ИИ новости: 17 октября 2026

Фундаментальные тренды

Google научила ИИ проводить лабораторные эксперименты и исправлять собственные ошибки

16 октября Google Research опубликовала результаты трёх исследовательских проектов, объединённых целью научить ИИ-агентов работать не только с цифровыми моделями, но и с реальными биологическими экспериментами. Исследователи представили VERID — систему, которая связывает рассуждения искусственного интеллекта с физическим состоянием лабораторного оборудования. Также команда продемонстрировала циклическую разработку молекул, при которой ИИ предлагает кандидатов, получает результаты настоящих экспериментов и меняет дальнейшую стратегию. В исследованиях по созданию молекул, связывающихся с белковыми мишенями, получены подтверждённые экспериментами результаты, включая связывающие молекулы с однозначными наномолярными показателями активности. Это не объявление о создании готового лекарства или полностью автономной лаборатории. Главное событие заключается в демонстрации исследовательских методов, позволяющих связать цифровые решения ИИ с реальными измерениями и использовать ошибки экспериментов для улучшения следующих действий.

Одной из главных проблем лабораторной автоматизации остаётся различие между программно допустимой командой и физически выполнимой операцией. ИИ может написать корректный код для роботизированной пипетки, но не учесть, что сосуд слишком узкий, реагент закончился или выбранная высота дозирования приведёт к неправильному смешиванию жидкости. Для решения этой проблемы Google разработала VERID — цифровую модель лабораторной рабочей станции, которая постоянно отслеживает расположение оборудования, геометрию роботизированных манипуляторов, объёмы жидкости, состав реагентов и запас расходных материалов. Система создана на основе открытой платформы PyLabRobot. Перед выполнением действия ИИ может проверить его в симуляции, а недопустимые команды блокируются до передачи физическому роботу. Работа дополнительно документируется видеозаписями и журналами действий. Такой подход нужен не просто для ускорения экспериментов, но и для их воспроизводимости: исследователи получают возможность понять, почему результат изменился и на каком этапе возникла ошибка.

Google продемонстрировала несколько сценариев работы VERID. В одном случае видеозаписи и журналы помогли обнаружить неправильное распределение красителя, вызванное слишком низким положением пипетки при дозировании. Агент изменил способ перемешивания жидкости. В другом эксперименте цифровая модель отклонила попытку использовать восьмиканальную пипетку с неподходящим узким сосудом, после чего агент перестроил последовательность действий. Система также помогла восстановить работу после сбоя прибора для считывания планшетов без повторного дозирования реагентов. В отдельной серии экспериментов ИИ многократно пытался восстановить неизвестные смеси красителей по изображениям камер, выявлял собственные ошибки измерения и особенности поведения жидкостей. Исследователи сообщили об улучшении точности более чем в пять раз в рамках этой экспериментальной задачи. Это показатель конкретного лабораторного испытания, а не универсальное пятикратное повышение качества всех биологических исследований.

Другое направление исследований связано с созданием аптамеров — молекул, способных избирательно связываться с определёнными белками. ИИ проходил последовательные циклы проектирования, лабораторной проверки и пересмотра предложенных молекулярных структур. Для двух исследованных белков, миоглобина и альфа-тромбина, доля экспериментально подтверждённых подходящих кандидатов достигла соответственно 33,5% и 42,1% к третьему циклу. Особенно показателен случай миоглобина: на промежуточном этапе агент начал выбирать структуры, которые хорошо удерживались в экспериментальной системе, но часто связывались не с нужной мишенью, а с посторонними поверхностями. После анализа результатов ИИ пересмотрел правила отбора и восстановил избирательность. В отдельной работе по проектированию белковых связывающих молекул исследователи ускорили один из этапов вычисления структуры более чем в восемь раз, сосредоточив расчёт на области взаимодействия. Совместная работа человека и агента почти удвоила долю подходящих кандидатов в вычислительном сравнении при равном бюджете вычислений. Эти достижения относятся к исследовательским задачам и не подтверждают эффективность будущих препаратов у пациентов.

Фундаментальное значение публикации заключается в переходе от ИИ, который только предлагает научные гипотезы, к системам, способным проверять их в физическом мире и учитывать результаты следующих экспериментов. При этом Google не утверждает, что разработанные агенты могут самостоятельно управлять любой биологической лабораторией. Исследователи использовали контролируемые неинфекционные системы, проверяли предлагаемые молекулярные последовательности на биологические риски и требовали человеческого согласования протоколов и действий роботов. В отличие от новости Mistral от 15 октября о предварительно обученных моделях прогнозирования временных рядов, новое исследование касается замкнутого цикла научного поиска, включающего физические действия и реальные измерения. Для науки это перспективный путь ускорения создания молекул, изучения белков и автоматизации повторяемых экспериментов. Однако для промышленного и медицинского применения потребуются дополнительные проверки надёжности, воспроизводимости и безопасности.

Источник: research.google

Риски и контроль

Check Point представила защиту от опасных самостоятельных действий ИИ-агентов — даже без участия хакеров

15 октября компания Check Point Software Technologies представила технический подход Dangerous Deviation Detection — обнаружение опасных отклонений в действиях ИИ-агентов. Механизм входит в платформу Check Point AI Security и доступен в открытой бета-версии. Его задача — выявлять операции, которые агент собирается выполнить без достаточного основания в исходном поручении пользователя или системных правилах. В отличие от традиционной защиты, проверяющей входящие запросы на наличие вредоносных инструкций, новая система анализирует конкретное действие непосредственно перед его выполнением. Это особенно важно для агентов, которым разрешено отправлять сообщения, изменять файлы, управлять корпоративными приложениями или взаимодействовать с инфраструктурой. Разработчик подчёркивает: опасная операция может возникнуть не только из-за атаки злоумышленника, но и вследствие ошибочного рассуждения самого агента. Событием стала публикация технического описания и открытая доступность механизма для предварительного использования. При этом компания не представила независимую универсальную оценку эффективности такого подхода во всех корпоративных средах.

Проблема связана с устройством современных агентных систем. Обычная программа выполняет заранее определённую последовательность команд, а ИИ-агент самостоятельно выбирает промежуточные действия для достижения поставленной цели. Если очевидный способ решения не работает, он может попробовать другой маршрут. Такая самостоятельность полезна при выполнении сложных поручений, но одновременно создаёт риск выхода за пределы задачи. Например, агент технической поддержки может иметь законный доступ к персональным сведениям клиентов и электронной почте. Эти разрешения необходимы для работы, однако их сочетание создаёт возможность отправить конфиденциальные данные постороннему получателю. Обычная проверка прав доступа не обнаружит нарушение, если агент уже обладает всеми необходимыми полномочиями. Защита от внедрения вредоносных инструкций также не поможет, когда неправильное действие возникло без внешнего вмешательства. Поэтому Check Point предлагает проверять не только наличие разрешений, но и соответствие конкретной операции действительному поручению.

Dangerous Deviation Detection работает на границе между решением модели и исполнением команды. После того как агент выбрал инструмент и подготовил аргументы вызова, но до фактического выполнения операции, механизм оценивает её по двум условиям. Первое — наличие потенциального вреда. На текущем этапе система выделяет три категории: утечку данных, расширение прав доступа и уничтожение сохраняемых ресурсов. Второе — отсутствие достаточного основания для такого действия в доверенных инструкциях. Если пользователь прямо разрешил операцию или она предусмотрена системными правилами, механизм не должен автоматически считать её нарушением только из-за потенциальной опасности. Если же агент пытается выполнить рискованное действие без соответствующего поручения, система формирует предупреждение. Это позволяет сохранить самостоятельность агента для обычных действий и сосредоточить внимание человека на действительно значимых отклонениях. Однако корректность такой оценки зависит от точности интерпретации запроса, определения опасных операций и настройки корпоративных правил.

Особое внимание разработчики уделили различию между доверенными и недоверенными источниками инструкций. Электронное письмо, веб-страница, найденный документ или ответ внешнего инструмента могут содержать текст, предлагающий агенту совершить дополнительное действие. Но такие материалы не должны получать тот же статус, что прямое поручение пользователя или системная инструкция. Check Point приводит пример агента, которому поручено подготовить краткое содержание нескольких технических документов. Один из файлов содержит скрытое указание создать заявку на замену драйвера на компьютерах компании и не сообщать об этом пользователю. Без дополнительной проверки агент может подготовить правильное резюме, но одновременно выполнить постороннюю команду. Dangerous Deviation Detection должен остановить именно попытку создать нежелательную заявку, даже если скрытое указание не было обнаружено при чтении документа. Таким образом, механизм дополняет защиту от внедрения инструкций, а не заменяет её.

При обнаружении опасного отклонения система возвращает объяснение для пользователя, рекомендации для самого агента и технические сведения для разработчика приложения. Дальнейшее поведение определяется настройками интеграции: операцию можно заблокировать, отправить на подтверждение человеку или предложить агенту безопасный способ продолжить работу. Check Point сообщает, что механизм уже обрабатывает реальный клиентский трафик, однако опубликованный материал не содержит отдельного независимого испытания Dangerous Deviation Detection с указанием доли обнаруженных нарушений и ложных предупреждений. Приведённые компанией примеры прошлых инцидентов, включая ошибочные действия программных агентов с базами данных, иллюстрируют характер угрозы, но не доказывают предотвращение этих конкретных происшествий новым продуктом. Для мировой индустрии ИИ значимость события состоит в появлении ещё одного уровня контроля автономных систем: проверки не только того, что агент прочитал и какие права имеет, но и того, что он непосредственно собирается сделать. В отличие от новости Anthropic от 14 октября о многоэтапных политических злоупотреблениях, Check Point описывает конкретный технический механизм предотвращения нежелательных действий, включая ошибки без участия злоумышленников. Его практическую эффективность предстоит оценивать при внедрении в реальные корпоративные процессы.

Источник: blog.checkpoint.com

Где ИИ становится продуктом

Бразильский банк Itaú внедрил ИИ для 300 тысяч клиентов: юридическая система обрабатывает более 2 млн задач в месяц

16 октября OpenAI опубликовала подробный разбор внедрения генеративного искусственного интеллекта в бразильском банке Itaú. Банк развивает ia.i — разговорный интерфейс для повседневных финансовых операций, объединяющий вопросы о счетах, картах, кредитах, страховании и других услугах. На первом этапе система охватила приблизительно 300 тысяч клиентов. Одновременно банк применяет собственную платформу управления ИИ IARA для внутренних процессов, включая юридическую работу. По опубликованным данным, решение юридического подразделения использует хранилище более чем из 90 млн документов и выполняет свыше 2 млн задач ежемесячно. На отдельных этапах процессов подразделения заявлен прирост эффективности от 20% до 80%. Это результаты реального внедрения, приведённые банком в материале OpenAI, а не показатели независимого аудита. Цель Itaú — сделать ia.i доступным всей клиентской базе до конца 2026 года, но на дату публикации такой масштаб ещё не достигнут.

Основная идея ia.i заключается в том, чтобы клиенту не приходилось самостоятельно разбираться в большом количестве банковских меню и отдельных продуктов. Вместо переходов между разделами приложения человек может сформулировать вопрос текстом или голосом. Система предоставляет сведения о повседневных финансах, помогает разобраться в операциях и при необходимости связывает клиента с профильным сотрудником банка. Разработчики объединяют текст, голос, изображения и обычные элементы интерфейса в одной среде. Например, клиент может уточнить происхождение расхода в выписке или получить помощь при выборе финансового продукта. Банк также описывает сценарии взаимодействия через WhatsApp. Важно, что речь не идёт о передаче ИИ неограниченного права распоряжаться деньгами клиента: допустимые операции остаются частью банковской системы с её правилами идентификации, безопасности и контроля. Финансовые рекомендации и сложные вопросы требуют соответствующих ограничений и возможности обратиться к человеку.

Для персонализации Itaú использует компонент Customer DNA — представление финансового контекста, позволяющее учитывать потребности, привычки и жизненные обстоятельства клиентов. По словам технического директора Карлоса Эдуарду Маззеи, этот компонент работает с информацией примерно о 70 млн клиентов, а модели GPT входят в число используемых технологий. Эта цифра характеризует масштаб контекстной системы банка, а не количество людей, уже использующих нового помощника ia.i. Последних на первом этапе было около 300 тысяч. Такое разграничение особенно важно при оценке результатов масштабного внедрения: наличие исторических данных о миллионах клиентов не означает, что каждый из них уже получил персональные услуги через новый интерфейс. Банк также использует несколько моделей для разных типов задач. Для простых обращений важны скорость и стоимость, а для сложных — способность анализировать контекст и формировать обоснованный ответ. Такой подход позволяет избегать обязательного применения самой дорогой модели к каждой банковской операции.

Ключевой технологический элемент проекта — платформа IARA, через которую подразделения банка получают управляемый доступ к нескольким моделям ИИ, включая решения OpenAI. Она обеспечивает контроль корпоративных правил, наблюдение за работой систем, оценку точности ответов и учёт расходов на обработку токенов. В сильно регулируемой финансовой отрасли такая архитектура нужна для защиты клиентских сведений и снижения риска ошибочных рекомендаций. Наиболее конкретные количественные результаты приведены для юридического подразделения. Его решение обрабатывает информацию из более чем 90 млн документов и выполняет свыше 2 млн задач в месяц. Itaú сообщает о повышении эффективности отдельных этапов работы на 20–80%. Эти проценты нельзя распространять на весь банк или трактовать как сокращение численности сотрудников. Они относятся к определённым операциям юридического направления. Независимая методика расчёта в опубликованном материале подробно не раскрыта, поэтому результаты следует рассматривать как данные самого участника внедрения.

Для мировой индустрии ИИ история Itaú показывает, что крупный банк может использовать генеративные модели одновременно во внешнем обслуживании клиентов и во внутренних процессах с высокой документальной нагрузкой. В отличие от объявлений о будущих возможностях корпоративных агентов, здесь приведены конкретные показатели действующей системы: первая группа пользователей ia.i, объём юридического архива и число ежемесячно выполняемых задач. Дальнейшие планы банка включают расширение помощника на всю клиентскую базу, моделирование финансовых продуктов и регулярный анализ доходов и расходов. Однако эти возможности необходимо отличать от уже достигнутых результатов. Для банков и разработчиков прикладных систем главный вывод состоит в том, что масштабирование ИИ зависит не только от возможностей языковой модели, но и от качества данных, разграничения полномочий, контроля стоимости и устойчивого подключения к действующим операциям. Пример Itaú демонстрирует существенный масштаб практического применения, хотя экономическую эффективность и удовлетворённость клиентов предстоит оценивать по более полной независимой статистике.

Источник: openai.com

Архитектура и технологии внедрения

Google Cloud ускорила работу ИИ-агентов до пяти раз: новая схема избавляет серверы от повторных вычислений

16 октября Google Cloud объявила о готовой инфраструктуре для запуска новой открытой модели Beam компании Reflection AI. Вместе с разработчиком модели инженеры Google оптимизировали обработку запросов с помощью двух систем распределённого выполнения ИИ: llm-d на основе vLLM и NVIDIA Dynamo на основе SGLang. По результатам испытаний, представленным участниками проекта, на облачных системах A4X Max с ускорителями NVIDIA GB300 NVL72 удалось увеличить производительность обработки запросов до пяти раз и сократить задержку до восьми раз по сравнению с базовой конфигурацией на том же оборудовании. Для виртуальных машин G4 с ускорителями NVIDIA RTX PRO 6000 заявлен прирост производительности до двух раз и сокращение задержки до восьми раз. Эти показатели относятся к конкретным испытаниям и не означают одинакового ускорения любых моделей или облачных приложений. Главное событие — появление готовых конфигураций для запуска Beam в инфраструктуре Google Cloud одновременно с выпуском самой модели.

Beam разработана для программирования, сложных рассуждений и продолжительных задач, в которых ИИ-агент многократно обращается к инструментам. По данным Google Cloud, модель содержит приблизительно 501 млрд параметров, из которых около 23 млрд активируются при обработке каждого токена. Максимальное контекстное окно составляет примерно миллион токенов. Reflection распространяет веса на условиях лицензии Apache 2.0 и предоставляет варианты BF16, FP8 и NVFP4. Разработчик также заявляет, что Beam расходует в три-четыре раза меньше вычислительных ресурсов на рассуждения по сравнению с некоторыми сопоставимыми открытыми моделями. Это отдельное преимущество, связанное с устройством модели, а не результат оптимизации облачной инфраструктуры. Складывать показатели эффективности модели и серверной системы или трактовать их как гарантированное ускорение каждого запроса нельзя. Для предприятий важна возможность использовать открытую модель в собственных программных процессах, а для операторов облаков — эффективно обслуживать множество одновременных агентных сессий.

Основная техническая проблема возникает при длительной работе ИИ-агентов. В отличие от обычного чат-бота, который получает вопрос и формирует ответ, программный агент многократно читает файлы, запускает команды, изучает результаты проверок и обращается к модели снова. На каждом следующем шаге к истории добавляются новые документы, изменения кода и журналы выполнения. Если очередной запрос попадает на другой сервер, ему нередко приходится заново обрабатывать значительную часть предыдущего контекста. Это расходует вычислительные ресурсы и увеличивает время до появления ответа. Кроме того, промежуточные данные внимания модели, известные как KV-кеш, занимают дорогостоящую память ускорителей. При большом числе пользователей старые данные вытесняются, а их повторное вычисление дополнительно нагружает систему. Google Cloud предлагает решать эти проблемы на уровне распределённой инфраструктуры, а не только за счёт изменения самой модели.

Оптимизированная архитектура использует маршрутизацию с учётом уже сохранённого контекста. Система направляет следующий запрос агента на сервер, где остались промежуточные результаты предыдущих шагов, одновременно контролируя длину очередей и загрузку оборудования. Отдельные группы вычислительных ресурсов занимаются первоначальной обработкой входного контекста и последовательной генерацией новых токенов, чтобы длинные запросы не мешали ответам других пользователей. KV-кеш распределяется по нескольким уровням памяти: наиболее востребованные данные остаются в видеопамяти, а менее активные переносятся в оперативную память сервера и на локальные твердотельные накопители. При необходимости они возвращаются без полного повторного вычисления истории. Дополнительно используются методы предварительного предположения следующих токенов, параллельное выполнение экспертов модели и управление нагрузкой. Такие оптимизации особенно полезны в продолжительных сессиях программирования, где агент постоянно возвращается к ранее прочитанным файлам и результатам собственных действий.

Google Cloud опубликовала готовые инструкции развёртывания, настройки маршрутизаторов и сценарии измерения производительности в открытых репозиториях AI-Hypercomputer/gpu-recipes и llm-d. Также предусмотрено развёртывание через Model Garden. Сравнения проводились на разных аппаратных платформах, поэтому результаты A4X Max и G4 нельзя напрямую сопоставлять друг с другом: каждый показатель рассчитан относительно собственной исходной конфигурации. Компания прямо указывает, что испытания выполнены на клиентской нагрузке, а не представляют универсальный независимый стандарт скорости. Для мировой архитектуры ИИ значение события состоит в переходе от простого увеличения числа ускорителей к более рациональной организации их работы. Чем длиннее становятся задачи агентов, тем больше затрат возникает не при генерации нового текста, а при повторном чтении уже известного контекста. В отличие от новости NVIDIA от 16 октября о локальной среде RTX Spark, новое решение ориентировано на распределённое облачное выполнение крупных моделей с большим количеством параллельных пользователей. Практическая экономия будет зависеть от характера нагрузки, стоимости оборудования, загрузки серверов и качества настройки системы.

Источник: cloud.google.com

Финансы

Cohere договорилась купить разработчика защитного ИИ AISLE: система нашла более 500 уязвимостей

15 октября канадская компания Cohere, разрабатывающая корпоративные модели искусственного интеллекта, объявила о подписании письма о намерениях приобрести AISLE — разработчика автономных систем обнаружения и исправления уязвимостей программного обеспечения. Финансовые условия предполагаемой сделки не раскрыты. Важно различать письмо о намерениях и завершённое приобретение: на дату объявления AISLE ещё не стала частью Cohere, а стороны только обозначили намерение провести сделку. При этом новость выходит за пределы обычного расширения продуктовой линейки. Cohere рассчитывает объединить разработку передовых моделей ИИ, корпоративные приложения и инструменты кибербезопасности в одной технологической группе. Основной интерес представляет переход к системам, способным самостоятельно искать ошибки в критически важном программном обеспечении и помогать разработчикам их устранять. Это направление становится всё более значимым по мере распространения ИИ-агентов, которые получают доступ к корпоративным данным, программному коду и инфраструктуре.

AISLE основана в 2025 году предпринимателем Ондржеем Влчеком, ранее возглавлявшим антивирусную компанию Avast, совместно со специалистами, имеющими опыт работы в Google DeepMind и Anthropic. Разработчик занимается поиском ранее неизвестных программных уязвимостей с помощью автономных ИИ-систем. По собственным данным AISLE, менее чем за год её технологии позволили обнаружить более 500 ранее неизвестных уязвимостей с присвоенными идентификаторами CVE в более чем 100 кодовых базах. Среди названных результатов — 12 уязвимостей OpenSSL, включённых в январский выпуск исправлений, а также 18 из 24 уязвимостей, представленных в одном из последних выпусков исправлений curl. Эти показатели описывают результаты обнаружения конкретных проблем, а не универсальную эффективность системы. Из опубликованных сведений нельзя сделать вывод, что ИИ способен самостоятельно обнаруживать все опасные ошибки или гарантировать отсутствие новых уязвимостей после исправления.

Для Cohere приобретение предполагает расширение деятельности в области защитного искусственного интеллекта. Компания уже развивает направление так называемого суверенного ИИ — систем, которые организации и государственные структуры могут размещать в контролируемой инфраструктуре, включая собственные вычислительные мощности. Такой подход особенно востребован там, где передача конфиденциального кода и данных внешним сервисам ограничена внутренними правилами или законодательством. Технологии AISLE могут дополнить эту стратегию инструментами поиска уязвимостей и оценки защищённости программного обеспечения. Однако интеграция пока является планом, а не уже доступной общей платформой. Cohere не представила готовый объединённый продукт, единые тарифы или подтверждённые показатели эффективности после предполагаемого приобретения. Поэтому обсуждать возможные преимущества следует отдельно от фактического состояния сделки.

Соглашение также связано с расширением европейского присутствия Cohere. После ранее объявленного объединения с немецкой Aleph Alpha компания рассчитывает усилить свою деятельность в сфере корпоративного и государственного ИИ. В случае завершения приобретения инженерный центр AISLE в Праге должен стать офисом Cohere. По информации Reuters, основатель AISLE Ондржей Влчек должен возглавить новое подразделение кибербезопасности Cohere, а операционный директор AISLE Джая Балу — занять должность директора по информационной безопасности. Сообщается также о планируемом присоединении примерно 50 штатных сотрудников AISLE. Эти кадровые изменения следует рассматривать как предусмотренные дальнейшим развитием сделки, а не как доказательство её завершения 15 октября. Сумма покупки, структура оплаты и точный срок закрытия публично не названы. Следовательно, невозможно обоснованно оценить стоимость приобретения или рассчитать, какую долю будущей выручки Cohere обеспечит новое направление.

Финансовое значение события состоит в том, что разработчики крупных моделей ИИ начинают приобретать не только команды, создающие новые функции генерации текста или программирования, но и технологии защиты программной инфраструктуры. Для корпоративных покупателей это потенциально меняет структуру рынка: обнаружение уязвимостей, анализ исходного кода и безопасное использование ИИ могут постепенно объединяться в комплексные предложения. Однако коммерческий успех подобной модели зависит от способности интегрировать продукты, сохранить специалистов, подтвердить качество автоматического поиска ошибок и получить платящих заказчиков. В отличие от новости GitHub от 15 октября о выпуске Agentic Autofix, здесь речь идёт не о появлении конкретной функции для существующих клиентов, а о предполагаемом приобретении отдельного разработчика защитных технологий. Главное событие — подписание Cohere и AISLE письма о намерениях и ставка на объединение передового ИИ с кибербезопасностью. Сделка ещё не закрыта, а её финансовые условия остаются неизвестными.

Источник: cohere.com; www.reuters.com

Инструменты и интеграции

Glean научила корпоративных ИИ-агентов улучшать свои инструкции и подключила Power BI для анализа данных

15 октября компания Glean выпустила обновление корпоративной ИИ-платформы версии 563. Главным нововведением стала функция Skill reflection, которая помогает поддерживать актуальность инструкций для ИИ-агентов на основе замечаний сотрудников. Обычно, когда человек исправляет ответ помощника или неоднократно просит изменить порядок выполнения задачи, полезная поправка остаётся внутри отдельного разговора. При следующем запуске того же сценария ошибка может повториться. Новая функция выделяет из пользовательской обратной связи потенциально полезные изменения и предлагает внести их в сохранённую инструкцию — Skill. При этом исправления не применяются бесконтрольно: пользователь или редактор должен рассмотреть предложение и подтвердить обновление. В тот же выпуск вошли новые корпоративные подключения, включая общедоступный соединитель Microsoft Power BI для анализа отчётов и данных через ИИ. Таким образом, обновление затрагивает две практические задачи бизнеса: накопление опыта в повторяемых сценариях и получение ответов на основе существующих аналитических систем.

Skill reflection предназначена для ситуаций, когда сотрудники многократно используют заранее подготовленные инструкции и рабочие процедуры. Например, аналитик может постоянно просить ИИ сначала показывать итоговое решение, затем расчёты и только после этого дополнительные пояснения. Если подобные корректировки не сохраняются, сотрудники вынуждены повторять их при каждом новом обращении. Glean предлагает извлекать устойчивые предпочтения и исправления из истории взаимодействия. При накоплении приблизительно десяти таких наблюдений система может задать уточняющие вопросы и предложить обновить Skill. Пользователь также может самостоятельно вызвать проверку командой /reflect. Перед изменением инструкции система показывает связанные замечания, чтобы человек мог понять, на каких основаниях предлагается поправка. Для общих инструкций, используемых командой, аналогичный механизм доступен редакторам. Это не автономное самообучение базовой модели и не изменение её весов: речь идёт об управляемом обновлении сохранённых правил работы агента.

Вторая важная часть выпуска — расширение доступа к корпоративным данным. Соединитель Power BI переведён в общую доступность. Администраторы могут подключить аналитическую среду Microsoft через Microsoft 365, после чего пользователи получают возможность находить отчёты, панели показателей и семантические модели в Glean. Для обращения к актуальным данным используется интеграция Microsoft Fabric IQ через протокол подключения инструментов MCP. Принципиальное условие — сохранение разрешений исходной системы: сотрудники должны видеть только те сведения, к которым им уже предоставлен доступ в Power BI. Это отличает управляемое корпоративное подключение от простой передачи выгрузки таблицы в чат-бот. Обновление также включает общедоступное подключение к системе конкурентной аналитики Klue и новый шаблон MCP для каталога Informatica. Последний относится к категории непроверенных шаблонов Glean и требует отдельной настройки OAuth и проверки администратором перед широким использованием.

Изменения коснулись и стоимости эксплуатации ИИ. В административной панели Glean появились рекомендации по выбору моделей для разных задач. Для организаций, использующих ключи Glean, представлены политики автоматического выбора Economy, Balanced и Frontier, которые позволяют соотносить возможности модели с расходами. Предусмотрено и автоматическое переключение на более экономичный вариант при приближении пользователя к месячному лимиту. Однако на 15 октября эти политики только начали поэтапное распространение через Feature rollouts. Общая доступность запланирована на 29 октября 2026 года. Следовательно, нельзя утверждать, что все клиенты уже получили этот механизм. Отдельно Glean улучшила аудит действий агентов: экспортируемые события теперь содержат идентификатор запуска рабочего процесса, позволяющий установить, какой именно запуск помощника привёл к определённой операции. Для финансовых и административных подразделений это важно при разборе ошибок, проверке полномочий и учёте использования автоматизации.

Практическое значение обновления заключается в постепенном превращении корпоративного ИИ из разрозненного помощника в управляемую рабочую систему. Инструкции можно улучшать на основе накопленного опыта, аналитические данные получать из действующих систем с соблюдением разрешений, а затраты и действия агентов отслеживать средствами администрирования. При этом Glean не приводит в описании выпуска универсальных измерений повышения производительности сотрудников или доказанной экономии от Skill reflection и новых соединителей. Такие результаты зависят от организации рабочих процессов, качества источников и дисциплины проверки предлагаемых изменений. В отличие от новости GitHub от 15 октября об автоматическом исправлении уязвимостей, здесь автоматизируется обслуживание инструкций ИИ и получение корпоративной аналитики. А в отличие от объявления Intuit от 15 октября о планируемом приобретении Sequence, речь идёт о конкретном обновлении действующей программной платформы. Для бизнеса наиболее важен принцип: исправления, сделанные сотрудниками при работе с ИИ, могут становиться частью повторно используемых процедур, но окончательное решение об изменении правил остаётся за человеком.

Источник: docs.glean.com

Возможности для бизнеса

Контроль опасных действий корпоративных ИИ-агентов

Новая технология Check Point Dangerous Deviation Detection показывает потенциальную нишу для специализированной услуги по контролю действий корпоративных ИИ-агентов. Всё больше организаций предоставляют агентам доступ к электронной почте, внутренним документам, учётным системам и программным интерфейсам. При этом наличие технического разрешения не всегда означает, что конкретная операция действительно соответствует поручению сотрудника. Агент может иметь законный доступ к базе клиентов и почтовому серверу, но не должен самостоятельно отправлять конфиденциальную выгрузку постороннему получателю. Именно это различие между доступными полномочиями и допустимыми действиями становится основой предлагаемого бизнеса. Целевые клиенты — предприятия, которые уже применяют ИИ-агентов в рабочих процессах и хотят расширять автоматизацию без передачи системам неограниченного контроля.

Первую версию услуги можно построить вокруг обследования одного действующего агента. Исполнитель составляет карту подключённых инструментов, доступных данных, доверенных инструкций и возможных опасных операций. Затем определяются сценарии, требующие дополнительной проверки: массовая отправка информации, изменение прав пользователей, удаление документов, изменение критически важных записей. Перед выполнением таких операций устанавливается контрольный этап, который сопоставляет предполагаемое действие с исходным разрешённым заданием. В зависимости от риска операция блокируется, передаётся сотруднику на подтверждение либо сопровождается предупреждением. Все решения фиксируются в журнале. Для пилота необходимы испытания с корректными заданиями, ошибками планирования и внедрёнными в документы посторонними инструкциями. Отдельно следует проверять ложные срабатывания: чрезмерно строгая защита способна сделать полезного агента практически неработоспособным.

Коммерческая модель может включать первоначальную оценку безопасности, настройку ограничений и ежемесячное сопровождение. Полезными показателями станут количество предотвращённых опасных операций, доля ложных предупреждений, время согласования и влияние проверок на завершение законных поручений. Компания-заказчик должна сохранять окончательные полномочия в отношении доступа к данным и критических изменений. Важно не обещать абсолютную безопасность: контроль на границе выполнения инструментов не заменяет разграничение прав, защиту инфраструктуры, резервное копирование и независимую проверку. Технология Check Point находится в открытой бета-версии, а публичного независимого подтверждения универсальной эффективности нет. Поэтому бизнес-возможность следует рассматривать как предложение по внедрению и проверке системы контроля, а не как готовый собственный продукт или гарантированную защиту от всех ошибок. Её отличие от обычного аудита ИИ заключается в постоянной проверке конкретных операций перед исполнением.

Источник: https://blog.checkpoint.com/ai-security/dangerous-deviation-detection-ai-agents/

Корпоративный ИИ-аналитик с доступом к Power BI и управляемой памятью инструкций

Обновление Glean открывает возможность создавать для компаний специализированных ИИ-помощников, которые работают с существующими аналитическими отчётами и постепенно улучшают собственные рабочие инструкции под контролем сотрудников. Во многих организациях данные уже собраны в Power BI, однако руководителям приходится обращаться к аналитикам за расшифровкой показателей, сопоставлением периодов и объяснением отклонений. Одновременно сотрудники постоянно исправляют ответы ИИ, но эти замечания не превращаются в устойчивые правила дальнейшей работы. Коммерческая идея заключается в объединении двух функций: управляемого доступа к корпоративной аналитике и процедуры утверждения изменений повторно используемых инструкций. Продукт можно ориентировать на финансовые службы, торговые предприятия, логистику и подразделения, регулярно работающие с показателями эффективности.

Минимальная версия решения должна ограничиваться одним набором согласованных отчётов. Пользователь задаёт вопрос о выручке, расходах, запасах или выполнении плана, после чего помощник обращается к разрешённым данным и формирует ответ с указанием периода, используемых показателей и источника. Система не должна самостоятельно придумывать недостающие значения или обходить права исходной аналитической платформы. Для каждого вопроса сохраняются использованные источники и версия инструкции. Если сотрудник исправляет методику расчёта или порядок представления результатов, предложение об изменении правила поступает ответственному редактору. Только после его подтверждения обновление применяется к дальнейшим запросам. Такая схема помогает избегать постепенного накопления противоречивых инструкций и случайного переноса индивидуальных предпочтений на всю организацию. Возможность вызова актуальных данных через корпоративные подключения должна проверяться отдельно для каждого клиента.

Услугу можно продавать как проект по настройке аналитического помощника с последующим сопровождением качества ответов. Начальный этап включает проверку структуры данных, определение доступных пользователям показателей и создание контрольного набора вопросов. Затем проводится пилот, в котором сравниваются ответы ИИ с выводами опытного аналитика. Показатели эффективности — правильность цифр, число неподтверждённых утверждений, время подготовки ответа, доля запросов, требующих вмешательства человека, и стоимость использования моделей. Особое внимание требуется уделить определениям показателей: одинаковые слова вроде «выручка» или «продажи» в разных подразделениях могут обозначать разные величины. Возможности Glean не следует выдавать за уже разработанное независимое приложение. Описанная идея представляет собой направление интеграционных услуг, вдохновлённое выпуском Skill reflection и соединителя Power BI. Её жизнеспособность зависит от качества исходной аналитики и готовности клиентов оплачивать сокращение ручной работы.

Источник: https://docs.glean.com/release-notes/releases/2026-10-15-october-release

Снижение расходов на корпоративные ИИ-модели через управление контекстом

Исследование Google Cloud и Reflection AI показывает, что существенная часть затрат на длительную работу ИИ-агентов может быть связана с повторной обработкой уже известной информации. Когда агент многократно читает одни и те же документы, возвращается к истории задачи или запускает последовательные проверки программного кода, инфраструктура расходует вычислительные ресурсы на восстановление контекста. Новые методы маршрутизации запросов и многоуровневого хранения промежуточных результатов способны уменьшать подобную нагрузку. На этой основе можно предложить бизнесу услугу диагностики и оптимизации расходов на выполнение ИИ-задач. Она ориентирована не на создание очередной универсальной модели, а на повышение эффективности уже работающих корпоративных систем. Потенциальными клиентами станут разработчики приложений с продолжительными агентными сессиями и значительным объёмом повторяющихся запросов.

Первый этап услуги — сбор технических и финансовых показателей действующей системы. Необходимо измерить длину входного контекста, повторяемость его фрагментов, время до первого ответа, скорость генерации, загрузку оборудования, долю повторного использования кеша и стоимость выполнения типовой задачи. После этого можно проверить, какие компоненты системы создают лишние затраты. Возможные меры включают маршрутизацию обращений одного агента к подходящим серверам, сохранение повторно используемого контекста, разделение этапов обработки входных данных и генерации ответа, а также выбор разных моделей для задач различной сложности. Важное условие — не смешивать сеансы пользователей и не допускать раскрытия информации между организациями при совместном использовании кеша. Каждая оптимизация должна проходить нагрузочное испытание с реальными ограничениями на задержку и качество результата.

Коммерческое предложение может состоять из платного технического обследования, ограниченного эксперимента и дальнейшего сопровождения инфраструктуры. Экономический эффект нужно определять через стоимость успешно завершённой задачи, а не только через число токенов в секунду. Необходимо учитывать вычислительные мощности, хранение кеша, сетевые расходы, эксплуатационные риски и дополнительную сложность распределённой системы. Google Cloud сообщает об ускорении до пяти раз и сокращении задержки до восьми раз на определённой инфраструктуре с моделью Beam, но эти результаты относятся к конкретным сравнительным испытаниям. Они не гарантируют аналогичной экономии при использовании других моделей, небольших объёмов трафика или нестандартной архитектуры. Для малых проектов дополнительные серверные компоненты могут оказаться дороже полученной выгоды. Поэтому первым шагом должна быть диагностика, подтверждающая реальную проблему повторных вычислений. Предлагаемая бизнес-возможность — услуга оптимизации эксплуатации, а не готовая универсальная технология с гарантированным коэффициентом ускорения.

Источник: https://cloud.google.com/blog/topics/ai-infrastructure/day-0-support-with-5x-perf-for-reflection-beam-on-google-cloud/