ИИ новости: 20 октября 2026

Фундаментальные тренды

Anthropic поручила ИИ разработать белки против яда скорпионов: 17 из 211 молекул прошли лабораторную проверку

20 октября Anthropic опубликовала результаты исследования, в котором экспериментальная версия Claude самостоятельно проектировала небольшие белковые молекулы, способные связываться с нейротоксинами скорпионов. За 64 часа исследовательской работы ИИ сформировал 318 484 варианта белковых структур и отобрал 180 кандидатов для лабораторной проверки. При участии исследователей список расширили до 211 вариантов. Независимые лабораторные партнёры Adaptyv Bio и Twist Bioscience проверили их способность связываться с заданными белками-мишенями. По итогам испытаний 17 кандидатов соответствовали установленным критериям связывания. Некоторые продемонстрировали высокое сродство к определённым нейротоксинам. Однако это не означает создания работающего противоядия: исследователи пока не подтвердили, что найденные белки способны нейтрализовать яд в клетках или защищать живые организмы. Главное событие заключается в экспериментальном подтверждении способности ИИ самостоятельно разрабатывать биологические молекулы для сложной исследовательской задачи.

Исследование проводилось совместно с инвестиционно-аналитической компанией Citrini Research, представители которой предложили выяснить, могут ли современные ИИ-модели помочь людям без специальной подготовки в молекулярной биологии решать реальные задачи разработки медицинских средств. В качестве направления выбрали поиск белков, связывающихся с нейротоксинами скорпионов. По данным Anthropic, ежегодно скорпионы жалят не менее 1,2 млн человек, а число смертей превышает 3250. Особенно серьёзной проблема остаётся для регионов с ограниченным доступом к медицинской помощи. Традиционные противоядия часто производят с использованием антител животных, что требует времени и сложной производственной инфраструктуры. Альтернативный подход предполагает создание небольших белков, которые избирательно присоединяются к опасным молекулам. Но само связывание ещё не доказывает лечебного действия: для будущего препарата требуется показать, что такая молекула действительно мешает токсину повреждать клетки, сохраняет стабильность и безопасна для пациента.

Работа Claude отличалась от обычной генерации научных текстов. Исследователи сформулировали исходное задание и предоставили системе вычислительные инструменты для проектирования и оценки белковых структур. Затем экспериментальная модель в значительной степени самостоятельно определяла последовательность вычислительных исследований, отбирала перспективные варианты и анализировала полученные результаты. За время кампании люди направили ей четыре дополнительных запроса. Модель использовала двенадцать инструментов проектирования и выполнила сотни тысяч вычислительных оценок предполагаемого взаимодействия белков с мишенями. По информации Anthropic, вычислительная кампания потребовала порядка 10 тысяч часов работы графических ускорителей. Таким образом, сокращение календарного времени исследования не означает низких вычислительных затрат. После отбора кандидатов две специализированные лабораторные организации изготовили предложенные молекулы и измерили их связывание с целевыми белками. Из 211 проверенных вариантов 17 признали успешными по критериям исследования. Две наиболее сильные молекулы продемонстрировали сродство к одной из мишеней в диапазоне однозначных наномолярных значений.

Важным ограничением исследования оказалась способность ИИ создавать универсальные молекулы. Команда проверяла возможность связывания с несколькими различными нейротоксинами одновременно, что теоретически могло бы упростить разработку противоядия широкого действия. Однако ни один из кандидатов, специально спроектированных для нескольких токсинов, не соответствовал критериям успешного связывания более чем с одной мишенью. Все 17 подтверждённых результатов относились к отдельным токсинам. Кроме того, лабораторные испытания установили только факт связывания с полученными в лаборатории белками. Способность блокировать биологическое действие яда в клетках и защищать животных не проверялась. Поэтому представлять исследование как создание готового лекарства, победу над отравлениями или доказанную возможность лечения людей было бы неправильно. Anthropic опубликовала данные всех 211 проверенных конструкций, чтобы другие исследователи могли независимо изучать результаты и продолжать работу.

Для фундаментального развития ИИ событие важно тем, что показывает переход от обработки готовых научных знаний к самостоятельному поиску новых молекулярных конструкций с последующей экспериментальной проверкой. Модель не просто пересказала известные статьи, а предложила конкретные варианты белков, часть которых продемонстрировала ожидаемое физическое взаимодействие в лаборатории. При этом люди задавали цель исследования, контролировали его направление, организовывали экспериментальную проверку и сохраняли ответственность за выводы. В отличие от новости Google Research от 16 октября о соединении ИИ-агентов с лабораторными роботами и обратной связью от физических экспериментов, Anthropic продемонстрировала длительную вычислительную кампанию проектирования белков с последующим тестированием у внешних лабораторных партнёров. Главный вывод — ИИ способен ускорять отдельные этапы поиска биологически активных молекул, но путь от связывающего белка до безопасного и доступного медицинского препарата остаётся отдельной, значительно более сложной задачей.

Источник: www.anthropic.com

Риски и контроль

США потребовали удалить DeepSeek из федеральных госcистем: запрет затронул даже сторонние ИИ-сервисы

19 октября Министерство внутренней безопасности США (DHS) публично раскрыло распоряжение об исключении технологий китайской компании DeepSeek из информационных систем федеральных гражданских ведомств. Согласно документу, государственные учреждения должны удалить продукты DeepSeek и связанных с ней организаций, а также сторонние продукты и сервисы, разработанные с использованием реализаций её моделей. Одновременно вводится запрет на новые государственные закупки соответствующих продуктов и услуг DeepSeek. О решении сообщило агентство Reuters, а 20 октября официальный текст уведомления был опубликован в Федеральном реестре США под номером 2026-21447. Важное уточнение: само распоряжение было первоначально выпущено 24 июля 2026 года. Новое событие октября — его публичное раскрытие и официальная публикация, а не принятие совершенно нового запрета 19 или 20 октября. Область действия ограничена федеральными гражданскими государственными системами и закупками; распоряжение не устанавливает всеобщего запрета на использование DeepSeek американскими гражданами или частными компаниями.

DHS обосновало ограничения потенциальными угрозами безопасности государственных данных. По информации Reuters, ведомство предупредило, что использование DeepSeek сотрудниками государственных учреждений или подрядчиками может привести к передаче чувствительной информации в Китай. Дополнительное опасение связано с возможностью использовать сведения из запросов и результатов работы моделей для получения информации об американских гражданах, организациях и государственных структурах. Ведомство также указало на возможное наличие вредоносных компонентов или иных уязвимостей в самих моделях и сопутствующих технологиях. Однако перечисление таких угроз не равнозначно публичному доказательству того, что каждая модель DeepSeek содержит вредоносный код или что все пользователи уже столкнулись с утечками. Опубликованное решение представляет собой защитную меру, принятую на основании оценки рисков цепочки поставок. Полный набор материалов, которыми руководствовались государственные органы при оценке угроз, в опубликованной новости не раскрывается.

Особенно важна широта ограничений. Они касаются не только официального приложения или сайта DeepSeek. В формулировке распоряжения прямо упоминаются сторонние продукты и сервисы, созданные с использованием реализаций DeepSeek. Это создаёт для федеральных ведомств задачу проверки собственных информационных систем и закупаемых решений: модель китайского разработчика может находиться внутри другого программного продукта, который внешне продаётся под совершенно иным названием. При этом следует различать прямое использование внешнего облачного сервиса, локальный запуск модели с открытыми весами и наличие производного решения у стороннего поставщика. Эти варианты имеют разные технические характеристики и потенциальные каналы передачи данных. Однако опубликованное требование об удалении распространяется шире, чем блокировка доступа сотрудников к одному веб-сайту. Практическое выполнение распоряжения потребует инвентаризации используемых инструментов, проверки поставщиков и понимания того, какие именно модели задействованы в корпоративных приложениях.

Юридической основой решения стал американский Закон о безопасности цепочек поставок для федеральных закупок 2018 года. Механизм предусматривает рассмотрение рекомендаций Федерального совета по безопасности закупок и позволяет уполномоченным государственным органам исключать потенциально рискованные технологические продукты из государственных закупок и информационных систем. DHS опубликовало уведомление о распоряжении, имеющем номер 2026-01, в документе с регистрационным номером DHS-2026-0628. Reuters также сообщило, что ранее отдельные американские ведомства, включая Министерство торговли и Военно-морские силы, уже ограничивали использование DeepSeek на служебных устройствах. Аналогичные ограничения вводились властями нескольких штатов, включая Нью-Йорк, Теннесси и Вирджинию. Таким образом, опубликованное распоряжение стало частью более широкой государственной политики управления рисками иностранных цифровых технологий, а не первым случаем ограничений в отношении DeepSeek в США.

Для мировой индустрии искусственного интеллекта событие показывает, что безопасность ИИ всё чаще оценивается не только по качеству ответов модели и защите от вредоносных запросов, но и по происхождению программных компонентов, условиям обработки данных и прозрачности технологических поставщиков. Даже сравнительно недорогая и технически привлекательная модель может оказаться непригодной для конкретной организации из-за нормативных требований или ограничений на передачу информации. При выборе ИИ-платформы становятся важны сведения о разработчике, местонахождении обработки данных, составе встроенных моделей и возможности заменить поставщика без полной переработки системы. Вместе с тем распоряжение DHS не доказывает, что все китайские модели небезопасны, и не означает автоматического распространения американских требований на коммерческие системы в других странах. В отличие от предложения Китая от 16 октября расширить экспортный контроль над отдельными технологиями ИИ, здесь рассматривается уже выпущенное американское распоряжение об исключении конкретных продуктов из федеральной инфраструктуры. Главный вывод — происхождение и цепочка поставок модели становятся самостоятельным фактором информационной безопасности, который необходимо учитывать наряду с техническими возможностями ИИ.

Источник: www.reuters.com; www.govinfo.gov

Где ИИ становится продуктом

ИИ выходит в операционную: Avenda Health запустила трёхмерные карты рака для помощи хирургам

20 октября американская медицинская технологическая компания Avenda Health объявила о запуске Surgery Mode — нового режима платформы Unfold AI для помощи хирургам непосредственно во время операций по поводу рака предстательной железы. Ранее система использовалась преимущественно для изучения расположения опухоли и планирования лечения до хирургического вмешательства. Теперь врач может открыть персонализированную трёхмерную карту предполагаемого распространения рака прямо в операционной. Режим предназначен для использования при роботизированных и обычных хирургических процедурах. Новость заключается не в появлении совершенно новой нейросети, а в расширении действующего медицинского продукта на один из наиболее ответственных этапов лечения — непосредственное проведение операции. В отличие от универсального медицинского чат-бота, Unfold AI обрабатывает конкретные клинические данные пациента и помогает врачу оценивать пространственное расположение опухоли.

Платформа объединяет несколько источников информации: магнитно-резонансную томографию, результаты биопсии, патоморфологические данные и уровень простатспецифического антигена, известного как ПСА. Алгоритмы формируют индивидуальную трёхмерную модель вероятного расположения и распространения злокачественной ткани. Такая визуализация нужна потому, что границы опухоли не всегда полностью различимы на отдельных снимках МРТ. При операции хирург должен одновременно стремиться удалить поражённую ткань и по возможности сохранить окружающие анатомические структуры, включая нервные пучки, влияющие на качество жизни пациента. Ошибочная оценка распространения рака может привести либо к недостаточному удалению опухоли, либо к повреждению здоровых тканей. Unfold AI не заменяет патологическое исследование и не гарантирует обнаружение всех опухолевых клеток. Его задача — предоставить дополнительную оценку риска, которую специалист учитывает вместе с клинической картиной и собственным опытом.

В новом Surgery Mode врач получает увеличенную трёхмерную карту, может просматривать исходные срезы МРТ и менять ориентацию визуализации в соответствии с ракурсом хирургической камеры. Отдельная функция Capsule Risk Score показывает цветовую оценку риска распространения опухоли за пределы капсулы предстательной железы по различным участкам. Интерфейс автоматически изменяет левую и правую ориентацию карты, чтобы она соответствовала хирургическому изображению. Это помогает сопоставлять предоперационную информацию с анатомией, которую хирург наблюдает во время вмешательства. Однако такую функцию нельзя путать с самостоятельным обнаружением опухоли на каждом кадре видеопотока или автономным управлением хирургическим роботом. По описанию разработчика, система предоставляет врачу подготовленные изображения, оценки и инструменты навигации по данным. Решение о границах удаления ткани и сохранении нервов остаётся за хирургом.

Avenda Health приводит результаты ранее выполненных исследований, согласно которым Unfold AI оценивала распространение рака на окружающие ткани с точностью 92% против 52% при использовании одной МРТ. Компания также сообщает об увеличении чувствительности определения распространённости опухоли врачами с 37% до 97% при использовании системы. Эти показатели относятся к конкретным исследованиям и условиям их проведения, а не к новому независимому испытанию Surgery Mode от 20 октября. Они не означают, что система обеспечивает 92-процентную успешность операций, устраняет риск рецидива или гарантирует сохранение функций организма. В пресс-релизе разработчик также ссылается на рецензируемое исследование, результаты которого указывают на возможность уменьшения частоты положительных хирургических краёв. Положительный хирургический край означает, что при исследовании удалённой ткани раковые клетки обнаружены у её границы. Однако прогнозируемое снижение такого показателя не следует представлять как уже доказанное уменьшение рецидивов после массового применения нового режима.

Помимо хирургической визуализации обновление включает усовершенствованный список пациентов, фильтрацию клинических случаев, отметки этапов подготовки, проверку административных согласований и возможность добавлять заметки непосредственно в карточку пациента. Таким образом, Avenda Health развивает Unfold AI не только как алгоритм анализа медицинских изображений, но и как инструмент повседневной работы медицинской команды. Платформа предназначена для поддержки решений при активном наблюдении, очаговом лечении, лучевой терапии и хирургических вмешательствах. Компания сообщает о запуске Surgery Mode, однако не раскрывает количество операций, уже выполненных с этим режимом, и не приводит результаты отдельного проспективного исследования его влияния на послеоперационные осложнения или долгосрочную выживаемость. Поэтому фактическую клиническую эффективность именно нового применения ещё предстоит оценить.

Для мировой индустрии искусственного интеллекта событие показывает важный переход: медицинский ИИ выходит за пределы кабинета диагностики и начинает сопровождать специалиста непосредственно в ходе лечения. Практическая ценность здесь определяется не только точностью алгоритма, но и тем, насколько удобно врачу сопоставлять его рекомендации с реальной анатомией, насколько надёжно отображаются данные и сохраняется ли ответственность медицинского персонала. В отличие от новости ModMed от 16 октября о будущей аналитике для управления специализированными клиниками, Avenda Health расширила существующий клинический продукт на хирургический этап лечения. Главный вывод заключается в том, что ИИ становится частью рабочего инструментария хирурга, но окончательные решения и проверка результата по-прежнему остаются за медицинскими специалистами.

Источник: www.prnewswire.com

Архитектура и технологии внедрения

IBM и Red Hat выпустили llm-d 1.0: в испытаниях система обслужила 3000 ИИ-агентов одновременно

20 октября IBM, Red Hat и другие участники открытого проекта llm-d объявили о выпуске версии 1.0 — программной инфраструктуры для распределённого выполнения больших языковых моделей в промышленных условиях. Новая версия предназначена для организаций, которые разворачивают ИИ на собственных серверах или в облачных вычислительных кластерах и должны одновременно обслуживать пользователей, программных агентов и разные приложения. Проект был основан в 2025 году компаниями Red Hat, IBM, Google Cloud, CoreWeave и NVIDIA. Сейчас он развивается под управлением Cloud Native Computing Foundation (CNCF). Главным изменением версии 1.0 стала не поддержка очередной модели, а готовность инфраструктуры к длительной работе под нагрузкой: разработчики добавили механизмы приоритетного распределения запросов, отказоустойчивости и обновления компонентов без планового прекращения обслуживания. На конференции PyTorch Conference North America участники проекта представили результаты испытаний, в которых система одновременно обслуживала до 3000 ИИ-агентов, выполнявших задачи программирования. Это важный этап развития открытой инфраструктуры ИИ, поскольку масштабное использование нейросетей требует не только мощных ускорителей, но и эффективного управления вычислениями.

Проблема, которую решает llm-d, возникает при переходе от отдельных запросов к непрерывно работающим ИИ-сервисам. Обычный пользователь ожидает быстрый ответ на вопрос, тогда как автономный агент может многократно обращаться к модели, изучать документы, вызывать инструменты и возвращаться к уже обработанному контексту. Если такие запросы распределяются между серверами без учёта предыдущей работы, инфраструктура вынуждена повторно выполнять одни и те же вычисления. Это увеличивает задержки, расходует память графических ускорителей и повышает стоимость обслуживания. Проект llm-d использует Kubernetes и объединяет существующие движки выполнения моделей, в том числе vLLM и SGLang, в единую распределённую систему. Он поддерживает маршрутизацию с учётом уже сохранённого контекста, перенос кешированных данных между уровнями памяти, распределение вычислительных этапов между серверами и совместную работу множества ускорителей. Эти технические подходы существовали и до версии 1.0. Новое обновление направлено на то, чтобы они устойчиво работали вместе при изменяющейся нагрузке и конкуренции нескольких приложений за общие ресурсы.

Одно из ключевых нововведений llm-d 1.0 — управление качеством обслуживания в инфраструктуре с несколькими независимыми пользователями и сервисами. Система учитывает приоритет запросов и регулирует распределение ресурсов, чтобы интенсивная работа фоновых ИИ-агентов не блокировала интерактивные обращения сотрудников. Например, если десятки программных агентов одновременно проверяют код, запрос человека к корпоративному помощнику не должен автоматически оказываться в конце общей очереди. Для обеспечения непрерывности работы разработчики добавили резервирование маршрутизатора, согласованное последовательное обновление компонентов и механизмы сохранения обслуживания во время плановой замены программных версий. Появился стабильный интерфейс конфигурации версии 1. Отдельные улучшения учитывают особенности многошаговых агентных задач: запросы одной сессии направляются к серверам, сохранившим соответствующий контекст, а обработка последовательных обращений оптимизируется с учётом приоритетов. Это позволяет уменьшить повторные вычисления, но не исключает полностью задержки, перегрузки или технические сбои. Заявленная отказоустойчивость относится к предусмотренным сценариям эксплуатации, а не к гарантии абсолютной бесперебойности любого кластера.

Разработчики подкрепили объявление результатами конкретных испытаний. В одном из них использовалась открытая модель GLM 5.2 приблизительно с 753 млрд параметров, размещённая на графических ускорителях NVIDIA. При параллельном выполнении агентных задач система достигла пиковой скорости более 6,6 млн выходных токенов в минуту и обслуживала до 3000 одновременно работающих агентов программирования без принудительного прерывания задач. По расчётам участников проекта, стоимость генерации токенов в данной конфигурации оказалась в пять–десять раз ниже сопоставимых коммерческих тарифов API при характерной для агентов нагрузке с большим объёмом входных данных. Однако сравнение основано на конкретной модели, тестовом сценарии и принятых расценках облачной аренды. Оно не означает, что любой пользователь llm-d автоматически сократит расходы в десять раз. В другом исследовании IBM Research использовала llm-d для задач, связанных с исследованием оборудования квантовой коррекции ошибок. По данным компании, повторно использовалось около 98% контекстного кеша, а вычислительные расходы оказались в 11,5 раза ниже полностью проприетарного варианта. Эти показатели относятся к отдельному применению и не должны объединяться с результатами испытания 3000 агентов.

У проекта уже сформировалось сообщество более чем из 500 участников, представляющих свыше 25 организаций. Среди технологических партнёров — разработчики моделей, поставщики графических ускорителей и облачные операторы. Google Cloud сообщила о работе над интеграцией llm-d 1.0 с Google Kubernetes Engine и поддержкой инфраструктуры на TPU и графических ускорителях NVIDIA. Red Hat развивает использование технологий проекта через Red Hat AI Inference и OpenShift AI. При этом открытость исходного кода не делает эксплуатацию бесплатной: организациям по-прежнему необходимы ускорители, специалисты по инфраструктуре, мониторинг, защита данных и проверка устойчивости под реальной нагрузкой. В отличие от новости Amazon от 19 октября о TorchNeuron, которая посвящена переносу программ PyTorch на чипы Trainium, llm-d 1.0 решает другую задачу — управление выполнением моделей на уровне распределённого кластера. Это также отличается от оптимизации конкретной модели Reflection Beam в Google Cloud, представленной 16 октября: llm-d предлагает открытую инфраструктуру для разных моделей и поставщиков оборудования. Главный вывод состоит в том, что индустрия переходит от соревнования в скорости отдельных нейросетей к созданию надёжных систем, способных экономично обслуживать тысячи пользователей и ИИ-агентов одновременно.

Источник: newsroom.ibm.com; research.ibm.com; www.redhat.com

Финансы

Otter.ai привлекла $320 млн без продажи акций: инвесторы делают ставку на ИИ-агентов для бизнеса

20 октября американская компания Otter.ai, разрабатывающая искусственный интеллект для расшифровки деловых разговоров и управления информацией из совещаний, объявила о закрытии финансирования на 320 млн долларов от фонда Customer Value Fund инвестиционной компании General Catalyst. Особенность сделки заключается в её финансовой конструкции: привлечённые средства не являются обычными инвестициями в обмен на долю собственности. Генеральный директор Otter.ai Сэм Лян подтвердил Reuters, что компания обязана вернуть финансирование с процентами, а действующие акционеры не теряют долю в результате выпуска новых акций. Средства предназначены для расширения корпоративного направления, выхода на дополнительные международные рынки, развития продаж и совершенствования продуктов. Это завершённое финансирование, а не предварительная договорённость. При этом 320 млн долларов нельзя автоматически считать ни выручкой Otter.ai, ни оценкой стоимости компании, ни безвозвратным инвестиционным грантом.

Otter.ai начинала как сервис автоматической расшифровки разговоров, но постепенно превратилась в платформу для работы с корпоративными знаниями. Она записывает и преобразует речь в текст, различает участников обсуждения, позволяет искать информацию по прошлым встречам и выделять задачи, возникающие во время переговоров. Компания развивает ИИ-агентов, способных участвовать в совещаниях, отвечать на вопросы и помогать выполнять последующие действия. Её стратегическая цель — превратить накопленные разговоры в доступную для сотрудников базу знаний, связанную с повседневными рабочими процессами. По собственным данным Otter.ai, платформой воспользовались более 40 млн человек, а общее количество обработанных встреч превысило миллиард. Компания также заявляет, что её пользователи присутствуют в организациях, входящих более чем в 86% списка Fortune 500. Однако это не означает, что 86% крупнейших американских компаний заключили с Otter.ai корпоративные договоры: значительная часть использования возникла благодаря самостоятельному подключению отдельных сотрудников и команд.

Финансирование General Catalyst отличается от традиционного венчурного раунда. Обычно инвестор предоставляет деньги в обмен на акции и рассчитывает получить доход при росте стоимости компании или её продаже. Customer Value Fund использует модель финансирования коммерческого роста без немедленного размывания капитала. Деньги направляются прежде всего на привлечение клиентов и развитие продаж, а возврат инвестору связан с будущими результатами коммерческой деятельности. Сэм Лян сообщил Reuters, что Otter.ai планирует вернуть предоставленные средства с процентами по мере получения доходов от расширения продаж и маркетинга. Руководитель также допустил предоставление дополнительного финансирования после использования первоначальной суммы. Конкретный график погашения, процентная ставка и полные договорные условия публично не раскрыты. Поэтому такую сделку нельзя приравнивать к бесплатному капиталу: компания сохраняет доли акционеров, но принимает обязательства, которые необходимо обслуживать за счёт будущего бизнеса.

Otter.ai намерена увеличить бюджет продаж и маркетинга в два-три раза, расширить сравнительно небольшую команду продавцов и активнее выходить за пределы существующих рынков. Сейчас крупнейшим рынком компании остаются США, за которыми следуют Канада, Великобритания и Индия. Платформа поддерживает несколько языков, включая испанский, французский, немецкий, японский и китайский. Сэм Лян сообщил о намерении как минимум удвоить корпоративную выручку в следующем году и выразил надежду на её утроение. Однако это управленческая цель, а не заключённый контракт и не подтверждённый финансовый результат. Руководитель отказался раскрывать текущую корпоративную выручку, долю платящих пользователей и точный целевой показатель. По данным TechCrunch, в 2025 году Otter.ai преодолела отметку в 100 млн долларов годовой повторяющейся выручки, но обновлённые показатели компания не предоставила. Следовательно, нельзя вычислять её текущие доходы или прибыль на основании суммы привлечённого финансирования и общего числа пользователей.

В обоснование перспектив бизнеса Otter.ai приводит собственную оценку экономического эффекта для клиентов: более 1,5 млрд долларов совокупной отдачи за счёт сэкономленного рабочего времени. По информации Reuters, расчёт опирается в том числе на опросы, согласно которым платящие пользователи экономят не менее четырёх часов в неделю, и на анализ одного крупного управляющего активами, зафиксировавшего отдачу не менее десяти долларов на каждый потраченный доллар. Эти цифры нельзя считать независимо проверенной прибылью клиентов или суммой денежных поступлений Otter.ai. Сервис работает на конкурентном рынке, где решения для записи и анализа совещаний предлагают Fireflies.ai, Granola, Read AI и другие компании. Кроме того, корпоративным заказчикам необходимо учитывать конфиденциальность переговоров, разрешения на запись, хранение персональных данных и разграничение доступа к содержанию встреч. Долгосрочная ценность платформы будет зависеть от того, насколько точно ИИ фиксирует договорённости и насколько полезно превращает их в реальные действия.

Для мирового рынка ИИ сделка показывает развитие альтернативных механизмов финансирования быстрорастущих технологических компаний. Инвесторы готовы предоставлять значительные суммы не только разработчикам базовых моделей и вычислительных ускорителей, но и поставщикам прикладных продуктов с большой пользовательской базой и перспективами корпоративных продаж. В отличие от инвестиционного раунда Tenstorrent от 19 октября на 1,5 млрд долларов, связанного с расширением аппаратного бизнеса, финансирование Otter.ai направлено преимущественно на коммерческое масштабирование уже работающего программного продукта. Другая принципиальная разница заключается в отсутствии выпуска акций при привлечении капитала. Для Otter.ai успех будет определяться ростом платной корпоративной аудитории, удержанием клиентов и способностью выполнить финансовые обязательства. Главный вывод — бизнес на прикладных ИИ-агентах становится достаточно значимым для крупных схем финансирования, но высокая сумма сделки сама по себе ещё не доказывает прибыльность компании или устойчивость выбранной модели роста.

Источник: otter.ai; www.reuters.com; techcrunch.com

Инструменты и интеграции

Visa, BILL и Billtrust запустили ИИ-агентов для реальных платежей между компаниями

20 октября платёжная система Visa совместно с финансовыми платформами BILL и Billtrust объявила о запуске действующего пилотного проекта, в котором доверенные ИИ-агенты самостоятельно выполняют уже согласованные платежи по счетам поставщиков. Система соединяет процессы кредиторской задолженности покупателя с платёжным порталом поставщика и позволяет завершать операции без ручного ввода реквизитов сотрудником. По официальному сообщению Visa, пилот уже обрабатывает реальные сквозные транзакции с участием покупателей, использующих BILL, и поставщиков, подключённых к Billtrust. Компании называют его первым действующим пилотом такого взаимодействия между платформами покупателей и поставщиков. Однако речь идёт об ограниченном испытании с участвующими организациями, а не о запуске универсальной функции для всех клиентов Visa. Главное событие заключается в переходе от демонстраций автоматизированных платежей к фактической обработке согласованных коммерческих операций ИИ-агентами.

Проблема, которую решают участники проекта, хорошо знакома финансовым подразделениям предприятий. Даже если счёт поставщика уже зарегистрирован в учётной системе, прошёл проверку и получил необходимые согласования, последний этап платежа нередко требует ручной работы. Сотрудник открывает портал поставщика, проходит аутентификацию, выбирает счёт, вводит платёжные данные и подтверждает операцию. Разные поставщики используют собственные интерфейсы, правила приёма карт и средства защиты от автоматических действий. Поэтому полная автоматизация процесса часто останавливается непосредственно перед перечислением денег. Новый пилот объединяет платформу BILL, обслуживающую процессы оплаты на стороне покупателя, Billtrust, управляющую приёмом платежей на стороне поставщика, и инфраструктуру Visa Intelligent Commerce. Вместе они позволяют доверенному программному исполнителю пройти последний этап операции, сохраняя предусмотренный контроль обеих сторон.

Техническая основа решения — Visa Trusted Agent Protocol и реестр Agentic Directory. Платёжный агент BILL регистрируется как уполномоченный исполнитель и действует в рамках заранее утверждённых покупателем инструкций. Для проведения операции используются токенизированные платёжные данные, а не передаваемые агенту постоянные учётные данные для входа в портал поставщика. Когда агент обращается к платёжной странице Billtrust, система распознаёт его и проверяет полномочия через протокол Visa. После успешной проверки агент может получить доступ к предусмотренному сценарию оплаты конкретного счёта. Такой механизм позволяет преодолевать препятствия, которые традиционно создают CAPTCHA и другие средства блокировки автоматизированного доступа, не отключая проверку доверенности самого исполнителя. Важное уточнение: это не универсальный обход защитных механизмов любых сайтов. Доступ предоставляется в рамках согласованной интеграции и правил участвующего поставщика.

Разработчики особо подчёркивают, что ИИ-агент не принимает решение о необходимости платежа самостоятельно. Счёт должен быть предварительно согласован покупателем, а действия программного исполнителя ограничены конкретным поручением. Платформа использует платёжные токены, связанные с одобренной операцией, и сохраняет сведения об авторизации и завершении платежа. Таким образом, система разделяет две функции: человек или уполномоченный корпоративный процесс определяет, какие обязательства разрешено оплатить, а агент выполняет техническую часть уже принятого решения. Для поставщика сохраняются действующие правила приёма платежей и возможность получить информацию, необходимую для сопоставления поступления с выставленным счётом. Это принципиально отличается от сценария, в котором автономной модели предоставляют неограниченный доступ к банковскому счёту и разрешают самостоятельно выбирать получателей, суммы и основания перечислений.

Для предприятий потенциальная выгода состоит в сокращении ручного ввода данных, уменьшении числа переключений между финансовыми системами и ускорении поступления средств поставщикам. BILL сообщает, что её платформой пользуются почти 500 тысяч предприятий, однако эта цифра характеризует общую клиентскую базу компании и не означает участия всех этих организаций в пилоте. Billtrust рассчитывает ускорить получение и обработку платежей поставщиками, включая возможность сокращения периода между выставлением счёта и поступлением денег. При этом участники не раскрыли количество уже проведённых агентами транзакций, их денежный объём, частоту ошибок, стоимость обработки или достигнутую экономию времени. Следовательно, нельзя утверждать, что технология уже доказала определённый процент снижения расходов либо получила массовое распространение. Для независимой оценки потребуются данные о количестве успешных операций, отклонениях, ошибочных сопоставлениях платежей, времени выполнения и работе механизмов контроля при нестандартных ситуациях.

Значение события для мирового рынка ИИ состоит в появлении практического примера взаимодействия автономных исполнителей сразу между несколькими финансовыми платформами. До сих пор многие корпоративные агенты ограничивались поиском информации, подготовкой документов и рекомендациями сотрудникам. Здесь программный агент переходит к выполнению реальной финансовой операции, но только после подтверждения её законности и допустимости на стороне покупателя. Visa Trusted Agent Protocol был представлен ещё в 2025 году; новостью 20 октября 2026 года стало использование соответствующих механизмов в действующем пилоте межкорпоративных платежей. В отличие от объявления BILL от 19 октября о проверке счетов, административном управлении ИИ и подключениях через MCP, совместный проект с Visa и Billtrust посвящён непосредственно завершению согласованных денежных операций в системе стороннего поставщика. Главный вывод — коммерческие ИИ-агенты начинают переходить от анализа финансовых документов к фактическому исполнению платежей, причём ключевым условием становятся проверяемая идентичность агента, ограниченные полномочия и сохранение человеческого контроля над решением об оплате.

Источник: corporate.visa.com; visa.gcs-web.com

Возможности для бизнеса

Аудит ИИ-моделей и технологических зависимостей компаний

Раскрытие американского распоряжения об исключении DeepSeek из федеральных гражданских систем показывает новую проблему корпоративной безопасности: организация может использовать модель определённого разработчика, даже не подозревая об этом. Нейросеть может находиться внутри стороннего сервиса, программного соединителя, локального приложения или внутренней системы, созданной подрядчиком. При этом происхождение модели, место обработки информации и условия передачи данных способны повлиять на допустимость её использования. На этой основе можно предложить предприятиям специализированный аудит используемых ИИ-технологий. Его цель — не объявлять отдельного производителя опасным, а установить фактический состав применяемых решений, зафиксировать каналы движения данных и определить риски в соответствии с требованиями конкретной организации и её юрисдикции.

Первый этап услуги — инвентаризация. Исполнитель изучает используемые сотрудниками ИИ-сервисы, корпоративные приложения, программные интерфейсы и интеграции, выясняет, какие модели задействованы, кто управляет ими и какие сведения им передаются. Для каждого компонента формируется карточка с разработчиком, поставщиком инфраструктуры, назначением, категорией обрабатываемых данных, условиями хранения и возможностью отключения или замены. Отдельно проверяются внешние помощники, которым предоставлен доступ к документам, электронной почте, учётным системам и внутренним базам знаний. Если происхождение модели или маршрут передачи информации невозможно подтвердить, это обозначается как пробел в сведениях, а не заменяется предположением. Результатом становится понятная карта технологических зависимостей и перечень конкретных мер по снижению рисков.

Коммерческую услугу можно разделить на первоначальную проверку и регулярное обновление реестра ИИ-компонентов. Предприятие получает отчёт о фактическом использовании технологий, матрицу рисков и рекомендации по разграничению доступа, локальному развёртыванию или замене поставщика. Основные показатели полезности — доля идентифицированных компонентов, количество необоснованных разрешений, обнаруженные каналы передачи конфиденциальной информации и время, необходимое для проверки нового сервиса. На старте достаточно ручного обследования ограниченного набора систем и формирования воспроизводимой методики; разработка собственной платформы не обязательна. Важно учитывать, что распоряжение DHS распространяется на определённые федеральные системы США и само по себе не создаёт аналогичного запрета для частных компаний других стран. Это бизнес-гипотеза консультационной услуги, а не уже существующий сертифицированный продукт и не универсальная юридическая оценка безопасности DeepSeek.

Источник: https://www.reuters.com/technology/us-banning-chinese-ai-deepseek-government-agency-it-systems-2026-10-19/

Оптимизация расходов на корпоративные ИИ-модели и агентные системы

Выпуск llm-d 1.0 показывает, что существенная часть стоимости корпоративного искусственного интеллекта определяется организацией вычислений, а не только выбором модели. Когда множество программных агентов одновременно обращается к нейросети, серверы могут повторно обрабатывать один и тот же контекст, неравномерно распределять запросы и создавать длинные очереди. В результате предприятие оплачивает дополнительное вычислительное время, а сотрудники получают медленные ответы. Открытая инфраструктура llm-d поддерживает маршрутизацию с учётом кеша, управление приоритетами и распределённое выполнение моделей. На этой основе можно создать инженерную услугу по анализу и снижению расходов на действующие корпоративные ИИ-системы. Её ценность заключается в измеримой оптимизации конкретной нагрузки, а не в обещании универсального многократного ускорения.

Работа начинается с обследования текущей инфраструктуры. Необходимо определить используемые модели, число одновременных пользователей и агентов, средний объём входных и выходных данных, повторяемость контекста, задержки и полную стоимость обработки запросов. Затем выбирается один характерный сценарий, например корпоративный поиск по документам или выполнение заданий несколькими программными агентами. Для него проводится сравнительное испытание существующей архитектуры и альтернативной конфигурации с поддержкой повторного использования кеша, приоритетного обслуживания и более эффективного распределения запросов. В качестве технической основы можно оценивать llm-d, vLLM и совместимые инструменты, но конкретный выбор должен зависеть от модели и условий эксплуатации. Отдельно измеряются качество ответов, устойчивость при пиковых нагрузках и влияние настроек на интерактивную работу сотрудников. Сокращение вычислительных расходов не должно достигаться за счёт потери данных или неприемлемого ухудшения качества.

Для заказчика итогом становится сравнительный отчёт с проверяемыми цифрами: стоимость тысячи или миллиона токенов, цена завершённой агентной задачи, скорость генерации, задержки, использование ускорителей и расходы на сопровождение. Возможная коммерческая модель — фиксированная стоимость диагностики, платный пилот и дальнейшая настройка инфраструктуры. Начинать целесообразно с компаний, уже несущих заметные расходы на ИИ, поскольку для небольшого числа запросов сложный собственный кластер может оказаться дороже обычного облачного API. Представленные разработчиками llm-d результаты обслуживания 3000 агентов и снижения затрат в отдельных испытаниях нельзя переносить на произвольные рабочие нагрузки. Понадобятся независимые измерения в инфраструктуре каждого клиента. Это бизнес-гипотеза инженерной услуги, а не действующий сервис с подтверждённой экономией для заказчиков.

Источник: https://research.ibm.com/blog/llmd-1-0-is-ready-for-production-inference-serving

Управляемая автоматизация согласованных платежей поставщикам

Совместный пилот Visa, BILL и Billtrust показывает, что финансовые ИИ-агенты начинают выполнять не только подготовку документов, но и реальные денежные операции. При этом решение об оплате принимается заранее, а программный исполнитель получает ограниченное полномочие завершить конкретный платёж. Для предприятий можно разработать специализированную услугу по автоматизации последнего этапа расчётов с поставщиками, когда счета уже зарегистрированы и согласованы, но сотрудникам приходится вручную переносить сведения между учётной системой, банковским интерфейсом и платёжным порталом. Потенциальная польза — уменьшение повторного ввода, ускорение обработки документов и более точное сопоставление платежей с обязательствами. Приоритетом должна стать не автономность любой ценой, а сохранение управляемого и проверяемого процесса.

Минимальное решение может начинаться с получения разрешённого к оплате документа из действующей учётной системы. Программа проверяет наличие согласования, соответствие поставщика и суммы, отсутствие повторного платежа и допустимость выбранного способа перечисления. После этого формируется ограниченное платёжное поручение или задание для совместимого платёжного интерфейса. Перед выполнением операции проверяются полномочия исполнителя, а результат записывается в журнал вместе с идентификаторами счёта, платежа и согласования. Если реквизиты изменились, сумма не совпадает или внешняя система требует дополнительного подтверждения, автоматическое исполнение останавливается и вопрос передаётся ответственному сотруднику. ИИ может помогать распознавать документы и объяснять расхождения, но не должен самостоятельно выбирать получателей, изменять сумму или утверждать платежи. Следует использовать только официально поддерживаемые интерфейсы и разрешённые способы аутентификации, без обхода защиты банков и платёжных систем.

Пилот рекомендуется проводить на ограниченной группе поставщиков и небольшом объёме заранее согласованных операций. До допуска к реальным денежным средствам нужно проверить работу с повторными запросами, ошибками связи, отменёнными счетами, частичными платежами и несоответствием данных. Полезность измеряется временем от согласования до исполнения, количеством ручных действий, долей корректно сопоставленных платежей и числом исключений, потребовавших вмешательства человека. Коммерчески такую услугу можно предложить как интеграцию с существующими финансовыми системами и последующее сопровождение. Однако доступность Visa Trusted Agent Protocol, токенизации и межплатформенного взаимодействия необходимо проверять для конкретной страны, банка и поставщика: объявленный пилот не означает открытой доступности этих возможностей повсюду. Это самостоятельная бизнес-гипотеза, а не готовая платёжная платформа или предложение совершать операции без согласия владельца средств.

Источник: https://corporate.visa.com/en/sites/visa-perspectives/newsroom/visa-bill-billtrust-launch-pilot.html