Руководства, сравнения и новости об инструментах ИИ

«AGI» в разных компаниях означает разное. Устав OpenAI говорит о «высокоавтономных системах, превосходящих людей в большей части экономически ценной работы», исследователи Google DeepMind измеряют его уровнями по сравнению с квалифицированными людьми («Levels of AGI»), а генеральный директор Anthropic Дарио Амодеи избегает этого слова как неточного и говорит «powerful AI». Отталкиваясь от того, что AGI — универсальный ИИ, который, как человек, сам учится и решает задачи в любой области (на 2026 год ни одна система не признана широко достигшей его), статья для начинающих объясняет, чем он отличается от нынешнего узкого ИИ, приводит определение каждой компании по первоисточнику, объясняет, почему DeepMind относит ChatGPT к первому уровню «Emerging AGI», как соотносятся узкий ИИ, AGI и ASI, и собирает датированные высказывания о сроках с источниками («уже в 2026 году» Амодеи, «пять–десять лет» Хассабиса, 50% к 2047 году в опросе исследователей, пари скептика Гэри Маркуса), показывая, что значительная часть расхождений в прогнозах — это расхождение в определениях. В завершение — надежды, риски и распространённые заблуждения.

Окажетесь ли вы на стороне, у которой ИИ отбирает работу, или на стороне, что владеет ИИ и делает работу за десятерых? В 2026 году это развилка для инженеров. Статья представляет путь "AI-native разработчика" (создание приложений с LLM, агентами, RAG — в отличие от исследования моделей) как выстраиваемый набор навыков, а не докторскую степень, в трёх слоях: ① неизменный фундамент (Python как основной язык ИИ-разработки, Git, командная строка, HTTP/REST/JSON — основы нужны и в эпоху кода, написанного ИИ); ② 5 ключевых AI-native навыков (проектирование промптов/контекста, RAG как основа корпоративных агентов, создание агентов, MCP как де-факто стандарт подключения инструментов и проектирование evals — плюс оптимизация затрат, ограждения, наблюдаемость); ③ преимущество, которое большинство упускает, — проектирование evals и инженерия контекста (умение писать evals — сильнейший признак того, что человек "реально строил с LLM", а AGENTS.md/CLAUDE.md плюс небольшой набор evals — это скачок от "с помощником" к "native"). Добавлены дорожная карта на 8–12 месяцев (фундамент → LLM API/промптинг → постройте RAG без фреймворков → агенты + MCP → evals + развёртывание + публикация), стратегия портфолио, где развёрнутая работа важнее диплома, подводные камни (болото туториалов, коллекционирование инструментов, пренебрежение основами) и цифры рынка/спроса (на основе данных США, большой разброс по регионам). Граница — используете ли вы ИИ как систему.

Когда генеративно-ИИ рождественский ролик Coca-Cola в конце 2024 года раскритиковали как «бездушный», это символизировало перетягивание каната, которое ИИ привносит в маркетинг: «эффективность и результативность» против «доверия и эмоций». Эта статья обозревает тему, сначала измеряя положение дел в цифрах (около 87% маркетологов используют генеративный ИИ, рост с 51% в 2024 году; более 71% рекламных бюджетов управляются алгоритмами; Google создал около 70 миллионов креативов с помощью Gemini только за Q4 2025; расходы на ИИ-инструменты в маркетинге выросли примерно втрое за 18 месяцев). Она охватывает пять областей, которые меняет ИИ (① создание контента ② рекламный креатив ③ таргетинг и доставка / программатик ④ персонализация / DCO ⑤ аналитика и измерения) и сообщённые эффекты (компании, связавшие свои first-party данные, получали вдвое больше дополнительной выручки, по данным BCG, — все опубликованы, зависят от условий); ядро, которое не меняется (стратегия, бренд, доверие, прорывное творчество остаются за людьми — ИИ это усилитель, нулевая база означает нулевой ответ); тектонический сдвиг SEO/AEO/LLMO (с внутренними ссылками); риски (разрыв восприятия 82% руководителей против 45% потребителей в отношении ИИ-рекламы, правдоподобные выдумки, brand safety, права/регулирование, бесконтрольная работа на автомате); как смещается работа маркетолога (задачи забираются, ответственность за суждения тяжелее; от производителя к главному редактору и стратегу); и пятишаговый план практики на сегодня. Самое большое влияние ИИ — освобождение человеческого времени от делания ради решения.

По данным Anthropic, корпоративное использование Claude Code в среднем стоит $150–250 на разработчика в месяц, а долгий параллельный запуск агентов может заметно превысить эту сумму. Но достаточно изменить то, как вы пользуетесь инструментами, и вы сможете заметно сократить затраты без снижения качества результата. В этом руководстве сначала разобрано истинное лицо высоких затрат (дорогая модель, длинный контекст, лишние вызовы; как работает тарификация по токенам; команды агентов, расходующие примерно в 7 раз больше обычной сессии), затем точка безубыточности между подпиской и API (API обходится дешевле только при очень редком использовании — несколько раз в месяц; если вы пишете код каждый день, подписка почти наверняка выгоднее), обзор цен (Copilot Pro $10 / Cursor Pro $20, Pro+ $60 для ежедневной работы с агентами / Claude Pro $20, Max $100; Copilot перешёл на оплату по факту AI Credits 1 июня 2026), шесть рычагов снижения затрат (① маршрутизация моделей ② кэширование промптов примерно на −90% ③ управление контекстом ④ выбор между подпиской и API ⑤ проверка дублирующихся подписок ⑥ функции памяти), чек-лист экономии, применимый уже сегодня, и подводные камни — ложная экономия, скрытая стоимость труда, двойная оплата, шок от счётчика, чрезмерное доверие к кэшу — плюс рекомендуемые конфигурации по типам. Оптимизация — это не скупость, а проектирование того, чтобы платить нужную сумму за нужную вещь.

Выбирая ИИ для слайдов, начните с места показа и формата итогового файла. Разберите работу на структуру, текст и дизайн. В статье сравниваются Gamma, встроенный в PowerPoint Copilot, Gemini для Google Slides, Beautiful.ai, Canva, ChatGPT (@Presentations и надстройка для PowerPoint) и Claude Slides. Мы показываем, как превратить разговор с Claude в презентацию и когда вместо слайдов подойдёт документ в Claude Docs. Пять шагов охватывают путь от структуры до проверки цифр, источников и отображения экспортированного файла. Дополняют их три практических промпта и приёмы, помогающие подогнать объём информации под задачу. Независимо от того, используете ли вы одно приложение или несколько инструментов, проверяйте содержание и оформление отдельно.

Рукописная заметка, бумажный чек, английский внутри скриншота, вывеска на фото — перепечатка, которую вы всегда делали вручную, в 2026 году почти полностью не нужна благодаря ИИ. Это руководство начинается с того, чем AI OCR отличается от традиционного OCR (чтение по одному символу против понимания всей страницы по смыслу), затем сортирует три варианта (обычный чат-ИИ / специализированные инструменты вроде Google Lens / API и OSS, такие как Mistral OCR и PaddleOCR-VL) по сценариям. Сравниваются ChatGPT, Gemini Pro и Claude Opus по сильным сторонам (рукопись → семейство GPT, структурирование таблиц → семейство Claude, множество страниц → длинный контекст Gemini, «чистый» OCR → специализированные модели; абсолютного чемпиона нет), даются три готовых промпта (расшифровать, не ломая; таблица в Markdown; чек в JSON, все с правилом «не выдумывать»), лучший выбор под каждый случай (рукопись, чеки, PDF, сложные таблицы, вертикальный/старый текст, формулы и код), шесть советов по точности с качеством изображения как 80 % результата, и единственная величайшая слабость AI OCR — правдоподобно выдумать то, что не смог прочитать (всегда сверяйте суммы, даты и имена с оригиналом) — плюс предостережения о приватности при отправке конфиденциального, об авторских правах и использовании для обучения. ИИ можно доверить только «чтение»; подтверждение — за человеком, который видел оригинал.

Вы знаете, «что такое RAG», но при сборке ответ выходит мимо — потому что это всё ещё наивный RAG: небрежная нарезка и обычный векторный поиск. Как практическое продолжение вводной статьи о RAG, здесь поэтапно разбирается практический конвейер RAG 2026 года (умный chunking, embedding, vector DB, гибридный поиск, reranking): стратегии chunking (recursive 512 как дефолт, semantic/structural/parent-child, Contextual Retrieval с reranking, который, по данным Anthropic, сокращает неудачи извлечения в топ-20 вплоть до 67%), выбор модели embedding (text-embedding-3-large и др.), сравнение шести vector DB (Chroma для прототипирования, pgvector с Postgres, низколатентный Qdrant, полностью управляемый Pinecone, чемпион по гибриду Weaviate, крупномасштабный Milvus), гибридный поиск со слиянием BM25 + плотных векторов через RRF, retrieve-then-rerank с bi-encoder, затем cross-encoder (Cohere/Voyage/BGE/Jina), разделение LlamaIndex (извлечение) против LangChain/LangGraph (управление), почему окно в 1M токенов не заменяет RAG (lost in the middle, отвлечение) и нюансы вывода в продакшн, такие как построение набора для eval в первую очередь.

Вы знаете, «что такое ИИ-агент» — так как же построить его? В 2026 году без кода можно запустить рабочий агент за один вечер простым перетаскиванием, а современные SDK позволяют собрать практичный менее чем в 100 строк. Как практическое дополнение к «что такое ИИ-агент», здесь разбираются анатомия (мозг LLM + инструкции + инструменты + память + автономный цикл), два пути (без кода и с кодом), универсальный каркас сборки из 5 шагов (очерти задачу, выбери основу, напиши инструкции, подключи инструменты, тестируй на малом), сравнение инструментов без кода (Dify как полноценная платформа, n8n для бизнес-интеграции, Flowise для прототипирования и самые простые Custom GPT/Gemini Gems/Claude Projects), сравнение кодовых фреймворков (надёжные Claude Agent SDK/OpenAI Agents SDK, LangGraph для сложного контроля, CrewAI для координации ролей), конкретный разобранный пример (суммировать письмо в поддержку, затем уведомить в Slack), стоимость (~$20-$60/месяц за платформу плюс использование модели) и ориентиры по срокам, а также ловушки (не расширяй область чрезмерно, права доступа и контроль над «разносом», остерегайся «только PoC»). Большинству людей правильный ход — сначала собрать один агент без кода.

«ChatGPT, Claude или Gemini — на что оформить подписку?» В 2026 году все три стоят около $20 в месяц и все первоклассны, поэтому единственного «вот этот побеждает» нет. Правильный вопрос — «какой лучше для вашего сценария использования». На основе консенсуса по источникам разобраны основы (поставщик, основное семейство моделей, цены бесплатного/стандартного/премиального тарифов), различия характеров (Claude = мастер письма/анализа/кода, ChatGPT = универсал с экосистемой и изображениями/голосом, Gemini = мультимодальность, длинный контекст, интеграция с Google), подробная таблица по сценариям (письмо, код, общее, генерация изображений, голос, понимание изображений/PDF/видео, очень длинный текст, интеграция с Google, исследования, русский язык), как выбрать план по объёму использования и умная связка из двух инструментов, когда нельзя выбрать один (одно ядро + один, чтобы закрыть пробелы). Лидер меняется каждые несколько месяцев, поэтому вместо погони за фиксированным «лучшим» используйте каждый по сильной стороне и измеряйте на своих задачах на бесплатном тарифе.

Claude Code внезапно останавливается с «войдите снова», «лимит запросов», «слишком длинный промпт», «MCP не подключается» — а гуглить каждую утомительно. Это практический справочник, который каталогизирует часто встречающиеся ошибки, с причиной и командой для запуска по каждой. Он начинается с трёх диагностических команд, которые стоит запустить первыми (claude doctor для полной диагностики, /status для активной авторизации, /context для разбивки контекста), затем фокусируется на четырёх частых семействах (использование/лимиты запросов, переполнение контекста, истёкшая авторизация, сбои подключения MCP) с таблицами симптом→причина→команда по авторизации и входу, использованию/лимитам (один сеанс отладки может израсходовать больше, чем день общения в чате), контексту и токенам (слишком длинный промпт, пробуксовка сжатия), серверу и модели (500/529/тайм-аут/model not found), установке/PATH/обновлению, сети и прокси (ECONNREFUSED, TLS), MCP, разрешениям (deny побеждает bypass) и прочему (400 thinking blocks, изображения/PDF, IDE). Завершается шпаргалкой «ошибка→исправление» и FAQ. На основе официальной документации Claude Code (по состоянию на 2026): застряли — запустите три диагностические команды, и если не исправилось, выполните claude update.

ИИ может создавать черновики транскриптов, резюме, решений и задач. Руководство сравнивает специализированные сервисы и собственную схему работы, объясняет проверенные лимиты Otter и Notta, запись без бота в Granola и локальный Whisper. Рассмотрены встроенный ИИ Zoom, Teams и Meet, запрос для протокола, испытание на одинаковой разрешённой записи и проверка имён, чисел, ответственных и сроков. Локальная транскрипция с последующим облачным резюме всё равно передаёт содержание наружу. Названия продуктов не гарантируют конфиденциальности, точности или экономии времени; сравнительные измерения здесь не проводились.

Cursor, Claude Code, GitHub Copilot и Codex раньше можно было развести по типам: «редактор / плагин / CLI / облако». Но когда 22 сентября 2026 года мы заново перечитали официальную документацию всех четырёх компаний, оказалось, что все они работают в терминале, IDE, десктопном приложении, облаке и на смартфоне, а также друг внутри друга. В статье с источниками разобраны три вещи, в которых сегодня и проявляется разница: доступные модели (у Cursor и Copilot — разных компаний, у Claude Code — только Claude, у Codex — только OpenAI), цена и способ подсчёта расхода (бесплатные планы, месячные тарифы от Go за $8 до $200, месячные лимиты и лимиты на 5 часов и неделю, оплата сверх лимита) и домашняя база (собственный редактор, GitHub, подписки Claude и ChatGPT). Кроме того — различия в работе с PR и ревью на GitHub, выбор по восьми ситуациям, способы совмещать инструменты и порядок сравнения на своём репозитории за 30 минут. Ошибки прежней версии вроде «Copilot самый дешёвый» и «примерно в 4 раза экономнее по токенам» исправлены в конце статьи.