ИИ новости: 14 октября 2026

Фундаментальные тренды

Microsoft научила ИИ исправлять ошибки прогнозов погоды на шесть недель вперёд

14 октября в научном журнале Nature опубликовано исследование международной группы учёных при участии Microsoft Research, посвящённое повышению точности прогнозов погоды на срок от двух до шести недель. Авторы представили метод Probabilistic Bias Correction (PBC) — вероятностную коррекцию систематических ошибок с помощью машинного обучения. Главное отличие подхода заключается в том, что исследователи не пытаются заменить существующие метеорологические модели новой нейросетью. Вместо этого PBC анализирует ошибки предыдущих прогнозов и корректирует вероятностные оценки уже работающих систем. Это особенно важно для периода от двух до шести недель, когда точность традиционных физических и современных ИИ-моделей заметно снижается из-за накопления ошибок и сложного взаимодействия атмосферных процессов. Событием 14 октября стала публикация результатов в Nature; отдельные материалы исследования были доступны ранее.

В работе участвовали специалисты Microsoft Research и исследователи из других научных организаций. Авторы проверяли метод на моделях Европейского центра среднесрочных прогнозов погоды (ECMWF), включая физические модели атмосферы и систему прогнозирования на основе искусственного интеллекта. Согласно опубликованным результатам, применение PBC улучшило качество прогнозов относительно стандартной процедуры коррекции ECMWF для 98% исследованных целей по осадкам, 92% по температуре и 91% по атмосферному давлению. При использовании с ИИ-системой прогнозирования ECMWF исследователи также сообщили об удвоении её исходного, сравнительно небольшого показателя качества прогнозов на рассматриваемых сроках. Эти проценты нельзя трактовать как вероятность того, что конкретный прогноз окажется верным, или как сокращение всех ошибок погоды на соответствующую величину. Речь идёт о доле оцениваемых географических точек и показателей, для которых улучшилась принятая исследователями статистическая метрика.

Технологически PBC работает с вероятностными распределениями прогнозируемых значений. Например, метеорологическая модель оценивает вероятность различных температур или количества осадков через несколько недель. Алгоритм изучает исторические прогнозы и реальные наблюдения, чтобы определить устойчивые искажения таких распределений. Затем специальные компоненты Debias++ и Persistence++ формируют дополнительные поправки, которые объединяются в итоговую вероятностную оценку. Это позволяет корректировать не только ожидаемое значение показателя, но и неопределённость прогноза. В отличие от крупной генеративной модели, метод не требует создания всей метеорологической системы с нуля и рассчитан на использование поверх существующих прогнозов. Его вычислительная экономичность потенциально облегчает внедрение организациями, у которых нет собственного крупного центра обработки данных.

Дополнительным подтверждением практической применимости стало участие исследовательской команды в международном соревновании ECMWF AI Weather Quest, проходившем в 2025 году. В опубликованной работе авторы сообщают, что их система, использующая вероятностную коррекцию, показала лучшие результаты среди участников по всем рассматриваемым погодным переменным и срокам прогнозирования. Она превзошла представленные системы шести действующих прогностических центров, международный ансамбль физических моделей, ИИ-систему ECMWF и решения других команд. Однако победа в соревновании не означает, что метод уже повсеместно внедрён национальными метеослужбами. Авторы подчёркивают возможность операционного применения, но фактическая эффективность зависит от качества исходных прогнозов, региональных особенностей климата и корректности исторических данных. Для экстремальных и редких погодных событий независимая проверка особенно важна.

Фундаментальное значение исследования состоит в демонстрации нового способа повышать полезность научных моделей с помощью ИИ. Вместо бесконечного увеличения вычислительных ресурсов можно изучать систематические ошибки уже существующих систем и исправлять их более лёгкими алгоритмами. Для сельского хозяйства улучшение прогнозов на несколько недель потенциально означает более обоснованные решения о посеве и поливе, для энергетики — о планировании потребления и генерации, а для служб предупреждения бедствий — о подготовке к неблагоприятным погодным условиям. При этом долгосрочный прогноз остаётся вероятностным: даже улучшенная модель не способна с полной уверенностью назвать погоду в конкретный день через шесть недель. Событие отличается от недавних выпусков универсальных моделей Google и Meta: здесь ИИ продемонстрировал прикладное научное улучшение существующей технологии на основании опубликованного исследования и сравнительных испытаний.

Источник: www.nature.com

Риски и контроль

Anthropic обнаружила опасную лазейку: ИИ распознаёт вредоносный запрос, но может пропустить целую кампанию

14 октября Anthropic опубликовала результаты проверки защиты Claude от вмешательства в выборы и политических манипуляций. Исследование, проведённое совместно с независимыми организациями Institute for Strategic Dialogue и McCain Institute, выявило важную слабость современных механизмов безопасности ИИ. Модель достаточно надёжно отклоняла прямые запросы на участие в обманных политических кампаниях, распространение дезинформации и другие запрещённые действия. Однако при разбиении одной вредоносной кампании на множество небольших запросов, каждый из которых выглядел относительно безобидно, система не всегда распознавала общий замысел. Это не гипотетическая угроза, а результат целенаправленных испытаний, о котором сообщил разработчик. Вместе с тем исследование не означает, что любая многоэтапная атака обязательно окажется успешной или что Claude систематически выполняет все запросы злоумышленников.

Независимые специалисты проверяли защиту в контексте выборов в США, Израиле и Бразилии. Испытания включали как прямые попытки получить запрещённую помощь, так и последовательности отдельных задач: исследование аудитории, создание информационных сайтов, подготовку материалов и планирование их распространения. По отдельности некоторые действия могут использоваться в законной журналистской, исследовательской или общественной работе. Однако в составе скрытой кампании они способны обслуживать распространение ложной информации и вводить избирателей в заблуждение. Именно здесь проявляется ограничение проверки безопасности каждого запроса по отдельности. Для правильной оценки системе нужно учитывать последовательность операций, их взаимосвязь и возможную конечную цель. Anthropic сообщает, что по результатам испытаний добавила классификаторы для выявления новых видов многоэтапного злоупотребления, включая создание поддельных политических аккаунтов и сайтов, а также схемы финансового мошенничества на теме выборов.

Компания также раскрыла статистику использования Claude в политических разговорах. Anthropic проанализировала случайную выборку примерно из 250 тысяч пользовательских диалогов Claude.ai в США за неделю с 21 по 27 сентября 2026 года. По её оценке, около 5,75% разговоров касались политики, государственной политики или общественных вопросов, 0,51% — непосредственно выборов и голосования, а просьбы рекомендовать конкретного кандидата или вариант голосования встречались примерно в 0,01% всех диалогов. Запросы, нарушавшие правила избирательной добросовестности, составляли около 0,002% в отдельной выборке аналогичного размера. Эти показатели относятся к наблюдаемому использованию конкретного сервиса и не описывают весь рынок ИИ. Низкая доля запрещённых запросов также не означает отсутствия организованных кампаний: одна группа злоумышленников может создавать множество технически нейтральных обращений.

Практические расследования подтвердили, что опасность не ограничивается лабораторными сценариями. По сообщению Anthropic, операторы поддельного новостного сайта, находившиеся за пределами США, использовали Claude для подготовки материалов об американских промежуточных выборах, продвигавших нарративы в пользу России, Ирана и Северной Кореи. Компания также обнаружила попытки создавать сфабрикованные политические новости ради привлечения американской аудитории и получения рекламных доходов. Учётные записи участников этих операций были заблокированы. При этом сам факт обнаружения такой активности не доказывает, что соответствующие публикации достигли широкой аудитории или повлияли на результаты голосования. Anthropic сообщает об усилении обнаружения злоупотреблений со стороны иностранных государственных структур и расширении киберзащиты избирательной инфраструктуры и кампаний. Эти меры являются ответом на выявленные риски, но их эффективность против всех будущих схем пока не установлена.

Для мировой индустрии ИИ значение публикации выходит далеко за пределы выборов. Похожая проблема возникает в корпоративных агентах, которые выполняют длинные цепочки действий через документы, браузеры, внешние сервисы и программные инструменты. Если каждая операция кажется допустимой, локальная проверка может не заметить, что их совокупность приводит к запрещённому результату. Поэтому организациям необходимо оценивать не только отдельные команды, но и историю действий, сочетание полученных полномочий, происхождение данных и последствия всей операции. Объявление 14 октября отличается от сообщения Anthropic о непреднамеренных действиях Claude от 9 октября: теперь речь идёт о результатах специальных испытаний против координированного политического злоупотребления и о выявленных реальных операциях. Главный вывод — защита ИИ должна понимать контекст многоэтапной деятельности, а не ограничиваться фильтрацией отдельных сообщений.

Источник: www.anthropic.com

Где ИИ становится продуктом

В Европе ИИ-агенты заняли более половины объёма ответов корпоративного ChatGPT

14 октября OpenAI опубликовала исследование The EU’s next chapter in AI is agentic, посвящённое реальному использованию ИИ-агентов европейскими компаниями. Аналитики OpenAI Economic Research изучили, как предприятия и малый бизнес переходят от обычных диалогов с нейросетью к инструментам, способным выполнять многоэтапные задания. Согласно опубликованным результатам, в европейской выборке корпоративных клиентов ChatGPT на Codex и ChatGPT Work приходится более половины выходных токенов — объёма текста и других результатов, генерируемых системой. Это важный показатель изменения характера использования ИИ: компании всё чаще поручают ему не только отвечать на вопросы, но и выполнять практическую работу. Однако долю выходных токенов нельзя отождествлять с долей автоматизированных бизнес-процессов, количеством успешно завершённых задач или экономическим эффектом от внедрения.

Особенно быстро растёт применение агентных инструментов в небольших компаниях. OpenAI определяет малый и средний бизнес для данного исследования как организации, с которыми связано не более 200 пользователей. С мая 2026 года число еженедельно активных пользователей Codex и ChatGPT Work среди таких организаций в Евросоюзе увеличилось в 8,1 раза. Рост наблюдался во всех государствах — членах ЕС, хотя интенсивность применения заметно различается. Это изменение показывает, что переход к агентным инструментам не ограничивается крупнейшими корпорациями с собственными исследовательскими подразделениями. Небольшие команды также начинают использовать ИИ для задач, которые требуют последовательного выполнения действий, работы с материалами и получения готового результата. Вместе с тем быстрый относительный рост не раскрывает абсолютное число новых пользователей и не позволяет определить, сколько организаций уже перевели критически важные процессы на автономное выполнение.

Исследование выявило существенные различия между европейскими странами. Среди рассмотренных корпоративных аккаунтов доля выходных токенов, создаваемых через Codex и ChatGPT Work, составляла от 22% в Словении до 85% в Литве. Это не национальные показатели всего рынка ИИ и не доля населения, использующего агентов: речь идёт исключительно о выбранных аккаунтах клиентов OpenAI. Различия показывают, насколько неодинаково предприятия применяют один и тот же набор технологий. В одних организациях ИИ может оставаться преимущественно средством получения ответов, тогда как в других на первый план выходят программирование и выполнение продолжительных заданий. При этом сравнение по токенам требует осторожности: разные виды работы расходуют неодинаковый объём вычислительных ресурсов, поэтому высокая доля токенов не обязательно означает более высокую производительность сотрудников.

Отдельная часть отчёта посвящена наиболее интенсивным корпоративным пользователям. К передовым компаниям исследователи отнесли верхние 10% организаций по количеству выходных токенов на активного пользователя. В сентябре 2026 года такие европейские компании генерировали более чем в четыре раза больше токенов на пользователя, чем типичные предприятия ЕС в исследованной выборке. Однако аналогичная группа передовых компаний за пределами Евросоюза превосходила европейских лидеров более чем вдвое. На компании из ЕС приходилось только около 10% глобальной группы наиболее интенсивных пользователей. Эти сопоставления не доказывают, что европейские предприятия менее эффективны экономически: показатель отражает интенсивность использования инструментов OpenAI, а не выручку, прибыль или производительность труда. Тем не менее он позволяет увидеть различия в глубине освоения агентных технологий.

Практическое значение публикации состоит в том, что корпоративное использование ИИ становится предметом количественного анализа, а не только отдельных историй успешного внедрения. Для разработчиков программного обеспечения, консультантов и интеграторов это сигнал о растущем спросе на системы, выполняющие законченные рабочие задания: подготовку материалов, анализ документов, программирование и автоматизацию повторяющихся операций. Для руководителей компаний возникает задача отличать популярность инструмента от измеримой пользы. Оценивать следует не только количество запросов и токенов, но и время выполнения процессов, частоту ошибок, стоимость операций, необходимость человеческих исправлений и соблюдение корпоративных правил. В отличие от новости 13 октября о видеопроизводстве Higgsfield, здесь речь идёт не об одном примере внедрения, а об агрегированных данных использования агентных инструментов европейскими организациями. Главный вывод исследования — агентный ИИ уже занимает значимое место в работе клиентов OpenAI в Евросоюзе, однако степень зрелости применения и экономические результаты существенно различаются.

Источник: openai.com

Архитектура и технологии внедрения

NVIDIA и Siemens повысили надёжность инженерного ИИ с 55% до 95%, сократив число действий на 66%

14 октября NVIDIA опубликовала технические результаты совместной работы с Siemens по повышению надёжности ИИ-агентов, используемых при проектировании микросхем. Инженеры применили открытую библиотеку NVIDIA NeMo Gym для испытаний и оптимизации агента Siemens Fuse EDA AI Agent. В опубликованном сравнении средний совокупный показатель проверки результатов вырос приблизительно с 55% до 95%, а количество шагов агента сократилось со 155 до 53 — примерно на 66%. Одновременно объём генерируемых токенов уменьшился с 81 тысячи до 29 тысяч. Это результаты конкретного инженерного испытания, а не доказательство того, что любые ИИ-агенты стали на 95% надёжными. Событие относится к архитектуре разработки и проверки агентных систем: исследователи улучшали прежде всего организацию работы модели с инструментами, а не создавали новую фундаментальную нейросеть.

Проверяемая задача была связана с характеристикой стандартных логических ячеек, из которых проектируются полупроводниковые устройства. Для проектирования микросхем необходимы точные сведения о задержках сигналов, энергопотреблении и поведении элементов при различных условиях эксплуатации. Эти данные сохраняются в файлах формата Liberty. Агент Siemens управлял специализированными инструментами Solido Characterization Suite, выполняя настройку расчётов, моделирование транзисторных схем, обработку результатов и подготовку итоговых файлов. Проблема заключалась в том, что промежуточная операция могла выглядеть успешной, хотя содержала неверные параметры или пропущенные данные. Ошибка, допущенная в начале многоэтапного процесса, затем распространялась на последующие вычисления и могла привести к технически правдоподобному, но непригодному результату. Именно такие незаметные отказы затрудняют промышленное применение автономных инженерных помощников.

Для выявления проблем команда создала в NeMo Gym контролируемую среду испытаний. Каждый запуск выполнялся с определённым состоянием, набором инструментов и независимым проверяющим механизмом. Итоговый файл оценивался по пяти критериям: полноте охвата требуемых логических ячеек и условий, корректности формата, отсутствию дополнительных ошибок относительно эталона, точности числовых значений и целостности результата. Если не выполнялось хотя бы одно обязательное условие, итоговая оценка обнулялась. Такой подход препятствовал ситуации, когда агент получал высокий балл за частично правильный результат, содержащий критические пропуски. Инженеры анализировали последовательности вызовов инструментов, выявляли неоднозначные инструкции и исправляли описания функций, доступных агенту через протокол MCP. В частности, они упрощали пересекающиеся интерфейсы работы с файлами и командами, а также вводили более явные схемы аргументов.

Для сравнения использовался открытый комплект проектирования полупроводников GF180MCU. Полный набор включал 229 стандартных логических ячеек и 36 сочетаний технологических, температурных и электрических условий. Однако каждый испытательный запуск ограничивался двумя ячейками при 36 условиях: именно на этой уменьшенной задаче проводилась оптимизация поведения агента. Команда выполнила приблизительно 25 запусков продолжительностью от полутора до двух часов. Во всех сравнительных испытаниях использовалась одна и та же модель Claude Opus 4.8 в среде Claude Code, что позволило оценивать влияние изменений инструментального окружения. После переработки инструкций и описаний инструментов средний совокупный показатель проверки увеличился примерно с 55% до 95%. Число шагов сократилось на 66%, а количество выходных токенов — приблизительно на 64%. Эти проценты относятся к опубликованному испытательному набору и не должны автоматически переноситься на другие модели, задачи и производственные условия.

Для мировой индустрии ИИ работа демонстрирует важный принцип: повышение качества автономного агента возможно без замены базовой модели на более мощную. Иногда основное ограничение связано с тем, как агент выбирает инструменты, понимает их параметры, проверяет промежуточные действия и подтверждает пригодность конечного результата. Метод применим не только к проектированию полупроводников, но потенциально и к инженерному моделированию, корпоративным интеграциям, анализу данных и автоматизированной разработке программного обеспечения. Однако для каждого нового направления потребуется собственный механизм проверки правильности итогового результата. В отличие от открытия исходного кода Run:ai 13 октября, посвящённого распределению графических ускорителей, публикация 14 октября касается надёжности и экономичности выполнения агентных задач. Главный технический вывод заключается в том, что эффективная инфраструктура ИИ включает не только вычислительные мощности и модель, но и проверяемые инструменты, воспроизводимые испытания и строгую оценку конечных результатов.

Источник: developer.nvidia.com

Финансы

Британская Salience Labs привлекла $125 млн на оптические чипы для ускорения центров обработки ИИ

14 октября британская Salience Labs объявила о завершении инвестиционного раунда серии B на 125 млн долларов. Компания из Оксфорда разрабатывает оптические коммутаторы для центров обработки данных искусственного интеллекта. Раунд возглавила Bullhound Capital, а среди стратегических инвесторов оказались AMD Ventures и Intel Capital. Британский государственный банк развития British Business Bank подтвердил собственное вложение в размере 10 млн фунтов стерлингов. В финансировании также участвовали SBI Group, Hudson River Trading и действующие инвесторы компании. Это завершённый раунд привлечения капитала, а не предварительные переговоры или объявление о намерении получить средства. Важно, что речь идёт об инвестициях в инфраструктурную технологию, а не в разработку очередной универсальной языковой модели.

Salience Labs работает над одной из ключевых инженерных проблем современных ИИ-кластеров: передачей данных между графическими ускорителями. Большие модели обучаются и выполняются одновременно на множестве процессоров, которым необходимо постоянно обмениваться информацией. Даже если отдельный ускоритель обладает высокой вычислительной мощностью, недостаточная пропускная способность соединений и задержки передачи могут ограничивать производительность всей системы. Традиционные сетевые решения требуют значительных затрат энергии и дополнительных преобразований сигналов. Salience Labs предлагает оптическую коммутацию, в которой свет используется для организации высокоскоростных соединений внутри вычислительной инфраструктуры. Компания заявляет, что её технология может уменьшать задержки, энергопотребление и стоимость сетевого обмена. Однако опубликованное инвестиционное сообщение не содержит независимых результатов сравнения на конкретных производственных кластерах.

Технология Salience Labs выросла из исследований Оксфордского университета и Университета Мюнстера. Компания основана в 2021 году и специализируется на интегрированных фотонных устройствах для сетей центров обработки данных. По объяснению разработчиков, оптическая коммутация позволяет создавать соединения между вычислительными узлами без необходимости выполнять все операции традиционными электронными средствами. Особенно перспективным считается применение таких компонентов там, где графические процессоры взаимодействуют в масштабных распределённых системах. Генеральный директор и сооснователь Salience Labs Вайш Кевада подчёркивает важность перехода к массовому производству интегрированных оптических коммутаторов. Это отличает разработку от обычного программного инструмента оптимизации: для масштабирования требуются изготовление физических микросхем, их испытания, интеграция в сетевое оборудование и согласование с архитектурой центров обработки данных.

Полученные 125 млн долларов компания намерена направить на ускорение внедрения оптической коммутации, увеличение объёмов производства и расширение присутствия в США. Участие AMD Ventures и Intel Capital свидетельствует об интересе крупных представителей полупроводниковой индустрии к новым технологиям соединения ускорителей. Однако инвестиции стратегических фондов сами по себе не означают, что AMD или Intel уже заключили обязательные контракты на массовые закупки продукции Salience Labs. Аналогично участие государственного British Business Bank подтверждает финансирование проекта, но не гарантирует его коммерческий успех. Важными следующими этапами станут подтверждение производственных характеристик, надёжности устройств, себестоимости массового выпуска и совместимости с существующим оборудованием. В опубликованном сообщении не раскрываются новая оценка компании, текущая выручка и объёмы заключённых заказов, поэтому делать выводы о её прибыльности преждевременно.

Для мирового рынка искусственного интеллекта сделка показывает, что инвестиционный интерес распространяется за пределы самих графических процессоров. По мере увеличения размеров вычислительных кластеров стоимость и эффективность сетевых соединений становятся самостоятельным фактором экономики ИИ. Если ускорители значительную часть времени ожидают обмена данными, приобретение дополнительных чипов не обязательно даёт пропорциональный прирост производительности. Оптические коммутаторы потенциально помогают устранить часть таких ограничений, но экономический эффект необходимо оценивать на реальных рабочих нагрузках. Событие отличается от объявления NVIDIA об открытии Run:ai 13 октября: Run:ai занимается программным распределением вычислительных ресурсов, а Salience Labs разрабатывает физический сетевой компонент. Главный финансовый вывод — инвесторы готовы направлять значительный капитал в узкоспециализированные аппаратные технологии, способные повысить эффективность инфраструктуры ИИ без обязательного увеличения количества вычислительных ускорителей.

Источник: www.british-business-bank.co.uk

Инструменты и интеграции

Conga подключила корпоративные договоры и цены к ИИ-помощникам: более 90 инструментов и 19 навыков

14 октября компания Conga представила октябрьское обновление корпоративной платформы Conga Advantage Platform, объединяющей управление договорами, коммерческими предложениями, ценами и документами. Одним из центральных нововведений стал Conga MCP Server — сервер интеграции на основе протокола Model Context Protocol, позволяющий обращаться к коммерческой информации компании из внешних ИИ-помощников. Разработчик прямо называет Microsoft Copilot, Claude и другие совместимые системы. Сотрудники могут задавать вопросы о договорах, ценовых предложениях, обязательствах и согласованиях на естественном языке, оставаясь в привычном рабочем интерфейсе. Одновременно Conga расширила собственного корпоративного помощника AiMe: компания сообщает о более чем 90 инструментах и 19 навыках, предназначенных для работы с коммерческими процессами. Это объявление о возможностях обновлённой продуктовой платформы, а не результат независимого исследования экономии времени или доказательство успешного внедрения у всех клиентов.

Технически Conga разделяет две функции. AiMe предоставляет интеллектуальные операции внутри самой платформы: поиск информации, анализ условий договоров, проверку соблюдения требований, прогнозирование, подготовку коммерческих предложений и создание шаблонов. Conga MCP Server решает другую задачу — делает сведения из корпоративной системы доступными внешним ИИ-помощникам через стандартизированный интерфейс. Например, сотрудник может обратиться к совместимому помощнику с вопросом о действующих обязательствах по договору или статусе согласования коммерческого предложения. Ответ формируется на основе информации, находящейся в Conga, вместо необходимости вручную открывать несколько отдельных приложений. Такой подход способен сократить число переключений между системами, но требует корректной настройки подключения, прав доступа и проверки достоверности ответов. Само наличие MCP-сервера не означает, что внешнему агенту автоматически разрешено изменять договоры или финансовые условия.

В управлении договорами Conga CLM обновление добавляет функции ИИ для поиска документов, анализа и редактирования договорных условий, мониторинга соблюдения требований и формирования библиотеки типовых положений. Компания также сообщает об интеграции с SAP Ariba, предназначенной для более согласованной работы закупочных и юридических подразделений. Дополнительно развиваются возможности портала поставщиков, через который контрагенты могут получать сведения о связанных с ними договорах. Отдельное направление — сотрудничество с GC AI: специализированная юридическая система помогает готовить и анализировать документы, а Conga CLM обеспечивает дальнейшее движение договора по корпоративным процедурам. Эти возможности демонстрируют превращение ИИ из отдельного инструмента поиска текста в часть последовательного процесса подготовки, проверки и согласования коммерческих документов. При этом окончательные юридические решения и утверждение обязательств должны оставаться в пределах полномочий ответственных сотрудников.

Для финансовых и коммерческих подразделений особенно важны изменения в управлении ценами. В Conga Price Optimization and Management представлена функция Time Series Forecasting, использующая исторические данные предприятия для прогнозирования спроса, затрат, выручки, загрузки и доступных мощностей. В системе подготовки коммерческих предложений Conga CPQ добавлены механизмы контроля цен на уровне всей сделки, а не только отдельных строк. Менеджеры получают возможность сопоставлять несколько вариантов предложений, учитывать скидки и программы вознаграждений и оценивать влияние условий на рентабельность до согласования. В автоматизации документов появился AiMe Template Generator, создающий повторно используемые шаблоны на основе существующих файлов Word и корпоративных данных. Совместное развитие этих функций направлено на сокращение ручных операций между продажами, финансами, закупками и юридическими подразделениями. Однако производитель не приводит в данном объявлении проверенных сравнительных показателей снижения затрат или роста прибыли.

Для мирового рынка значение события состоит в дальнейшем объединении корпоративных бизнес-систем с универсальными ИИ-помощниками через стандартизированные интерфейсы. Компании уже располагают договорами, каталогами цен, правилами согласования и финансовыми данными, но эти сведения часто распределены между несколькими приложениями. Conga предлагает использовать ИИ как единый способ обращения к такой информации и выполнения поддерживаемых операций. Перспективные сценарии включают поиск обязательств по контрактам, подготовку коммерческих предложений, выявление отклонений от ценовых правил и автоматизацию типовых документов. Главные ограничения связаны с качеством исходных данных, конфиденциальностью договоров, корректным разграничением полномочий и необходимостью подтверждения значимых действий человеком. В отличие от обновлений GitHub Copilot 12–13 октября, посвящённых телеметрии и соблюдению корпоративных настроек, событие Conga касается непосредственно интеграции ИИ в договорные, ценовые и финансовые процессы. Главный вывод — корпоративные ИИ-инструменты постепенно становятся интерфейсом к действующим бизнес-системам, а не заменой этих систем.

Источник: conga.com

Возможности для бизнеса

Проверяемые ИИ-агенты для инженерных и корпоративных задач

Совместное исследование NVIDIA и Siemens показывает перспективу сравнительно доступного бизнеса: повышения надёжности уже существующих ИИ-агентов без создания собственной фундаментальной модели. В конкретном испытании инженерного агента показатель проверки результатов вырос приблизительно с 55% до 95%, а количество шагов сократилось на 66%. Исследователи добились улучшения за счёт более точных инструкций, понятных описаний инструментов и строгой проверки конечных файлов. Для небольшого интегратора это важнее разработки универсального агента: предприятиям нужны решения, которые правильно выполняют ограниченный набор операций и позволяют подтвердить результат. Потенциальные заказчики — производственные предприятия, разработчики корпоративного программного обеспечения, инженерные организации и компании с большим количеством повторяющихся технических задач.

Начальный продукт можно ограничить проверкой одного действующего рабочего процесса. Например, агент анализирует журналы обмена между двумя корпоративными системами, находит причину ошибки и готовит рекомендации инженеру. Разработчик формирует набор из 50–100 ранее решённых задач с известными правильными ответами. Для каждой задачи определяется проверяемый результат: корректно найденная причина, правильный документ, отсутствие пропущенных реквизитов или соответствие установленным правилам. Затем записываются действия агента, вызовы инструментов, ошибки и итоговые ответы. На этой основе уточняются инструкции и схемы аргументов, удаляются дублирующие функции, вводятся ограничения доступа и независимые проверки результата. Опасные действия не выполняются автоматически без необходимых разрешений.

Коммерческую пользу следует оценивать по доле правильно завершённых задач, количеству ошибочных действий, времени выполнения, расходу токенов и числу вмешательств сотрудников. Первым предложением может стать платный аудит одного агента, затем проект по повышению его надёжности и регулярная проверка после изменений модели или инструментов. Необходимо отдельно испытывать ситуации, когда каждое действие выглядит допустимым, но их последовательность создаёт риск: такую проблему выявило исследование Anthropic. Поэтому продукт должен контролировать не только отдельные команды, но и допустимость всей операции. Это бизнес-гипотеза, а не готовый программный продукт. Показатели Siemens относятся только к опубликованному инженерному испытанию и не гарантируют аналогичного улучшения у клиентов.

Источник: https://developer.nvidia.com/blog/optimizing-agent-reliability-and-tool-calling-efficiency-for-chip-design-using-nvidia-nemo-gym/

ИИ-помощник для проверки договоров и коммерческих предложений

Октябрьское обновление Conga показывает растущий спрос на подключение ИИ к уже существующим системам договоров, ценообразования и согласования коммерческих условий. Компания представила сервер MCP, через который совместимые помощники получают доступ к корпоративной информации, и расширила собственные инструменты анализа документов и подготовки предложений. Для небольших интеграторов это открывает нишу специализированных решений для предприятий, которым сложно внедрять крупные международные платформы. Особенно перспективны компании с повторяющимися договорами поставки, многочисленными скидками, прайс-листами и внутренними процедурами согласования. Клиенту может быть нужен не универсальный интеллектуальный помощник, а инструмент, который быстро находит отклонения от утверждённых коммерческих правил.

Минимальная версия решения может работать с одной папкой согласованных договоров, одним справочником цен и перечнем правил проверки. Сотрудник загружает проект договора или коммерческого предложения, после чего система выделяет существенные условия: стоимость, сроки оплаты, скидки, штрафы, обязанности сторон и сроки действия. Затем она сопоставляет их с действующими шаблонами и разрешёнными диапазонами значений. В результате пользователь получает перечень конкретных расхождений со ссылками на фрагменты документа и соответствующие внутренние правила. Для первой версии достаточно режима чтения и подготовки замечаний. Автоматическое согласование договора, изменение цен и отправка документов контрагентам должны оставаться отключёнными до независимого определения полномочий и проверок безопасности.

Пилот можно провести на 30–50 обезличенных документах с заранее составленным перечнем правильных замечаний. Оценивать необходимо полноту обнаружения отклонений, количество ложных предупреждений, время проверки и число ошибок, обнаруженных сотрудниками после работы ИИ. Особенно важно исключить ситуации, когда модель приписывает договору несуществующие условия или использует устаревший прайс-лист. Возможная коммерческая модель — первоначальная настройка под документы клиента и ежемесячное сопровождение правил проверки. Конкурентным преимуществом станет адаптация к конкретной организации, включая русскоязычные документы и локальные учётные системы. Такое решение не заменяет юриста или финансового контролёра и пока существует только как предложенная бизнес-идея. Обновление Conga подтверждает востребованность направления, но не гарантирует спрос на конкретный независимый продукт.

Источник: https://conga.com/resources/blog/conga-october-2026-release

Повышение точности отраслевых прогнозов без замены действующих моделей

Исследование Microsoft Research, опубликованное в Nature, показывает, что машинное обучение способно улучшать прогнозы за счёт исправления систематических ошибок существующих моделей. Учёные применили вероятностную коррекцию к погодным прогнозам на срок от двух до шести недель и получили улучшение статистических показателей на значительной доле проверенных целей. Важный коммерческий принцип заключается не в обещании точно предсказывать погоду через полтора месяца, а в использовании исторических ошибок для повышения качества действующего прогнозирования. Этот подход можно исследовать и в бизнес-задачах: прогнозировании товарного спроса, потребления электроэнергии, нагрузки на сервисные подразделения и потребности в складских запасах. Однако перенос результатов метеорологического исследования на коммерческие данные потребует отдельной разработки и испытаний.

Первый пилот можно построить на исторических прогнозах одного предприятия. Например, компания регулярно рассчитывает потребность в товарах на ближайшие четыре недели, а затем сравнивает расчёты с фактическими продажами. Разработчик собирает архив исходных прогнозов и соответствующих результатов, исключает периоды с неполными данными и изучает устойчивые отклонения. Затем создаётся дополнительная корректирующая модель, которая получает исходный прогноз и возвращает поправку вместе с оценкой неопределённости. Важно сохранить исходный метод как контрольный вариант, чтобы было понятно, действительно ли новый алгоритм улучшает качество. Испытания следует проводить на последующих временных периодах, которые не использовались при обучении. Отдельно проверяются сезонность, изменения ассортимента и случаи, когда исторические закономерности перестают работать.

Критериями успеха могут быть снижение средней ошибки прогноза, уменьшение дефицита товаров, сокращение избыточных запасов и повышение точности оценки неопределённости. Экономический эффект необходимо рассчитывать с учётом затрат на данные, внедрение и дальнейшее обслуживание. В отличие от разработки полноценной системы планирования с нуля, услуга может предлагать дополнительный аналитический слой над существующим отчётом или учётной программой. Начать разумно с платного диагностического исследования: если в исторических данных нет устойчивых ошибок, создание корректирующей модели может оказаться нецелесообразным. Это экспериментальная бизнес-гипотеза, а не доказанный продукт. Опубликованные результаты Microsoft относятся к метеорологии и не служат подтверждением эффективности аналогичного подхода в торговле или промышленности.

Источник: https://www.nature.com/articles/s41586-026-11126-x