В ноябре 2025 года данные Stanford показали неожиданный факт: американцы используют AI чаще дома, чем на работе. Мы в mysummit.school разбирали это в отдельном материале – и тогда вывод был прямым: рабочий AI всё ещё догоняет личный.
Прошло четыре месяца. Epoch AI совместно с Ipsos провели новое исследование – и картина изменилась.
Читать полностью
У вас три файла с данными: воронка активации, результаты A/B-теста и тикеты поддержки. Задача – понять, почему онбординг проседает. Вы открываете ChatGPT, загружаете первый файл, задаёте вопрос. Получаете ответ. Загружаете второй файл. ChatGPT спрашивает: «Можете напомнить контекст?» Загружаете третий. Контекст первого файла уже вытеснен.
Через сорок минут у вас три отдельных разговора, ни один из которых не отвечает на исходный вопрос. Потому что вопрос был один, а данные – в трёх местах.
Это не проблема ChatGPT. Это проблема подхода.
В марте 2026 года Минцифры опубликовало законопроект о «доверенных моделях» ИИ. Если его примут – вступление в силу планируется с сентября 2027 – госструктуры и критическая инфраструктура смогут использовать только модели из специального реестра. ChatGPT, Claude и Gemini, передающие данные за рубеж, могут быть ограничены. На устройства планируется обязательная предустановка российских нейросетей.
Проблема в том, что российские модели отстают. В нашем исследовании 54 моделей GigaChat набрал 3,26 из 5, GPT-5.4 – 4,80. Разрыв 32%.
Если GigaChat – всё, что у вас будет, можно ли вытянуть из него приемлемое качество с помощью грамотного промптинга?
Большинство онлайн-курсов устроены одинаково: видео, текст, тест из пяти вопросов в конце модуля. Прочитал, кивнул, угадал правильный ответ – через неделю не помнишь половины. Знакомо?
Когда мы проектировали платформу mysummit.school, вопрос был простой: как сделать так, чтобы знания не испарялись на следующий день? Ответ оказался не в контенте – контент у всех примерно одинаковый. Ответ в том, что происходит между чтением и применением.
Вопрос «нужен ли нам ИИ?» уже не стоит. Он звучит примерно как «нужен ли нам интернет?» в 2005 году – теоретически можно обсуждать, но практически все уже решили. Реальный вопрос другой: как объяснить руководству, что пора выделять бюджет, людей и время? Как перевести ощущение «это важно» в цифры, которые можно положить на стол?
В марте 2025 года Google Cloud совместно с National Research Group опубликовали отчёт «The ROI of AI in Customer Experience» – опрос боле 3к топ-менеджеров из компаний с выручкой от $10M и штатом от 100 человек. Данные свежие, выборка большая, результаты конкретные. И – что важно – достаточно честные, чтобы с ними можно было работать.
В марте 2026 года Lenny Rachitsky опубликовал статью с говорящим заголовком: «Everyone should be using Claude Code». Материал разлетелся по LinkedIn и Telegram-каналам, набрал сотни тысяч просмотров, и теперь каждую неделю кто-то из менеджеров спрашивает: как это попробовать?
Ответ неудобный. Claude Code официально недоступен в России и большинстве стран СНГ. Подписка Anthropic Max, которая его открывает, стоит $100 в месяц и требует карту, которую не всегда легко получить. Это создаёт странную ситуацию: один из самых обсуждаемых AI-инструментов года – физически за барьером для значительной части аудитории, которая о нём читает.
Есть прямая альтернатива. OpenCode – open-source проект, который делает ровно то же самое, работает с любыми моделями (включая доступные в России), и ставится за 15 минут.
GigaChat Ultra Thinking думает дольше и тратит больше вычислений. Управленческие задачи решает на 3,3% хуже, чем версия без рассуждений. Это не баг и не случайность – это паттерн, задокументированный академическими работами за последние два года.
На этой неделе Сбер представил GigaChat Ultra – новую флагманскую модель с режимом рассуждений (Thinking). Модель доступна бесплатно в веб-версии, мобильных приложениях и через Telegram-бот. Мы сразу добавили оба варианта в наше исследование AI-моделей для менеджеров: прогнали через все 32 сценария по единой методологии, оценили обоими LLM-судьями, сравнили с остальными 52 моделями.
Двенадцать часов в неделю. Столько времени типичный проектный менеджер тратит на отчёты, обновления планов, переписку со стейкхолдерами и отслеживание рисков. Это почти треть рабочего времени, которая уходит не на принятие решений, а на их оформление.
С ИИ это время сокращается до трёх часов. Но только при одном условии: ИИ должен быть встроен в операционный ритм работы, а не использоваться эпизодически – «когда вспомнишь».
Большинство онлайн-курсов об ИИ устроены одинаково: час видеолекции, 20 минут на тест, неделя на домашнее задание. Студент тратит 90 минут – и получает понимание, что такое промпт-инжиниринг. Понимание есть. Практики – нет. На следующее утро он открывает ChatGPT и снова не знает, что написать.
Мы проектируем уроки иначе. Ключевой вопрос при создании каждого урока – не «что студент должен знать», а «что студент сможет сделать завтра утром». Эту метрику мы называем value-to-time ratio – соотношение практической пользы ко времени, затраченному на обучение.
Может ли открытая китайская модель конкурировать с закрытыми флагманами OpenAI и Anthropic? По данным нашего независимого тестирования – да. 27 января 2026 года пекинская компания Moonshot AI выпустила Kimi K2.5, и она вошла в элитную группу наравне с лучшими моделями мира. При этом Kimi – лидер среди всех моделей, доступных из России без VPN.