Руководства, сравнения и новости об инструментах ИИ

Обряд посвящения младших консультантов — бессонные ночи над слайдами, бесконечный ручной поиск — трещит по швам. "Lilli" от McKinsey просматривает 100 000+ документов за секунды и набрасывает презентации; "Deckster" от BCG мгновенно доводит слайды; по одной из оценок ~80% исследовательской и слайдовой работы младшего аналитика могут быть заменены за секунды. Как следующий выпуск серии "Влияние ИИ по отраслям" после #068 (торговые компании) и #094 (маркетинг), статья обозревает консалтинг: картину в цифрах (Big Four и стратегические дома вложили 10+ млрд долларов в ИИ с 2023 года, PwC 1 млрд за три года, BCG ~25% выручки в 14,4 млрд за 2025 год = ~3,6 млрд от ИИ, исследование HBS с 758 консультантами BCG: пользователи ИИ делали на 12,2% больше задач, на 25,1% быстрее, на 40%+ качественнее), пять областей, которые меняет ИИ (исследования, слайды, анализ, протоколы и новые ИИ-стратегические услуги — пока чистый создатель рабочих мест в крупных фирмах), крах пирамидальной модели (рутинная работа джуниоров, ~80% по одной из оценок, автоматизируется за секунды; движение к компактным командам несколько-человек-плюс-ИИ с тревогой за карьерный конвейер), тектонический сдвиг цен (парадокс производительности — закончить быстрее значит выставить меньше при почасовых ставках — и 73% клиентов предпочитают оплату по результату, толкая переход к оплате по результату и фиксированной цене), неизменную суть ценности (постановка вопроса, интерпретация, суждение, доверие, исполнение — консультант, управляющий системой, важнее самой системы), разделение на гигантов-танкеров против бутиков-катеров (рост небольших фирм до 50% по оценкам) и советы по ролям для соискателей, практиков и компаний-клиентов. Вопрос, который ставит ИИ: ваша ценность — это работа или суждение?

На форуме в Davos в январе 2026 года ведущие умы отрасли столкнулись по поводу «AGI уже не за горами» против «до сути ещё далеко» — а запалом послужил AGI (Artificial General Intelligence). Эта понятная для новичков статья начинается с того, что такое AGI — «универсальный ИИ, который, подобно человеку, способен сам учиться и решать даже совершенно новые задачи в любой области» (хотя это ещё не реализованная цель на 2026 год), — затем разбирает решающее отличие от сегодняшнего узкого ИИ в стиле ChatGPT (может ли он «переносить» знания в другую область; обобщение и автономное освоение навыков), трёхступенчатую схему узкий ИИ → AGI → ASI (сверхинтеллект), широкий разброс прогнозов экспертов по срокам (Amodei из Anthropic оптимистичен — в пределах нескольких лет/около 2027 года, Hassabis из DeepMind осторожен — ~50% к 2030 году, медиана опроса исследователей — 2047 год, скептики вроде Marcus говорят, что это далеко или не случится — разброс проистекает из различающихся определений), насколько сегодняшний ИИ близок (ниже человеческого базового уровня на ARC-AGI, но подбирается к порогу за счёт мультимодальности и агентов), надежды (ускорение исследований болезней и науки) и риски (рабочие места, злоупотребления, проблема согласования — позиционируемая Anthropic и UK AISI как критическая точка принятия решений), а также частые мифы вроде «ChatGPT — это уже AGI» и «AGI = обладает сознанием». Ни чрезмерно боясь, ни чрезмерно мечтая, освойте узкий ИИ, что у вас в руках, спокойно наблюдая за тем, что придёт дальше.

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 (DCO с ~32% более высокой CTR и ~56% более низкой CPC, тексты от ИИ с 3,2-кратным ROI, first-party/контекстный таргетинг вплоть до 2-кратного ROAS — 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.

«Счёт за API в прошлом месяце… $1 800?» В 2026 году о серьёзном запуске Claude Code как агента сообщалось как о достигающем $500–2 000 в месяц. Но достаточно изменить то, как вы пользуетесь инструментами, и вы сможете сократить затраты на 70–85% без снижения качества результата (к этому сходятся многочисленные практические отчёты). В этом руководстве сначала разобрано истинное лицо высоких затрат (дорогая модель, длинный контекст, лишние вызовы; как работает тарификация по токенам; агенты, потребляющие примерно в 7x больше одной сессии), затем точка безубыточности между подпиской и API (API выигрывает примерно лишь до 50 сессий в месяц; по одной оценке подписка до 36x дешевле при ежедневном использовании), обзор цен (Copilot Pro $10 / Cursor Pro $20, $60–100 при интенсивном использовании / Claude Pro $20, Max $100; Copilot перешёл на оплату по факту AI Credits 1 июня 2026), шесть рычагов снижения затрат (① маршрутизация моделей для −40–70% ② кэширование промптов примерно на −90% с долей попаданий 60–80% 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.

Презентация — завтра с утра, а слайды пустые — но напечатайте одну строку с темой, и через минуты перед вами 20 черновых слайдов. Это ИИ-слайды в 2026 году. Гид разбивает создание слайдов на три этапа (структура, текст, дизайн) и излагает два подхода: генерация «всё в одном» (дайте тему — получите всё) против разделения труда (доведите структуру и текст в ChatGPT/Claude/Gemini, затем оформите специализированным инструментом). Сравниваются основные инструменты (быстрый Gamma, нативный-.pptx-без-поломок Copilot в PowerPoint, сильный в совместной работе Gemini для Google Slides, самый красивый Beautiful.ai, богатый шаблонами Canva, надстройка ChatGPT для PowerPoint, запущенная в мае 2026 — абсолютного чемпиона нет; выбирайте по выходу), самый воспроизводимый процесс из 5 шагов (структура → текст → влить в инструмент дизайна → проверить цифры и источники → экспорт в .pptx/Slides), три готовых промпта (план, развернуть слайд с заметками докладчика, переформатировать для инструмента дизайна), шесть приёмов для слайдов, которые попадают в цель (одно сообщение на слайд, сократить текст вдвое и др.) и подводные камни — поломка вёрстки .pptx, раздутый первый черновик, правдоподобно выдуманные данные, отправка конфиденциального и закрытие инструментов (закрытие слайдов Tome в апреле 2025 как урок). ИИ — партнёр, который выдаёт черновик в одно мгновение; сокращение и проверка — работа человека.

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 (GPT-5.5), Gemini 3.1 Pro и Claude (Opus 4.8) 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 статьи 030, 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, по сообщениям сокращающий неудачи извлечения 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 (~$10-$50/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 (Claude Code сжигает в 10-100 раз больше токенов, чем чат), 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.

Вы по-прежнему тратите час-другой каждую неделю, набирая протокол вручную с записи? В 2026 году бо'льшую часть этого можно автоматизировать. Это руководство разбивает протокол на четыре этапа (запись → расшифровка → резюмирование → извлечение решений и задач), сравнивает два подхода (специализированный ИИ, который присутствует на звонке, против DIY-схемы запись → ИИ для расшифровки → LLM), сопоставляет основные инструменты (Otter, Notta, Fireflies, tl;dv, Fathom, Granola — с пометкой, что точность заявлена вендорами), охватывает встроенный ИИ в Zoom/Teams/Meet, проходит путь DIY с Whisper и ChatGPT/Claude/Gemini и примером промпта «не заполняй пробелы догадками», даёт пять советов для повышения точности (качество звука, словарь имён собственных, диаризация спикеров, соответствие языку, шаблонный промпт) и излагает оговорки о приватности, согласии и чрезмерном доверии. Последняя линия обороны — человек: всегда просматривайте решения и задачи глазами.