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.

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