ИИ новости: 12 октября 2026

Фундаментальные тренды

Meta выпустила Muse Wonder: передовые ИИ-модели получили активную память и способность продолжать сложные задачи

12 октября Meta представила две новые передовые модели искусственного интеллекта — Muse Wonder и Muse Wonder Full. Разработкой занималась Meta Superintelligence Labs. Компания называет их своими наиболее мощными моделями и заявляет о конкурентоспособности в сложных агентных задачах, программировании, финансах, праве и здравоохранении. Muse Wonder стала доступна разработчикам через Meta Model API и Muse Code, а более мощная Muse Wonder Full — подписчикам Muse Code. В дальнейшем обычная Muse Wonder должна стать основой новых возможностей персонального помощника Muse. Это состоявшийся выпуск моделей, а не только анонс будущих исследований. Однако заявления Meta о превосходстве над конкурентами основаны на опубликованных разработчиком испытаниях и требуют независимого подтверждения.

Главная технологическая особенность семейства — сочетание двух механизмов, получивших названия Active Memory и Active Focus. Active Memory предназначена для сохранения значимого пользовательского контекста между разговорами и возвращения к нужным сведениям при выполнении последующих задач. Active Focus помогает модели продолжать многоэтапную работу, пробовать другие способы решения после неудачи, восстанавливаться после ошибок и уточнять намерения пользователя. Meta приводит примеры задач, выходящих за пределы обычного диалога: разбор условий аренды, сопровождение страхового обращения, анализ личных финансов и создание работающего приложения. Компания подчёркивает, что перед выполнением важных действий агент должен запрашивать подтверждение. Таким образом, разработчики пытаются улучшить не только качество отдельного ответа, но и устойчивость выполнения длительных заданий.

Фундаментальный сдвиг заключается в изменении критериев развития крупных языковых моделей. Для обычного чат-бота достаточно правильно обработать текущий запрос, но персональному или профессиональному агенту необходимо сохранять контекст, учитывать предыдущие решения и не терять цель после промежуточной ошибки. Meta позиционирует Muse Wonder как следующий этап масштабирования после Muse Spark. При этом Active Memory нельзя автоматически считать безошибочной долговременной памятью, а Active Focus — гарантией самостоятельного завершения любой задачи. Реальное качество зависит от точности сохранённых сведений, правильного выбора инструментов, способности распознавать ошибки и ограничений доступа. Технические характеристики и результаты испытаний необходимо оценивать в конкретных условиях использования.

Для рынка выпуск означает возвращение Meta к конкуренции в верхнем сегменте моделей, предназначенных для сложной агентной работы. Разработчики корпоративных приложений получают дополнительный вариант для сравнительных испытаний, а компании — повод пересмотреть требования к памяти, восстановлению после ошибок и продолжительным рабочим процессам. Потенциальные применения включают финансовых помощников, анализ документов, программирование и сопровождение многоэтапных обращений. Одновременно возникают вопросы защиты личной информации: агент с долговременным контекстом может работать с сообщениями, календарями и документами, поэтому сохранение данных и выполнение действий должны контролироваться отдельно. Meta сообщает об обучении моделей с учётом конфиденциальности и безопасности, но дополнительный отчёт об оценках безопасности на момент объявления ещё готовился. Практическую значимость релиза определят независимые испытания качества, стоимости, устойчивости памяти и надёжности агентных действий.

Источник: about.fb.com; research.meta.ai

Риски и контроль

Британия готовится к потере контроля над ИИ-агентами и усиливает киберзащиту

12 октября правительство Великобритании объявило о комплексе мер против угроз, связанных с развитием передовых систем искусственного интеллекта. В центре внимания оказались автономные ИИ-агенты, способные выполнять сложные операции с ограниченным участием человека. Власти намерены подготовить специальные механизмы реагирования на серьёзные инциденты, включая ситуации, когда система выходит из-под человеческого контроля. К работе привлечены Национальный центр кибербезопасности (NCSC) и Институт безопасности ИИ (AI Security Institute). Министр по вопросам ИИ Канишка Нараян предупредил, что последствия ошибок или злонамеренного использования автономных систем могут оказаться значительно серьёзнее традиционных программных сбоев. Это официальное объявление о начале и расширении государственных мер, а не сообщение о произошедшем массовом выходе ИИ из-под контроля.

Одновременно правительство рассматривает усиление законодательства в рамках законопроекта Cyber Security and Resilience Bill и связанных механизмов надзора. Особое внимание уделяется защите критически важных служб, включая больницы и коммунальную инфраструктуру. Власти хотят определить, как выявлять серьёзные происшествия с участием ИИ, регистрировать опасные ситуации, которые едва не привели к ущербу, и распространять полученные уроки между организациями. Такие случаи могут развиваться быстрее и затрагивать больше взаимосвязанных систем, чем инциденты, на которые рассчитаны традиционные государственные процедуры реагирования. При этом 12 октября не был принят новый закон и не введена обязательная система отчётности для всех разработчиков: конкретные требования ещё предстоит обсуждать с парламентом, техническими специалистами и операторами инфраструктуры.

Практическая часть инициативы предусматривает использование самого ИИ для укрепления киберзащиты государства. По официальным данным, два пилотных проекта уже помогли выявить и устранить более тысячи потенциальных уязвимостей в государственных системах, а также обнаруживать возможные киберугрозы. Власти намерены расширять применение подобных инструментов в публичном секторе. Параллельно специалисты AI Security Institute проводят углублённые испытания новейших передовых моделей, продолжая взаимодействие с ведущими разработчиками ИИ и американскими государственными структурами. Ещё одним направлением объявлена независимая проверка заявлений о разработке, тестировании и оценке безопасности моделей. Правительство обещает позднее представить дополнительные меры поддержки такой проверки. Число обнаруженных уязвимостей относится к результатам предыдущих пилотов и не доказывает эффективность ещё не внедрённых механизмов контроля агентов.

Для мирового рынка событие важно тем, что государственная политика начинает учитывать не только содержание ответов нейросетей, но и реальные действия автономных систем. Если агент получает доступ к корпоративным приложениям, документам, финансовым операциям или критической инфраструктуре, недостаточно оценивать лишь качество его текстовых ответов. Организации необходимо устанавливать технические границы полномочий, вести проверяемые журналы операций, предусматривать остановку выполнения и заранее определять порядок реагирования на ошибки. Британская инициатива отличается от заседания научной группы Еврокомиссии 9 октября и действий британского ICO 8 октября: речь идёт о новой комплексной государственной программе, объединяющей киберзащиту, готовность к аварийным ситуациям, возможные изменения законодательства и испытания передовых моделей. Однако сроки, обязательность будущих требований и их влияние на бизнес пока не определены. Главный сигнал — безопасность ИИ-агентов постепенно становится задачей национальной киберустойчивости, а не только внутренней ответственностью разработчиков.

Источник: www.gov.uk

Где ИИ становится продуктом

Банк Mashreq сократил инженерные работы на 60–70% с помощью ИИ-агентов IBM

12 октября IBM объявила о результатах пилотного внедрения платформы IBM Bob в банке Mashreq, одном из крупных финансовых учреждений Ближнего Востока. Проект направлен на применение ИИ-агентов в разработке и сопровождении программных интеграций, от которых зависит работа цифрового банкинга, платежей и внутренних систем. По данным участников проекта, предварительные испытания показали сокращение времени на проектирование интеграций и устранение технических проблем на 60–70%. Отдельные операции, прежде занимавшие два–три часа ручной работы, удалось выполнить за несколько минут. Это результат реального пилота в банковской инженерной среде, но не свидетельство того, что весь процесс разработки уже передан автономным агентам или что аналогичная экономия достигнута во всех подразделениях банка.

Масштаб задачи объясняет интерес Mashreq к автоматизации. Интеграционная платформа банка связывает цифровые каналы обслуживания, платежные сервисы, приложения, партнёров и операции в разных странах. Согласно сообщению IBM, она обрабатывает в среднем 650 транзакций в секунду. Инженерам приходится работать с многочисленными программными интерфейсами, правилами обмена данными и требованиями к надёжности. В рамках пилота IBM Bob помогает на разных этапах разработки: при проектировании решений, планировании работ, написании и проверке программного кода, а также при диагностике производственных проблем. Применение ИИ здесь связано не с автоматической выдачей банковских консультаций клиентам, а с ускорением технических процессов, обеспечивающих работу финансовых продуктов.

Важная часть внедрения — подключение ИИ к действующим инженерным знаниям и инструментам через IBM Context Forge, использующий протокол MCP. Система предоставляет агентам управляемый доступ к спецификациям API, архитектурным стандартам, эксплуатационному контексту и другой информации, необходимой для решения технических задач. IBM сообщает, что через защищённый шлюз банк обрабатывает около 4000 запросов ИИ-агентов в месяц к подключённым системам цифрового банкинга, платежей и корпоративных приложений. Интеграционная инфраструктура развивается с использованием IBM Cloud Pak for Integration, IBM MQ, IBM App Connect, IBM API Connect, Red Hat OpenShift и Confluent. Такая архитектура позволяет рассматривать ИИ не как отдельного чат-бота, а как инструмент, работающий с корпоративными знаниями и инженерными процедурами. При этом количество запросов агентов не равно количеству самостоятельно завершённых задач.

Для рынка это пример превращения ИИ в прикладной продукт для одной из наиболее сложных областей корпоративной автоматизации — сопровождения интеграций между критически важными системами. Потенциальные заказчики подобных решений — банки, платёжные организации, операторы связи и крупные предприятия с многочисленными API и внутренними приложениями. Эффективность следует оценивать по времени разработки и диагностики, количеству ошибок, стоимости сопровождения и устойчивости производственных систем. Mashreq также рассматривает будущую локальную установку IBM Bob для критических сценариев, в которых могут потребоваться модели, размещённые внутри собственной инфраструктуры, с учётом требований к хранению данных и регулированию. Однако это пока рассматриваемый вариант, а не объявленное завершённое внедрение. Главное ограничение опубликованных результатов — их предварительный характер: заявленные 60–70% получены в конкретном пилоте и требуют дальнейшей проверки при масштабировании.

Источник: mea.newsroom.ibm.com

Архитектура и технологии внедрения

Microsoft представила Maia 300: собственные чипы для ИИ обещают на 40% больше вычислений на мегаватт

12 октября Microsoft представила третье поколение собственной инфраструктуры искусственного интеллекта Azure Maia — ускоритель Maia 300 и построенную вокруг него серверную систему. Компания планирует начать производственное внедрение Maia 300 в 2027 году и постепенно расширять инфраструктуру до масштабов нескольких гигаватт. Цель — сделать собственные ускорители основной вычислительной платформой для выполнения моделей ИИ в продуктах и сервисах Microsoft. По прогнозной оценке компании, новая система должна обеспечивать на 40% больше сгенерированных токенов на каждый мегаватт мощности по сравнению с ведущими системами на графических ускорителях. В полной конфигурации из 96 ускорителей Microsoft заявляет увеличение производительности по генерации токенов на уровне серверной стойки до семи раз относительно Maia 200. Важно различать уже работающую Maia 200 и представленную Maia 300: полномасштабное производственное внедрение нового поколения ещё не состоялось, а заявленные преимущества требуют независимого подтверждения.

Техническая архитектура Maia 300 ориентирована прежде всего на выполнение готовых моделей, а не на их первоначальное обучение. Microsoft выделяет длительные рассуждения, большие контекстные окна, интерактивные диалоги и многоэтапные задачи ИИ-агентов. Для таких нагрузок недостаточно увеличивать только число арифметических операций: производительность всё сильнее зависит от скорости перемещения данных, доступной памяти, межпроцессорных соединений и энергопотребления. Поэтому Maia 300 использует многокристальную конструкцию, в которой вычислительные блоки, контроллеры памяти и интерфейсы ввода-вывода разделены на специализированные части. Вычислительные кристаллы производятся по технологическому процессу TSMC N2P. Дополнительно применяется программно управляемая организация потоков данных, позволяющая уменьшать избыточные перемещения информации между вычислениями, памятью и сетью. Это пример совместного проектирования аппаратного обеспечения и программного слоя под конкретные сценарии использования ИИ.

Microsoft раскрыла и параметры памяти новой системы. Один ускоритель Maia 300 оснащается восемью стеками HBM4 с заявленной пиковой пропускной способностью 18 ТБ/с и тепловым пакетом 950 Вт. Поддерживаются форматы вычислений пониженной точности, включая MXFP4, чтобы сокращать потребление памяти при выполнении моделей и хранении промежуточных данных внимания. Полная серверная стойка объединяет 96 ускорителей, располагает 27,6 ТБ памяти HBM и обеспечивает совокупную пропускную способность памяти 1,7 ПБ/с при мощности около 167 кВт. Для обмена информацией между ускорителями Microsoft использует специализированную сетевую архитектуру на основе Ethernet. Эти характеристики важны при развёртывании крупных моделей на множестве устройств: ограничением становится не только вычислительная мощность отдельного чипа, но и способность всей системы быстро обмениваться данными. При этом спецификации и ожидаемая производительность отражают заявления производителя, а не опубликованные независимые сравнительные испытания.

Для рынка событие показывает усиление вертикальной интеграции крупных облачных компаний: Microsoft стремится самостоятельно проектировать ускорители, серверные стойки, сетевые соединения и программные средства выполнения моделей. Уже используемая в производственных нагрузках Maia 200 обслуживает, в частности, Microsoft Copilot; компания сообщает о преимуществе до 1,7 раза по количеству токенов на ватт в отдельных сценариях по сравнению с ведущей инфраструктурой на графических ускорителях. Maia 300 должна развить этот подход для более сложных ИИ-агентов и моделей с длинным контекстом. Для разработчиков и корпоративных заказчиков последствия могут проявиться в стоимости генерации, доступной производительности, задержке ответов и масштабируемости сервисов, но конкретных новых тарифов Microsoft в объявлении не представила. Главный технический вывод заключается в том, что следующая стадия конкуренции в ИИ разворачивается не только между моделями, но и между архитектурами их промышленного исполнения. Экономические преимущества Maia 300 предстоит проверить после начала эксплуатации в 2027 году.

Источник: blogs.microsoft.com

Финансы

Tencent готовит новый выпуск облигаций: расходы на инфраструктуру ИИ превысили 96 млрд юаней за полгода

12 октября китайская технологическая группа Tencent официально объявила о подготовке международного размещения облигаций в рамках действующей глобальной программы среднесрочных долговых обязательств. Компания планирует предложить ценные бумаги профессиональным инвесторам, чтобы воспользоваться возможностями международного долгового рынка. Одновременно Tencent раскрыла расширенную финансовую информацию, позволяющую оценить масштабы её инвестиций в инфраструктуру и искусственный интеллект. Важнейшее уточнение: на дату объявления компания ещё не заключила обязательного соглашения о размещении. Окончательные параметры выпуска, объём привлечённых средств, сроки обращения и стоимость заимствований не были утверждены. Таким образом, речь идёт о подтверждённом начале процедуры финансирования, а не об уже состоявшемся привлечении капитала.

Масштаб капитальных затрат объясняет экономический контекст решения. Согласно официальным данным Tencent, за первое полугодие 2026 года капитальные расходы составили 96,3 млрд юаней против 45,9 млрд юаней за аналогичный период 2025 года. В эту категорию входят инвестиции в вычислительное оборудование, программное обеспечение, центры обработки данных, недвижимость и интеллектуальную собственность. Поэтому всю сумму нельзя автоматически относить исключительно к искусственному интеллекту. Однако в документе Tencent прямо указывает, что продолжает развивать инфраструктуру ИИ, генеративные и агентные технологии, а также внедрять интеллектуальные функции в рекламу, игры и корпоративные сервисы. Увеличение капитальных вложений более чем вдвое показывает, насколько ресурсоёмким стало развитие технологической платформы компании.

Финансовые результаты раскрывают одновременно возможности и издержки расширения. Выручка Tencent за шесть месяцев, завершившихся 30 июня 2026 года, достигла 401,2 млрд юаней, а валовая прибыль составила 229,7 млрд юаней. Валовая рентабельность повысилась с 56% до 57% относительно соответствующего периода прошлого года. При этом компания отмечает рост амортизации оборудования и эксплуатационных расходов, связанных с расширением инфраструктуры ИИ. Дополнительные затраты частично компенсируются развитием более прибыльных направлений, включая рекламу и собственные игры. Финансовые показатели демонстрируют, что инвестиции в ИИ необходимо рассматривать вместе с расходами на обслуживание вычислительных мощностей, а не только через ожидаемый рост спроса на интеллектуальные продукты. По состоянию на 30 июня совокупные заимствования Tencent составляли около 298,9 млрд юаней, что подчёркивает значение управления долговой нагрузкой.

Для глобального рынка ИИ событие иллюстрирует переход крупнейших технологических компаний к капиталоёмкой модели развития, в которой конкурентоспособность зависит от доступности вычислений, стоимости финансирования и способности превращать инфраструктурные расходы в прибыльные продукты. Tencent использует ИИ для совершенствования рекомендаций, маркетинга, игр, облачных услуг и корпоративных решений. Однако увеличение вычислительных мощностей не гарантирует соответствующего роста доходов: необходимо учитывать амортизацию, стоимость энергии, обслуживание оборудования и процентные расходы. В отличие от сообщений 9 октября о возможном создании SoftBank инвестиционного фонда объёмом до $100 млрд, здесь имеется прямое биржевое объявление Tencent о конкретной процедуре предполагаемого выпуска облигаций и раскрытие подтверждённых исторических финансовых показателей. Дальнейшие условия финансирования остаются неопределёнными и должны оцениваться только после официального утверждения размещения.

Источник: www.tencent.com

Инструменты и интеграции

GitHub разрешила компаниям отслеживать работу ИИ-агентов без записи переписки и программного кода

12 октября GitHub объявила о новых возможностях корпоративного контроля GitHub Copilot. Администраторы получили механизм, позволяющий связывать технические события работы ИИ-помощника с конкретным пользователем, не включая обязательную запись запросов, ответов и содержимого используемых инструментов. Изменение реализовано через корпоративные управляемые настройки и систему телеметрии OpenTelemetry. Ранее при организации наблюдения за действиями помощника компаниям приходилось отдельно решать проблему сопоставления технических событий с сотрудниками и защиты информации, проходящей через агентные инструменты. Новая настройка позволяет включать идентификацию независимо от регистрации содержимого переписки. Это уже опубликованное улучшение корпоративных инструментов, а не анонс будущей системы аудита. Однако само появление настройки не означает, что все организации автоматически начали собирать такие сведения.

Ключевое нововведение — параметр telemetry.capture.identity. При его включении в данные OpenTelemetry добавляются три атрибута: user.name, содержащий имя авторизованной учётной записи GitHub; process.user.name, указывающий локального пользователя операционной системы; и host.name, определяющий компьютер, на котором выполняется клиент. Таким образом, организация может сопоставлять работу помощника с пользователем и устройством. По умолчанию сбор этих идентификаторов отключён. Он также не заменяет существующий псевдонимный идентификатор пользователя, а работает отдельно от него. Это важное различие для организаций, которым необходимо анализировать использование корпоративного ИИ без избыточного накопления исходных сообщений и внутренних документов. При этом имена пользователей и компьютеров сами по себе могут относиться к чувствительной служебной информации, поэтому их сбор также требует обоснования и надлежащей защиты.

Второе изменение — раздельное управление пятью категориями регистрируемых данных. Категория prompts включает запросы пользователя, системные и разработческие инструкции и поддерживаемый входной контекст. Responses позволяет сохранять ответы помощника и доступные сведения о рассуждениях. ToolArguments охватывает аргументы вызовов, команды, схемы инструментов и идентификаторы серверов MCP, подключений и обработчиков. ToolOutput относится к результатам работы инструментов и сведениям об ошибках выполнения. PolicyDetail позволяет регистрировать подробности применённых политик, включая отдельные пути файловой системы. Каждая категория по умолчанию отключена. Корпоративные настройки имеют приоритет над локальными параметрами, конфигурацией SDK и переменными окружения. Тонкие настройки доступны для Copilot CLI, приложения GitHub Copilot и сеансов Visual Studio Code с Agent Host. Прежний параметр captureContent сохранён для совместимости, но не включает сбор идентификационных атрибутов.

Для финансовых организаций, разработчиков корпоративного программного обеспечения и интеграторов событие существенно потому, что наблюдаемость ИИ-агентов становится отдельным управляемым инструментом. Можно регистрировать техническую активность и идентификаторы пользователей без обязательного сохранения исходных финансовых документов, программного кода или содержания диалогов. Если для расследования инцидента требуются подробные аргументы вызовов и ответы инструментов, такие категории можно разрешать отдельно. Однако GitHub предупреждает, что расширенная телеметрия способна содержать исходный код, содержимое файлов, команды и пути пользовательских профилей. Поэтому данные необходимо направлять только в утверждённые системы сбора, ограничивать срок хранения и разграничивать доступ. Новые функции не являются полноценной системой предотвращения запрещённых операций и не заменяют независимую проверку полномочий. В отличие от обновления Copilot для JetBrains от 10 октября, касавшегося выбора моделей и запуска MCP-серверов, событие 12 октября посвящено именно корпоративному наблюдению, идентификации и управлению содержимым журналов. Его практическая ценность будет определяться качеством настройки, полнотой технических событий и тем, насколько организации смогут сочетать расследование ошибок с защитой конфиденциальных данных.

Источник: github.blog

Возможности для бизнеса

ИИ-помощник для сопровождения корпоративных интеграций

Пилот Mashreq и IBM показывает коммерческий потенциал искусственного интеллекта в сопровождении программных интеграций. Банк сообщает о сокращении времени отдельных инженерных работ на 60–70%, но этот показатель получен в предварительных испытаниях и не гарантирован другим организациям. Предприятия с несколькими внутренними системами регулярно сталкиваются с ошибками обмена данными, несоответствием программных интерфейсов и сложной диагностикой отказов. Для небольшого разработчика перспективнее создать специализированного помощника для поиска причин таких проблем, чем разрабатывать собственную универсальную платформу автоматизации. Потенциальные заказчики — интеграторы, сервисные компании, банки и предприятия с несколькими учётными системами.

Реальный MVP можно ограничить диагностикой одной интеграции между двумя приложениями. Система получает доступ только на чтение к журналам обмена, описаниям API и утверждённым техническим инструкциям. Сотрудник задаёт вопрос на русском языке, например о причине отклонения документа или несоответствия реквизитов. Помощник сопоставляет сообщения об ошибках с документацией, определяет вероятные причины и предлагает последовательность проверок. Каждый ответ должен содержать ссылки на конкретные записи журнала и разделы инструкций. Изменение настроек и повторная отправка документов остаются за инженером. Для пилота достаточно одной интеграции, обезличенных журналов и 50 ранее разобранных инцидентов.

Экономическую эффективность следует оценивать по времени локализации неисправности, точности выявления причины, числу ошибочных рекомендаций и стоимости обработки инцидента. Отдельно необходимо проверять случаи, когда исходных данных недостаточно: помощник должен сообщать об ограничениях, а не придумывать объяснение. Коммерческое предложение может включать первоначальную настройку источников, подготовку технической базы знаний и ежемесячное сопровождение. После успешной проверки можно подключать новые системы и типы ошибок. Важно не смешивать автоматизированную диагностику с полноценным автономным исправлением производственной инфраструктуры.

Источник: https://mea.newsroom.ibm.com/mashreq-pilots-ibm-bob-to-advance-agentic-ai-for-integration-engineering

Контролируемая память для корпоративных ИИ-помощников

Представленные Meta механизмы Active Memory и Active Focus обозначают перспективное направление прикладных продуктов: сохранение рабочего контекста между обращениями и продолжение многоэтапных задач. Однако выпуск Muse Wonder не означает, что долговременная память стала полностью точной и безопасной. В организациях сотрудникам часто приходится заново объяснять структуру проекта, принятые решения, определения показателей и ограничения. Потенциальный продукт — специализированная память корпоративного помощника, которая сохраняет только утверждённые сведения, фиксирует их происхождение и позволяет управлять актуальностью. Создавать собственную фундаментальную модель для этого не требуется.

MVP можно построить для одного подразделения и одного процесса, например подготовки управленческих отчётов. В системе хранятся согласованные определения показателей, разрешённые источники данных, версии инструкций и утверждённые решения. При новом обращении помощник извлекает подходящий контекст и показывает, какие сохранённые записи повлияли на ответ. Каждая запись содержит источник, дату утверждения, ответственного сотрудника и срок актуальности. Предположения модели не становятся постоянной памятью без человеческого подтверждения. Первая версия поддерживает поиск, создание, исправление, архивирование записей и просмотр истории изменений. Доступ к сведениям разграничивается по пользователям и подразделениям.

Пилот следует проверять на 30–50 повторяющихся заданиях, часть которых требует сохранённого контекста, а часть содержит намеренно устаревшие или противоречивые сведения. Основные показатели — точность восстановления информации, количество ошибочных ссылок на память, экономия времени и частота использования неактуальных записей. Коммерческая модель может сочетать настройку внутренней базы знаний с оплатой сопровождения и контроля версий. Важнейшее ограничение — конфиденциальность: персональные данные и закрытые документы нельзя сохранять без определённой цели, законного основания и необходимых разрешений. Продукт должен оставаться узким, проверяемым и управляемым человеком.

Источник: https://about.fb.com/news/2026/10/introducing-muse-wonder-models/

Журнал действий ИИ-агентов без обязательной записи переписки

Обновление GitHub Copilot и объявленные меры британского правительства показывают растущую потребность в контроле действий автономных ИИ-систем. GitHub представила раздельные настройки идентификации пользователей и регистрации содержимого запросов, ответов и вызовов инструментов. Великобритания одновременно усиливает подготовку к серьёзным инцидентам с участием ИИ-агентов. Для бизнеса возникает практическая задача: установить, кто запустил агента, к каким системам тот обращался и чем закончились операции, не сохраняя без необходимости исходный код, финансовые документы и конфиденциальные разговоры. Потенциальные покупатели — разработчики корпоративных агентов, финансовые учреждения и организации с внутренними интеграциями.

MVP представляет собой небольшой шлюз между корпоративным агентом и ограниченным набором разрешённых инструментов. Каждое обращение регистрируется с идентификатором пользователя, временем, названием операции, результатом и техническим кодом ошибки. Содержание документов и переписки по умолчанию не записывается. Перед выполнением чувствительных операций шлюз независимо проверяет полномочия вызывающего сервиса и при необходимости требует подтверждения сотрудника. Панель управления показывает историю вызовов, причины блокировок и сведения об ошибках. Администратор выбирает категории собираемой информации и сроки хранения. Первую версию можно ограничить одним сервером MCP и тремя типами операций: чтение, подготовка изменения и подтверждённое изменение.

Испытания проводятся на заранее подготовленных разрешённых и запрещённых сценариях. Критерии приёмки — полнота журнала, обнаружение неразрешённых операций, число ложных блокировок, дополнительная задержка и отсутствие чувствительного содержимого в стандартных записях. Необходимо отдельно проверить отказ шлюза: операция без подтверждённых полномочий не должна выполняться автоматически. Продукт нельзя представлять как универсальную защиту от всех рисков ИИ: он контролирует только подключённые инструменты и дополняет действующие меры информационной безопасности. Коммерческий запуск разумно начинать с одного заказчика и расширять набор интеграций после подтверждения работоспособности.

Источник: https://github.blog/changelog/2026-10-12-client-telemetry-user-attribution-and-configurable-capture/