Все обсуждают AI в продуктах, но почти никто — как он меняет экономику бизнеса. И дело не в автоматизации процессов или чат-ботах в поддержке. Речь о принципиально другой модели роста.

Возьмём Perplexity. Компания вышла на пять тысяч корпоративных клиентов при команде всего из пяти сейлзов — соотношение 1,000:1, которое в традиционном SaaS невозможно даже в теории. Похожая история у Cursor: при оценке в $400M у них нет полноценного GTM-отдела. Ни масштабного найма, ни сложной воронки продаж — рост заложен в сам продукт. 

Что изменилось?
AI-native компании встраивают интеллект не в отдельные фичи, а в весь customer journey — от первого касания до ретеншена. Это создаёт органически масштабируемую модель роста, которую традиционный бизнес воспроизвести просто не может. Цифры говорят сами за себя: при $25M ARR классические SaaS-компании в среднем держат 21 человека в GTM. AI-native — 13. И при этом они растут быстрее. Это не про оптимизацию издержек. Это про выручку, которая масштабируется без пропорционального роста операционных затрат.

McKinsey называет такой подход product-led sales — комбинацией лучшего из PLG с AI-автоматизацией. Результат: +10% к ARR и +50% valuation по сравнению с традиционными подходами. AI берёт на себя рутину: квалификацию лидов, онбординг, первую линию поддержки. Люди фокусируются на стратегической работе с высокой добавленной стоимостью. Но главное — это создаёт принципиально другую юнит-экономику.

Какой вывод?
Мы находимся в начале трансформации не просто продуктов, но и самой природы B2B. Те, кто сейчас строит AI-native GTM, получают структурное преимущество, которое нельзя догнать, просто добавив AI-фичи в существующие процессы.

направления в активациях модели, которые связаны с нежелательными чертами (агрессия, льстивость, склонность к галлюцинациям). Они формируются под влиянием данных и поведения пользователей. Команда также показала, что такие сдвиги не только фиксируются, но и поддаются коррекции: Anthropic отслеживает, когда модель становится «неправильной», и подавляет изменения в процессе. Эксперименты проводились на небольших моделях и трёх чертах, но подход планируют применять к более крупным LLM. 

Почему это важно: исследование открывает путь к проактивной безопасности. Модель можно «вакцинировать» — активировать вредные векторы на этапе обучения, чтобы повысить устойчивость к токсичным данным, предсказывать вредные ответы и вмешиваться до генерации. 

🟥 Microsoft показал Agent Lightning: подход обучения агентов с помощью RL-методов, полностью отделённый от работы самого исполнителя. Это значит, что Agent Lightning можно легко подключить к уже существующим агентам (например, сделанным с помощью LangChain, OpenAI Agents SDK, AutoGen и других фреймворков) практически без переписывания кода.  

Почему это важно: Agent Lightning обеспечивает бесшовную оптимизацию агента для любой существующей платформы, а также повышает точность и стабильность за счёт иерархического RL, сокращая время на внедрение новых возможностей. 

🟥 OpenAI выпустила gpt-oss и GPT-5: открытые модели для локального использования и новый стандарт в ChatGPT.

• gpt‑oss‑120b и gpt‑oss‑20b — две open-source модели. Первая (117B параметров, 5.1B активных) близка по уровню к o3 и o4-mini и предназначена для дата-центров. Вторая — компактная и работает на ноутбуках и ПК. Обе поддерживают сложные рассуждения, работу с инструментами и настройку «глубины мышления».

•  GPT-5 — новая флагманская модель с «умным мышлением». Может выбирать между быстрым ответом и глубоким анализом, умеет собирать сайты, игры и приложения по одному запросу, а также генерирует более выразительные тексты. Доступна всем пользователям: в Plus — больше запросов, в Pro — версия с максимальной аналитической глубиной.

Почему это важно: OpenAI одновременно усиливает open-source рынок и возвращает инициативу в enterprise-сегменте. gpt-oss — шаг к демократизации доступа к мощным LLM, а GPT‑5 — претендент на статус нового технологического стандарта в индустрии.

🟥 Oppo AI исследует влияние разных компонентов на эффективность и затраты агентов. На основе экспериментов команда создала фреймворк Efficient Agents — он использует GPT-4.1, восемь шагов планирования, simple memory (сохранение только действий и наблюдений) и BoN=1. Модель достигает точности 96,7% — почти на уровне лучших open-source решений, но при этом снижает издержки на выполнение задач на 28,4%.

Почему это важно: компаниям, которые внедряют агентов, важно понимать, где можно сократить ресурсы без потери качества. Работа Oppo AI предлагает минимальную конфигурацию, которая остаётся эффективной и может дать почти максимальный результат.

Также на неделе:
•  Baidu представил поискового агента с  доступом к динамической информации
•  StepFun выпустил self-improving фреймворк для многошагового reasoning
•  Claude Opus до 4.1 научился лучше справляться с агентными задачами, кодом и логикой
•   Google DeepMind показал генерацию интерактивных 3D-сцены по тексту в реальном времени
•   Meta (запрещена в РФ) обучает модели генерировать и фильтровать синтетические данные
•   Cohere выпустила мультимодальную модель для работы с графиками и изображениями на корпоративном уровне  
•    Anthropic запустил инструмент поиска уязвимостей в коде с анализом только изменённых файлов 

ндвотчинг

↗️red_mad_robotet="_blank" rel="nofollow">

📍 Илон Маск: инфраструктура для суперинтеллекта
В 2024 году xAI построила Colossus — суперкомпьютерный кластер, запуск которого занял всего 122 дня. Вместо нового строительства использовали здание бывшего завода, установили Tesla Megapack для энергостабилизации и арендовали четверть мобильных систем охлаждения в США. Кластер масштабировали со 100 тыс до 230 тыс ускорителей, а сейчас готовят к расширению до 550 тыс — мощность, достаточная для обучения моделей следующего поколения.

Маск связывает развитие AI не только с моделями, но и с их воплощением. Он считает, что гуманоидные роботы вроде Optimus станут самой массовой категорией, а синтетические данные — основным источником обучения. Neuralink в этой системе — не про интеллект, а про скорость: способ устранить узкое место в интерфейсе «человек–AI» и открыть новые каналы для чувств и когнитивных функций.

По его оценке, в будущем сформируется 5–10 мощных AI-систем («глубоких интеллектов»), которые будут конкурировать и заниматься наукой. Никто не знает, что произойдёт до и после технологической сингулярности, но Маск видит в этом путь к суперизобилию: дешёвая энергия, роботы и интеллект по запросу могут вывести мир на новый уровень процветания.

📍 Джаред Каплан: от copilots к автономным системам
По словам сооснователя Anthropic, индустрия переходит от точечных сценариев к длинным цепочкам задач. Каплан наблюдает, что длина операций, которые может выполнять модель, удваивается примерно каждые семь месяцев. Это значит, что AI становится способным брать на себя не отдельные действия, а целые процессы — от начала до результата.

Следующая волна AI-продуктов, по его мнению, будет уже не «помощниками», а заменой. В тех задачах, где допустим разумный уровень погрешности, роль человека будет постепенно снижаться. Не copilots, а агенты — с большей автономией и меньшей зависимостью от обратной связи. Однако этот переход потребует решения ключевых технических задач: создания долговременной памяти, устойчивого контроля исполнения, мультимодальности, развитых reasoning-способностей и защиты от манипуляций. Без этих компонентов ни одна система не сможет безопасно масштабироваться до уровня настоящей автономии.

Каплан отмечает, что с ростом возможностей растут и ожидания. Бизнес всё чаще требует решений, которые можно применять не внутри команды, а сразу на уровне всей организации. Это подталкивает индустрию к пересмотру архитектур и операционных моделей — в сторону интеграции, надёжности и объяснимости.

📍 Фей-Фей Ли: следующий шаг — пространственное мышление
Глава World Labs сравнивает развитие AI с эволюцией мозга. Первыми этапами были символические системы и языковые модели, но следующий качественный скачок, по её мнению, связан с пространственным восприятием. Только модели, которые умеют ориентироваться в физической среде, смогут формировать полноценные когнитивные представления.

Эта задача требует выхода за пределы текста. Язык гибок и генеративен, но он не отражает жёсткости и ограничений реального мира. Именно в этом разрыве между «описанием» и «действием» сегодня застряли многие AI-системы. Embodied AI — подход, который позволяет его преодолеть. Модели обучаются на реальных телах, в реальной среде, где есть физика, трение, задержки и последствия.

Ли подчёркивает, что такие прорывы невозможны без интеллектуальной смелости. Самые ценные исследователи — это не те, кто наращивает точность метрик, а те, кто способен выйти за пределы текущих рамок. Преодоление границ — единственный способ построить действительно новую архитектуру мышления.

#AI_moment #трендвотчинг

↗️red_mad_robot

новый оптимизатор промптов для AI-систем, который заменяет RL на языковую эволюцию. GEPA использует две ключевые техники:

• Рефлексивную мутацию, при которой модель анализирует и улучшает собственные промпты.

• Pareto-отбор кандидатов для выбора вариантов с одновременным обеспечением баланса, качества, надёжности и эффективности.

На ряде задач GEPA обходит GRPO (Group Relative Policy Optimization) на 10–20 %, при этом требует в 35 раз меньше запусков.

Почему это важно: подход с языковой эволюцией и self-reflection показывает, что улучшать модели можно не через сложные формулы, а через анализ собственных ошибок и корректировку инструкций. Такой способ оказался не только эффективнее RL, но может изменить сам подход к обучению AI-систем.

🟥Alibaba показала Group Sequence Policy Optimization (GSPO): RL-алгоритм, стоящий за моделями Qwen3-235B и Qwen3-Coder. В отличие от GRPO, который работает с токенами, GSPO оптимизирует поведение на уровне всей последовательности. 

Почему это важно: методы RL, которые работают на уровне отдельных токенов могут быть нестабильными и медленными. GSPO же обеспечивает лучшую эффективность и производительность по сравнению с GRPO и особенно хорошо стабилизирует обучение MoE-моделей. 

🟥Anthropic выявил подсознательное обучение (Subliminal Learning) у AI: явление, когда одна модель способна передавать свои скрытые поведенческие черты другой через данные, не связанные по смыслу. 

Почему это важно: даже если данные выглядят безопасными, они могут скрыто передавать поведение исходной модели. Это ставит под сомнение надёжность дистилляции, fine-tuning и обучения на сгенерированных данных. Авторы предполагают, что фильтрации и аудита недостаточно — нужны новые подходы к проверке намерений и поведения моделей.

Также на неделе:
•  Zhipu показала модель с агентными навыками и низкой себестоимостью —   в пять раз дешевле Grok 4 и Sonnet 4
•  OpenAI запустил режим обучения в ChatGPT
•  StepFun представил мультимодальную reasoning-модель, работающую на обычных GPU
•   Perplexity добавила в Comet автоматизацию задач через интерпретацию промптов
•   Kuaishou Technology предложил агентный RL-алгоритм для стабильного многошагового поведения
•    Tencent тестирует новую систему плотных наград за мета-рассуждение
•   NVIDIA и Google DeepMind изучили связь между inference-time compute и устойчивостью к атакам

ндвотчинг

↗️red_mad_robot="_blank" rel="nofollow">