Социальные сети

На рынке корпоративного искусственного интеллекта постепенно меняется сама логика ценообразования. Если раньше компании платили за количество пользователей, лицензий или вычислительных операций, то теперь всё чаще появляется другой вопрос: почему бы не платить ИИ только тогда, когда он действительно выполнил поставленную задачу? Именно такой подход, по данным The Information, OpenAI уже начала тестировать с некоторыми крупными корпоративными клиентами. Новая модель предполагает, что компания платит только в том случае, если ИИ-агент действительно довёл работу до результата — например, самостоятельно решил задачу клиента. Официально OpenAI эту информацию не комментировала, но сама идея хорошо вписывается в более широкий тренд, который постепенно охватывает индустрию корпоративного ПО. Традиционная модель SaaS была достаточно простой: компания покупала определённое количество аккаунтов для сотрудников и платила фиксированную сумму за каждый из них. С распространением ИИ такая система становится менее удобной. Один агент может выполнить небольшую задачу за несколько секунд, а может несколько часов работать над сложным процессом и фактически заменить работу нескольких сотрудников. При этом количество обращений к модели или использованных токенов вовсе не обязательно отражает созданную для бизнеса ценность. Представим, что ИИ совершил тысячу телефонных звонков от имени отдела продаж. Само количество звонков ещё ничего не говорит о результате. Гораздо важнее, сколько клиентов в итоге совершили покупку. Именно поэтому компании, работающие с ИИ-агентами, начинают переходить к модели оплаты за результат. Похожие эксперименты уже проводят другие игроки рынка. Например, американская компания Sierra предлагает корпоративным клиентам платить за задачи, которые ИИ действительно завершил без вмешательства человека. Компания Fin, которую Salesforce приобретает за несколько миллиардов долларов, также строит модель вокруг успешно решённых обращений клиентов. Разработчик ИИ для программирования Cognition пошёл ещё дальше и предлагает крупным заказчикам компенсационные кредиты, если конечный результат работы системы окажется недостаточно ценным. Теперь к этому направлению присоединяется OpenAI, и это может стать важным сигналом для всей индустрии. Оплата за результат постепенно перестаёт быть экспериментом небольших стартапов и превращается в один из вариантов будущей бизнес-модели ИИ. Особенно активно эту модель развивает Salesforce. Компания предлагает клиентам разные варианты оплаты своих ИИ-агентов Agentforce, включая контракты, в которых стоимость может зависеть непосредственно от бизнес-результата. Речь идёт не просто о количестве выполненных операций, а о том, сколько дополнительных продаж удалось получить или сколько расходов на обслуживание клиентов удалось сократить. Для Salesforce это принципиальное изменение. В традиционном SaaS компания зарабатывала на количестве пользователей: чем больше сотрудников работало в системе, тем больше лицензий покупал клиент. Но ИИ-агенты способны работать непосредственно с корпоративными программами, поэтому сотруднику уже необязательно самому открывать Salesforce и выполнять все операции вручную. Если пользователь просто попросит ИИ найти данные клиента, изменить заказ или проверить наличие товара, агент может сделать это в фоновом режиме. Интерфейс привычного корпоративного приложения постепенно становится менее заметным, а иногда и вовсе перестаёт быть необходимым. Поэтому Salesforce приходится искать новый источник ценности. Компания, например, уже интегрирует свои системы с ИИ-агентами Anthropic, позволяя пользователям обращаться к данным и функциям Salesforce непосредственно через Claude. Это означает, что даже если человек больше не открывает приложение напрямую, сама платформа всё равно может оставаться инфраструктурой, через которую работает ИИ. Таким образом, корпоративное программное обеспечение может постепенно перемещаться с переднего плана на задний. Пользователь взаимодействует с ИИ, а тот обращается к базам данных, CRM и другим корпоративным системам. Для разработчиков SaaS это создаёт угрозу, но одновременно открывает новый способ монетизации: зарабатывать не на количестве людей, которые нажимают кнопки в программе, а на ценности операций, которые ИИ выполняет внутри неё. Однако переход к оплате за результат создаёт и серьёзные проблемы. Первая связана с надёжностью самих ИИ-агентов. При традиционной модели клиент платит за использование системы независимо от того, насколько хорошо она выполнила конкретную задачу. Если агент не справился, поставщик всё равно получил деньги за вычислительные ресурсы. В модели «результат или ничего» часть риска переходит на разработчика. Чем чаще агент ошибается, тем больше компания тратит на работу, которая не приносит дохода. Это особенно важно на нынешнем этапе развития технологии, когда ИИ-агенты всё ещё способны ошибаться при выполнении сложных многоэтапных задач. Если же поставщик обещает брать деньги только за успешное выполнение, надёжность агента становится не просто техническим показателем, а непосредственно финансовым фактором. Есть и вторая, ещё более сложная проблема — определить, что именно считать результатом. Если ИИ самостоятельно решил обращение клиента, результат относительно легко измерить. Но как определить его вклад в рост продаж? Допустим, после внедрения ИИ выручка компании выросла на 20%. Какую часть этого роста обеспечил агент, а какую — новая рекламная кампания, запуск продукта или сезонный спрос? Поэтому модель оплаты за результат требует не только хороших ИИ-систем, но и новых правил измерения их эффективности. Компании должны заранее договариваться, какой результат считается выполненным, как рассчитывается вклад ИИ и в каких случаях клиент обязан платить. В этом и заключается главный парадокс новой модели. На первый взгляд она выглядит максимально выгодной для заказчика: если ИИ ничего не сделал, платить не нужно. Но для поставщика это гораздо более рискованный бизнес. Он фактически начинает разделять с клиентом ответственность за конечный результат. Возможно, именно здесь начинается следующий этап развития программного обеспечения. SaaS на протяжении десятилетий продавал доступ к инструменту, а эпоха ИИ постепенно подталкивает рынок к продаже конкретно выполненной работы. Если раньше клиент покупал программу и сам решал, насколько эффективно ею пользоваться, то теперь поставщик ИИ хочет получать деньги за то, что его система действительно сделала. Это может изменить саму экономику корпоративного ПО. Вместо оплаты за пользователя или количество операций компании будут всё чаще платить за решённые проблемы, завершённые задачи, дополнительные продажи или сэкономленные расходы. Для OpenAI и других разработчиков ИИ это одновременно огромная возможность и серьёзный вызов. Если агенты станут достаточно надёжными, модель оплаты за результат способна значительно увеличить их ценность для бизнеса. Но если ИИ по-прежнему будет часто ошибаться, обещание «платите только за результат» может оказаться слишком дорогим для самого поставщика. Похоже, поэтому главный вопрос будущего ИИ-бизнеса звучит уже не «сколько стоит использование модели?», а гораздо проще: сколько денег эта модель действительно помогла заработать или сэкономить?

Компания Google выпустила Gemini 3.8 Flash всего через двадцать дней после релиза версии 3.7, оформив третий апдейт линейки за последние шесть недель. В условиях ожесточенной гонки на фоне недавнего анонса Fable 5.1 от Anthropic и ожиданий модели Astra от OpenAI разработчики сделали ставку на резкое наращивание возможностей в программировании и работе автономных агентов. В тестах на решение сложных инженерных задач DeepSWE v1.1 и управлении интерфейсом командной строки Terminal-Bench 2.1 новинка практически сравнялась с флагманской Opus 5, сохранив при этом статус самого быстрого решения со скоростью генерации свыше 300 токенов в секунду. Ценовая политика на уровне тарифов осталась неизменной: стоимость входящих и исходящих токенов полностью соответствует расценкам предыдущего поколения. Однако реальная стоимость выполнения работы выросла примерно на 40%. Модель стала глубже рассуждать, активнее вызывать внешние инструменты и генерировать на треть больше токенов для поиска верного решения. Это отражает фундаментальный сдвиг в индустрии, где ключевой метрикой становится не абстрактная цена миллиона токенов, а совокупная стоимость успешного выполнения законченной задачи, когда алгоритмы фактически обменивают увеличенные вычислительные затраты на более высокий процент успешных результатов. Параллельно Google представила специализированную версию Gemini 3.8 Flash Cyber, оптимизированную для поиска и автоматического устранения брешей безопасности в коде на десятках языков программирования. Накопленный в ходе кибербезопасных тестов опыт исследователи успешно перенесли в основную модель, что помогло подтянуть ее общие логические способности. Столь частый выпуск обновлений свидетельствует о переходе к разработке нейросетей по канонам классического программного обеспечения: вместо редких фундаментальных смен поколений компания наладила непрерывный цикл быстрой доработки архитектуры на основе живой обратной связи от пользователей и интеграции узкоспециализированных наработок в общедоступный продукт.

На пороге выхода на биржу компания Anthropic провела масштабное обновление продуктовой линейки, выпустив флагманскую модель Fable 5.1 и открыв ограниченный доступ к продвинутой версии Mythos 5.1. Этот шаг стал мощным сигналом для рынка: компания планирует публичное размещение уже в конце сентября с целевой оценкой от двух триллионов долларов, для поддержания которой необходим стремительный рост корпоративной выручки. Ожидается, что годовая выручка разработчика превысит 65 миллиардов долларов, и релиз новой модели нацелен на максимальное расширение доли в корпоративном сегменте. Fable 5.1 продемонстрировала уверенное превосходство над предшественниками и конкурентами, заняв первое место во всех восьми публичных бенчмарках. Наибольший отрыв зафиксирован в программировании и научных исследованиях, где модель обошла GPT-5.6 Sol от OpenAI. В специализированном тесте Terminal-Bench-Science показатель новинки составил 52,6% против 24,7% у предыдущего поколения. Модель значительно лучше справляется с длинными многоэтапными цепочками задач и анализом крупных кодовых баз без накопления критических ошибок, а при работе с текстом точнее следует стилистическим указаниям и расходует меньше токенов. Наряду с ростом производительности компания предложила существенную экономию для бизнеса. Базовые тарифы на обработку входящих и исходящих токенов остались прежними, однако стоимость чтения данных из кэша снизилась на 75% и составила 0,25 доллара за миллион токенов. Для стандартных корпоративных задач общие затраты сократятся примерно на четверть, а в сложных сценариях с активным использованием ИИ-агентов экономия достигнет 45%, что решает главную проблему клиентов, работающих с масштабными проектами разработки ПО. Существенные изменения затронули политику безопасности и хранения данных. Корпоративным клиентам разрешили сохранять информацию на собственной облачной инфраструктуре вместо обязательного размещения на серверах разработчика. В самой модели уровень ложных срабатываний защитных фильтров в сфере кибербезопасности снизился на 60%, а в биологии и медицине — на 85%. Для защиты от атак типа дистилляции внедрен механизм криптографической подписи блоков цепочки рассуждений, который предотвращает попытки манипуляции контекстом диалога при сохранении логических выводов модели. Возможности обновленной экосистемы подтверждаются практическими достижениями в научной сфере. Модель Mythos 5.1 показала почти 50-процентную точность в разработке высокоаффинных связывающих белков для фармацевтики и сумела оптимизировать GPU-ядра для глубокого обучения, ускорив их работу до двух с половиной раз. В свою очередь, Fable 5.1 на основе архивных данных NASA создала новую высокоточную топографическую карту трети поверхности Венеры, улучшив детализацию рельефа в несколько раз. Комплексное сочетание рекордной мощности, снижения цен и смягчения требований к данным делает релиз ключевым фактором укрепления рыночных позиций компании перед историческим дебютом на фондовом рынке.

Поиск работы часто превращается для выпускника в бесконечный цикл отправки резюме и ожидания ответа. Можно откликнуться на десятки или даже сотни вакансий и так и не понять, почему большинство заявок остаются без внимания. Проблема не только в количестве рабочих мест: соискателю зачастую не хватает информации о том, насколько его навыки соответствуют конкретной позиции, что не так с резюме и как лучше вести себя на собеседовании. На этом фоне искусственный интеллект постепенно приходит в сферу найма не только со стороны работодателей, но и со стороны самих соискателей. Китайская компания по автоматизации рекрутинга Qianxun, известная также как MoSeeker, запускает продукт «Zhiyа» — ИИ-помощника для поиска работы, ориентированного прежде всего на студентов и молодых специалистов. Идея продукта заключается в том, чтобы превратить поиск работы из набора разрозненных действий в постоянное взаимодействие с ИИ-агентом. Пользователь загружает резюме, после чего система анализирует его образование, опыт и навыки и предлагает варианты улучшения. Затем соискатель может обычным языком рассказать, какую работу он ищет, а агент подберёт подходящие вакансии и объяснит, насколько профиль кандидата соответствует требованиям работодателя. Отдельное направление — подготовка к собеседованиям. Пользователь выбирает интересующую должность, а система формирует вопросы и проводит пробное интервью с помощью цифрового собеседника. После этого кандидат получает оценку своих ответов: какие из них были убедительными, где нарушалась логика и что стоит изменить в следующий раз. Таким образом, ИИ выступает не просто поисковиком вакансий, а своеобразным персональным тренером по трудоустройству. Для Qianxun выход на рынок потребительских продуктов означает заметный поворот. Компания была основана в 2014 году и больше десяти лет работала преимущественно с работодателями, создавая системы автоматизации рекрутинга. За это время она накопила большой массив данных о реальных процессах найма: какие вакансии выбирали кандидаты, как проходили отбор резюме, кто доходил до собеседований и какие кандидаты в итоге получали предложения о работе. Именно этот опыт компания рассчитывает использовать в новом продукте. Логика проста: если система хорошо понимает, какие качества нужны работодателям и как выглядит успешный кандидат, она может помочь соискателю лучше оценить собственные шансы и выбрать более подходящие вакансии. При этом разработчики столкнулись с важной особенностью потребительского продукта. В корпоративных системах задача обычно состоит в том, чтобы выполнить конкретные требования заказчика. В приложении для обычного пользователя приходится постоянно наблюдать за его поведением и выяснять, что действительно помогает ему добиться результата. Показательный пример — функция поиска вакансий. В ранней версии продукта пользователи могли самостоятельно просматривать огромный каталог предложений, как в традиционных сервисах по поиску работы. Однако разработчики обнаружили, что такая модель снижает количество взаимодействий с ИИ и в конечном счёте может мешать эффективному поиску. Поэтому от привычного «рынка вакансий» решили отказаться, сделав ставку на диалог с агентом. У такого подхода есть и более сложная проблема: интересы работодателя и соискателя не всегда совпадают. Компания, которая исторически работала на стороне бизнеса, теперь должна создать инструмент, воспринимаемый пользователем как помощник именно соискателя. Поэтому Qianxun подчёркивает, что задача ИИ — не научить человека приукрашивать свои способности или обманывать систему отбора. Его роль заключается в том, чтобы помочь кандидату лучше понять собственные сильные стороны и точнее представить их работодателю. Подобные продукты появляются на фоне общего ускорения внедрения ИИ в рекрутинг. Компании всё активнее используют искусственный интеллект для поиска кандидатов, проведения собеседований и обработки большого количества откликов. Если раньше автоматизация в основном помогала HR-специалистам, то теперь она постепенно начинает работать и непосредственно на соискателя. Для нового продукта Qianxun может использовать и существующую инфраструктуру компании. У неё уже есть связи с крупными работодателями и университетами, а значит, потенциальная аудитория среди студентов и выпускников доступна без необходимости тратить огромные средства на традиционную рекламу. На первом этапе компания рассчитывает привлечь пользователей бесплатным сервисом, а затем предложить дополнительные платные возможности. В долгосрочной перспективе основатель Qianxun видит ещё более радикальную модель — взаимодействие двух ИИ-агентов. Один будет представлять интересы соискателя и знать его навыки, карьерные цели и предпочтения, другой — понимать потребности конкретной компании и требования к кандидатам. Они смогут самостоятельно сопоставлять эти данные и проводить первоначальный отбор, оставляя человеку наиболее подходящие варианты. Однако это не означает исчезновения человека из процесса найма. Напротив, роль человека может стать более важной на финальном этапе. Если ИИ возьмёт на себя поиск информации, первичный отбор и другие рутинные операции, соискатель и работодатель смогут сосредоточиться на содержательном разговоре и принятии решения. В этом смысле главный потенциал ИИ в рекрутинге заключается не в том, чтобы заменить человека, а в том, чтобы убрать значительную часть бессмысленной работы вокруг него. Для миллионов молодых специалистов такой «карьерный напарник» может оказаться особенно полезным: он способен не просто найти вакансию, но и объяснить, почему она подходит, помочь подготовиться к собеседованию и сократить количество проб и ошибок на пути к первой работе.

На фоне охлаждения рынка умных устройств китайский стартап NestWorks, развивающий настольные станки с ЧПУ, смог привлечь несколько сотен миллионов юаней в ангельском раунде и его продолжении. Среди инвесторов — Sequoia China, BlueRun Ventures, Zhongding Capital, Vertex Ventures и Yuánjing Capital. Компания была создана лишь в ноябре 2025 года внутри Elephant Robotics, но её первый продукт уже собрал на Kickstarter более $13 млн. Идея NestWorks довольно проста: сделать CNC-станок таким же доступным для инженера, каким 3D-принтер стал для прототипирования. Традиционные станки с ЧПУ остаются крупными, дорогими и требуют большого количества профессиональных знаний. Инженеру часто приходится отправлять чертёж на производство и ждать неделю или больше, чтобы получить деталь, а затем повторять процесс после внесения изменений. NestWorks хочет перенести этот цикл непосредственно на рабочий стол. Первый продукт компании, C500, способен обрабатывать не только пластик и дерево, но и алюминий, латунь и даже нержавеющую сталь. Станок оснащён высокооборотным шпинделем, автоматической сменой инструмента и программным обеспечением, которое объединяет импорт модели, подготовку CAM, построение траектории, симуляцию и управление станком. Главная ставка здесь сделана не столько на уменьшение промышленного оборудования, сколько на то, чтобы скрыть от пользователя сложность самого процесса производства. Особенно важную роль компания отводит AI. В традиционном CNC большая часть знаний находится в голове опытного оператора: какой инструмент выбрать, какие параметры установить, как построить траекторию и закрепить деталь. NestWorks пытается превратить эти неформализованные знания в программный продукт, чтобы инженер мог в большей степени описать, что он хочет получить, а система сама определяла, как это изготовить. В перспективе это может открыть для CNC гораздо более широкий рынок. Сегодня основными клиентами остаются инженеры, дизайнеры, лаборатории и небольшие производства, которым действительно нужна быстрая обработка металлических деталей. Но по мере развития AI CAD, генерации 3D-моделей и автоматизации производства граница между профессиональным и потребительским использованием может постепенно стираться. При этом CNC вряд ли повторит стремительный путь 3D-принтеров. В отличие от аддитивного производства, станки режут материал, создавая шум, пыль и стружку, а сами устройства могут весить больше 100 кг. Поэтому их распространение, скорее всего, будет идти от инженерных рабочих мест и лабораторий к небольшим мастерским и только затем к более широкому кругу пользователей. Именно поэтому история NestWorks интересна не только как история нового станка. Компания пытается объединить AI-дизайн, программное управление и физическое производство в единую цепочку. Если AI действительно снизит стоимость создания цифровых моделей, следующим узким местом станет превращение этих цифровых идей в реальные детали. И настольный CNC может оказаться одним из инструментов, который закроет этот разрыв.

Рынок инфраструктуры для искусственного интеллекта долгое время ассоциировался почти исключительно с графическими процессорами Nvidia и специализированными ускорителями Google TPU. Однако в 2026 году наметился неожиданный тренд: OpenAI, по данным СМИ, закупает десятки тысяч компьютеров Mac mini и Mac Studio, а Anthropic арендует облачные Mac через AWS. Эти системы используют не для традиционного обучения языковых моделей с нуля, а прежде всего для задач обучения с подкреплением. Речь идет о развитии так называемых компьютерных ИИ-агентов — систем, которые способны самостоятельно работать с интерфейсом компьютера: редактировать и тестировать код, обрабатывать почту, искать информацию и выполнять последовательности действий в документах и приложениях. Для такого обучения важна не только максимальная производительность ускорителей, но и удобство длительного запуска большого числа параллельных рабочих сред. Одним из преимуществ Apple Silicon называют унифицированную память. В компьютерах Apple процессор и графическая подсистема используют общий пул памяти, тогда как в традиционных системах с дискретными GPU данные нередко приходится перемещать между оперативной памятью и видеопамятью. В ряде сценариев это может снижать накладные расходы и упрощать работу с ресурсоемкими ИИ-нагрузками. Mac mini и Mac Studio также рассчитаны на продолжительную работу под нагрузкой благодаря активному охлаждению, что особенно важно при длительных циклах обучения с подкреплением. Рост интереса со стороны ИИ-компаний уже отражается на бизнесе Apple. Продажи Mac в последнем квартале выросли почти на 29% в годовом выражении и достигли 10,3 миллиарда долларов. Mac оказался наиболее быстрорастущей продуктовой категорией компании, опередив по темпам роста iPhone и iPad. Apple также начала активнее демонстрировать корпоративным клиентам потенциал своей техники для локальной обработки ИИ-задач, хотя исторически компания была гораздо сильнее ориентирована на потребительский рынок. Дополнительный импульс дает развитие программных решений для объединения множества Mac в кластеры. В частности, упоминается открытый проект EXO Labs, позволяющий связать несколько устройств Apple в единую вычислительную систему для запуска крупных моделей. Новые версии Mac Studio также делают акцент на кластерном использовании, что превращает компактные компьютеры в потенциальную альтернативу локальным ИИ-серверам. Для Nvidia этот тренд означает появление заметного конкурента в сегменте локального ИИ. Компания уже предлагает DGX Spark — настольную систему для ИИ-разработки, внешне и по идее близкую к формату Mac mini. При этом Apple сталкивается с ограничениями поставок: высокий спрос на память со стороны дата-центров затрудняет производство наиболее мощных конфигураций Mac. На этом фоне часть компаний рассматривает альтернативное оборудование, включая решения Nvidia. Сама Apple пока не стремится стать полноценным облачным провайдером для внешних корпоративных заказчиков. Компания использует собственные чипы в серверах внутренней системы Private Cloud Compute, предназначенной для обработки задач, которые нельзя выполнить непосредственно на iPhone или Mac. Однако спрос со стороны OpenAI, Anthropic и новых специализированных облачных компаний показывает, что Mac постепенно может занять неожиданно важную нишу в инфраструктуре ИИ — не заменяя крупнейшие GPU-кластеры, а дополняя их в задачах, где особенно ценятся локальность, эффективность памяти и массовое развертывание рабочих сред.

Развитие корпоративного искусственного интеллекта переходит на качественно новый этап, смещаясь от привычных диалоговых чат-ботов к концепции автономного выполнения задач под контролем человека. Показательным примером этой трансформации стало решение компании Cisco развернуть персонального ИИ-агента под названием MyAgent для всех своих девяноста тысяч сотрудников по всему миру. Вместо изолированных пилотных проектов в отдельных отделах речь идет о полноценной интеграции ИИ в ежедневную операционную деятельность каждого работника. Главная цель внедрения MyAgent заключается в переходе от рутинного переключения между десятками корпоративных сервисов к управлению через единый интерфейс намерений. Сотруднику больше не нужно самостоятельно открывать почту, корпоративный мессенджер, трекер задач или файловое хранилище, чтобы вручную собрать отчет или уведомить коллег о сдвиге сроков проекта. Достаточно сформулировать конечную цель, после чего агент самостоятельно выстраивает цепочку шагов, запрашивает необходимые данные в подключенных системах в рамках прав доступа конкретного пользователя и выполняет действия в фоновом режиме. Технологическим фундаментом для этого решения послужила внутренняя платформа Circuit, разрабатываемая инженерами Cisco с 2023 года. Платформа начиналась как безопасная надстройка для предотвращения утечек конфиденциальных данных в публичные сервисы, но со временем переросла в универсальный шлюз с динамической маршрутизацией запросов. Она объединяет различные сторонние передовые модели, решения с открытыми весами, собственные алгоритмы компании и традиционные инструменты автоматизации, распределяя задачи в зависимости от их сложности, стоимости и требуемой точности. Ключевым фактором устойчивости столь масштабного развертывания стал строгий контроль над расходами на вычисления. Полноценные автономные агенты требуют значительно больше ресурсов, чем стандартные диалоговые окна, поскольку непрерывно планируют действия, обращаются к внешним инструментам и проверяют результаты. Чтобы избежать неконтролируемого роста затрат, Cisco направляет более половины запросов на модели с открытыми весами, развернутые на собственных мощностях, треть рутинных операций передает классической программной автоматизации, а дорогостоящие внешние языковые модели привлекает лишь для сложнейших аналитических задач. Для непрерывного мониторинга потребления ресурсов задействуются инструменты наблюдаемости платформы Splunk. Массовое внедрение персональных агентов фактически меняет привычную архитектуру корпоративного программного обеспечения. Традиционные SaaS-системы постепенно отходят на второй план, превращаясь в поставщиков структурированных данных, стабильных интерфейсов программирования и моделей разграничения прав. Для самой Cisco данный проект служит не только внутренней оптимизацией рабочих процессов, но и демонстрационным полигоном для будущей продажи проверенной агентной архитектуры своим корпоративным клиентам. Главным вызовом для бизнеса теперь становится не сам факт использования нейросетей, а определение того, какой объем реальных полномочий компания готова делегировать цифровым помощникам.

В сфере информационной безопасности произошел заметный сдвиг: вместо прямой кражи денежных средств с банковских карт злоумышленники все чаще переключаются на захват чужих лимитов и токенов искусственного интеллекта. Недавняя волна принудительных сбросов авторизации и экстренного удаления привязанных банковских карт со стороны компании Anthropic стала защитной мерой против масштабной кампании по перехвату сессий пользователей платформы Claude. Главной причиной уязвимости стали широко распространенные вредоносные программы класса инфостилеров, среди которых фигурируют такие семейства, как Vidar, LummaC2, StealC, RedLine, Acreed на системах под управлением Windows, а также Atomic Stealer на macOS. Проникая на компьютеры пользователей через нелицензионное программное обеспечение, пиратские версии игр или поддельные обновления браузеров, эти трояны не пытаются перехватывать пароли напрямую или обходить двухфакторную аутентификацию в лоб. Вместо этого они извлекают сохраненные в браузере сессионные куки-файлы и идентификаторы, что позволяет атакующим мгновенно воспроизвести активную рабочую сессию на стороне злоумышленника без повторного ввода учетных данных. Причиной растущего интереса киберпреступников к учетным записям ИИ стала высокая ликвидность и дефицит вычислительных мощностей на глобальном рынке. В условиях региональных ограничений и высокой стоимости подписок вокруг нейросетей сформировался теневой бизнес по перепродаже доступа и созданию неофициальных шлюзов API. Украденные сессии массово подключаются к сторонним интерфейсам или используются для генерации ключей API, позволяя организаторам нелегальных сервисов с нулевыми затратами продавать чужие лимиты конечным клиентам или разработчикам. При этом банковские антифрод-системы мгновенно реагируют на прямые попытки списания денег с чужих карт, тогда как эксплуатация активных сессий в ИИ-сервисах способна за считанные часы исчерпать корпоративные лимиты и привести к крупным финансовым потерям до обнаружения проблемы. Для минимизации ущерба разработчики вынуждены прибегать к жестким превентивным мерам: мгновенно завершать все активные сессии скомпрометированных пользователей и стирать платежные реквизиты из профилей. Специалисты по безопасности отмечают, что обычной смены пароля в подобных инцидентах недостаточно, поскольку она не всегда аннулирует уже выданные и украденные сессионные токены. Для полной нейтрализации угрозы требуется принудительный отзыв всех активных сессий на всех устройствах, полная очистка данных браузера, а при подтвержденном заражении операционной системы — глубокая переустановка рабочей среды и полный отказ от запуска непроверенных файлов из сомнительных источников.

Гонка искусственного интеллекта превратилась в грандиозный балансовый отчет, где на одной чаше весов лежат сотни миллиардов долларов на вычислительные мощности, электроэнергию и зарплаты, а на другой — пока еще формирующиеся доходы. Реальные чеки за эту революцию выписывает узкий круг игроков: технологическая «великолепная семерка» в лице Apple, Microsoft, Amazon, Alphabet, Meta (запрещённая в России), Nvidia и Tesla, к которым присоединилась SpaceX. Только совокупные капитальные затраты Microsoft, Google, Amazon и Meta за 2026 финансовый год превысили 600 миллиардов долларов, а с учетом остальных участников общие инвестиции в инфраструктуру ИИ стремительно приближаются к триллионным масштабам. Каждый из гигантов выбрал собственную роль в этой партии. Microsoft выступает крупнейшим внешним инвестором и одновременно главным каналом монетизации, глубоко интегрировав решения OpenAI в свою экосистему Azure и продукты Copilot, при этом диверсифицируя риски через работу с небольшими моделями и сторонними стартапами. Google идет по пути полного собственного цикла — от кремния TPU и архитектуры Gemini до масштабной дистрибуции в поиске, Android и облачных сервисах. Amazon строит баланс между развитием облачной платформы AWS, собственными чипами Trainium, разработкой серии Nova и масштабными многомиллиардными вливаниями в Anthropic. Стратегии остальных участников столь же самобытны. Meta сделала ставку на открытые модели семейства Llama, монетизируя огромную экосистему через рекламные алгоритмы и умные очки, а также развивая лабораторию суперинтеллекта. Nvidia удерживает статус главного поставщика базовых инструментов, чьи графические процессоры остаются золотым стандартом для обучения, хотя ее ключевые клиенты активно проектируют собственные чипы. Apple демонстрирует максимальную сдержанность, сосредоточившись на приватных локальных моделях и защите своей многомиллиардной базы устройств. В то же время Илон Маск объединил ресурсы Tesla, SpaceX и xAI, создавая колоссальный суперкомпьютерный кластер Colossus и делая ставку на превосходство чистой вычислительной мощи. Несмотря на различия в подходах, над всей индустрией нависает фундаментальный риск. Существенная часть доходов облачных провайдеров завязана на вычислительный спрос лишь нескольких ведущих разработчиков моделей вроде OpenAI и Anthropic. Капитальные затраты растут прямо сейчас, тогда как их полная финансовая отдача ожидается ближе к концу десятилетия. По мере того как стартапы готовятся к выходу на публичные рынки, для бигтеха наступает момент истины: станет ли эта гонка пропуском к созданию AGI или же останется беспрецедентным по масштабам круговоротом венчурного капитала.

Банковская индустрия столкнулась с затяжным спадом традиционного карточного бизнеса: общее количество активных кредитных карт в обращении в Китае сократилось более чем на сто двадцать миллионов штук по сравнению с пиковыми значениями прошлых лет, вернувшись на уровень шестилетней давности. На фоне исторического падения чистой процентной маржи и исчерпания эффекта от стандартных маркетинговых подарков финансовые организации начали массово переходить к принципиально новым инструментам привлечения клиентов. Свыше пятнадцати ведущих государственных и коммерческих банков, включая China Merchants Bank, Agricultural Bank of China, Ping An Bank, SPD Bank и Bank of Communications при участии платежной системы UnionPay, запустили совместные тематические продукты с разработчиками искусственного интеллекта. Ключевым новшеством стала замена привычных материальных бонусов вроде дорожных чемоданов или бытовой техники на доступ к вычислительным ресурсам нейросетей. Банки используют различные механики интеграции: разовые приветственные пакеты токенов ведущих языковых моделей для разработчиков, прямую конвертацию баллов за ежедневные покупки в подписки и вычислительные квоты отечественных ИИ-сервисов, а также субсидирование корпоративных облачных мощностей для технических специалистов. Этот шаг отражает переход банков от стимулирования чистого бытового потребления к поддержке продуктивности. Токены и вычислительные мощности начинают восприниматься как базовая инфраструктура цифровой экономики, аналогичная расходам на электроэнергию или топливо. Целевой аудиторией таких продуктов выступают инженеры, исследователи и создатели цифрового контента, чья потребность в мощных моделях носит постоянный и обязательный характер. Чтобы отобрать именно эту категорию клиентов с высоким потенциалом роста доходов, финансовые институты устанавливают жесткие критерии одобрения по уровню заработной платы, образованию и минимальному порогу транзакций. Вместе с тем в экспертном сообществе и на уровне отделений банков отношение к инициативе остается неоднозначным. Массовый потребитель по-прежнему нередко предпочитает понятные вещественные подарки, а сама выдача цифровых квот часто ограничивается лишь новыми клиентами и сводится к привычной схеме разовой маркетинговой субсидии через программный интерфейс партнера. Критики указывают, что легкая копируемость подобных партнерств рискует вернуть рынок к прежней ценовой конкуренции бонусов, не создавая долгосрочной лояльности. Полноценная трансформация сектора потребует не просто раздачи вычислительных лимитов в качестве подарка за открытие счета, а глубокого внедрения технологий искусственного интеллекта в кредитный скоринг, управление рисками и персонализированное обслуживание клиентов.