Блог mysummit.school

В июне 2026 года аналитическая команда Exponential View выпустила отчёт The State of the AI Economy – независимую попытку измерить, за что компании реально платят в экономике ИИ. Авторы построили модель доходов по 1 000+ компаниям на основе отчётности, очистили цифры от двойного счёта и получили картину без маркетинга: генеративный ИИ вышел на темп $175 млрд годовой выручки. Мы уже писали, почему $700 млрд капзатрат Big Tech на ИИ в этом году не выглядят пузырём – этот отчёт о выручке смотрит на ту же экономику с другой стороны, со стороны тех, кто эти деньги платит.

Внутри отчёта есть слайд, который полезнее всех громких цифр. Команда EV проанализировала заявления компаний S&P 500 об эффекте ИИ на звонках с инвесторами. Результат: 7 из 10 заявленных эффектов – про экономию и эффективность. Сокращение затрат – 25%, экономия времени – 23%, рост пропускной способности – 22%. А рост выручки – всего 6%.

ИИ вполне способен приносить деньги напрямую. Просто компании, которые уже отчитываются о результатах перед инвесторами, в массе своей начали с другого конца. И у этого выбора есть простая математика, которую стоит понимать каждому менеджеру, выбирающему первую задачу для ИИ.

Предыдущие части серии были про то, что ИИ в китайском образовании делает хорошо: что уже работает в классе и как он помогает самому преподавателю. Эта часть – скептический противовес. Она задаёт неудобный вопрос, без которого серия была бы рекламой: если стало быстрее, стало ли лучше – и какой ценой.

В предыдущей части серии мы смотрели, что ИИ уже делает в китайском классе для ученика. Здесь сместим фокус. Речь пойдёт про учителя как профессионала: про подготовку урока, разбор собственного занятия, методическую и научную работу. Это та часть китайской истории, которую чаще всего пропускают, потому что она менее зрелищна – никаких роботов в классе, просто человек, который стал успевать больше.

В экспериментальной школе при пекинской школе Житань проверка комплекта домашних работ, согласно сборнику типовых кейсов применения ИИ в пекинских школах, сократилась с 40 минут до примерно двух. За десять месяцев через систему прошло свыше 55 тысяч сданных работ – с полным охватом проверки. Учитель при этом не исчез из процесса. Он перестал тратить вечера на механическую сверку и занялся тем, ради чего вообще шёл в профессию.

Эта статья продолжает серию о китайском ИИ в образовании и разбирает то, что обращено к ученику: автопроверку, персонализацию, диагностику пробелов – и что из этого реально применимо педагогу в СНГ. Следующая часть – про инструменты для самого преподавателя, а завершает серию разбор оборотной стороны, иллюзии эффективности, о которой китайские же отчёты говорят на удивление честно.

«Большинство людей до сих пор думают, что AI-агент – это просто ChatGPT с хорошим промптом». С этой фразы начинается статья Sunil Ramlochan «The AI Agent Stack Is Not a Prompt. It’s a Production System», и дальше автор называет это убеждение «утешительным мифом». Полезная правда, по его словам, в другом: настоящий агент ближе к маленькой операционной системе для работы. У него есть мозг, руки, память, правила, логи, планы восстановления и кто-то, кто отвечает, когда агент делает не то.

Тезис статьи укладывается в одну строчку: агент – это целый стек. И надёжность ему даёт архитектура вокруг, тогда как сама по себе модель или удачный промпт – лишь один из ингредиентов. Картина инженерная, поэтому разберём её с другой стороны – что из этого стека реально касается менеджера, который не пишет код, но решает, запускать ли агента в работу.

В предыдущем материале «Анализ конкурентов с ИИ: где модель выдумывает факты» мы показали, как наивный чат-бот сочиняет конкурентов: пять компаний в списке, две не существуют, обороты назначены на глаз. Рецепт там был один – проверять каждый факт руками. Но есть способ сократить количество выдумок ещё до проверки: проводить ресёрч не в чате, а в агентском инструменте, который сам ищет, открывает страницы и сверяет найденное за несколько итераций.

Этот материал – практический цикл такого ресёрча: от настройки инструмента до проверенного результата. Тот же пример, что и раньше, – оборудование для установок замедленного коксования (УЗК) для НПЗ. Боль та же, но инструмент другой.

Мы знаем эту боль не из презентаций вендоров. В одном из заданий курса {{ }} мы спросили сорок человек, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Полный разбор ответов опубликован отдельно; здесь остановимся на одном кластере, который сошёлся ровно вокруг клиентской переписки. Один человек сформулировал цель с цифрой: классифицировать обращения, предлагать ответы и снизить время отклика на 50%. Другой хотел рассылать ценовые предложения так, чтобы каждый клиент получал только интересное ему, а при молчании система напоминала бы менеджеру вернуться. Третий просто устал набирать руками одни и те же письма.

Запрос здравый, и ИИ в нём действительно силён – но не так, как обещает реклама. Разберём по частям, где реальная экономия, а где красиво упакованный риск.