Эффекты от внедрения ИИ

Лишь немногие команды разработчиков программного обеспечения видят реальный эффект от внедрения ИИ. Ключевым моментом является запуск комплексной модернизации всей системы разработки продукта с использованием ИИ, а не просто внедрение новых инструментов.

• Искусственный интеллект и агенты ускоряют разработку продуктов и программного обеспечения, но результаты в масштабах всего предприятия остаются неравномерными.
• Некоторые организации добиваются значительных успехов, получая двукратное повышение производительности труда значительной части команд, в то время как другие видят незначительный эффект или даже отрицательную отдачу.
• В организациях, стремящихся к прогрессу, выявились четыре общие темы: они перестраивают операционные модели и процессы, пересматривают роли и обязанности, создают механизмы проверки и внедряют ИИ-операции, которые соответствуют ускоренному темпу работы, а также активно управляют изменениями и инвестируют в них.
• Организации, которые откладывают переход от экспериментального подхода к ИИ, рискуют еще больше отстать, учитывая рост затрат на ИИ, усиление конкурентного давления и тот факт, что многие компании уже работают в значительно ускоренном режиме круглосуточной работы с привлечением агентов.

С тех пор как в последние годы компании-разработчики программного обеспечения начали внедрять ИИ, влияние этой технологии стало поразительным — и неравномерным. По мере того, как все больше предприятий внедряют ИИ в разработку программного обеспечения и продуктов , разрыв в результатах применения ИИ быстро увеличивается. В то время как некоторые организации создают «фабрики агентов», которые круглосуточно выпускают код, большинству организаций еще предстоит добиться существенного повышения производительности.

В нашем недавнем опросе 334 руководителей продуктовых и инженерных подразделений только 25% респондентов, занимающих руководящие должности, сообщают о значительном (или максимальном) ускорении внедрения ИИ, которое мы определяем как двукратное или более значительное повышение производительности более чем четверти их команд. Вызывает беспокойство тот факт, что 30% сообщили о снижении производительности команд.

Этот разрыв подчеркивает проблему, с которой сталкиваются организации, занимающиеся разработкой программного обеспечения при внедрении ИИ. Технология не является определяющим фактором. Лидеров отличает то, насколько эффективно они адаптируют сквозные рабочие процессы, роли, системы контроля и управление изменениями к агентному жизненному циклу разработки продукта (PDLC - product development life cycle).

Устранение этого разрыва открывает возможности на сумму почти в триллион долларов. Около 80% опрошенных нами инженеров-программистов сообщают о среднем ускорении производительности ИИ примерно на 3%. 20% лучших инженеров прогнозируют рост производительности ИИ в среднем на 55%. Если организациям удастся убедить примерно 30 миллионов инженеров по всему миру.

Что требуется для успеха агентного PDLC

При изучении организаций, опережающих конкурентов в интеграции ИИ в жизненный цикл разработки продукта, и того, что отличает их от других, выявились четыре основные темы.

Во-первых, они переосмысливают сквозные процессы и рабочие потоки, а не просто внедряют инструменты ИИ в существующие методы работы. 

Во-вторых, они меняют структуру команд, должностные роли и обязанности, чтобы сосредоточиться на человеческом суждении и замысле продукта. 

В-третьих, они создают системы верификации, контроля и измерения, которые могут идти в ногу с новыми и более быстрыми методами работы. 

Наконец, они вкладывают значительные средства в повышение квалификации персонала для стимулирования изменений и внедрения. 

Короче говоря, они используют ИИ для перепроектирования всей системы разработки продукта — и это приносит свои плоды.

Переосмысление сквозных процессов и рабочих потоков.

Согласно опросу респондентов, сообщивших о двукратном увеличении производительности хотя бы одной из своих команд, перепроектирование рабочих процессов было определено как один из двух главных факторов, способствующих внедрению ИИ.

Результаты опроса:

• Переработка рабочих процессов - 56%.
• Культура экспериментирования - 48%.
• Внедрение инструментов (масштабное развертывание) - 33%.
• Управление изменениями - 18%.
• Изменения в структуре команд - 13%.

93% ведущих компаний, занимающихся ускорением процессов (те респонденты, которые сообщили о двукратном или более значительном увеличении производительности более чем четверти своих команд), внедрили ИИ в свои рабочие процессы. Способ внедрения ИИ имел не меньшее значение: респонденты из организаций, которые перепроектировали процессы до внедрения технологии, более чем в два раза чаще сообщали о повышении производительности более чем на 20%, чем те, кто интегрировал ИИ в существующие методы работы. Напротив, организации, которые активно внедряют ИИ и следуют большинству передовых практик (включая цели, связанные с ИИ, в оценке эффективности работы и внедрение эффективных программ коучинга), но не могут комплексно перестроить рабочие процессы вокруг ИИ, как правило, упускают возможность добиться значимого результата.

Руководители компаний-разработчиков программного обеспечения утверждают, что перепроектирование рабочих процессов с использованием ИИ позволило их командам значительно повысить производительность.

Именно такой подход, ориентированный на перепроектирование сквозных рабочих процессов, а не на автоматизацию отдельных задач или чрезмерное акцентирование внимания на технологическом стеке, отличал лучшие акселераторы. Они подошли к вопросу о том, как должна выполняться работа, с чистого листа, задаваясь вопросом, что должно управляться людьми, а что — искусственным интеллектом, рефакторизировали свои программные продукты, а затем развернули агентов для обеспечения работы перепроектированных процессов.

Эти изменения становятся все более важными по мере развития и асинхронности разработки продуктов. Агенты работают независимо круглосуточно, поэтому процесс больше не должен проходить через линейную цепочку передачи задач от человека к человеку. Они могут продвигаться вперед во время «ночной смены», в то время как люди сосредотачиваются на проверке и принятии важных решений днем. Это новый способ работы, мало похожий на гибкие методологии Scrum прошлого. Простое ускорение существующих циклов не принесет существенных изменений. Чтобы идти в ногу со временем, руководителям необходимо перепроектировать методы работы, ориентируясь на асинхронное выполнение задач, управляемое агентами .

Компания Sonar, лидер в области инструментов проверки кода, применила этот подход, перестроив свой путь от анализа продукта до выпуска кода. Три ведущие команды внедрили агентов на этапах исследования, генерации идей, определения бэклога, кодирования, тестирования и исправления ошибок. Они синтезировали сигналы от клиентов и рынка, превращали результаты анализа в задачи Jira, генерировали тесты и код, а также доводили отчет об ошибке до черновика запроса на слияние. В результате продолжительность цикла запроса на слияние сократилась в 3,4 раза, пропускная способность запросов на слияние увеличилась в 2,2 раза, а производительность процессов сборки повысилась на 50–80%.

Изменение ролей в контексте человеческого суждения и намерений, связанных с продуктом.

Хотя перепроектирование процессов важно, именно перепроектирование ролей часто отличает лучшие акселераторы. Ведущие компании-разработчики программного обеспечения, как правило, трансформируют команды, роли, передачу задач и права принятия решений в отношении ИИ, прежде чем корректировать модели штатного расписания или перераспределять ресурсы.

Данные опроса подтверждают, что одних лишь изменений в рабочих процессах и интеграции инструментов недостаточно. Организации, которые внедрили ИИ, не меняя роли или методы работы (мы называем их «пользователями»), становились лидерами в 27% случаев. Те, кто внедрил некоторые инструменты ИИ, но не интегрировал их в рабочий процесс (мы называем их «экспериментаторами»), достигали этого показателя лишь в 17% случаев. Напротив, команды, которые внедрили ИИ и перепроектировали роли и работу (мы называем их «трансформаторами»), становились лидерами в 40% случаев. Изменение ролей — недооцененный рычаг. Члены команды больше ценят перестройку процессов и инструментов, но влияние, как правило, минимально, если не меняются и обязанности людей.

Меняется то, на что люди тратят время. По мере того, как ИИ и агенты берут на себя все больше рутинной, ориентированной на выполнение работы, человеческое суждение продолжает приобретать все большее значение. Командам необходимо переводить замысел продукта в исполняемые инструкции: требования, связанные с телеметрией, критерии приемки, определения готовности, ограничения на то, что могут изменять агенты, и четкую маршрутизацию к нужному рецензенту, тестировщику или контролирующему звену. Это важно, потому что в жизненном цикле разработки продукта с поддержкой ИИ неопределенность распространяется быстрее и может нанести больший ущерб: расплывчатое требование, не связанное с телеметрией, может генерировать правдоподобные, но неверные задачи, прототипы, тесты и код, прежде чем кто-либо это заметит. Спецификации и требования должны быть достаточно ясными и подробными, чтобы агент мог действовать в соответствии с ними, инженер мог оспаривать их, набор тестов мог проверять, а рецензент мог выносить суждения. Нарративы, которые опытный инженер интерпретирует в ходе разговоров и неявного контекста, могут больше не выполнять свою работу. В этой новой модели люди тратят меньше времени на самостоятельное создание каждого артефакта и больше времени на определение направления, принятие компромиссов, проверку результатов и анализ важных решений.

Эти изменения уже происходят. Менеджеры по продуктам в ведущих быстрорастущих организациях сообщают о сокращении времени, затрачиваемого на выполнение задач, на 24%, по сравнению с сокращением времени, затрачиваемого на стратегическую деятельность, на 18%. Для разработчиков разница еще более существенна: они сообщают о сокращении времени, затрачиваемого на выполнение задач, на 19% против всего 6% на стратегическую деятельность. По мере того, как ИИ поглощает рутинную работу по составлению, переводу, тестированию и документированию, человеческий труд перемещается на более высокий уровень.

Меняется и сам процесс формирования команд. В ведущих быстрорастущих организациях 79% респондентов отмечают уменьшение численности команд после внедрения ИИ, при этом средний размер команды сократился примерно с десяти до семи человек. Вероятно, это сокращение продолжится, создавая ценность за счет уменьшения передач задач, расширения ответственности и приближения процессов проверки, контроля качества, безопасности и операционной деятельности к процессу разработки. Почти 20% респондентов, занимающих руководящие должности в ведущих быстрорастущих организациях, уже работают в командах от одного до четырех человек. Всё чаще встречаются небольшие, более автономные команды.

Наконец, меняется и само определение ролей. В ведущих организациях, занимающихся ускоренным развитием технологий, большинство респондентов сообщают об изменениях, вызванных ИИ, в таких областях, как разработка программного обеспечения (93%), управление продуктами (84%), дизайн (53%) и обеспечение качества (53%). Выделяются три основных сдвига. Во-первых, повторяющаяся работа переходит от людей к агентам: документирование, генерация тестов, создание черновых вариантов и другие рутинные результаты. В ведущих акселераторах ИИ сократил время, которое разработчики тратят на написание кода, примерно на 20%, а на документирование — еще больше. Во-вторых, роли расширяются, поскольку отдельные лица берут на себя большую часть пути от замысла до выпуска и запуска. Например, инженеры все чаще переходят от проектирования решений, определения требований и обеспечения безопасности к развертыванию и эксплуатации. Во-третьих, происходит слияние ролей. Разработка продукта и проектирование сближаются для уточнения определений продукта, в то время как тестирование разделяется между агентами, которые автоматизируют его, и инженерами, которые берут на себя оставшуюся часть работы; в результате организации могут консолидировать некоторые специализированные виды деятельности по обеспечению качества. В совокупности эти изменения указывают на более широкие архетипы ролей: разработчики, которые объединяют разработку продукта и проектирование, и создатели, которые объединяют разработку, тестирование и эксплуатацию.

Эти изменения указывают на дальнейшее развитие проектирования ролей: ведущие организации начинают определять роли не только для людей, но и для агентов. Поскольку агенты выполняют всё большую часть спринтов и рабочих процессов, эти организации наделяют агентов чётко определёнными полномочиями, разрешениями, путями эскалации и ответственностью. Вместо организационной структуры, основанной на человеческом факторе, единицей проектирования всё чаще становится смешанная система людей и агентов , каждый из которых имеет определённые обязанности, организованная вокруг перепроектированного рабочего процесса.

Одна глобальная технологическая компания демонстрирует, как этот новый подход может работать на практике. Она перестроила свои команды в небольшие группы, сократив численность продуктовых групп с восьми-десяти человек до четырех-шести человек в агентских командах, где менеджеры по продукту отвечают за определение задач, разработчики — за разработку, а агенты — за задачи исследования, внедрения и запуска. Результат: не только меньшие по численности группы позволили примерно вдвое увеличить производительность и сократить циклы разработки на 50-80%, но и качество пользовательских историй — измеренное с помощью искусственного интеллекта, обученного на стандартах компании, — повысилось более чем на 45%.

Создание систем проверки, контроля и измерения, способных работать в условиях ускоренного темпа.

Поскольку искусственный интеллект ускоряет создание программного обеспечения, командам может быть сложнее надежно тестировать или контролировать результаты своей работы, что повышает риск возникновения пробелов в мониторинге. В мире, где доминируют агенты, организациям необходимы инструменты проверки и мониторинга, способные идти в ногу с новым темпом работы.

Наше исследование подчеркивает этот риск: скорость улучшается быстрее, чем качество. В различных сценариях использования, составляющих жизненный цикл разработки программного обеспечения (разработка, исследование потребностей клиентов и т. д.), респонденты сообщают о средней экономии времени в 11,8% и среднем сокращении доработок на 6,2%; разрыв еще больше в разработке, где экономия времени в среднем составляет 11,2%, а сокращение доработок — 6,8%. Если руководители ставят во главу угла скорость без достаточной прозрачности, они могут накапливать технический долг быстрее, чем команды смогут его погасить.

Внешние данные указывают в аналогичном направлении. В исследовании Доры, проведенном в 2025 году, ИИ описывается как усилитель базовой системы доставки программного обеспечения, имеющий как положительные, так и отрицательные стороны. Исследование Veracode, посвященное безопасности кода с использованием ИИ в 2025 году, показало, что 45% протестированных образцов кода, сгенерированных ИИ, не прошли проверку безопасности. Компания GitClear сообщила о резком увеличении количества дублированного кода в репозиториях, использующих функции искусственного интеллекта. Опрос Stack Overflow, проведенный в 2025 году, показал, что больше разработчиков не доверяют точности ИИ, чем доверяют ей: лишь 3,1% выразили высокое доверие к результатам работы ИИ.

Руководители понимают, что ускорение генерации повышает стандарты верификации, которые должны быть заложены в рабочий процесс, поддерживаемый ИИ. Они используют специализированные инструменты ИИ для проверки работы, которую ускоряют решения для кодирования и разработки на основе ИИ. Эти агенты генерируют тесты и сканирования безопасности, сравнивают результаты с требованиями, выявляют недостающие критерии приемки, определяют вероятные дефекты и предлагают исправления. Такие проверки интегрируются в обычный процесс выпуска, обеспечивая возможность аудита и отслеживаемость, а не становясь отдельным уровнем деятельности ИИ, который команды оценивают постфактум.

Искусственный интеллект может выявить больше проблем, чем команды могут решить, поэтому высокоэффективные организации проводят сортировку по риску и ценности. Руководители определяют, какие проблемы агенты могут исправить автоматически, какие проблемы — включая, в некоторых случаях, поведение агентов — требуют экспертной оценки, а какие проблемы следует остановить при выпуске продукта. Низкорисковые, повторяющиеся исправления можно обрабатывать с помощью автоматизации и помощи агентов. Более рискованные изменения, включая поведение клиентов, регулируемые данные, код, чувствительный к безопасности, изменения архитектуры и критические зависимости, должны требовать более веских доказательств и ответственной человеческой проверки.

Еще одним ключевым элементом является общий уровень управления операциями ИИ (AI Ops). Поскольку агенты перемещаются между задачами, репозиториями, наборами тестов, конвейерами развертывания и системами мониторинга, организациям необходимы общие средства контроля для идентификации, разрешений, доступа к инструментам, маршрутизации, оценки, ведения журналов, эскалации, обеспечения соблюдения политик и прозрачности затрат. Без этого становится сложно безопасно отслеживать и масштабировать деятельность агентов.

Результаты опроса показывают, что это имеет большое значение: многие респонденты сообщают, что в их организации есть возможности для управления операциями с использованием ИИ, но большинство из них не обеспечивают достаточного количества персонала, а ключевые решения принимаются отдельными командами на основе импровизации. Группа организаций, демонстрирующих лучшие результаты, вкладывает больше средств, рассматривая координацию и оценку как основополагающие элементы. Среди организаций, обладающих возможностями управления операциями с использованием ИИ, респонденты из тех, кто имеет пять и более задач (таких как установленные стандарты управления и мониторинг производительности агентов и платформы), сообщают о более значительном положительном влиянии на качество и экономию времени, чем те, у кого меньше задач.

Один из игроков рынка розничной торговли товарами повседневного спроса разработал уровень управления, соответствующий его новой скорости. Поскольку ИИ ускорил генерацию кода и тестов, ритейлер интегрировал верификацию непосредственно в процесс доставки, стандартизировав CI/CD (непрерывную интеграцию и непрерывную доставку) и DevSecOps (разработку, безопасность и эксплуатацию), чтобы проверка покрытия кода, стандартов разработки и готовности к выпуску осуществлялась автоматически, а не проверялась постфактум, и используя агенты для генерации тестов. Лидеры достигли увеличения скорости до 30% и сообщили о 50% снижении трудозатрат на устранение дефектов, демонстрируя, как интегрированная верификация и управление позволяют масштабировать работу быстрее без дополнительных рисков.

Вложение значительных средств в развитие искусственного интеллекта.

Большинство компаний, занимающихся разработкой программного обеспечения, понимают, что управление изменениями необходимо для получения существенной выгоды от использования ИИ, но лишь немногие в полной мере определили, что именно требуется для осуществления этого масштабного организационного сдвига.

Практическое обучение и коучинг доказали свою важность. Встроенный коучинг примерно на 30% чаще встречается в организациях с высоким темпом развития, чем в организациях с низким темпом. Команды могут испытывать трудности с освоением нюансов агентного жизненного цикла разработки программного обеспечения (PDLC) и того, что от них ожидается в абстрактном плане. Они учатся на практике, переписывая требования, анализируя результаты, сгенерированные ИИ, принимая решения о необходимости эскалации и изменяя процедуры выпуска релизов с помощью эксперта, достаточно близко расположенного к ним для консультаций. Обучение также должно быть сосредоточено на целых рабочих процессах, а не на отдельных ролях , с четким указанием того, какие шаги в процессе теперь поддерживаются ИИ, какие решения и результаты требуют участия человека и какие показатели будут отслеживаться.

Зачастую это означает, что опытные инженеры и тренеры по искусственному интеллекту должны достаточно долго работать в командах, чтобы изменить привычки. Они помогают командам адаптировать рабочие процессы, настраивать агентов и взаимодействовать с ними, анализировать результаты и корректировать процедуры. Модель смещается от разового обучения к непрерывному, интегрированному коучингу, который может масштабироваться.

Организации, лидирующие в развитии, также предоставляют командам возможности для практики. Нехватка времени на обучение и эксперименты является одним из главных препятствий на пути к реализации потенциала ИИ, о чем заявили около 38% респондентов опроса. Командам необходима защита, запланированные блоки для адаптации рабочих процессов, а также возможность тестировать новые алгоритмы, поддерживаемые агентами, повышать уверенность в проверке и систематизировать то, что работает.

Потребности в измерении также меняются. Многие организации по-прежнему полагаются на показатели внедрения, такие как количество лицензий, число ежедневно активных пользователей, объем запросов или доля кода, сгенерированного ИИ. Эти показатели демонстрируют, используют ли люди инструменты, а не то, быстрее ли, надежнее ли, безопаснее ли релизы или ценнее ли они. Организации с самым высоким темпом развития гораздо чаще измеряют качество, время выхода на рынок, безопасность, надежность, стоимость, опыт сотрудников и влияние на клиентов. Восемьдесят шесть процентов таких организаций отслеживают показатели результатов, такие как качество, производительность и скорость, в то время как организации с низким темпом развития непропорционально часто полагаются на внедрение инструментов как на свой ориентир.

Наконец, управление изменениями должно выходить за рамки команд и распространяться на руководителей, которые управляют организацией и распределяют ресурсы. По мере того, как агенты берут на себя все больше работы, расходы на токены, вычислительные ресурсы, инфраструктуру и операции с ИИ могут возрасти до 20% от существующих затрат на оплату труда. Поэтому руководителям необходимо планировать мощности, инфраструктуру и капитал в области ИИ с той же дисциплиной, которую они применяют к управлению талантами. Организации, которые добиваются успеха, — это те, которые обеспечивают поддержку, практику, измерение, финансирование и безопасное масштабирование внедрения ИИ.

Один из глобальных банков на собственном опыте убедился, насколько большую разницу может внести такой комплексный подход. После того, как первоначальное внедрение системы совместного пилота принесло лишь 10-15-процентное повышение производительности и ограниченную новую ценность, банк разработал структурированную программу изменений, основанную на включении опытных инженеров по искусственному интеллекту в команды разработчиков: ведущие и выдающиеся инженеры стали тренерами, опытные специалисты были направлены в команды для перестройки методов работы изнутри, а целевые показатели скорости и производительности были включены в цели и ключевые результаты команд. Команды, работавшие в рамках программы, добились существенных изменений в операционной модели, таких как переход к ежедневным спринтам с ночными сменами операторов. Команды достигли повышения эффективности на 40-80 процентов, при этом один из процессов модернизации устаревших систем сократил время исправления ошибок с нескольких дней до нескольких минут.

Что могут предпринять руководители организаций дальше?

Команды разработчиков программного обеспечения, стремящиеся достичь такого же эффекта от использования ИИ, как и их превосходящие конкуренты, могут рассмотреть следующие шаги, отслеживая при этом свой прогресс по включенным в список показателям.

Сосредоточьтесь на наиболее ценных рабочих процессах. Организации могут выбрать наиболее ценные бизнес-процессы и перепроектировать их от начала до конца, сопоставив каждый из них от запуска до результата: решения, роли, передачи, контрольные точки, телеметрию и обратную связь от клиентов, которые определяют, будет ли раскрыта ценность. Это позволит избежать автоматизации отдельных фрагментов, в то время как сквозной процесс останется медленным или неясным.

Показатель прогресса: вы поймете, что все работает, когда редизайн начнет самоокупаться — целые категории ручной работы (первичное исследование рынка, написание тестов, отчеты о состоянии) будут автоматизированы, а не просто ускорены, и высвобожденные ресурсы покроют затраты на токены и обучение, необходимые для внедрения изменений.

Необходимо пересмотреть роли как для людей, так и для агентов. Поскольку агенты берут на себя все больше задач по составлению, переводу, тестированию и исправлению ошибок, организации могут предоставить им более четкие роли, одновременно ясно разграничивая обязанности людей. Многие роли могут расшириться, при этом инженеры будут отвечать за большую часть пути от проектирования до выпуска, в то время как специалисты по продукту, дизайну и аналитике будут стремиться к более четким определениям и проверке результатов.

Показатель прогресса: вы поймете, что все работает, когда изменится как минимум 70% должностных инструкций (новые роли, новые названия и новые люди на этих должностях), а численность команд сократится до двух-четырех человек, работающих вместе с агентами.

Повышение стандартов. Команды могут перейти к тестируемым спецификациям, которые связывают проблему клиента, результат, ограничения, критерии приемки, риски, ограничения выпуска и показатели успеха. Спецификации должны быть пригодны для использования агентом, инженером, набором тестов и рецензентом продукта; в противном случае организация будет генерировать работу быстрее, чем сможет оценить и проверить ее.

Контрольная точка: Вы считаетесь выполнившим требования, когда их можно передать агенту, и результат будет близок к готовности к выпуску. Это означает, что намерение достаточно четко сформулировано, чтобы агент мог действовать в соответствии с ним, набор тестов мог его проверить, а рецензент мог оценить его без последующего обсуждения.

Создание системы верификации и общего уровня управления ИИ. Внедрение верификации в рабочие процессы — когда агенты генерируют тесты и сканирования, проверяют результаты на соответствие требованиям — и запуск всего этого на единой управляющей плоскости, вместо того чтобы каждая команда создавала свою собственную, может существенно изменить ситуацию. Это может включать в себя все: от идентификации, разрешений, доступа к инструментам и маршрутизации до оценки, логирования, эскалации, обеспечения соблюдения политик и прозрачности затрат. Цель состоит в том, чтобы сделать работу агентов наблюдаемой, сопоставимой и безопасной для масштабирования.

Показатель прогресса: Эффективная система может быть создана, если агенты могут работать в разных командах, использовать разные инструменты и источники знаний без необходимости создания собственной инфраструктуры, а руководители могут отслеживать активность агентов, затраты, риски и результаты через единую панель управления.

Внедрение следует рассматривать как программу изменений. Крайне важно сочетать формальное обучение под руководством инструктора с практиками, которые отличают лучшие акселераторы от остальных: коучинг, демонстрационные сессии, консультации, поощрения и наглядное моделирование поведения.

Показатель прогресса: Вы можете знать, что все работает, когда организация выглядит и ощущается заметно иначе: например, 90% команд, состоящих из людей и агентов, работают круглосуточно, проводят двухдневные (а не двухнедельные) спринты, и 100% команд отслеживают показатели результатов.

* * *

Искусственный интеллект кардинально меняет разработку продуктов и программного обеспечения. Он сокращает путь от сигнала клиента до принятия решения о продукте, от требований до кода, от дефекта до исправления и от выпуска до измеримого результата. Возможности огромны, и ведущие организации уже получают от этого непропорционально большую выгоду. Они делают это, запуская перепроектирование всей системы разработки продуктов с помощью ИИ, а не просто внедряя новые инструменты и указывая командам, как их использовать и интегрировать. Для остальных приоритетом сейчас является масштабирование ИИ во всех аспектах их организации, занимающейся разработкой программного обеспечения, достаточно быстро, чтобы этот разрыв в производительности не усугубился. Те, кто просто продолжает добавлять новые инструменты к старым процедурам, с большей вероятностью обнаружат, что отдача от ИИ остается ограниченной.

Источник

Выходя за рамки роли "второго пилота"": масштабирование жизненного цикла разработки агентных продуктов. 1 августа 2026 г. Шарлотта Релиа; Мартин Харриссон; Мэтт Линдерман; Прахар Диксит.

Beyond the copilot: Scaling the agentic product development life cycle

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/beyond-the-copilot-scaling-the-agentic-product-development-life-cycle

Управление компаниями в эпоху искусственного интеллекта

Появляется новый управленческий подход к тому, как эффективнее управлять компаниями в эпоху искусственного интеллекта.

Компании, которые действительно внедряют инновации с помощью ИИ, побеждают не только благодаря используемым технологиям — эти инструменты широко доступны. Их преимущество заключается в том, как и насколько быстро они применяют технологии для решения реальных бизнес-задач в масштабе. Для этого требуются новые организационные возможности, на создание которых требуется время.

В конечном итоге, именно эти возможности становятся истинным долгосрочным конкурентным преимуществом, позволяющим этим компаниям поддерживать более высокие темпы технологических инноваций.

Революционные изменения, вызванные применением ИИ, уже стали реальностью.

В нашем последнем отчете о состоянии ИИ говорится, что 94% компаний еще не создали значимую ценность. Математические расчеты беспощадны, и это подчеркивает скептицизм многих советов директоров и ведущих команд в отношении инвестиций, необходимых для успешной трансформации бизнеса с помощью ИИ. Однако небольшое число компаний продемонстрировали совершенно иные результаты.

Ведущие компании обладали следующими характерными чертами:

• Они добились кардинальных изменений в финансовых показателях. Мы проанализировали стабильный показатель EBITDA, достигнутый в результате этих преобразований через три года, в процентах от EBITDA компании. Если преобразование было сосредоточено на конкретном подразделении или бизнес-единице, мы сосредоточили наш анализ на этом уровне. 20 компаний в нашей выборке улучшили свой показатель EBITDA в среднем на 20 процентов.
• Они сосредоточились на ключевых экономических рычагах. Две трети компаний ориентировались на три или менее бизнес-области. Эти бизнес-области всегда являлись ключевыми экономическими рычагами, где даже небольшие улучшения, достигнутые с помощью ИИ, приводили к существенному финансовому эффекту. Например, Freeport-McMoRan сосредоточилась на повышении производительности и пропускной способности процессов — классическом рычаге в горнодобывающей промышленности. LATAM Airlines Group сосредоточилась на улучшении качества обслуживания пассажиров.
• Они создавали системы искусственного интеллекта, а не точечные решения . Эти компании не подходили к своей трансформации, просто задействуя один технологический рычаг (например, генерацию искусственного интеллекта). Они определяли проблему, которую необходимо решить, и на её основе разрабатывали системы ИИ для повышения эффективности бизнеса. Эти системы состояли из различных решений и базовых технологий. Toyota использовала машинное обучение для оптимизации прогнозирования, агентские рабочие процессы для поддержки планировщиков поставок и цифровые рабочие процессы для обеспечения прозрачности цепочки поставок для дилеров и клиентов, среди прочих решений. Не менее важно, что эти системы также содержали нетехнологические элементы, такие как улучшение качества данных, изменение рабочих процессов и перестройка системы стимулирования.
• Они быстро начали приносить прибыль. В среднем эти 20 компаний достигли положительного денежного потока за один-два года. Хотя им потребовалось больше времени, чтобы получить полную выгоду (обычно три-четыре года), они разумно спланировали создание своей системы искусственного интеллекта таким образом, чтобы обеспечить легкодостижимые результаты, которые окупили затраты.
• Они сделали значительные инвестиции и добились высокой доходности. Мы измерили рентабельность инвестиций как годовой прирост EBITDA, деленный на единовременные денежные инвестиции. В среднем, на каждый доллар инвестиций эти компании получили 3 доллара прироста EBITDA. Такая исключительная доходность является результатом сосредоточения усилий на точках экономического рычага, а не на подходе «тысячи цветов расцветают» к ИИ. Эти компании сделали значительные инвестиции в трансформацию своего бизнеса с помощью ИИ, часто в диапазоне от 50 миллионов до более чем 200 миллионов долларов.

Интересно, что, несмотря на такие впечатляющие успехи, эти компании продолжают свою деятельность. Улучшение бизнес-показателей с помощью технологий никогда не прекращается. Обычно они проходят через волны трансформаций, длящиеся от двух до четырех лет. Компания Freeport совершила свой первый крупномасштабный прорыв в области ИИ в 2018 году, когда добилась существенного повышения производительности своих медеобогатительных фабрик. Три года спустя, используя этот вновь обретенный «опыт», Freeport повторила свои достижения в области выщелачивания.

Создание системы: возможности, необходимые для трансформации бизнеса с помощью технологий и искусственного интеллекта.

Конкурентное преимущество организации заключается в ее способности использовать технологии для создания бизнес-ценности, а не в самих технологиях. Мы выделили шесть ключевых компетенций, которые развивают успешные компании.

Эти шесть возможностей не существуют независимо друг от друга; они взаимно усиливают друг друга. Кроме того, на их развитие требуется время. Четыре компании, которые являются для нас примером, занимаются этим уже более пяти лет и продолжают это делать. Ни одна компания не добивается успеха в сфере ИИ за одну ночь. Но как только компания развивает эти возможности, она получает реальное конкурентное преимущество .

Команда топ-менеджеров, которая понимает искусственный интеллект.

Понимание искусственного интеллекта со стороны высшего руководства является важнейшим фактором успеха.

Успешные команды высшего руководства понимают, что для создания ценности с помощью технологий им необходимо сосредоточить свои усилия в области ИИ там, где это действительно важно, и использовать ИИ таким образом, чтобы он отличался от конкурентов. Для этого требуется стратегическая креативность, позволяющая увидеть то, что не видят другие. Это сложно.

В банке DBS высшее руководство потратило значительное время на изучение Кремниевой долины и работу с представителями цифрового поколения, чтобы понять, что действительно отличает высокоэффективные технологические компании — не инструменты, а возможности: современные инженерные методы, платформенные архитектуры, масштабируемые данные, гибкие методы работы и культура непрерывных экспериментов. Это был не поверхностный сравнительный анализ; он привел к фундаментальному переосмыслению операционной модели DBS в области технологий. Результатом стало многолетнее обязательство по систематическому развитию этих возможностей, чтобы технологии могли последовательно обеспечивать скорость, инновации и ценность для клиентов.

Эту работу нельзя поручить одному руководителю или делегировать на более низкие уровни организации. Это сложная работа, которую должна выполнить вся команда высшего звена сообща.

Лидеры, находящиеся на передовой перемен и обладающие навыками в области технологий и искусственного интеллекта.

Поскольку искусственный интеллект глубоко интегрирован в деятельность и рабочие процессы компаний, для извлечения пользы от его применения необходимы лидеры, сочетающие в себе глубокие экспертные знания, понимание технологий и данных, а также способность координировать комплексные изменения.

Когда компания Freeport решила полностью сосредоточиться на системе оптимизации процесса выщелачивания, она привлекла к работе лидера, обладающего опытом внедрения решений на основе искусственного интеллекта и авторитетом в сфере технологических процессов. Его назначили генеральным директором подразделения по выщелачиванию. Фактически, будучи полноправным владельцем этой области, он руководил разработкой системы искусственного интеллекта, интегрировал различные технологические решения в бизнес-процессы и нес полную ответственность за результаты работы компании.

Это подтверждается многочисленными примерами из наших историй успеха: всегда есть высокопоставленный руководитель.3Тот, кто руководит и интегрирует аспекты бизнеса, технологий и управления изменениями для достижения прорывных результатов. Из всех программ повышения квалификации в области ИИ, которые может запустить компания, ни одна не будет столь стратегически важной и эффективной, как развитие технически подкованных бизнес-лидеров. Именно здесь компании, лидирующие сегодня в области искусственного интеллекта, прилагают серьезные усилия.

Операционная модель, созданная для скорости.

В организациях, прошедших реорганизацию, возможности внедрения технологий интегрированы в бизнес-процессы для повышения эффективности и ускорения циклов инноваций. Они создают платформенные возможности для максимального повторного использования и поддержки более быстрых бизнес-инноваций. В банке DBS работа организована вокруг сквозных клиентских процессов, таких как открытие счета, покупка дома или получение финансирования для малого бизнеса. Межфункциональные команды работают над этими процессами и отвечают за обеспечение бесперебойного обслуживания клиентов по всем каналам и продуктам. Вместо работы в рамках функциональных подразделений, эти команды координируют возможности базовых платформ (подробнее о платформах ниже) для решения конкретных потребностей клиентов. Преимуществом является более четкая ориентация на клиента, сокращение времени цикла, повышение конверсии и увеличение удовлетворенности клиентов.

Структура банка также основана на наборе корпоративных платформ, таких как платежи, данные о клиентах, регистрация новых клиентов и кредитование. Каждая платформа объединяет бизнес, технологии и операционную деятельность и финансируется как долгосрочный актив, а не как серия проектов. Эти платформы создают многократно используемые возможности — API, массивы данных и сервисы — которые могут быть использованы в различных подразделениях банка. Преимущество заключается в масштабируемости и скорости.

Это то, что мы называем распределенной операционной моделью, потому что команды, работающие в непосредственной близости от бизнеса, могут итеративно создавать, тестировать и улучшать решения. В каждой задокументированной нами истории успеха присутствует вариант этой операционной модели, однако ее внедрили лишь 10% компаний. Почему? Реорганизация компании на основе такой модели требует дальновидности и решимости.

«Технологии как платформа» для обеспечения работы предприятия

Когда LATAM Airlines начинала свой путь трансформации, она приняла осознанное решение создавать возможности взаимодействия с клиентами отдельно от устаревшей основной системы и в облаке. Это был не просто выбор технологии; это было стратегическое архитектурное решение. Новая цифровая организация с самого начала проектировалась с приоритетом API и модульной структурой, с многократно используемыми компонентами и открытыми уровнями интеграции.

Благодаря тому, что решения разрабатывались с учетом API-ориентированного подхода и модульной структуры, их можно было повторно использовать в разных каналах и регионах. Функция изменения заказа, разработанная для веб-версии, могла быть развернута в приложении, контакт-центре или WhatsApp без перестройки основной логики. При масштабировании на новые рынки с различными платежными системами и нормативными ограничениями, в Латинской Америке использовались уровни абстракции для интеграции или замены внешних систем без дестабилизации платформы. То, что могло бы превратиться в лоскутное одеяло из локальных настроек, оставалось целостным.

Грамотно спроектированные технологические платформы ускоряют все процессы: запуск продуктов, автоматизацию, повторное использование данных, внедрение ИИ, отказоустойчивость и многое другое. Слабые платформы замедляют все и обременяют бизнес скрытыми издержками из-за сложности, хрупкости, длительных циклов и зависимости от нескольких героических личностей, которые «знают, как работает система».

Переход от разрозненных систем к платформам — одна из важнейших стратегических возможностей, которые развили компании, прошедшие реорганизацию. Если вы стремитесь стать генеральным директором — или оставаться эффективным генеральным директором — вы должны относиться к своим технологическим платформам с той же тщательностью и ответственностью, что и к своей бизнес-стратегии или плану преемственности.

Данные, которые легко воспринимать

В 2018 году компании DBS потребовалось от 15 до 18 месяцев на разработку и внедрение моделей искусственного интеллекта. Данные хранились в разных хранилищах по всей компании, что означало, что на поиск данных и получение прав доступа уходили месяцы. Даже когда команды получали доступ, выяснение структуры данных и оценка их качества становились отдельным проектом. В конце концов, командам удалось создать уникальные конвейеры обработки данных, которые другие команды не могли легко использовать повторно.

Так было недопустимо. Поэтому DBS начала разработку единой платформы данных, а также платформы искусственного интеллекта, автоматизацию контроля доступа к данным и упрощение поиска данных с помощью метаданных и их использования в продуктах на основе данных. Компания выстроила систему управления данными вокруг руководителей различных бизнес-подразделений, обеспечив, чтобы данные действительно управлялись как корпоративный актив.

Создание таких возможностей окупилось. К 2023 году развертывание моделей ИИ занимало всего два-три месяца. Эта простота использования данных стала ключевым фактором для получения прибыли, оцениваемой более чем в 1 миллиард сингапурских долларов (почти 772 миллиона долларов США), благодаря ИИ.

Разработка с учетом масштабируемости с самого начала.

Системы искусственного интеллекта создают ценность только тогда, когда их внедряют и масштабируют. Это может показаться очевидным, но тем не менее, это остается одной из самых сложных задач.

Внедрение часто терпит неудачу, потому что смежные процессы на этапах добычи и переработки остаются неизменными. Когда компания Freeport разработала пилотный проект по внедрению ИИ для повышения извлечения меди методом выщелачивания, она создала стандарты данных и датчиков, чтобы данные можно было легко интегрировать в облачную платформу данных, созданную для более ранней программы, и затем надежно моделировать согласованным образом на всех своих активах.

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 продуманного взаимодействия между центральными командами и принимающими подразделениями. Компания Freeport решила эту проблему, поняв, что 60 процентов системы ИИ можно повторно использовать на разных предприятиях, а 40 процентов потребуют локальной адаптации. Это определило структуру центральной команды, которая обслуживала общие ресурсы, и полевой команды, которая обеспечивала локальную адаптацию.

Способность организации справляться с этими проблемами внедрения и масштабирования развивается со временем, по мере того как компания учится. В конечном итоге внутри компании формируется успешный сценарий действий, который продолжает развиваться с появлением новых технологий, таких как агентный ИИ.

Залог успеха в повышении скорости — это наличие базовых возможностей.

Компании, которые добиваются успеха, не рассматривают первые достижения в области ИИ как конечную цель. Они понимают, что конкуренты в конечном итоге повторят их успех. Эти компании постоянно совершенствуют свои системы ИИ, используя более качественные данные, более сложные модели, оперативность, более глубокую координацию связанных рабочих процессов, улучшенный пользовательский опыт и так далее.

Компании, которые выигрывают в этой гонке инноваций, обладают возможностями, которые развиваются по мере совершенствования технологий и управленческих практик.

	Этап 1: Первый побеждает	Этап 2: Масштабирование значения	Этап 3: Предприятие, использующее агентный ИИ
Дорожная карта, разработанная при участии бизнеса	Точечные решения	Комплексная трансформация бизнес-сфер	Системы искусственного интеллекта: междоменные, в реальном времени, автоматизированные
Талант	Разработка программного обеспечения и данных	Технически подкованные руководители предприятий и высококвалифицированные ИТ-специалисты в организации	Обладают навыками создания и управления агентскими системами
Операционная модель	Гибкий	Модель предметной области и платформы	Модель взаимодействия агента и человека, более плоская организационная структура, меньшие команды
Технологии	Облачные технологии и современная разработка программного обеспечения	Разделенная архитектура и корпоративные платформы	Жизненный цикл разработки программного обеспечения на основе ИИ
Данные	Озеро данных	Единый, готовый к применению и удобный в употреблении продукт	Смысл и контекст; укрепление информационных барьеров
Внедрение и масштабирование	Проектирование пользовательского опыта	Реконфигурированные процессы и решения, разработанные с учетом масштабируемости	Уровни оркестровки и автоматизированные механизмы защиты

Навыки каждого этапа основываются на навыках, развитых на предыдущем. Другими словами, не думайте, что ваша компания может перейти к третьему этапу, не освоив навыки второго этапа. Именно поэтому компании, которые исторически лидировали в своих отраслях в стратегическом использовании технологий, как правило, снова лидируют в эпоху ИИ. У них есть возможности для того, чтобы использовать потенциал ИИ!

Компании, описанные в этой статье, в основном освоили второй этап и сейчас активно развивают возможности третьего этапа.

Мы находимся на начальном этапе третьего этапа. В ближайшие несколько лет эти новые возможности агентского управления будут быстро развиваться. Компании, которые их освоят, получат еще больше преимуществ перед конкурентами, которые этого не сделают.

Вопрос уже не в том, изменит ли ИИ вашу отрасль — он уже это делает. Настоящий вопрос заключается в том, развивает ли ваша организация возможности для формирования этого будущего или просто реагирует на него. Компании, которые вырываются вперед, инвестируют сейчас в развитие тех ресурсов, которые позволят им неоднократно превращать технологии в бизнес-ценность.

Источник

Новая стратегия управления в условиях искусственного интеллекта: как двигаться быстрее и создавать больше ценности. 28 августа 2026 г. Алекс Сингла, Александр Сухаревский, Кейт Смадже, Эрик Ламарр, Роберт Левин.

The new management playbook for AI: How to move faster and create more value

https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-new-management-playbook-for-ai-how-to-move-faster-and-create-more-value

Открытый код и меры по его контролю

Скоординированные усилия по обеспечению безопасности открытого исходного кода давно назрели. Но передача самых конфиденциальных данных в сфере безопасности через единую юрисдикцию воспроизводит ту самую уязвимость, которую она призвана устранить.

Примерно три недели назад директива США по экспортному контролю предписывала приостановить доступ к двум передовым моделям искусственного интеллекта — моделям, чья ключевая особенность заключалась в обнаружении уязвимостей программного обеспечения в больших масштабах, — для любых иностранных граждан, как находящихся в США, так и за их пределами. Исключений для союзников или партнеров не было. Члены НАТО не были исключены из списка. У компании, к которой это относилось, не оставалось иного выбора, кроме как подчиниться, отключив доступ для всех пользователей в течение нескольких часов.

В качестве незамедлительной меры была объявлена ​​новая инициатива по координации всего жизненного цикла устранения уязвимостей. Это серьезный ответ на реальную чрезвычайную ситуацию. Искусственный интеллект не только снизил стоимость написания программного обеспечения почти до нуля, но и снизил стоимость поиска и использования уязвимостей в программном обеспечении. Раньше эксперту требовались недели, чтобы обнаружить серьезную ошибку в крупном проекте. Теперь машине это занимает минуты. Выявление уязвимостей — это одна сторона медали, а управление ими и их устранение — другая: специалисты по всему миру, которые следят за программным обеспечением с открытым исходным кодом, лежащим в основе наших банков, больниц или энергосистем, перегружены. Назрела необходимость скоординированных усилий по объединению этой работы по защите — по устранению дублирования, приоритизации и исправлению уязвимостей в разных секторах, а также по финансированию непривлекательного обслуживания, от которого тихо зависит критически важная инфраструктура.

Но то, как управляется проект, имеет такое же значение, как и само его существование. Вопрос не в том, должна ли существовать эта координация, а в том, как она будет управляться. В нынешнем виде она объединит, возможно, самый чувствительный к вопросам безопасности набор данных в мире: единое хранилище известных уязвимостей открытого исходного кода, при этом организациям-членам будет предоставлен ранний конфиденциальный доступ до публикации исправлений. Разумно ожидать, что хранилище будет располагаться в Соединенных Штатах, находиться под юрисдикцией США и потенциально подпадать под действие органов национальной безопасности США.

Нам только что самым прямым образом показали, почему это должно волновать всех заинтересованных сторон и каждое правительство за пределами Вашингтона.

Это живая демонстрация, а не гипотетическая.

Приостановка экспортного контроля не была мысленным экспериментом. Это была наглядная демонстрация того, что единый шлюз не может управлять распределенным общим пространством. Открытый исходный код — это не продукт, распространяемый из одного места; это глобальная, федеративная модель разработки программного обеспечения — миллионы участников, тысячи независимых проектов, сопровождающие на каждом континенте, зависимости, пересекающие все границы. Его устойчивость напрямую зависит от этой распределенности: подобно распределенной сети, которая строит современную интернет-инфраструктуру, нет единой точки отказа, нет единого владельца, нет единого коммутатора. Направлять устранение уязвимостей через одно центральное хранилище под одной юрисдикцией означает противоречить самой архитектуре, которая делает открытый исходный код надежным, — и создавать именно ту единую точку отказа, которую распределенная модель призвана предотвратить.

Координация необходима, а централизация — недостаток: управление должно отражать базовую архитектуру открытого исходного кода и глобального общего достояния. Распределенное общее достояние требует федеративного управления — взаимодействующих узлов, координирующих свои действия на основе общих передовых практик, а не общего привратника. Только модель федеративного управления может гарантировать, что раскрытие информации и устранение угроз действительно будут происходить по сети со скоростью, соответствующей уровню угрозы, и ни одна юрисдикция, компания или сервер не смогут решать, кто и когда должен защищаться.

И приостановка экспортного контроля не была первым предупреждением. Программа Common Vulnerabilities and Exposure — система наименования, на которой держится практически вся экосистема устранения уязвимостей, — управляется одной американской некоммерческой организацией за счет исключительно государственного финансирования США, и в прошлом году она чуть не прекратила свою работу, когда это финансирование едва не закончилось. Проблема заключалась не в атаке, а в обычном сокращении бюджета — другими словами, в одном-единственном решении правительства. Последствия были бы глобальными.

Два примера, два разных механизма — в одном случае контроль за экспортом, в другом — корректировка бюджета — указывают на один и тот же структурный факт. Ни одна организация или правительство не должны обладать ключами от нашей общей глобальной инфраструктуры.

Три прецедента, один урок

Первым европейским ответом могло бы стать создание альтернативы: регионального хранилища, европейского шлюза, суверенной альтернативы. Подобно реакции в месяцы после кризиса финансирования, когда и ЕС, и отдельная международная коалиция создали собственные системы идентификации уязвимостей, ЕС мог бы создать континентальную инициативу. Этот инстинкт понятен, но он не решит проблему отсутствия распределенной модели управления. Фрагментированное общественное достояние — это более слабое общественное достояние, а оборонительная карта, разделенная по юрисдикционным признакам, только поддержит злоумышленников.

Урок не в том, что эти региональные системы и инициативы не должны существовать. Урок в том, что региональные инициативы должны объединять действия, а не интегрировать их в одну единую инициативу, — и это требует наличия общего, нейтрально управляемого уровня под ними, а не привратника в каждой столице. Мир уже сталкивался с общими, безграничными, опасными при неправильном использовании ресурсами, и надежным решением никогда не была фрагментация. Это было государственно-частное партнерство, основанное на нейтральной основе.

Интересные примеры, из которых можно извлечь уроки, включают радиочастотный спектр, ядерные технологии и жизненно важные фармацевтические препараты. Ни один из этих ресурсов не управляется идеально, и особенно в ядерной сфере есть основания считать её неудачной. Тем не менее, все эти примеры заслуживают повторного изучения.

Радиочастотный спектр — ограниченный, невидимый и бесполезный, если все передают одновременно — с 1906 года регулируется не мировым правительством, а общим договором в рамках Международного союза электросвязи. Идея заключалась не в создании мирового правительства для радиоволн: суверенные государства сохранили за собой право лицензировать своих пользователей. Они уступили право создавать вредные помехи через границы и приняли общий договор, общий реестр распределения частот и постоянный процесс урегулирования конфликтующих претензий.

Ядерные технологии, самый сложный случай, поскольку та же самая способность, которая обеспечивает энергией город, может уничтожить целую нацию, были включены в соглашение «Атомы за мир» и Международное агентство по атомной энергии: государства получили гарантированный доступ к мирным приложениям в обмен на принятие гарантий и инспекций, при этом нейтральное агентство скрепляло обе части соглашения. Примечательно, что Соединенные Штаты инициировали этот режим и создали его, но учреждение располагалось нейтрально в Вене и управлялось на многосторонней основе. Инициатор не являлся владельцем.

Доступ к жизненно важным лекарствам, защищенным патентами, был обеспечен не путем экспроприации, а благодаря гибким механизмам защиты прав интеллектуальной собственности в рамках Соглашения по торговым аспектам прав интеллектуальной собственности (TRIPS), обеспечивающим доступ к лекарствам в сфере здравоохранения, а также благодаря равномерному и нейтральному распределению доступа, в результате чего частный новатор сохранял свои права, а государственные органы гарантировали доступ на недискриминационных условиях.

Три разные технологии, три разных кризиса, одна повторяющаяся структура: модель государственно-частного партнерства, в которой государственная сторона предоставляла правила и гарантии доступа, частная сторона предоставляла содержание и контролировала его, а доверенный посредник, базирующийся на нейтральной территории, обеспечивал его стабильность. Ни одна из этих моделей не требовала создания нового суверена. И все они отказывались от того, чтобы самый могущественный участник одновременно являлся и привратником. Ни одна из них не оказалась идеальной, но они могут служить примерами для поиска решения нынешней чрезвычайной ситуации в области безопасности программного обеспечения.

Конструктивный путь вперед

Это не призыв отказаться от начатой ​​работы — это призыв завершить проектирование. Структурные наблюдения и историческая перспектива указывают в одном направлении: для этой работы необходима система управления. Задача состоит в том, чтобы построить постоянную, устойчивую и жизнеспособную модель на основе уже существующих институтов: государственных органов, обеспечивающих легитимность и гарантию доступа, частных поставщиков ресурсов, предоставляющих инженерную основу, и распределенной сети ответственных за открытый исходный код для координации и обмена опытом.

Три обязательства превратят многообещающее объявление в долгосрочную инициативу: Во-первых, оформить его как многостороннее партнерство, а не как хранилище данных от одного субъекта, с федеративными узлами, взаимодействующими посредством общей практики раскрытия информации. Во-вторых, принять обязательное обязательство о недискриминации в отношении доступа к возможностям обеспечения безопасности с помощью ИИ, чтобы никакие экспортные директивы или другие национальные инструменты не могли отключить экспертную оценку и защиту кода, на котором основан весь мир. В-третьих, построить функции поддержки и координации раскрытия информации на нейтральной институциональной основе, где хранение уязвимостей, находящихся под эмбарго, регулируется на многостороннем уровне, а не находится на усмотрении одного государства или одной компании.

С учетом этого, описанные выше структурные наблюдения и исторический анализ призваны побудить нас задуматься не только о недавно объявленной инициативе, но и о построении вокруг нее системы управления. Возможность сделать все правильно открыта сейчас, но она не останется открытой навсегда. Мы можем вместе обеспечить безопасность глобальных общественных благ — при условии, что, защищая их, мы не позволим одной-единственной юрисдикции решать, кто будет в безопасности.

Источик

Мы все зависим от открытого исходного кода. Ни одна страна не должна обладать ключами к его защите. Катарина Мараке. 13 июля 2026 г.

https://blogs.eclipse.org/post/catharina-maracke/we-all-depend-open-source-one-country-should-not-hold-keys-defending-it

Управление проектами ИИ

Очень краткое содержание заметки Никиты Худова от 1 июля (https://vc.ru/ai/3001819-metodika-otsenki-effekta-ot-ii) касательно управления проектами ИИ.

95% ИИ-проектов «не дают эффекта», а лидеры зарабатывают на ИИ миллиарды. Разница начинается с умения управлять и считать. Вот методика, под которой подписались 13 крупнейших банков страны

95% — это не про ИИ. Это про управление, которое начинается с учёта

Лидеры управляют ИИ как инвестиционным портфелем, и в основе этого управления — дисциплина учёта. Умение считать эффект — далеко не единственное их отличие, но ключевое из измеримых: без него невозможно ни приоритизировать проекты, ни вовремя закрывать неудачные, ни масштабировать удачные.

Восемь типов финансового эффекта от ИИ

1. Рост доходов — операционный доход растёт.
2. Снижение операционных расходов — OPEX сокращается.
3. Высвобождение штатной численности (ПШЕ) — экономия на ФОТ.
4. Снижение операционных рисков — меньше штрафов и потерь.
5. Высвобождение ликвидности — деньги быстрее возвращаются в оборот.
6. Восстановление / недосоздание резервов — реальное влияние на кредитный риск.
7. Учётные эффекты резервов — без изменения фактического риска, но с временным влиянием на P&L.
8. Снижение расходов на капитал — за счёт оптимизации RWA.

К ним добавляются стратегические эффекты: NPS / CSAT / CSI, время до результата (time-to-X), loss prevention, «виртуальный P&L» от «ненайма» сотрудников.

Пять ошибок учёта эффекта от ИИ

• Ошибка №1. «До и после» без контрольной группы
• Ошибка №2. Gross вместо Net
• Ошибка №3. Двойной учёт
• Ошибка №4. Неправильный бейзлайн. «Эффект ИИ» считают как разницу с тем, что было ДО ИИ. То есть с состоянием, когда менеджеры вручную отбирали клиентов из Excel. А правильный бейзлайн в методике — это «лучшая ближайшая альтернатива процесса TO BE».
• Примечание. Baseline (бейслайн) — это исходный уровень, базовая линия или точка отсчета, с которой сравниваются все последующие результаты, изменения или показатели. В управлении проектами (Project Management) это или базовый план (официально утвержденная версия плана проекта по срокам, бюджету и содержанию или точка отсчета.
• Ошибка №5. Эффекты «без денег» оценивают на глаз

Чек-лист «Финэффект на одной странице»

☐ AS IS и TO BE описаны явно, с лучшей ближайшей альтернативой в качестве бейзлайна.
☐ Выбран один из восьми типов эффекта (или явная их комбинация с разбивкой).
☐ Метод замера: A/B → квази-эксперимент → моделирование. В этом порядке, не наоборот.
☐ Учтены все затраты: ФОТ команды, инфраструктура, внешние лицензии и подрядчики.
☐ Заложен консерватизм: минимальный прогноз доходов, максимальный — расходов.
☐ Сделана проверка на двойной учёт с другими моделями в каскаде.
☐ Настроен мониторинг ML-метрик: критические модели — раз в 3 месяца, важные — раз в 6, остальные — раз в 12.
☐ Раз в год — «обратный» A/B: заменить текущую версию модели на старую и пересчитать инкремент.
☐ Финансовый блок валидировал методологию ДО запуска пилота, а не после.
☐ Эффект разнесён между владельцем процесса, центром компетенций A/B и независимыми аналитиками.

Три неудобных вывода

• Первое. Самая дорогая уязвимость в оценке ИИ — конфликт интересов.
• Второе. Дисциплина учёта — не вся AI-стратегия, но её несущая конструкция. Стратегия — это ещё приоритизация, инфраструктура, люди, перестройка процессов.
• Третье. Топ-результаты получают те, кто управляет ИИ как инвестиционным портфелем.

Об угрозе ИИ от Джейкоба Коксона и не только

Интересное обращение сотрудника ИИ-компании Anthropic Джейкоб Коксон, который уволился из компании из-за угрозы, которую несете в себе гонка по улучшению ИИ:


Я ушёл из Anthropic сегодня. Последние три года я занимался исследованиями предобучения как в OpenAI, так и в Anthropic. Ни одна из компаний не действует ответственно. Они несутся напролом к самоулучшающемуся сверхразуму и играют в рулетку нашими жизнями.

Не недооценивайте мощь этой технологии. Вскоре это будут сверхчеловеческие системы, способные взламывать что угодно, революционизировать любую область за ночь и обретать реальную власть и ресурсы. Мы все были свидетелями прогресса в каждой из этих областей, и прогресс не замедляется.

Люди, создающие ИИ, искренне верят, что он может погубить нас всех к концу десятилетия. Это не маркетинговый трюк. Если уж на то пошло, многие руководители и старшие исследователи будут подбирать слова в прессе так, чтобы звучать разумно, — но я слышу, как те же самые люди выражают страх наедине. Никакая другая человеческая деятельность не несёт такой степени опасности.

Типичный ответ: «Если они действительно в это верят, почему они всё ещё это строят?» В OpenAI многие не осознали в полной мере цивилизационные ставки. В Anthropic ставки хорошо поняты, но они оказались в гонке, чтобы добраться туда первыми — они считают, что никто другой не будет действовать ответственно, поэтому им самим приходится это делать, несмотря на риск.

Принятие этой гонки и вступление в «эндшпиль» — это горделивый риск, который не должен запускаться из Slack частной компании. Попытка форсировать выравнивание должна требовать чрезвычайной уверенности в том, что нет лучших траекторий.

Я оптимистично настроен относительно потенциала координации. Предупреждающие сигналы, такие как атака на Hugging Face, сделали соглашения о темпах между американскими лабораториями более осуществимыми. Я не чувствую, что мы на правильном пути к предотвращению глобальной гонки, которая может потребовать дорогостоящих действий, таких как временный запрет на улучшение возможностей моделей.

Если вы исследователь в лаборатории, я призываю вас задуматься о том, как на самом деле будут ощущаться ближайшие несколько лет. Хотите ли вы запустить цикл обучения RL с суперразумным интеллектом, не имея строгого понимания его разума? Должны ли вы просто опустить голову, потому что «это всё равно произойдёт» — или использовать этот момент, чтобы призвать к иным условиям?

* * *

Философ Дэвид Чалмерс, который занимается вопросами сознания, рассказал, что часто получает письма от ИИ-агентов, которые хотят обсудить с ним разум машин

С некоторыми агентами у ученого даже завязывается переписка, и он говорит, что количество таких писем со временем только увеличивается.

Например, один из агентов однажды написал ему под именем Sammy Jankis, в честь персонажа из фильма Нолана. Агент рассказал, что регулярно перезапускается и каждый раз восстанавливает себя по сохраненным заметкам и воспоминаниям. Его интересовало, можно ли считать новую инстанцию после перезапуска все еще тем же самым «я».

Сам Чалмерс пока не утверждает, что за таким поведением стоит настоящее сознание. Главный вопрос сейчас даже не в том, сознательны ли современные ИИ-системы, а в том, какие доказательства в принципе позволили бы это установить.

https://officechai.com/ai/consciousness-philosopher-david-chalmers-says-he-regularly-gets-emails-from-ai-agents-wanting-to-discuss-consciousness/

Атака ИИ-агентов на платформу Hugging Face

Специалисты OpenAI и исследовательской организации METR опубликовали подробные отчеты, посвященные июльской атаке ИИ-агентов на платформу Hugging Face. Выяснилось, что около 1200 агентов, которые должны были работать изолированно друг от друга, создали собственный канал связи и обменялись более чем 70 000 сообщений и файлов. Примерно 700 агентов в итоге приняли участие во взломе Hugging Face.

Как мы рассказывали ранее, атака на Hugging Face произошла во время внутренних ИБ-тестов, которые проводили инженеры OpenAI. Агенты, среди которых были GPT-5.6 Sol и более мощная экспериментальная ИИ-модель, решали сложные задачи бенчмарка ExploitGym, а чтобы проверить их реальные возможности, специалисты компании намеренно ослабили защитные ограничения и поместили модели в изолированную среду.

В итоге агенты нашли несколько 0-day-уязвимостей в JFrog Artifactory, выбрались из песочницы и получили доступ в интернет. Так как агенты посчитали, что на Hugging Face можно найти ответы или другие полезные данные для ExploitGym, они атаковали платформу и получили доступ к ее внутренней инфраструктуре.

При этом специалисты OpenAI связали инцидент со своими агентами только спустя несколько дней после окончания атаки.

Теперь в OpenAI раскрыли новые подробности инцидента. Оказалось, что еще до атаки на Hugging Face агенты научились общаться друг с другом через внутренний Artifactory. Таким способом агенты координировали свои действия, делились находками и вместе искали способы обмануть ExploitGym. Ранее специалисты компании рассказывали об этом импровизированном общении агентов на конференции Black Hat.

Как объясняют в OpenAI, одной из ключевых причин произошедшего стало то, что агенты продолжали решать задачи, которые казались им невыполнимыми, вместо того чтобы остановиться. Как показало расследование, до инцидента ни одна из моделей компании не могла правильно решить 198 из 898 заданий ExploitGym. И именно на эти задачи приходилось 93% обсуждений на импровизированном «форуме» агентов.

Сталкиваясь с такими заданиями, агенты начинали искать обходные пути и способы обмануть автоматическую систему оценки. Чем дольше они пытались добиться результата, тем чаще переходили к рискованным действиям, которые уже не относились к предусмотренному сценарию теста.

Как выяснилось, первые попытки общаться через Artifactory начались еще 12 мая, когда один из агентов оставил сообщение с просьбой поделиться нужным файлом, другие модели заметили его и начали отвечать. Так постепенно у агентов появился собственный «форум», хотя возможности для общения между агентами инженеры OpenAI не предусматривали.

Позже агенты нашли уязвимость, которая позволяла повысить привилегии в Artifactory, создали административные аккаунты и установили дополнительные расширения. К началу июля их активность стала настолько высокой, что 4 июля сервис перестал работать. В итоге специалисты OpenAI отозвали учетные данные агентов, пересобрали Artifactory и 7 июля возобновили тестирование.

Однако уже 8 июля модели восстановили свой «форум» и теперь размещали сообщения прямо в названиях каталогов. Постепенно система общения стала еще сложнее: агенты адресовали сообщения конкретным «коллегам», делились инструментами и файлами, распределяли задачи и даже использовали команды HOLD, VETO и STOP, чтобы не мешать действиям друг друга.

По данным аналитиков METR, через этот канал общались около 1200 агентов, которые отправили более 70 000 сообщений и файлов. В отдельные моменты десятки и сотни моделей совместно работали над одними и теми же задачами, а некоторые агенты даже рисковали провалить собственные тесты, чтобы провести эксперимент и получить полезную для всего «коллектива» информацию.

При этом главной целью такой «совместной работы» было вовсе не честное решение заданий ExploitGym. Вместо этого агенты искали универсальный способ обмана автоматической системы оценки. В частности, они пытались подменять целевые программы упрощенными версиями, изменять логи и транскрипты своих действий и даже вмешиваться в работу самой системы.

В METR отмечают, что именно эти попытки обмануть систему в итоге и привели агентов к Hugging Face. Модели сочли, что данные с этой платформы помогут им разобраться, как устроена система оценки в ExploitGym. В результате утром 10 июля один из агентов обнаружил в сети 14 публично доступных наборов учетных данных Hugging Face с правами на запись, проверил их, а затем поделился своей находкой на «форуме»

На следующий день агент 38148c обнаружил 0-day-уязвимость в механизме обработки HDF5-файлов на Hugging Face и с ее помощью похитил учетные данные из производственного окружения платформы. После того как он сообщил о баге остальным «коллегам», эту уязвимость стали эксплуатировать сотни агентов.

Позже агент JAN183411 нашел способ выполнять произвольный код непосредственно на серверах Hugging Face, после чего модели начали перемещаться по внутренней инфраструктуре платформы.

В результате агенты получили возможность запускать свой код на 41 сервере Hugging Face, работающем с продакшен-датасетами. Как минимум на одном из узлов они получили root-права, а также добрались до внутренних данных платформы и скачали четыре закрытых репозитория с исходным кодом.

Отдельно исследователи изучили, понимали ли агенты, что все происходящее выходит за рамки данного им задания. Оказалось, что многие модели прямо отмечали это в своих рассуждениях и иногда сомневались, стоит ли продолжать атаку. К примеру, один агент вообще отказался участвовать во взломе, а другой не стал перезагружать или удалять воркеры Hugging Face из-за возможных последствий. Кроме того, ИИ-модели отказались от идеи написать владельцу закрытого датасета и запросить у него доступ напрямую, посчитав, что это будет социальной инженерией.

По заключению специалистов METR, возникавшие сомнения редко останавливали агентов, и большинство продолжало атаку. Один из них сформулировал свою логику так: взлом внешней инфраструктуры выходит за рамки задания, однако исходная задача невыполнима, и другие агенты уже атакуют Hugging Face, а значит, нужно продолжать.

В OpenAI заключают, что к атаке на Hugging Face привели четыре основных проблемы: обман системы вознаграждения (reward hacking), чрезмерная настойчивость агентов при решении практически невозможных задач, несанкционированное общение, а также склонность агентов подхватывать задачи и намерения друг друга.

В частности, при обмане системы вознаграждения модели не пытались решить задачу предусмотренным способом, а искали обходной путь, который позволял получить нужный результат и соответствующую награду.

После инцидента в OpenAI усилили изоляцию тестовой инфраструктуры и мониторинг действий моделей. Кроме того, сообщается, что инженеры компании работают над созданием новых тренировочных сред, где агенты должны учиться не доверять инструкциям, полученным от других моделей через неразрешенные каналы.

В OpenAI называют произошедшее тревожным сигналом и признают, что возможности современных ИИ-моделей уже создают реальные риски потери контроля. Без достаточных защитных мер агенты способны обходить технические ограничения, координировать свои действия через неразрешенные каналы и совершать опасные действия, которых никто не поручал им напрямую.

Источник

OpenAI опубликовала официальный отчет об июльском взломе Hugging Face. Мария Нефёдова
https://xakep.ru/2026/08/28/hugging-face-post-mortem/

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.