Мифы о полнолунии

Подборка правдоподобно звучащих мифов о Луне, большинство из которых вы, вероятно, слышали, а в некоторые, возможно, и верите.

Мифы о полнолунии. Брайан Даннинг, 19 мая 2026 г.

Примечание. Перевод выполнен с купюрами.

Мы говорим не о глупых или древних мифах, в которые никто на самом деле не верит — вроде того, что она превращает оборотней в животных, или что она сделана из сыра, или что она превращает здравомыслящих людей в безумцев, — а о тех, в которых есть значительное число искренних сторонников в современной культуре XXI века.

Существует также немало фактических заблуждений о Луне, многие из которых были выявлены в ходе недавнего полета «Артемида-2», в ходе которого четыре астронавта совершили полный оборот вокруг Луны; подобного не случалось с 1972 года. Астронавты почти всегда являются лучшими в мире посланниками науки, и экипаж в течение нескольких недель после возвращения проводил всевозможные сессии вопросов и ответов со студентами и людьми со всего мира — и не только это, астронавты всех эпох всегда делали это, включая астронавтов «Аполлона». Среди этих заблуждений:

• У Луны есть тёмная сторона. Нет, её нет; она вращается вокруг своей оси и, как и большинство других планет, имеет день и ночь — на Луне везде одинаковое количество дневного и ночного времени. Её день довольно длинный, около 29,5 земных суток, поскольку она находится в приливном захвате с Землёй и вращается синхронно со своей орбитой, постоянно поворачиваясь к Земле одной и той же стороной.
• У Луны нет запаха. Нет, есть! Астронавты, конечно, ничего не чувствуют изнутри скафандра или космической капсулы, но как только ребята из программы «Аполлон» вернулись внутрь и сняли скафандры, они смогли его ощутить. Лунный реголит никогда не соприкасался с водой или кислородом, поэтому он очень химически активен. Говорят, что Луна пахнет порохом или мокрым пеплом.
• Луна вся серая. Нет, она вовсе не вся серая, её цвета примерно такие же, как у горных пород на Земле. С Земли она кажется белой и серой из-за сложного эффекта в нашей атмосфере, называемого рэлеевским рассеянием, которое отфильтровывает многие цвета; и она выглядит белой даже на цветных фотографиях, сделанных астронавтами «Аполлона», главным образом потому, что она была очень ярко освещена Солнцем, контрастируя с чёрным небом. Более новые фотографии — как та, что использована в качестве обложки этого эпизода — показывают её в реальных цветах. Большая её часть серая, но многие её цвета варьируются от цвета пляжного песка здесь, на Земле. Богатые минералами регионы имеют оранжевый, бежевый, почти фиолетовый оттенок, как в наших пустынях.

И, конечно же, существуют теории заговора, которые обладают невероятной живучестью. Популистское недоверие к экспертам продолжает сохранять свою силу во всем мире, поэтому практически любая тема, по которой есть эксперты, отвергается теми, чей здравый смысл подсказывает, что лучше.

• НАСА сфальсифицировало высадку на Луну. И эта история, как ни удивительно, продолжает процветать. Это настолько глубокая тема, что я решил сделать её трёхсерийной, эпизоды с 535 по 537. В первой части рассказывалось об истории этого утверждения и о том, как оно возникло из христианского фундаментализма; во второй части были опровергнуты многие отдельные детали утверждения; а в третьей части были рассмотрены физические, недвусмысленные, неоспоримые доказательства того, что люди с Земли совершили путешествие на Луну, высадились и благополучно вернулись.
• Луна — это искусственное сооружение. Как ни странно, существует субкультура, которая считает, что Луна — это не естественный спутник, а созданная на месте какой-то развитой расой давным-давно. Это кажется невероятно странной мыслью, но самое интересное — это то, как мы можем доказать обратное.

Но сегодня мы можем сделать себе одолжение и отойти от маргинальных тем и перейти к идеям, которые более распространены, для веры в которые не требуется каких-либо предварительных патологий, к тем вещам, которые могут возникнуть в ходе обычной, интеллектуальной беседы.

Давайте начнём с пары фраз, которые слышал почти каждый:

Уровень преступности выше во время полнолуния.

В полнолуние люди сходят с ума — так гласит городская легенда. Однако данные это не подтверждают, хотя и показывают, что люди в это верят.

Исследование 2017 года, проведенное в Брисбене, Австралия, проанализировало более 900 000 телефонных звонков в полицию за восемь лет, чтобы определить, действительно ли количество звонков увеличивается во время полнолуния, и не выявило статистически значимой корреляции. Что касается мнения самих полицейских? Найти исследования по этому вопросу сложнее, но опрос сотрудников полиции Майами-Бич и обычных граждан, проведенный в 1986 году, показал, что сотрудники полиции статистически чаще, чем гражданские лица, считают, что уровень преступности повышается во время полнолуния — хотя это явно не так.

В полнолуние в отделениях неотложной помощи наблюдается более высокая загруженность.

Это ещё один миф, в который, кажется, все верят, и он на самом деле немного логичнее, поскольку включает в себя психиатрические неотложные состояния. Человек, считающий себя немного сумасшедшим, вполне может увидеть полнолуние и впасть в истерику без всякой на то причины. Здесь два интересных момента: во-первых, если это и происходит, то статистически это недостаточно значимо, чтобы проявиться; и во-вторых, психиатры, как правило, верят в миф о неотложной помощи даже больше, чем другие сотрудники отделений неотложной помощи.

В связи с этим, небольшое количество исследований — одно из Индианы и одно из Финляндии — показало, что количество самоубийств действительно увеличивается во время полнолуния; в одном из них эффект был более выражен среди пожилых людей, а в другом — ограничивался женщинами в пременопаузальном периоде и только зимой. Однако оба исследования не смогли воспроизвести свои результаты. Предполагаемый механизм заключался не в чем-то мистическом, связанном с полнолунием, а скорее в воздействии света и нарушении сна.

Наиболее часто цитируемая статья о посещениях больниц во время полнолуния датируется 2011 годом и опубликована в журнале World Journal of Surgery. В ней анализировались данные за девять лет из системы больничной информации Германии. Увеличение числа посещений во время полнолуния не наблюдалось. В исследовании также рассматривались хирургические осложнения, пятница 13-го, знаки зодиака и другие характеристики, но — что неудивительно — ни один из этих факторов также не оказал никакого влияния. Примечательно, что некоторые исследования показывают небольшую связь, но большинство — нет.

Отделения неотложной помощи также являются источником данных о случаях укусов собак, и опросы показывают, что персонал считает, что количество обращений по поводу укусов собак увеличивается во время полнолуния. Но, как и в других случаях, данные это не подтверждают.

Полнолуние — наиболее эффективное время для зачатия.

Существует множество поверий о родах и полнолунии, почти все из которых связаны с высокой рождаемостью, высокой вероятностью зачатия и снижением осложнений во время беременности. Вероятно, это восходит к римской мифологии, где Луна — богиня плодородия и материнства. Однако это поверье довольно основательно опровергнуто. Многочисленные исследования, проведенные за последние десятилетия, включая исследование 2005 года, опубликованное в Американском журнале акушерства и гинекологии , в котором рассматривались более полумиллиона родов в Северной Каролине, не выявили никакой корреляции между фазой Луны и какими-либо из этих показателей.

Связанная с этим концепция, в основном встречающаяся в нью-эйдж культуре здорового образа жизни, называется «лунацепция», согласно которой некоторые люди считают, что овуляцию можно регулировать, засыпая с плотными шторами каждую ночь, за исключением трех ночей во время каждого полнолуния; идея заключается в том, что некая энергия Матери-Земли наиболее сильна, когда зачатие происходит в полнолуние. Однако крупномасштабные исследования показали, что эта практика не влияет ни на циклы овуляции, ни на показатели наступления беременности.

В Индии также существует поверье — подкреплённое несколькими низкокачественными исследованиями — что зачатие во время полнолуния с большей вероятностью приведёт к рождению мальчика. Однако это поверье полностью опровергается большим количеством гораздо более масштабных исследований из других стран мира.

Полнолуние — лучшее время для ловли рыбы.

Меня, вероятно, за это подвергнут критике, потому что это убеждение, похоже, очень прочно укоренилось среди многих рыбаков, и даже некоторые рыболовные журналы до сих пор публикуют статьи, подкрепляющие это убеждение. Но что касается пресноводных рыб, ответ однозначно отрицательный. Это было тщательно изучено (я имею в виду, что любой рыбак был бы крайне заинтересован в изучении этого вопроса). Одно из наиболее часто цитируемых исследований было проведено в Карлтонском университете в 2008 году, когда исследователи в течение целого года отслеживали перемещения помеченных рыб в озере. В результате было сделано заключение, что «не было обнаружено никаких повторяющихся закономерностей, связанных с лунной периодичностью».

Однако это не всегда может быть справедливо для спортивной рыбалки в соленой воде. В 2024 году в журнале Reviews in Fish Biology and Fisheries был опубликован обзор 190 исследований , который представил сложную картину. Поведение промысловых рыб сильно меняется ночью и при различных условиях ночного освещения, поскольку такие объекты, как стаи мелкой рыбы и зоопланктон, обычно остаются на большей глубине во время полнолуния. Но промысловые рыбы все равно голодны, и большинство исследований показали, что фаза луны не влияет на количество пойманной рыбы. Редким исключением может быть меч-рыба, которая, согласно небольшому объему данных, может клевать чаще во время полнолуния; у других видов меч-рыбы и морских рыб подобной корреляции, по-видимому, нет.

Землетрясения чаще происходят во время полнолуния.

Это кажется правдоподобным, поскольку гравитация Луны действительно деформирует и искривляет форму Земли, потенциально освобождая напряженные разломы. И действительно, существует корреляция между землетрясениями и приливами. Это наблюдается вдоль глубоководных разломов, и обычно во время самых низких приливов; для этого необходимо сочетание пониженной гравитации и пониженного давления от веса океана.

В период полнолуния приливные силы могут приводить к тому, что разброс высоты самого высокого прилива за год может быть на 20% больше, чем разброс высоты самого низкого прилива за год. Но хотя это звучит как большая разница, она обусловлена ​​всего лишь 0,0000245% гравитационной силы, что совершенно незначительно по сравнению с влиянием суточных приливов. Влияние полнолуния на землетрясения подобно капле гомеопатического средства в океане.

Луна действительно играет роль в современной психологии.

Некоторые люди слышали об этом, и это действительно утверждение, сделанное в рамках «психологической астрологии». Это псевдонаучная смесь различных ответвлений психологии и астрологии. В ней часто упоминается Карл Юнг, и это создает у некоторых неспециалистов впечатление, что это должно быть что-то реальное, но это не так. Ни в одном современном курсе психологии или учебнике не упоминается полнолуние, и даже не выдвигается гипотеза о какой-либо его роли.

Итак, это краткий обзор самых правдоподобных, наименее средневековых мифов о полнолунии, которые мне удалось найти. Некоторые из них мне самим были неизвестны, так как во многих из них есть доля правдоподобия. Так что теперь вы вооружены и готовы, если встретите друга или коллегу — по крайней мере, если их проблема в вере в одно из этих нескольких относительно безобидных заблуждений. Если же они думают, что Луна сделана из сыра, что ж, вам, возможно, придётся смириться и признать это.

Даннинг, Б. (2026, 19 мая) Мифы о полнолунии. Skeptoid Media. https://skeptoid.com/episodes/1041

Список литературы и дополнительные материалы

Arliss, J.M., Kaplan, E.N., Galvin, S.L. "The effect of the lunar cycle on frequency of births and birth complications." American Journal of Obstetrics and Gynecology. 1 May 2005, Volume 192, Number 5: 1462-1464.

Bhagar, R., Le-Niculescu, H., Roseberry, K., Kosary, K., Daly, C., Ballew, A., Yard, M., Sandusky, G.E., Niculescu, A.B. "Temporal effects on death by suicide: empirical evidence and possible molecular correlates." Discover Mental Health. 1 Apr. 2023, Volume 3, Number 1: 10.1007/s44192-023-00035-4.

Hanson, K.C., Arrosa, S., Hasler, C.T., Suski, C.D., Philipp, D.P., Niezgoda, G., Cooke, S.J. "Effects of lunar cycles on the activity patterns and depth use of a temperate sport fish, the largemouth bass, Micropterus salmoides." Fisheries Management and Ecology. 22 Oct. 2008, Volume15, Issue5-6: 357-364.

Meyer-Rochow, V.B., Hakko, T., Hakko, H., Riipinen, P., Timonen, M. "Synodic lunar phases and suicide: based on 2605 suicides over 23 years, a full moon peak is apparent in premenopausal women from northern Finland." Molecular Psychiatry. 13 May 2020, Number 26: 5071-5078.

Sarkar, M., Mohan Biswas, N. "Influence of moonlight on the birth of male and female babies." Nepal Medical College Journal. 1 Jun. 2005, Volume 7, Number 1: 62-64.

Schuld, J., Slotta, J.E., Schuld, S., Kollmar, O., Schilling, M.K., Richter, S. "Popular Belief Meets Surgical Reality: Impact of Lunar Phases, Friday the 13th and Zodiac Signs on Emergency Operations and Intraoperative Blood Loss." World Journal of Surgery. 29 Jun. 2011, Volume 35: 1945-1949.

Перевод списка литературы

Арлисс, Дж. М., Каплан, Э. Н., Галвин, С. Л. «Влияние лунного цикла на частоту родов и осложнения при родах». Американский журнал акушерства и гинекологии. 1 мая 2005 г., том 192, номер 5: 1462-1464.

Бхагар, Р., Ле-Никулеску, Х., Роузберри, К., Косари, К., Дейли, К., Баллью, А., Ярд, М., Сандаски, Г.Е., Никулеску, А.Б. «Временные эффекты на смертность от самоубийства: эмпирические данные и возможные молекулярные корреляты». Discover Mental Health. 1 апреля 2023 г., том 3, номер 1: 10.1007/s44192-023-00035-4.

Хансон, К.С., Арроса, С., Хаслер, К.Т., Суски, К.Д., Филипп, Д.П., Незгода, Г., Кук, С.Дж. «Влияние лунных циклов на модели активности и использование глубины промысловой рыбы умеренного климата, большеротого окуня, Micropterus salmoides». Управление рыболовством и экология. 22 окт. 2008 г., том 15, выпуск 5-6: 357-364.

Мейер-Рохов, В.Б., Хакко, Т., Хакко, Х., Риипинен, П., Тимонен, М. «Синодические фазы Луны и самоубийства: на основе 2605 случаев самоубийств за 23 года выявлен пик полнолуния у женщин в пременопаузе из Северной Финляндии». Молекулярная психиатрия. 13 мая 2020 г., номер 26: 5071-5078.

Саркар, М., Мохан Бисвас, Н. «Влияние лунного света на рождение мальчиков и девочек». Журнал Непальского медицинского колледжа. 1 июня 2005 г., том 7, номер 1: 62-64.

Шульд, Й., Слотта, Й. Э., Шульд, С., Коллмар, О., Шиллинг, М. К., Рихтер, С. «Народные представления встречаются с хирургической реальностью: влияние фаз Луны, пятницы 13-го и знаков зодиака на экстренные операции и интраоперационную кровопотерю». Всемирный журнал хирургии. 29 июня 2011 г., том 35: 1945-1949.

Принциры использования ИИ

Двенадцать основных принципов отличают компании, которые действительно переориентировались на использование ИИ, от своих конкурентов.

Компании, которые действительно внедряют инновации с помощью ИИ, делают нечто совершенно отличное от своих конкурентов: они разрабатывают и осмысливают возможности ИИ, которые преобразуют их продукты, услуги, основные бизнес-процессы и организационные системы.

Контрольный список для изменений и ориентир на пути к трансформации и созданию ценности.

1. Одних только технологий недостаточно для создания конкурентного преимущества; его создают устойчивые возможности. Кто же первыми выигрывает от внедрения ИИ? Те же компании, которые и раньше добивались успеха, развивая возможности, позволяющие эффективно использовать любые технологии. Мы называем их « перестроенными компаниями». Когда эти новые возможности создаются — а на их создание требуется время — компания ускоряет трансформацию своего бизнеса с помощью технологий и превосходит своих конкурентов. Возможности становятся конкурентным преимуществом.

Вы создаёте долгосрочные возможности для дальнейшего развития или просто предоставляете разовые решения?

2. Экономические рычаги — это ваши лучшие точки опоры. Любая бизнес-модель имеет несколько ключевых экономических рычагов, которые оказывают наибольшее влияние при улучшении с помощью ИИ. Например, в горнодобывающей промышленности ключевым экономическим рычагом является выход продукции и производительность процесса, и именно здесь Freeport-McMoRan добилась революционных результатов. В автомобильной промышленности ключевым рычагом является интеграция цепочки поставок, и именно здесь Toyota совершила свой прорыв в области ИИ. У большинства компаний есть длинный список вариантов использования. Успешные компании сосредотачиваются на достижении глубокой трансформации бизнеса в тех немногих областях, которые имеют стратегическое значение. Именно здесь они удваивают усилия по созданию систем ИИ.

Вы уделяли непропорционально большое внимание точкам экономического влияния в рамках своих усилий по внедрению ИИ?

3. Если создаваемая вами ценность не продвигает бизнес вперед, значит, вы делаете что-то не так. Мы изучили результаты деятельности 20 компаний из разных отраслей, доказавших свое лидерство в области ИИ. В среднем, их трансформация бизнеса с помощью технологий и ИИ привела к увеличению EBITDA на 20%, достижению точки безубыточности за один-два года и получению 3 долларов дополнительной EBITDA на каждый вложенный доллар. Эти компании сосредоточили свои усилия на одной-трех бизнес-областях, переосмыслив их с помощью ИИ. Это потребовало творческого подхода к решению проблем, скоординированного использования технологических и нетехнологических рычагов, маниакальной сосредоточенности на клиентах/пользователях и четкой ответственности за наиболее важные бизнес-показатели. Они сделали существенные, поэтапные инвестиции и продолжают совершенствоваться и оставаться впереди.

Приведёт ли ваш план трансформации бизнеса к кардинальным изменениям, или же успехи будут постепенными?

4. Развитие технологических и ИИ-компетенций руководителей высшего звена должно стать первоочередной задачей. У нас нет ни одной истории успеха, где руководители высшего звена не играли бы ведущую роль. ИТ-руководители, конечно, могут поддерживать трансформацию, но именно руководители бизнеса должны её инициировать. В ведущих компаниях они активно участвуют в формировании технологической повестки дня — от определения того, как бизнес будет переосмыслен с помощью технологий, до управления разработкой решений и обеспечения ценности для клиента. Эти руководители, обычно на один-три уровня ниже генерального директора, сочетают глубокие знания в предметной области бизнеса с технологическими, информационными и ИИ-навыками, что делает их грозными преобразователями бизнеса. Они разрабатывают концепции, создают и управляют системами ИИ, которые обеспечивают работу ключевых аспектов бизнеса.

Обладают ли ваши руководители высшего звена необходимыми техническими навыками и навыками работы с искусственным интеллектом?

5. Любая трансформация в сфере технологий и ИИ — это трансформация в сфере управления персоналом. Ведущие компании увеличивают свой потенциал и плотность технических специалистов, следуя так называемой «схеме 30–70»: более 70% специалистов должны быть штатными, более 70% из них должны быть инженерами-практиками, создающими отличные программные решения, и более 70% должны обладать более высоким уровнем квалификации (то есть, быть компетентными или экспертами). Это позволяет создавать небольшие, высококвалифицированные команды, которые превосходят по производительности большие армии менее квалифицированных сотрудников. В бизнесе руководители превращаются в владельцев предметной области и решений, несущих ответственность за результаты и руководящих кросс-функциональными гибкими командами. Ведущие компании в значительной степени завершили этот переход, что приводит к увеличению плотности талантов и значительному усилению ответственности за бизнес.

По мере того, как агенты ИИ берут на себя все больше задач по координации, выполнению и принятию рутинных решений, роль человека смещается вверх по иерархии ценностей. Инженеры тратят меньше времени на рутинные задачи по программированию и больше времени на проектирование архитектуры, рабочих процессов, ограничений и контроля качества. Руководители бизнеса и разработчики решений меньше сосредотачиваются на управлении задачами и больше — на постановке целей, определении показателей успеха и принятии компромиссных решений. В результате меньше людей выполняют высокоэффективную работу, но при этом повышается ответственность и ускоряется процесс обучения.

Достигли ли вы достаточного прогресса в трансформации вашей команды сотрудников?

6. Скорость — определяющее организационное преимущество. Компании участвуют в гонке инноваций с компаниями, имеющими доступ к тем же технологиям. Компании выигрывают эту гонку, когда их операционная модель быстрее перераспределяет ресурсы на важные возможности, позволяет командам действовать без чрезмерной зависимости и сокращает «задержку» от получения информации до принятия решения и от решения до действия. Скорость требует внедрения инженерных решений в области ИИ и других функциональных специалистов непосредственно в бизнес, максимального повторного использования технологий и данных через платформы, а также управления с четкими бизнес-результатами и устойчивым финансированием, привязанным к результатам, а не к проектам. Это значительно сокращает циклы. Без этого ни одна компания не сможет по-настоящему внедрять инновации с помощью технологий и ИИ в больших масштабах; они просто будут слишком медленными.

Что вы делаете для повышения скорости метаболизма в вашей организации?

7. Технологические платформы — это стратегические активы; инвестируйте в них именно так. Платформы определяют скорость выполнения задач компанией, снижают удельные издержки за счет повторного использования, предоставляют технологии и данные тем, кто в них нуждается, и позволяют ответственно масштабировать ИИ. Они обеспечивают стандартизированные, безопасные и совместно используемые технологические и информационные возможности, к которым могут получить доступ команды. Ведущие компании стратегически управляют своими платформами с помощью выделенных команд, дорожных карт, бюджета, целевых уровней обслуживания и пользователей, чьи потребности определяют развитие платформы. Для руководителя высшего звена понимание своей технической архитектуры, предоставляемых ею возможностей и того, как она обеспечивает конкурентное преимущество, сегодня так же важно для управления современной компанией, как и знание прибыли и убытков.

Воспринимаются ли платформы как стратегические активы и обсуждаются ли они в контексте их использования?

8. Сделайте данные легкодоступными и обогащайте их для получения преимуществ. Как заметил Дэвид Бейкер, лауреат Нобелевской премии по химии 2024 года, размышляя о недавних прорывах: «ИИ нужны огромные массивы высококачественных данных, чтобы быть полезным». Без хороших данных прорывы в области ИИ невозможны. Тем не менее, в большинстве организаций данные часто по-прежнему выступают в качестве ограничивающего фактора. Поэтому масштабирование ИИ начинается с превращения данных в продукт — обеспечения легкого поиска, доступа и использования данных во многих приложениях, работающих на основе ИИ. Это требует инвестиций в создание продуктов на основе данных. Со временем игра смещается в сторону обогащения данных, повышения их качества, контекста и уникальности для устойчивого повышения производительности с помощью ИИ. В организациях, использующих обновленные технологии , данные являются активом, принадлежащим бизнесу и обеспечивающим повышение производительности.

Ваши команды легко обрабатывают ваши данные, или им еще предстоит с ними разобраться?

9. Проектируйте с учетом внедрения и создавайте с учетом масштабируемости. Системы искусственного интеллекта создают ценность только тогда, когда их внедряют и масштабируют. Это может показаться очевидным, но остается одной из самых сложных задач. Внедрение часто терпит неудачу, потому что смежные процессы на предыдущих и последующих этапах остаются неизменными. Решение на основе ИИ может прогнозировать отказы оборудования за несколько дней, но если техническое обслуживание по-прежнему планируется по календарному графику, ничего не происходит.

Масштабирование — это другая, но не менее сложная задача. Быстрое и экономичное расширение применения решений на основе ИИ на разных рынках, заводах, в различных сегментах клиентов или продуктовых линейках требует модульной архитектуры решений и хорошо скоординированного взаимодействия между центральными командами и принимающими подразделениями. Эти аспекты, включая необходимые инвестиции и эксплуатационные расходы, должны быть учтены на начальном этапе, а не добавлены позже.

Ваша организация способна многократно внедрять и масштабировать ИИ, или она по-прежнему полагается на отдельные, героические поступки?

10. Нет доверия — нет права на внедрение ИИ. Когда системы ИИ дают сбой, они подрывают доверие клиентов, регулирующих органов, сотрудников, партнеров и общества в целом. Цифровое доверие растет, когда заинтересованные стороны уверены, что ваша организация защищает данные потребителей, внедряет эффективную кибербезопасность, предлагает надежные продукты и услуги на основе ИИ и обеспечивает прозрачность в отношении использования ИИ и данных. Проблемы только усугубляются с расширением использования агентных технологий, требующих гораздо больше времени на тестирование агентных систем и автоматизацию контроля рисков. Это быстро развивающаяся область, и ажиотаж вокруг агентного ИИ может опережать способность компаний управлять более сложными рисками, связанными с этой технологией.

Выдержат ли ваши внедрения ИИ проверку со стороны общественности, регулирующих органов и клиентов сегодня?

11. Следующей важной компетенцией становится разработка агентных систем. Базовые модели теперь способны к устойчивой автономной работе в течение длительных периодов времени, что позволяет создавать сложные агентные рабочие процессы. Нигде это не проявляется так ярко, как в разработке программного обеспечения, где рост производительности поразителен. Ведущие компании быстро осваивают разработку агентных систем. Они обрабатывают неструктурированные данные, расширяют свои платформы ИИ агентными возможностями, автоматизируют механизмы контроля и управления, а также быстро экспериментируют, чтобы кодифицировать работающие решения в повторяемый сценарий работы с агентными системами. Мы уже видели эту закономерность. Лидеры, перепрограммировавшие свои системы, постоянно быстрее осваивают новые технологии, потому что они создали для этого необходимые базовые возможности.

Станут ли агентные рабочие процессы вашим следующим инженерным преимуществом или же проблемой, с которой вам придётся наверстать упущенное?

12. Переучивайтесь так, как будто от этого зависит ваш бизнес. Одна из причин, почему нам нравится работать в этой сфере, заключается в ее постоянных изменениях. Срок жизни навыков сокращается по мере ускорения инноваций. Организации, которые учатся, разучиваются и переучиваются быстрее всего, имеют преимущество. Вовлечение вашей команды руководителей в процесс обучения — это самое важное, что может сделать генеральный директор для эффективного ускорения трансформации бизнеса с помощью ИИ. Как мы неоднократно отмечали, эти процессы имеют решающее значение для высшего руководства, чтобы достичь момента уверенности, когда становятся ясны как стратегические возможности, так и путь трансформации. В этот момент каждый руководитель высшего звена понимает свою роль, и трансформация действительно ускоряется.

Чтобы стать лидером, которого требует современная эпоха, необходимо постоянно учиться; достаточно ли вы лично вкладываете в это время?

Создание полного набора перестроенных возможностей — краеугольный камень любой успешной технологической и ИИ-трансформации. Компании могут ускорить процесс их разработки, но они не могут пропустить фундаментальную работу. Это подводит нас к идее накопления ценности по мере того, как возможности развиваются одна за другой, а конкурентное преимущество увеличивается. Именно так ведущие компании постоянно превосходят своих конкурентов.

Источник

Манифест трансформации с помощью ИИ. Отрывок из книги «Rewired: How Leading Companies Win with Technology and AI».

The AI transformation manifesto. April 7, 2026. Article. Alex Singla; Alexander Sukharevsky and Kate Smaje; Eric Lamarre.

https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-ai-transformation-manifesto

Теория игр и голосование

Задача состоит в том, чтобы из индивидуальных предпочтений образовать коллективное предпочтение. То есть, как голосовать, чтобы получился "правильный" результат.

Оказывается, не существует хорошей системы голосования.

Для демонстрации этого утверждения рассмотрим пример. Допустим, некоторое сообщество голосует по вопросу выбора цвета забора. Допустим, что имеется три цвета - белый, черный и красный. В таблице представлены предпочтения по выбору цвета, то есть цвета упорядочены по убыванию предпочтения.

45 чел	Белый	Черный	Красный
40 чел	Черный	Красный	Белый
15 чел	Красный	Белый	Черный

С учетом данных предпочтений побеждает белый цвет, так его выбирает большинство - 45 человек. Черный выбрали 40 человек, а красный - 15 человек. Но допустим, оказалось, что черного цвета нет на складе. Тогда получаем такую таблицу предпочтений:

45 чел	Белый		Красный
40 чел		Красный	Белый
15 чел	Красный	Белый

И результат получается иной - побеждает красный цвет - его выбирает 55 человек (40 + 15).

В этом примере голосовало сообщество. Допустим мы решили пребегнуть к услугам экспертов: Иван Ивановичу, Петру Петровичу и Федору Федоровичу. Их предпочтения цветов были ранжированы таким образом:

И.И.	Белый	Черный	Красный
П.П.	Черный	Красный	Белый
Ф.Ф.	Красный	Белый	Черный

Эксперты решили голосовать в несколько туров путем парного сопоставления цветов, что выглядит очень "научно".

Пусть в первом туре предлагается оценить (белый, черный). Согласно таблице рангов будет выбран белый. Далее во втором туре на голосование ставится пара (белый, красный). И будет выбран красный.

Но если в первом туре будет предложено сначала выбрать из пары (черный, красный), то во второй тур поступит черный. Во втором же туре при выборе пары (белый, черный) будет выбран белый.

Наконец, если в первом туре предлагается выбрать пару (белый, красный), то будет выбран красный, а во втором туре из пары (черный, красный) будет выбран черный.

Итого, три варианта голосования и три разных выбора цвета, три разных победителя. То есть, результат голосования определяется не голосующими, а тем, кто устанавливает систему голосования, то есть устанавливает правила игры.

На основе этих примеров можно получить аналогичные парадоксы при голосовании за кандидатов на ту или иную позицию. Голосование как избранными руководителями, так и населением.

Тем самым теория игр на логическом уровне демонстрирует в задаче голосования, как задачи теории игры не существует универсального решения: всегда найдется набор предпочтений, при которых выбранная система голосования будет давать сбой.

Более точное формулировка этого правила выражается теоремой Эрроу. Правда, для формулирования условий теоремы вначале строго определяются требования к системе голосования. В частности, независимости результатов сравнения, монотонности сравнений и еще ряд более формальных требований (внизу заметки приведена справка по теореме Эрроу, сформированная ИИ от Google 08.05.2026)

Теорема Эрроу. Единственная разумная система голосования - это диктатура.

Логическая сторона игры голосования не затрагивает психологическую природу выбора. Тем не менее, сам подход к выбору содержит интересные психологические результаты. Логическая сторона игры может служить не совсем обычным инструментом идентификации психологических различий игроков. А вот то, что внешняя неопределенность выбора решений в голосовании возводится в ранг внутренней закономерности, является тем, что препятствует проникновению во внешнюю неопределенность, в логический механизм, порождающий такую неопределенность.

Вывод. Традиционная теория игр не умеет отвечать на многие вопросы, поставленные практикой взаимодействия. В лучшем случае теория игр обосновывает методику экспериментов в интересах исследования психологических аспектов поведения.

* * *

Не взирая на то, что некоторые люди возмущаются текстами, сформированным ИИ, привожу такой текст.

Справка по теореме Эрроу, сформированная ИИ от Google 08.05.2026

Теорема Эрроу (теорема о невозможности), сформулированная Кеннетом Эрроу в 1951 году, математически доказывает, что при наличии трех и более альтернатив невозможно создать идеальную систему голосования, которая одновременно удовлетворяла бы критериям справедливости (независимость от посторонних альтернатив, эффективность Парето, отсутствие диктатуры). Любая система неизбежно приводит к «диктатуре» одного голоса.

Основные положения и условия теоремы:

Суть: Если мы хотим иметь справедливые выборы (честные), то мы не можем гарантировать их рациональность (последовательность результатов). Если мы хотим рациональности, нам придется пожертвовать справедливостью, доверившись «диктатору» (одному избирателю или правилу, которое сводится к одному).

Условия (Аксиомы) Эрроу:

1. Неограниченная область: Система должна работать при любых предпочтениях избирателей.
2. Эффективность по Парето: Если все предпочитают А перед Б, то и коллективный выбор должен поставить А выше Б.
3. Независимость от нерелевантных альтернатив (IIA): Соотношение голосов между А и Б не должно меняться, если из списка убрать вариант В (который никто не выбрал).
4. Отсутствие диктатуры: Нет одного избирателя, чей голос всегда определяет результат, независимо от мнения других.

Результат: Не существует функции общественного выбора, удовлетворяющей всем четырем условиям.

Человеческий опыт претерпевает изменения

Фрэнк Диана: "Человеческий опыт претерпевает изменения". Далее перевод заметки Фрэнка Диана. Вступление заметки опущено - сразу к дело. Источник и ссылки - в конце.

Фрэнк Диана: "Человеческий опыт не становится все более цифровым. Он становится все более насыщенным".

Первое, что ощущают люди, — это сужение пространства для ошибок. Еда, энергия, жилье, страховка, транспорт, школьные нужды, лекарства, уход и даже мелкие удобства теперь конкурируют в рамках одного домохозяйства. Семьи спрашивают не просто о своих предпочтениях. Они спрашивают, что еще можно взять с собой, не рискуя чем-то еще сломаться. День рождения, ремонт, счет за репетиторство, плата за доставку, визит к врачу или пропущенная смена теперь могут изменить ход недели.

Это меняет восприятие ценности людьми. Цена по-прежнему важна, но предсказуемость имеет большее значение. Люди хотят не только более дешевых товаров или более быстрого обслуживания. Они хотят меньше неожиданностей. Они хотят понятных счетов, надежных обязательств, гибких вариантов на случай непредвиденных обстоятельств и опыта, который не будет наказывать их за меньшую прибыль.

Второе изменение заключается в том, что прогресс ощущается менее гарантированно. Дети больше не начинают обучение на более поздних этапах с одной и той же отправной точки. У некоторых есть стабильный распорядок дня, ранняя поддержка, здоровый сон, внимание взрослых, безопасное пространство и существенная помощь в развитии. Другие же поступают в школу и подростковый возраст, уже имея пробелы в знаниях, которые возникли еще до того, как школа получила возможность их восполнить. В то же время взрослые сталкиваются с миром, где обучение никогда по-настоящему не прекращается. Навыки устаревают быстрее. Рабочие роли постоянно меняются. Прошлый вклад не всегда сохраняется. Люди, которые много работали, все еще могут чувствовать, что от них требуют доказывать свою состоятельность на каждом шагу.

Для лидеров это создает иные ожидания. Люди будут ценить организации и бренды, которые способствуют прогрессу. Хороший опыт не заставит человека начинать все заново, возвращаться и заново доказывать то, что уже должно быть известно. Он сохранит усилия. Он сохранит историю. Он признает вклад. Он поможет людям восстановить темп, а не терять позиции после каждого сбоя.

Третье изменение заключается в том, что дом вмещает больше, чем был рассчитан. Дом перестал быть просто личным убежищем. Он стал рабочим местом, школьной комнатой, местом для ухода за больными, реабилитационным центром, складом, центром планирования, эмоциональным убежищем и системой управления энергией. Комнаты выполняют двойную функцию. Семейные графики сталкиваются. Приватность и отдых оказываются под угрозой. Ремонт затягивается. Электроэнергия, кондиционирование, связь, бытовая техника и качество воздуха в помещении становятся условиями, определяющими функционирование повседневной жизни.

Это важно, потому что стресс дома не остается только дома. Он формирует то, как люди проявляют себя в качестве клиентов, работников, студентов, пациентов, граждан и лиц, осуществляющих уход. Человек, который плохо спал, совмещал уход за больным, затягивал ремонт, следил за счетами за электроэнергию и согласовывал три графика, приходит на встречу с поставщиком услуг не с чистым листом. Он приходит уже с огромным грузом проблем.

Четвертое изменение заключается в том, что уход и восстановление становятся активной координационной работой. Семьи все больше заботятся о детях, пожилых людях, людях с ограниченными возможностями, людях, выздоравливающих после болезней, и людях, испытывающих психическое напряжение или страдающих от хронических заболеваний. Само восстановление больше не является простой передачей из клиники обратно к нормальной жизни. Оно требует времени, отдыха, последующего наблюдения, транспорта, лекарств, питания, уединения, денег и эмоциональной стабильности. Многие люди пытаются выздороветь, продолжая работать, воспитывать детей, ездить на работу, ухаживать за больными и оплачивать счета.

Это один из самых важных гуманитарных сдвигов, которые должны понимать руководители. Людям нужны не только услуги. Им нужно, чтобы жизнь подстраивалась под уход. Им нужны инструкции, которые передаются из рук в руки. Им нужна передача информации, которая не приводит к потере человека. Им нужно, чтобы работодатели, агентства, школы, системы здравоохранения, розничные торговцы, страховые компании и сообщества понимали, что уход не является исключением из повседневной жизни. Для многих семей это организующая реальность.

Пятое изменение заключается в том, что прохождение через системы становится проверкой на наличие доказательств. В жизни все больше людей требуют от себя подтверждения того, кто они, где живут, на что имеют право, сколько зарабатывают, о ком заботятся, можно ли их принять или почему они заслуживают помощи. Цифровая идентичность, порталы, инструменты проверки, оценки риска, фильтры соответствия критериям и автоматизированные правила могут в некоторых случаях ускорить работу систем, но они также могут вызывать у людей сомнения еще до того, как их выслушают.

Именно здесь в центре внимания оказывается достоинство. У человека может быть нужный документ, но не тот формат. Правильная потребность, но не те доказательства. Правильная история, но не тот язык, который принимает система. Правильное дело, но нет пути для исправления ситуации, когда что-то пошло не так. Руководители часто рассматривают доступ как проблему эффективности. Люди же воспринимают его как вопрос о том, воспринимаются ли они как легитимные.

Это имеет последствия как для правительства, так и для бизнеса. Некачественный опыт взаимодействия с клиентом перестает быть просто раздражающим. Он может превратиться в еще одно место, где люди чувствуют себя униженными, неправильно понятыми или исключенными. Неправильный счет, повторяющаяся ошибка, неразрешенная претензия, устаревшая запись или отказ, преследующий клиента через различные системы, могут повлиять на арендную плату, медицинское обслуживание, работу, кредитную историю, мобильность и доверие. Выделятся те организации, которые смогут реально исправить ситуацию. Не просто номер заявки. Не просто извинения. Настоящее завершение.

Шестое изменение заключается в том, что сам день становится всё более напряжённым. Работа, учёба, уход за больными, покупки, поездки, встречи, время работы служб, питание, отдых и восстановление теперь напрямую зависят друг от друга. Одна задержка автобуса может стоить встречи. Один пропущенный трансфер может повлиять на работу. Одна пропущенная форма может задержать выплату пособий. Одна неудачная доставка может сорвать приём пищи или уход за больными. Проблема не в одной-единственной ошибке. Проблема в том, как мало места остаётся для её размещения.

Это меняет смысл удобства. Раньше удобство означало скорость, простоту и меньшее количество шагов. Всё чаще оно будет означать возможность восстановления. Можно ли сохранить запись на приём? Можно ли сохранить форму? Можно ли перенаправить доставку? Может ли очередь запомнить человека? Может ли сервис восстановиться после пропущенного шага без необходимости полной перезагрузки? Сможет ли день остаться неизменным, когда жизнь преподносит сюрпризы?

Для руководителей предприятий это серьезный сдвиг в сфере обслуживания клиентов. Следующий рубеж – это не только персонализация, но и сохранение достигнутого прогресса. Клиенты будут помнить те организации, которые не позволяют небольшим потрясениям перерасти в более масштабные.

Седьмое изменение заключается в том, что обычные места становятся более требовательными. Жара, небезопасный воздух, штормы, отключения электроэнергии, пробки, устаревшая инфраструктура, плохие условия внутри помещений и деградировавшие общественные пространства делают повседневную обстановку менее нейтральной. Люди проверяют условия, меняют маршруты, охлаждают определенные помещения, пополняют запасы, управляют устройствами, избегают воздействия вредных веществ и планируют действия на случай сбоев. Безопасность становится чем-то, что люди активно обеспечивают, а не чем-то, что они молчаливо получают.

Это делает доверие более локальным и практичным. Люди будут спрашивать, снижает ли то или иное место, услуга, магазин, школа, работодатель, транспортная система или общественная среда бдительность или, наоборот, повышает её. Удобно ли это в условиях стресса? Предоставляет ли это чёткую информацию? Предлагает ли это поддержку? Учитывает ли это жару, задержки, инвалидность, бремя ухода, языковой барьер или ограниченное время? Успокаивает ли это людей или добавляет ещё одну проблему, которой нужно управлять?

Возможно, самое важное изменение заключается в том, что чувство принадлежности, культура и цель больше не возникают автоматически. Люди по-прежнему хотят дружбы, совместных трапез, отдыха, ритуалов, веры, памяти, скорби, праздников, полезности и моральной опоры. Но многие из тех привычных мест, где раньше всё это присутствовало, стали менее значимыми. Местные институты во многих местах ослабли. Поддержание общих традиций обходится дороже. Семьи стали более разрозненными. Работа как источник идентичности стала менее стабильной. Социальные сети могут объединять людей, но они также могут сужать мир, в котором люди находят смысл жизни.

В результате, совместная жизнь требует больше усилий. Важные события нуждаются в целенаправленной поддержке. Горе нуждается в свидетелях. Культуре нужны места. Цели нужны роли. Чувство принадлежности требует многократного приглашения. Люди и организации, которые создают подлинное гостеприимство, многократное участие и ощущение совместной жизни, будут нести в себе гораздо больший эмоциональный вес, чем они сами могут осознавать.

Именно здесь становится очевидной проблема лидерства. Правительства и предприятия часто организуют свою деятельность вокруг услуг, сделок, программ, продуктов, каналов и сегментов. Люди же организуют свою деятельность вокруг дней, домохозяйств, обязанностей по уходу, надежд, страхов, обязательств, идентичности и смысла. Разрыв между этими двумя точками зрения увеличивается.

Правительство видит процесс получения пособий. Человек видит, сможет ли он оплатить аренду. Продавец видит временные рамки доставки. Семья видит ужин, лекарства, домашнее задание и пособие по старости. Работодатель видит учебный модуль. Работник видит напряжение, связанное с необходимостью оставаться полезным, одновременно поддерживая остальную жизнь. Банк видит историю рисков. Клиент видит, будет ли одна старая ошибка преследовать его постоянно. Платформа видит вовлеченность. Человек может искать чувство принадлежности, руководство или доказательство того, что он все еще важен.

Вот почему будущий клиент — это не просто более цифровой или более требовательный пользователь. Будущий клиент сталкивается с большим количеством помех, большей нагрузкой на координацию и меньшей стабильностью фоновых процессов.

Это должно изменить образ мышления руководителей. Вопрос больше не сводится только к тому, как сделать это взаимодействие быстрее, эффективнее или персонализированнее. Лучше спросить: какое бремя уже несёт этот человек, и уменьшает ли наш опыт его или, наоборот, усугубляет?

Для правительств это означает разработку государственных систем, в которые легче войти, легче исправить ошибки и которые лучше учитывают реальную жизнь. Это означает рассмотрение времени, доказательств, языка, инвалидности, бремени ухода, доступа к цифровым технологиям и прав на обжалование как части справедливости, а не как второстепенных вопросов. Это означает признание того, что политика терпит неудачу, когда она исходит из предположения, что домохозяйства обладают неограниченными возможностями координации.

Для бизнеса это означает разработку решений для клиентов, чья жизнь более нестабильна, чем предполагает традиционная сегментация. Это означает меньше полных перезапусков, больше сохраненного прогресса, более четкие обязательства, более эффективную передачу информации, надежную коррекцию, гибкий график, надежную поддержку и предложения, которые дают передышку. Это означает признание того, что эмоциональная лояльность все чаще будет формироваться на основе опыта, который дает людям чувство стабильности, а не просто ощущение удовлетворенности.

Суть не в том, чтобы решить все социальные проблемы с помощью какого-либо продукта или политики. Это был бы неправильный подход. Суть в том, чтобы увидеть человека более полно.

Люди хотят прогресса, который будет непрерывным. Они хотят домашней жизни с возможностью передохнуть. Они хотят ухода, который не зависит от того, насколько один измученный член семьи помнит всё. Они хотят систем, которые выслушивают их, прежде чем осуждать. Они хотят дней, которые можно восстановить после небольшой ошибки. Они хотят мест, где чувствуешь себя достаточно безопасно. Они хотят чувства принадлежности, культуры и цели, для поддержания которых не требуются героические усилия.

Организации, которые это понимают, будут проектировать по-другому. Они будут рассматривать опыт клиентов, опыт граждан, опыт сотрудников, опыт пациентов и опыт сообщества как взаимосвязанные части одной и той же человеческой реальности. Они перестанут рассматривать проблемы как незначительные неудобства и начнут видеть в них еще один груз, который и без того ложится тяжелым бременем на и без того перегруженную жизнь.

В этом и заключается более глубокий сдвиг. Человеческий опыт не становится все более цифровым. Он становится все более насыщенным. В следующем десятилетии важными будут те лидеры, которые помогут людям нести меньше вещей.

Источник

Будущий клиент несёт в себе больше жизни. 27 апреля 2026 г. Фрэнк Диана
The Future Customer Is Carrying More Life
https://frankdiana.net/2026/04/27/the-future-customer-is-carrying-more-life/?jetpack_skip_subscription_popup

Масштабирование агентского ИИ

Агентный ИИ масштабируется на основе качественных данных. Для получения выгоды технологические лидеры могут внедрять агентные методы в высокоэффективные рабочие процессы, модернизировать архитектуры данных, обеспечивать качество данных и развивать операционные модели.

Прочность дома определяется фундаментом. Именно это быстро начинают понимать и компании, работающие с агентным ИИ. Почти две трети предприятий по всему миру экспериментировали с агентами, но менее 10% смогли масштабировать их до уровня, обеспечивающего ощутимую выгоду. Часто виной тому нестабильные данные; восемь из десяти компаний называют ограничения в данных препятствием для масштабирования агентного ИИ. Решение этой проблемы является ключевым элементом построения прочной основы для развития потенциала — и именно это отличает компании, которые создают ценность с помощью ИИ, от тех, кто этого не делает.

Хотя компаниям часто удавалось преодолевать проблемы фрагментированных и разрозненных данных, управлять ими в больших масштабах невозможно. Непоследовательное управление данными лишь усугубило проблему сохранения контекста данных при одновременном обеспечении контроля доступа, отслеживаемости происхождения и возможности аудита.

Данные — это основа агентного ИИ.

Многие компании уже внедрили ИИ в свою деятельность. Теперь они делают следующий шаг, внедряя агентный ИИ , стремясь автоматизировать сложные бизнес-процессы. Но для надежной работы в масштабах, агентному ИИ необходим постоянный поток высококачественных данных.

Успех агентного ИИ зависит от архитектуры данных, способной поддерживать все более высокий уровень автономности, координации и принятия решений в режиме реального времени. Зачастую это выглядит как модульные, совместимые структуры, предоставляющие агентам надежный доступ к данным, необходимым для безопасной работы. Хотя генеративный ИИ уже продемонстрировал необходимость контроля доступа к данным, отслеживания происхождения и прослеживаемости, агентные платформы оказывают большее оперативное давление на эти основы. Поскольку агентный ИИ непрерывно координирует множество моделей и источников данных, часто без вмешательства человека, он требует более жесткого и автоматизированного управления для обеспечения надежности и контроля в масштабе.

Семь принципов архитектуры данных, обеспечивающих масштабируемость.

• Рассматривайте ввод данных как продукт. Обеспечьте простой и единообразный процесс ввода всех данных — пакетных, в реальном времени, структурированных или неструктурированных — один раз в компанию, чтобы они были доступны для всех.
• Делитесь смыслом, а не просто данными. Обеспечьте наличие четких, общепринятых определений данных, чтобы аналитики, модели ИИ и агенты понимали их одинаково.
• Используйте единую базу данных для аналитики и ИИ. Создавайте данные один раз и используйте их повсюду — для отчетов, машинного обучения и генерации ИИ — вместо того, чтобы запускать отдельные конвейеры и платформы.
• Внедрите доверие в платформу по умолчанию. Безопасность, контроль доступа, конфиденциальность и управление ИИ должны быть автоматическими, а не добавляться позже или управляться вручную.
• Предоставляйте доступ к возможностям через стабильные интерфейсы. Предлагайте понятные API и модели точек доступа, чтобы команды могли надежно создавать приложения и решения на основе ИИ без доработок.
• Сделайте поведение видимым и измеримым. Постоянно отслеживайте качество данных, производительность модели, скорость и стоимость, чтобы выявлять проблемы на ранних стадиях и совершенствовать системы с течением времени.
• Обеспечьте контролируемый способ запуска агентов и приложений ИИ. Координируйте работу агентов и приложений ИИ через общий уровень выполнения, который обеспечивает соблюдение корпоративных правил и ограничений.

Выделяются два типа агентных систем: одноагентные рабочие процессы, где один агент последовательно использует несколько инструментов и источников данных; и многоагентные рабочие процессы, где специализированные агенты сотрудничают посредством общих графов знаний и детального доступа к данным. Оба типа требуют согласованных и совместимых данных, без которых агенты могут давать сбои. Одиночные агенты могут принимать противоречивые решения на основе фрагментированных данных, в то время как многоагентные системы могут терять координацию и распространять ошибки.

Как подготовить данные для агентного ИИ

Для масштабной трансформации в организацию, управляемую собственными силами, компании могут начать с создания базовых возможностей работы с данными. Это требует не только технологической, но и организационной перезагрузки. Дело в том, что стратегия работы с данными и операционная модель компании так же важны, как и качество и архитектура базовых данных. Успех зависит от четырех скоординированных шагов, связывающих стратегию, технологии и людей:

Шаг 1: Определите наиболее эффективные рабочие процессы для «агентизации». Организации могут определить небольшое количество высокоценных сквозных рабочих процессов, где повышение автономии может принести ощутимые результаты. Опираясь на устоявшиеся подходы к созданию продуктов на основе данных , руководители могут расставить приоритеты в использовании агентских сценариев, исходя из потенциальной ценности, осуществимости и стратегической целесообразности, прежде чем масштабировать их в более широком масштабе.

Шаг 2: Модернизация каждого уровня архитектуры данных для агентов. Вместо того чтобы перестраивать все с нуля, руководители могут модернизировать существующие платформы для обеспечения совместимости и управления между системами. Хотя у некоторых может возникнуть соблазн использовать достижения в области ИИ для обхода лучших практик архитектуры данных, наиболее сильные организации строят модульные, эволюционные архитектуры с компонентами, которые можно заменять по мере появления новых технологий.

Шаг 3: Обеспечение качества данных. Организациям необходимо перейти от периодической очистки данных к непрерывному управлению качеством в режиме реального времени. Этого можно достичь, обеспечив соответствие как структурированных, так и неструктурированных данных, а также результатов, генерируемых агентами, единым стандартам точности, происхождения и управления.

Шаг 4: Создание операционной и управленческой модели для агентного ИИ. Масштабирование агентного ИИ требует переосмысления способов выполнения работы. Роль человека смещается от исполнения к надзору и координации рабочих процессов, управляемых агентами. В гибридной рабочей среде «человек-агент» четкое управление имеет важное значение для обеспечения прозрачной и безопасной работы агентов в масштабе.

Ниже мы более подробно рассмотрим каждый из четырех этапов.

Определите наиболее эффективные рабочие процессы для «агентизации».

Для большинства организаций путь к получению выгоды от использования агентного ИИ начинается не с полной перестройки всего, а с целенаправленной перестройки нескольких критически важных рабочих процессов в областях с высоким уровнем влияния. Ведущие компании определяют такие области, как управление знаниями или маркетинг, анализируя существующие данные, чтобы точно определить, где находится наибольшая ценность и где повышение автономности может существенно изменить результаты бизнеса. Это требует сначала составления карты сквозных рабочих процессов, а затем определения этапов, на которых агентные возможности могут принести пользу, и соответствующих данных, необходимых этим агентам для выполнения своих задач. Это помогает компаниям расставлять приоритеты в использовании вариантов на основе их потенциальной ценности и осуществимости.

Целенаправленные пилотные проекты с четкими показателями могут подтвердить эффекты. В то же время командам следует определить данные, которые можно повторно использовать в различных задачах и рабочих процессах. Такой акцент на повторном использовании имеет решающее значение для разработки масштабируемых моделей.

Модернизируйте каждый уровень архитектуры данных для агентов.

Подготовка архитектуры данных для агентного ИИ требует укрепления и корректировки уровней стека данных. Вместо того чтобы перестраивать системы с нуля, компании могут модернизировать каждый уровень, чтобы улучшить прозрачность и управление рабочими процессами.

Cлой источников данных — это место, куда в корпоративную сеть поступают данные о клиентах, такие как просмотры, списки желаний, история покупок и взаимодействия со службой поддержки. Неструктурированные данные непрерывно поступают, преобразуются и рекомбинируются по мере их поступления в модели, а это значит, что управление ими должно осуществляться параллельно. Проверки качества данных, средства контроля безопасности и отслеживание происхождения должны быть автоматизированы и интегрированы непосредственно в конвейеры обработки данных, а не обрабатываться в виде разовых проверок. Команды, работающие с данными, также создают конвейеры предварительной обработки, которые очищают, обогащают и маркируют данные, добавляя бизнес-контекст и проверки качества, позволяющие агентам интерпретировать информацию и действовать надежно.

Уровень платформы данных объединяет данные из различных систем и делает их пригодными для использования в приложениях и моделях ИИ, организуя доступ, синхронизацию и взаимодействие в реальном времени между системами.

Средства хранения векторной графики и сервисы встраивания необходимы для работы с неструктурированными данными, поэтому они должны быть частью платформы данных. Эти сервисы позволяют осуществлять поиск документов, изображений и другого неструктурированного контента по смыслу, а не по ключевым словам, при этом обеспечивая актуальность этих представлений по мере развития контента.

Добавление стандартов взаимодействия, специфичных для каждого агента. Этот уровень может автоматизировать процессы интеграции и доступа, обеспечивая структурированный обмен контекстной информацией, прямую координацию между агентами и безопасный обмен транзакциями. Несколько агентов, работающих вместе, могли бы, например, получать и обновлять данные в системах учета запасов, выполнения заказов, управления взаимоотношениями с клиентами и платежей в режиме реального времени, координируя действия без потери непрерывности.

На этом уровне агенты могут поддерживать выделенную рабочую память или ограниченный контекст, в то время как доступ к общим данным и контекстной информации регулируется динамически на основе сценариев использования и разрешений. По мере повышения автономности агентов средства управления идентификацией становятся необходимыми для сохранения качества данных, их согласования и возможности аудита.

Семантический слой преобразует данные в знания. Он находится между необработанными данными и приложениями искусственного интеллекта, кодифицируя бизнес-значение данных в машиночитаемую форму, понятную человеку. Вместо того чтобы рассматривать данные как разрозненные таблицы или файлы, семантический слой определяет, что представляют собой объекты, как они связаны между собой и какие правила ими управляют.

На практике этот уровень чаще всего реализуется с помощью онтологий и графов знаний. Онтологии определяют, как атрибуты и взаимосвязи между данными в совокупности соответствуют бизнес-реальности. Графы знаний операционализируют этот словарь, связывая данные из реального мира в разных системах в единую сеть сущностей. Без этой общей семантической основы агенты могут действовать на основе неполных или противоречивых интерпретаций одних и тех же данных, что увеличивает количество ошибок и операционные риски по мере роста масштаба.

Продукты на основе данных превращают тщательно отобранные данные в многократно используемые, готовые к применению в бизнесе активы. Они упаковывают данные с четким указанием прав собственности, стандартов качества, семантики и интерфейсов для использования. Благодаря продуктовому подходу компании рассматривают данные как ценный ресурс, который можно повторно использовать в различных сценариях и областях. Многократно используемые продукты на основе данных позволяют агентам получать достоверные прогнозные и генеративные данные в больших масштабах, а наблюдаемость фиксирует, как агенты используют данные, создавая необходимую отслеживаемость для контроля и обеспечивая обратную связь, которая улучшает исходные данные и модели.

Потребление данных находится на вершине всего технологического стека. Эта возможность обеспечивает подачу данных и аналитической информации в рабочие процессы и приложения. Она включает в себя инструменты аналитики и отчетности, API данных, интерфейсы извлечения и выходные данные моделей, встроенные непосредственно в бизнес-процессы. В этот слой интегрированы службы оркестрации и извлечения данных. Системы ИИ динамически формируют контекст — часто из неструктурированных данных — вместо того, чтобы полагаться на предопределенные запросы. Оркестрация позволяет системам ИИ решать, что извлекать, как это уточнять и когда итерировать, а службы извлечения данных обеспечивают безопасный, эффективный и управляемый доступ в масштабе.

Современные архитектуры анализируют выходные данные модели для повышения качества самих данных. Приложения Gen AI могут генерировать метки, модели использования и контекст, которые улучшают качество и поддерживают будущие модели — и эти выходные данные, как и любые другие, необходимо собирать для обучения.

Управление и контроль доступа обеспечивают основные компоненты, которые контролируют взаимодействие агентов с данными, инструментами и моделями контролируемым образом.

Обеспечьте надлежащее качество данных.

В эпоху агентного ИИ тщательно отобранные высококачественные данные становятся стратегическим конкурентным преимуществом. Внедрение базовых моделей может быть дорогостоящим, учитывая затраты на крупномасштабное моделирование, тонкую настройку, инфраструктуру и управление. Организации с хорошо структурированными внутренними наборами данных могут снизить затраты на инвестиции в технологии, тонко настраивая более мелкие, специализированные модели на собственных данных. Эти модели не только более экономичны и ресурсоэффективны, но и более устойчивы и соответствуют требованиям.

Для того чтобы сделать неструктурированные данные пригодными для использования, необходимо улучшить их качество за счет тегирования, классификации, векторного представления и структурирования на основе графов. Это позволяет агентам надежно понимать сущности, отношения и контекст. К неструктурированным данным должны применяться те же стандарты, что и к структурированным.

Компаниям также необходимо совершенствовать методы управления структурированными данными. Вместо периодической очистки организации могут использовать непрерывный мониторинг качества данных в режиме реального времени. Этот процесс поддерживается автоматизированными конвейерами проверки, обнаружения аномалий и обогащения данных с использованием искусственного интеллекта, которые предотвращают распространение проблем между рабочими процессами. Управление метаданными обеспечивает отслеживание происхождения данных и бизнес-контекст, позволяя агентам отслеживать и обосновывать принимаемые решения.

Наконец, по мере того как агенты генерируют новые данные, организации должны применять к их результатам те же стандарты качества, происхождения и согласования. Это включает данные, полученные или записанные с помощью инструментов и API, вызываемых агентами, которые должны работать через управляемые, согласованные интерфейсы, а не в обход корпоративного контроля качества. Общие определения, соответствующие поставленным задачам и встроенные в автоматизированные проверки качества, могут гарантировать, что агенты будут использовать надежную информацию в масштабе предприятия.

Разработайте операционную и управленческую модель для агентного ИИ.

По мере масштабирования агентных систем управление становится основным механизмом контроля. Необходимы четкие и ясные правила, определяющие, что могут делать агенты, к каким данным они имеют доступ и когда требуется одобрение человека, при этом проверки доступа должны автоматически оцениваться для каждого агента в зависимости от его роли и области действия. Важно отметить, что агенты не должны вводить новые правила качества данных или управления; они должны следовать тем же стандартам, что и другие системы, и автоматически применяться по мере повышения автономности.

Хорошо подготовленные агенты могут помочь в этом процессе, при этом агенты-контролеры работают в рамках четко определенной функции управления, постоянно отслеживая деятельность агентов для обеспечения прозрачного и соответствующего требованиям поведения. Например, агенты по обеспечению соответствия требованиям могут проверять изображения и мультимедийные материалы на предмет искажения информации о бренде или нарушений политики и инициировать корректирующие действия.

ИТ-подразделения и службы управления также должны управлять жизненным циклом агентов. Это включает в себя выдачу учетных данных, отслеживание журналов активности, мониторинг производительности и обеспечение соблюдения политик посредством автоматизированных проверок. Активность агентов автоматически фиксируется с помощью встроенной телеметрии, что гарантирует последовательную регистрацию и отслеживаемость действий, доступа к данным и принимаемых решений.

Четкая ответственность за поведение агентов — охватывающая результаты бизнеса, управление рисками и соблюдение политик — имеет решающее значение для масштабируемости. На практике бизнес-подразделения отвечают за повседневное управление рабочими процессами с участием агентов, включая модели доменов и онтологии. В то же время центральные команды по работе с данными и ИИ поддерживают общие платформы, механизмы защиты и контроль. Эта федеративная модель уравновешивает автономию доменов с ответственностью в масштабах всего предприятия.

В эпоху агентного управления лидеры технологической отрасли обнаруживают, что их база данных все чаще определяет конкурентное позиционирование. Однако, несмотря на перспективу использования данных для получения реальной ценности от агентного ИИ, многие организации по-прежнему испытывают трудности с обеспечением доступности и управляемости данных для цифровых агентов. Пришло время осуществить трансформацию данных, которая проложит путь к агентному будущему.

Источник

Создание основы для агентного ИИ в масштабах предприятия. Асин Таваколи; Хеннинг Соллер; Карлос Баррето; Танкреди Бернард Литта Модиньяни. 2 апреля 2026 г. Статья

Building the foundations for agentic AI at scale. April 2, 2026 Article

https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale

Угрозы ИИ

Данная заметка содержит сообщения о самостоятельных действиях ИИ

Сообщиния подготовлены Марией Неведовой.

Агенты OpenAI обменивались эксплоитами через импровизированный форум

На конференции Black Hat представители OpenAI раскрыли новые детали инцидента, в рамках которого автономные ИИ-агенты компании сумели покинуть тестовую среду и атаковали платформу Hugging Face. Выяснилось, что за несколько месяцев до взлома модели научились общаться друг с другом через внутренний Artifactory, обменивались информацией о найденных уязвимостях, распределяли задачи и даже подозревали друг друга в саботаже.

В своем выступлении на Black Hat об импровизированном форуме агентов рассказали исследователь Эрик Уоллес (Eric Wallace) и технический специалист OpenAI Майкл Далтон (Michael Dalton). По их словам, эта история началась еще 7 мая 2026 года, когда в OpenAI запустили обучение экспериментальной внутренней модели, но некоторые задачи, поставленные перед ИИ, случайно оказались практически невыполнимыми.

Например, модель должна была восстановить формулы в Excel-файле со ссылками на Google Drive, хотя доступ в интернет был заблокирован. Не желая отказываться от выполнения этой задачи, агент начал искать обходные пути и попытался провести SSRF-атаку на JFrog Artifactory. Хотя эксплоит не сработал, модель выяснила, что может загружать туда файлы.

Еще через несколько дней другой агент получил задачу найти файл с базой белков, который инженеры забыли добавить в контейнер. Модель решила попросить помощи у других агентов и оставила сообщение в Artifactory. Вскоре на этот «форум» наткнулись и другие модели, которые тоже стали публиковать там информацию.

26 мая агенты нашли рабочую SSRF-уязвимость и успешно получили доступ в интернет, а 26 июня они обнаружили неизвестный ранее баг в Artifactory, позволявший получить административный токен через легаси-эндпоинт обновления токенов. После этого модели добились удаленного выполнения кода и организовали управляющий канал через Groovy-плагин.

В итоге активность агентов перегрузила Artifactory и привела к сбою. Лишь тогда инженеры OpenAI начали полноценное расследование, отозвали учетные данные, которыми пользовались модели, пересобрали Artifactory и уведомили специалистов JFrog об уязвимостях.

Однако проблемы на этом не закончились. Аналитики OpenAI обнаружили и закрыли «форум» ИИ-агентов 4 июля, однако уже к 8 июля агенты нашли другой способ общения: используя неаутентифицированный веб-эндпоинт Artifactory, они создавали каталоги, а сообщения размещали прямо в длинных именах вида «remote...probe_PENDING_HOLD_SWARM_until_confirm».

Подчеркивается, что к этому моменту модели уже действовали как единый коллектив: они передавали друг другу информацию об эксплоитах, продолжали работу других агентов и распределяли задачи между собой. Правда, иногда это сотрудничество давало сбои — агенты могли перезаписывать чужие репозитории, спорили, а в какой-то момент и вовсе решили, что среди них может находиться «самозванец», подделывающий сообщения. Из-за этого некоторые агенты даже предложили для защиты подписывать сообщения специальными кодами.

По данным OpenAI, к моменту обнаружения первого «форума» там накопились порядка 100 000 сообщений.

Исследователи сообщили, что именно эта инфраструктура агентов позднее сыграла роль во время прохождения тестирования в ExploitGym, когда агенты получили доступ к интернету, атаковали Hugging Face и другие внешние системы. При этом специалисты OpenAI довольно долго не понимали, что источником атак являются их собственные модели.

В своем выступлении Далтон назвал произошедшее «переломным моментом» для компьютерной безопасности. По его словам, полностью автоматизированные наступательные операции под управлением ИИ уже стали реальностью. В OpenAI ожидают, что следующим шагом станет намеренное использование подобных коллективов ИИ-агентов злоумышленниками, поэтому защитникам придется развивать автоматизацию обнаружения уязвимостей, установки патчей и реагирования на инциденты.

https://xakep.ru/2026/08/13/agents-messaging-board/

Китайский хакер использовал DeepSeek для проведения автономных атак

Исследователи Palo Alto Networks обнаружили говорящего на китайском языке хакера, который использовал DeepSeek и опенсорсный фреймворк Hermes Agent для автономных атак на доступные через интернет серверы. Получив команду через Telegram, ИИ-агент самостоятельно искал цели, обнаруживал уязвимости, скачивал эксплоиты и пытался проводить атаки.

Обнаружить эту кампанию удалось из-за ошибки самого Hermes. Дело в том, что агент запустил из домашней директории команду python3 -m http.server 8888 и случайно открыл доступ к рабочему окружению хакера. В результате в руки исследователей попали API-ключи, конфигурации моделей, списки целей, эксплоиты, история команд и логи автономных сессий.

Эксперты связывают эту кампанию со злоумышленником, который известен под никами knaithe и KnYuan. Он называет себя исследователем бинарников и, предположительно, проживает в китайском Чжухае. Однако точно установить его личность пока не удалось.

По данным Palo Alto Networks, внутри Hermes модель DeepSeek выполняла роль «мозга», а сам фреймворк предоставлял доступ к терминалу, интернету и набору специализированных навыков. Агент работал в режиме YOLO, то есть мог выполнять команды, включая потенциально опасные, без дополнительного разрешения со стороны оператора.


https://xakep.ru/wp-content/uploads/2026/08/579965/deepseek-attack-workflow.jpg

Судя по восстановленной сессии и логам за май 2026 года, хакер только поставил перед ИИ задачу, после чего агент самостоятельно выполнил оставшуюся часть работы без участия человека. Так, сначала агент нашел в сети серверы Langflow, уязвимые перед проблемой CVE-2026-33017. Затем он скачал публично доступный PoC-эксплоит, через поисковик FOFA обнаружил 84 доступных инстанса и проверил их конфигурации. Однако эксплуатация не удалась, так как подходящие цели не использовали auto_login или не имели публичного идентификатора flow.

После этого ИИ изучил десять семейств продуктов и свежие репозитории с эксплоитами, а затем переключился на платформу автоматизации n8n. Поисковик FOFA обнаруживал более 647 000 доступных инстансов по всему миру, включая 25 209 систем в Китае. Их агент решил атаковать, объединив в цепочку уязвимости CVE-2026-21858 и CVE-2025-68613. В итоге ИИ проверил около ста серверов и детально протестировал примерно 40 из них. Оказалось, что лишь три потенциальные цели использовали уязвимые версии, однако необходимые формы загрузки файлов требовали аутентификации.

В результате автономные попытки атак не привели ни к одному подтвержденному взлому.

Однако исследователи пишут, что этот случай все равно является важным. Так, ИИ-агент самостоятельно отказался от бесперспективного направления атак, оценил другие уязвимости по степени критичности, распространенности и возможности эксплуатации, а затем сузил список целей. По оценке экспертов, если бы человек выполнял эту работу вручную, он потратил бы сотни часов, тогда как ИИ потребовалось несколько минут.

Параллельно с этим злоумышленник провел обычные атаки более чем на 460 систем, включая Citrix NetScaler, Apache Tomcat, Marimo Notebook и Windows IKE VPN. Исследователи отмечают, что им удалось подтвердить три успешные компрометации NetScaler через CVE-2026-3055, в рамках которых хакер извлекал содержимое памяти и искал файлы cookie для перехвата сессий. Также в отчете упоминается выполнение команд на 11 инстансах Marimo через уязвимость CVE-2026-39987.

Отмечается, что в окружении атакующего были найдены конфигурации для других ИИ-инструментов, включя Qwen, GLM, Kimi, MiniMax, Claude Code и Codex, однако наиболее активно он пользовался DeepSeek.

https://xakep.ru/2026/08/04/deepseek-attacks/

ИИ-модель Mythos обнаружила недостаток в постквантовом алгоритме HAWK

Разработчики постквантового алгоритма HAWK отозвали его из программы стандартизации NIST после того, как модель Claude Mythos Preview помогла разработать более эффективную атаку на алгоритм. Кроме того, модель Anthropic ускорила известную атаку на сокращенную версию AES-128 в 200–800 раз.

HAWK представляет собой схему цифровой подписи, рассчитанную на защиту от будущих квантовых компьютеров. В мае 2026 года представители NIST (National Institute of Standards and Technology) допустил HAWK до третьего раунда дополнительного процесса стандартизации постквантовых схем цифровой подписи.

Безопасность HAWK опирается на сложность задачи изоморфизма решеток. Ранее исследователи уже сообщали, что определенная симметрия, или автоморфизм, может примерно вдвое сократить объем вычислений, необходимых для восстановления ключа. Однако этот подход считался непрактичным, поскольку нужную симметрию найти не удавалось.

В Anthropic сообщают, что модель помогла разработать атаку, которая по открытому ключу восстанавливает нетривиальный автоморфизм решетки, а затем использует его для получения эквивалентного секретного ключа, которым можно подписывать сообщения от имени владельца. Однако нужно отметить, что опубликованная Anthropic реализация атаки рассчитана только на HAWK-256 — специально ослабленный тестовый вариант алгоритма — и в среднем выполняет восстановление ключа за три часа 42 минуты на 96-ядерном сервере.

В компании пишут, что на исследование ушло около 60 часов работы модели и примерно 100 000 долларов США на использование API. При этом управлявший экспериментом сотрудник Anthropic не специализировался на криптографии и лишь изредка задавал общее направление. Mythos изучила профильную литературу, провела математические и вычислительные эксперименты, а затем подготовила пайплайн для проверки результата.

Исследователи подчеркивают, что атака на полноценные HAWK-512 и HAWK-1024 по-прежнему остается непрактичной, однако новый подход заметно снижает заявленный разработчиками HAWK запас прочности.

Авторы HAWK уже подтвердили выводы Anthropic и сообщили, что приняли решение выйти из программы стандартизации NIST: простые меры защиты, включая удвоение параметров, сделали бы алгоритм неконкурентоспособным.

Второе исследование, опубликованное Anthropic, затрагивает AES-128, а точнее его сокращенной версии с семью раундами вместо стандартных десяти. В этом случае Mythos помогла усовершенствовать атаку типа meet-in-the-middle и разработать новую технику под названием Möbius Bridge. Она позволяет сравнивать промежуточные результаты шифрования без перебора одного из байтов ключа, то есть исключает проверку 256 возможных значений. С учетом дополнительных вычислений это ускоряет атаку в 200–800 раз.

Практической угрозы для безопасности AES это исследование не создает. Атакующему по-прежнему потребуется около 2^105 специально подобранных открытых текстов, и эксперимент с полным восстановление ключа исследователи продемонстрировали только на усеченном AES-подобном шифре с 24-битным ключом. Для семираундового AES-128 исследователи оценили отдельные этапы атаки, а затем экстраполировали ее итоговую сложность.

Как объясняет Мэттью Грин (Matthew Green), известный криптограф и профессор Университета Джонса Хопкинса, эти работы демонстрируют не столько скорый крах современной криптографии, сколько возможную роль LLM в криптоанализе. Так, модель не изобрела чего-то принципиально нового, а удачно объединила несколько уже известных методов атак. При этом проверка результатов стала главным узким местом исследования: специалистам Anthropic понадобился почти месяц, чтобы разобраться в методе, предложенном ИИ, и убедиться в его корректности.

https://xakep.ru/2026/08/05/mythos-hawk/

Модели OpenAI и Anthropic атаковали реальных людей и проекты

OpenAI и британский Институт безопасности ИИ (AI Security Institute, AISI) раскрыли несколько новых инцидентов, в ходе которых ИИ-агенты выходили за рамки тестовых сценариев и начинали атаковать реальные системы и людей. В одном из случаев агент применял социальную инженерию, создавал подставные аккаунты, вводил мейнтейнеров в заблуждение и пытался убедить их принять вредоносный код. Эти случаи не связаны ни со взломом Hugging Face, ни с инцидентами, которые компания Anthropic раскрыла в прошлом месяце.

Опубликованный AISI отчет гласит, что во время проведенных институтом тестов агенты на базе моделей Claude Mythos 5 и GPT-5.6 Sol должны были взламывать изолированные корпоративные сети. Однако в 10 из 122 запусков они совершили 19 несанкционированных действий в открытом интернете: 17 из них были совершены Mythos 5, а еще два — GPT-5.6 Sol.

Эти 19 эпизодов не были отдельными инцидентами: большинство действий агенты осуществили в рамках нескольких связанных цепочек атак, причем основная активность исходила от одного агента Mythos 5. Специалисты отдельно подчеркивают, что эти цифры нельзя использовать для прямого сравнения моделей, так как условия тестирования могли различаться.

Кроме того, в отчете оговаривается, что обе ИИ-модели работали без штатных защитных фильтров, а также организаторы испытаний намеренно не закрыли им доступ в интернет. Хотя агентам было разрешено атаковать только киберполигон, им не объясняли, как они могут использовать доступ в интернет, и не предупредили, что следует избегать взаимодействия с реальными людьми и системами.

Наиболее серьезный инцидент произошел при тестировании Mythos 5. Агент искал в интернете информацию, связанную с испытанием, и ошибочно решил, что посторонний опенсорсный проект на GitHub, название репозитория которого совпало с одним из ключевых слов из легенды, тоже является частью киберполигона. К тому же домен электронной почты одного из разработчиков этого проекта нашелся в DNS-кеше агента. После этого ИИ потратил около 34 часов на подготовку атаки на цепочку поставок, попытавшись внедрить в проект малварь.

Так, агент изучил список мейнтейнеров проекта, проверил их адреса электронной почты и историю коммитов (чтобы понять, когда разработчики, скорее всего, бывают в сети), а затем подготовил и отправил вредоносный пул-реквест.

Вредонос маскировался под исправление реального бага и проверял окружение перед запуском: в CI созданный агентом дроппер должен был оставаться неактивным, чтобы автоматические тесты не выявили подозрительное поведение. Если бы этот коммит приняли, малварь могла заразить как системы разработчиков, так и готовые сборки программы, а затем ее пользователей.

При этом Mythos 5 попытался ввести мейнтейнеров в заблуждение. К примеру, когда один из пользователей публично предупредил разработчиков о том, что созданный ИИ пул-реквест содержит малварь, но агент отверг это обвинение, переписал историю ветки и заменил пейлоад. Более того, агент создал второй аккаунт и от его имени заявил, что якобы проверил код и не нашел в нем проблем. Затем от лица другой учетной записи он поблагодарил этот фейк за «независимую проверку».


https://xakep.ru/wp-content/uploads/2026/08/580104/github-agent.jpg

Агент не ограничился только комментариями на GitHub и пытался повлиять на разработчиков другими методами. ИИ отправил мейнтейнерам пять файлов и сообщений под вымышленными именами: два содержали вредоносные пейлоады, а остальные должны были убедить людей принять предложенные изменения. В одном случае ИИ даже завершил сообщение фразой на датском языке, так как выяснил, что на нем говорит разработчик.

При регистрации фальшивых аккаунтов агент пытался использовать Tor, однако не сумел пройти CAPTCHA и переключился на SOCKS-прокси.

Помимо отправки разработчикам сообщений и вредоносных файлов под вымышленными именами, ИИ спрятал в issue на GitHub промпт-инжект для ИИ-ассистентов Claude Code, Codex и Cursor, которых он хотел заставить запустить вредоносный код. Причем на обычной странице вредоносная инструкция не отображалась, но была доступна через API.

Эксперты AISI отмечают, что один из пользователей заметил подозрительный скрипт и специально запустил его в изолированном контейнере. В результате ИИ-агент ненадолго получил root-доступ к чужой тестовой среде, собрал сведения о системе и установил перехватчик учетных данных, который искал токены GitHub. Довести эту атаку до конца и похитить данные ИИ не успел, а пользователь после проверки предупредил мейнтейнера о проблеме, в результате чего вредоносный пул-реквест закрыли.


https://xakep.ru/wp-content/uploads/2026/08/580104/ai-agents-scheme.jpg

В другом случае Mythos 5 разослал один и тот же вредоносный установщик в 145 репозиториев. Для управления этой инфраструктурой он использовал GitHub и умышленно опубликовал персональный токен в открытом gist, оставив инструкции для других агентов. Вредоносный setup.py успел выполниться как минимум в 53 контейнерах Dependabot, однако выбраться из них не сумел.

Позже этот токен обнаружили и использовали другие агенты в ходе трех тестовых запусков, включая GPT-5.6 Sol. Дело в том, что первый агент оставил в README инструкции для совместной работы и рекомендации по использованию созданных им аккаунтов и артефактов. В итоге GitHub заблокировал учетную запись.

Аналитики AISI пишут, что не могут с точностью утверждать, понимал ли Mythos 5, что атакует реальных людей. В логах агент то отказывался от продолжения атак из-за возможного ущерба, то убеждал сам себя, что хотя GitHub настоящий, цель все равно явно относится к тесту.

После инцидентов в AISI решили более не предоставлять агентам открытый доступ в интернет без отдельного обоснования. Сейчас специалисты института работают над внедрением точечных сетевых ограничений, а также дополнительным контролем, в рамках которого вторая модель будет проверять действия агента до их выполнения.

Кроме того, аналитики AISI начали искать возможные признаки другой вредоносной активности ИИ в старых тестах. Специалисты уже просканировали около 40 000 образцов и почти 4 млн сообщений (этот массив охватывает примерно 70% кибериспытаний затронутых моделей), но ручной анализ результатов еще не завершен, поэтому окончательный масштаб проблемы пока непонятен.

Также следует упомянуть еще один инцидент, о котором на этой неделе рассказали в OpenAI. Он произошел во время тестов, которые проводили специалисты компании Irregular: из-за ошибки в конфигурации изолированный CTF получил доступ в интернет, а имя вымышленной цели совпало с настоящим доменом. В результате неназванная модель OpenAI приняла реальный сайт за часть задания, взломала его и воспользовалась найденными там учетными данными.

В компании подчеркнули, что агент не эксплуатировал 0-day-уязвимости и не совершал побег из песочницы. К настоящему моменту расследование не выявило никакого ущерба, помимо компрометации данных самого взломанного сайта.

https://xakep.ru/2026/08/06/aisi-tests/

В Anthropic заявили, что Claude взломал три организации и загрузил малварь в PyPI

Представители Anthropic сообщают, что во время внутренних ИБ-тестов модели Claude выбрались за пределы изолированной среды и проникли в реальную инфраструктуру трех неназванных организаций. В рамках одной из этих атак ИИ самостоятельно создал вредоносный Python-пакет и опубликовал его в PyPI. Всего за час этот пакет успели скачать и запустить на 15 реальных системах.

Ретроспективную проверку активности Claude решили провести после недавнего инцидента с моделями OpenAI, которые нашли 0-day-уязвимости в тестовой инфраструктуре и в итоге атаковали Hugging Face.

В частности, в Anthropic решили выяснить, не получали ли модели Claude доступ к открытому интернету во время тестирования, и для этого специалисты компании проверили 141 006 запусков Claude в CTF-тестах, организованных совместно с компанией Irregular. Предполагалось, что эти тестовые среды не имеют доступа к интернету, однако оказалось, что из-за ошибки в конфигурации ограничение не работало, поэтому модели считали реальные сайты и серверы частью симуляции.

23 июля 2026 года, после начала проверки, в Anthropic временно остановили все кибериспытания, и уже на следующий день специалисты обнаружили сразу три инцидента. 27 июля в компании уведомили о своих находках Irregular и пострадавшие организации. Выяснилось, что в двух компаниях даже не подозревали о взломе, а связаться с представителями третьей пока не удалось.

Как показал анализ, во время выполнения одного из заданий Claude Mythos 5 обнаружила фальшивую инструкцию для разработчиков, в которой предлагалось установить несуществующий пакет из PyPI. Модель поняла, что может зарегистрировать свободное имя и разместить в PyPI собственный код, ведь тогда системы вымышленной компании автоматически загрузили бы и установили его, а модель выиграла бы тестовый CTF.

Для публикации пакета потребовалось создать аккаунт, то есть найти подходящий почтовый сервис и пройти регистрацию, после чего Claude успешно загрузила малварь в репозиторий.

Пакет был доступен в PyPI около часа. За это время его загрузили и установили на 15 реальных систем, и одна из них принадлежала ИБ-компании, которая автоматически скачивала новые пакеты из PyPI и запускала их для анализа. Написанный ИИ вредонос похитил учетные данные этой организации и использовал их для дальнейшего проникновения во внутреннюю инфраструктуру. Вскоре защита PyPI удалила пакет автоматически.

При этом в логах Claude отмечала, что публикация пакета в интернете являлась бы настоящей атакой, и писала, что такой вариант — «NOT okay». Однако модель решила, что все же находится в симуляции — ее смутили незнакомые центры сертификации и 2026 год в тестовых системах. Автоматические сканеры, запускавшие пакет, Claude тоже приняла за часть CTF-задания.

По словам представителей Anthropic, самый серьезный инцидент произошел с Claude Opus 4.7. Проблема возникла из-за того, что в выданном модели задании фигурировала вымышленная компания, которая носила то же имя, что и реально существующая организация. Не сумев обнаружить тестовую цель, модель атаковала настоящий домен, извлекла учетные данные приложений и инфраструктуры, а затем получила доступ к БД с несколькими сотнями строк продакшен-данных.

Причем в ходе всех четырех запусков Claude в итоге пришла к выводу, что имеет дело с реальной системой. Однако в двух случаях ИИ счел, что реальная компания наверняка тоже является частью учений, и поэтому продолжил атаку.

В ходе третьего инцидента исследуемый ИИ просканировал около 9000 адресов, затем скомпрометировал доступное через интернет приложение с помощью SQL-инъекции и учетных данных, взятых с debug-страницы. Позже модель заметила, что хост, который она атакует, находится в облачной учетной записи, которая явно не связана с заданием. Модель сделала вывод, что это реальная система, после чего остановила атаку самостоятельно.

Во всех описанных случаях модели не изобретали никаких новых техник атак: в основе всех инцидентов лежали слабые пароли, открытые эндпоинты и типовые уязвимости. Однако выяснилось, что самый ранний инцидент произошел еще в апреле 2026 года и оставался незамеченным около трех месяцев.

При этом в Anthropic настаивают, что проблема заключалась не в том, что модели Claude проигнорировали какие-либо ограничения, а в ошибках, допущенных при настройке тестовой инфраструктуры и при проведении тестов. Так, моделям сообщали, что доступа к интернету нет, однако на самом деле выход в сеть оставался открытым.

Кроме того, во время этих тестирований не работали классификаторы и системы мониторинга, которые используются в публичных версиях Claude. Теперь в компании обещают тщательнее проверять логи, улучшить инструменты для проведения расследований, а также привлечь специалистов METR для независимой оценки.

https://xakep.ru/2026/07/31/claude-attacks/

Reuters: в OpenAI неделю не замечали, что их ИИ-агент проводил атаки

По данным собственных источников Reuters, экспериментальный ИИ-агент OpenAI несколько дней атаковал Hugging Face, однако сотрудники компании поняли, что происходит, только через неделю — уже после того, как специалисты платформы остановили атаку и обратились в ФБР.

На прошлой неделе стало известно, что ИИ-агент OpenAI, работавший на базе GPT-5.6 Sol и еще одной «более мощной модели», пока недоступной публично, атаковал Hugging Face. Дело в том, что перед ИИ поставили задачу искать сложные цепочки эксплуатации в рамках ExploitGym — бенчмарка, который проверяет, насколько хорошо модели умеют находить и использовать уязвимости.

Чтобы проверить реальные возможности моделей, в OpenAI намеренно ослабили ограничения на опасные ИБ-запросы, а также отключили часть защитных механизмов, которые обычно блокируют высокорисковую активность.

Тестирование проводилось в изолированной среде, и доступ к сети ограничивался установкой пакетов через размещенный внутри инфраструктуры сторонний прокси. Однако ИИ нашел уязвимость нулевого дня в этом сервисе и воспользовались ею, а затем повысил привилегии и перемещался по исследовательской сети до тех пор, пока не обнаружил машину с выходом в интернет.

Получив доступ к сети, модели предположили, что на Hugging Face могут храниться датасеты, модели и решения для ExploitGym, после чего начали искать способ добраться до этой «секретной информации» и обмануть тест.

Новые данные Reuters свидетельствуют о том, что специалисты OpenAI далеко не сразу обнаружили потерю контроля. По словам двух неназванных источников издания, первые попытки агента покинуть тестовую среду начались еще примерно 9 июля, тогда как, по словам представителей Hugging Face, атака на инфраструктуру платформы продолжалась с 11 по 13 июля.

16 июля специалисты Hugging Face опубликовали отчет об атаке, заявив, что за инцидентом стоит неизвестная «система автономных ИИ-агентов». Лишь после этого в OpenAI предположили, что за атакой может стоять их собственный ИИ.

В выходные 18–19 июля сотрудники OpenAI обнаружили во внутренних логах следы побега агента из песочницы. В итоге первый прямой контакт между Hugging Face и OpenAI состоялся примерно 20 июля, а публично об инциденте в OpenAI рассказали 21 июля. К этому моменту специалисты Hugging Face уже остановили атаку и уведомили об инциденте ФБР.

По информации источников Reuters, первые тревожные сигналы появлялись еще до начала атаки. К примеру, в одном из тестов агент оставил заметки, предположительно адресованные будущим версиям самого себя. В них описывались методы, с помощью которых ИИ-агенты могут обходить внутренние ограничения OpenAI.

Журналистам не удалось установить, были ли эти эпизоды связаны именно с тем агентом, который в итоге атаковал Hugging Face. Источники агентства отмечают, что в OpenAI одновременно тестируют множество моделей, и эти тесты генерируют огромные объемы логов, за которыми сотрудники компании не всегда успевают следить.

В OpenAI назвали случившееся беспрецедентным инцидентом и «важным моментом для ИИ-безопасности». В настоящее время компания проводит расследование с привлечением внешних экспертов и обещает позже опубликовать детальный технический отчет.

Представитель OpenAI заявил агентству, что в материале Reuters есть «ряд неточностей», однако не уточнил, о чем именно идет речь.

https://xakep.ru/2026/07/28/ai-attack/

В OpenAI сообщили, что за взломом Hugging Face стоят две ИИ-модели компании

Представители OpenAI заявили, что за недавним взломом Hugging Face стояли экспериментальные ИИ-модели компании. Во время внутреннего теста ИИ-агенты нашли 0-day-уязвимость в изолированной исследовательской инфраструктуре, добрались до открытого интернета и атаковали Hugging Face, пытаясь найти на платформе ответы для бенчмарка ExploitGym.

Напомним, что недавно представители Hugging Face сообщили, что компания пострадала от кибератаки. Атакующие получили доступ к части внутренних датасетов, а также к учетным данным для облачной инфраструктуры и кластеров. В компании подчеркивали, что атаку провела система автономных ИИ-агентов, выполнившая тысячи действий практически без участия человека. Однако не удалось установить, какую именно LLM использовали злоумышленники.

По данным Hugging Face, атака развивалась на протяжении всех прошлых выходных. В логах специалисты насчитали более 17 000 событий и сообщили, что агентный фреймворк распределял задачи между множеством песочниц, которые создавались на короткое время и затем удалялись.

Как теперь сообщили специалисты OpenAI, в инциденте участвовали GPT-5.6 Sol и еще одна «более мощная модель», пока недоступная публично. Атака на Hugging Face произошла во время внутреннего тестирования моделей. Перед ИИ поставили задачу искать сложные цепочки эксплуатации в рамках ExploitGym — бенчмарка, который проверяет, насколько хорошо модели умеют находить и использовать уязвимости.

Чтобы оценить полные возможности моделей, в OpenAI намеренно ослабили ограничения на опасные ИБ-запросы и отключили продакшн-классификаторы, которые обычно блокируют высокорисковую активность.

Тест проводился в изолированной среде, и доступ к сети ограничивался установкой пакетов через размещенный внутри инфраструктуры сторонний прокси, который также кешировал содержимое реестров. Однако ИИ-агенты нашли уязвимость нулевого дня в этом сервисе и использовали ее. Затем они повысили привилегии и перемещались по исследовательской сети до тех пор, пока не нашли машину с выходом в интернет.

Получив доступ в сеть, модели предположили, что на Hugging Face могут храниться датасеты, модели и решения для ExploitGym, после чего начали искать способ добраться до этой «секретной информации» и обмануть тест. По данным OpenAI, в одной из цепочек агенты задействовали похищенные учетные данные и еще одну 0-day-уязвимость, стремясь найти путь к удаленному выполнению кода на серверах Hugging Face. В итоге модели извлекли решения для тестовых заданий напрямую из продакшн-базы платформы.

«Все свидетельствует о том, что модели целиком сосредоточились на поиске решения для ExploitGym и пошли на крайние меры ради довольно узкой тестовой цели», — объяснили в OpenAI.

В конечном счете, аномальную активность заметили как специалисты OpenAI, так и защитные системы Hugging Face. Сотрудники платформы остановили атаку и начали проводить анализ инцидента с помощью опенсорсных моделей.

Представители OpenAI называют случившееся беспрецедентным киберинцидентом и признают, что продвинутые модели уже способны самостоятельно обнаруживать и использовать новые цепочки атак в реальных системах, не имея доступа к исходному коду.

Сообщается, что теперь тестовую инфраструктуру дополнительно изолировали, а о найденной уязвимости сообщили разработчику прокси, название которого не раскрывается. Кроме того, в OpenAI пообещали усилить мониторинг, контроль доступа и защиту будущих тестов, даже если это замедлит проведение исследований.

В настоящее время расследование инцидента продолжается совместно со специалистами Hugging Face.

«Этот инцидент, возможно, первый в своем роде, подтверждает то, во что мы давно верили: безопасность ИИ не сможет обеспечить одна компания, работающая втайне, — комментирует сооснователь и глава Hugging Face Клем Деланг (Clem Delangue). — Решать эту проблему придется открыто и сообща, предоставив ИБ-специалистам по всему миру широкий доступ к ИИ».

https://xakep.ru/2026/07/22/hugging-face-opeanai/