составить описание обстоятельств.
• Досудебная претензия сервису или продавцу — по шаблону составляет прилично.

Общий разбор юридических текстов — в обзоре нейросетей для работы с договорами.

Где нейросеть врёт особенно уверенно

Четыре зоны, где ошибка стоит денег или безопасности:

1. Моменты затяжки и объёмы жидкостей. Модель назовёт правдоподобную цифру, которая может не совпасть с мануалом. Ошибка в моменте затяжки колеса — это отвалившееся колесо. Только официальный мануал.
2. Артикулы деталей. Здесь нейросети галлюцинируют особенно охотно: выдают несуществующие номера, выглядящие абсолютно правдоподобно. Проверяйте по VIN в каталоге.
3. Актуальные цены и наличие. Данные устарели по определению.
4. Диагноз вместо диагностики. Нейросеть строит гипотезы по описанию. Она не слышит стук и не видит подтёк. Стучит подвеска — на подъёмник, а не в чат.

Отдельно: модель склонна соглашаться с вами. Спросите «правда ли, что масло надо менять каждые 5 тысяч?» — и, скорее всего, получите обоснование вашей версии. Спрашивайте нейтрально: «какой интервал замены масла для этого мотора и от чего он зависит».

Что взять

Минимальный набор: одна модель со зрением для фото приборки и документов плюс бесплатная текстовая для расчётов и подбора. Этого хватает на все бытовые сценарии.

Главное правило: нейросеть отлично объясняет и переводит с технического, но не заменяет диагностику и мануал. Используйте её, чтобы понимать, о чём с вами говорят в сервисе, — и приходите туда с вопросами, а не с готовым диагнозом.

Как проверять ответы модели на достоверность — в гайде про факты и галлюцинации.