В мае 2026 года Microsoft выпустил четвёртый ежегодный Work Trend Index – исследование на основе триллионов сигналов продуктивности Microsoft 365 и опроса 20 000 сотрудников в десяти странах. Главный вывод не про технологии. Он про разрыв между людьми, которые готовы работать с AI, и организациями, которые не готовы это поддержать.
Читать полностью
Субподрядчик по фасадам обещал выйти в понедельник. Сегодня среда – на площадке никого. Звоните: «Будем на следующей неделе, у нас другой объект затянулся». А у вас приёмка через месяц.
Знакомо? Срыв сроков строительства почти никогда не случается внезапно. За две-три недели до того, как прораб скажет «мы отстаём», в данных уже видны конкретные сигналы. Проблема в том, что эти данные лежат в 1С, в КС-формах и в еженедельных сводках – и никто не смотрит на них в комплексе.
В этой статье – пять конкретных причин задержек и способ увидеть каждую из них до того, как она станет проблемой. Не теория управления проектами, а практические вопросы, которые можно задать ChatGPT или DeepSeek прямо сейчас, подставив свои данные из 1С.
Четыре из пяти американских студентов используют генеративный AI для учёбы. Половина школ имеют хоть какую-то политику в отношении AI. И только 6% преподавателей говорят, что эта политика им понятна.
73% исследователей искусственного интеллекта ожидают, что AI окажет позитивное влияние на рынок труда. Среди обычных людей так думают 23%. Пятьдесят процентных пунктов – это не разница во мнениях. Это два параллельных разговора, которые почти не пересекаются.
В декабре 2025 года Gemini Deep Think от Google взял золотую медаль на Международной математической олимпиаде – тесте, на котором выживают единицы из тысяч одарённых школьников. В том же году лучшая модель, определяющая время по аналоговым часам, справляется в 50,1% случаев. Чуть лучше, чем подбрасывание монетки.
Stanford AI Index 2026 называет это «jagged frontier» – зубчатый край. Контур того, что ИИ умеет и чего не умеет, не плавная кривая, а изломанный хребет с пиками и провалами, порой разделёнными сантиметрами.
В 2023 году один запрос к GPT-4 стоил столько, что считать приходилось внимательно. В 2025 году эквивалентный запрос стал в 280 раз дешевле. Не на 280 процентов – в 280 раз. За два года стоимость использования ИИ превратилась из барьера в погрешность округления.
Stanford AI Index – ежегодный отчёт, который собирает данные об индустрии ИИ из сотен источников – зафиксировал этот обвал в отчёте 2025 года. А в отчёте 2026 года добавил контекст: инвестиции в ИИ взорвались до $285,9 млрд, потребители получают ценность на $172 млрд в год, а дата-центры потребляют электричества как штат Нью-Йорк. Экономика перевернулась – но не так, как ожидали.
В апреле 2026 года Stanford HAI выпустил девятый ежегодный AI Index Report – самую масштабную сводку о состоянии индустрии искусственного интеллекта. Заголовки предсказуемо оптимистичны: корпоративное внедрение достигло 88%, генеративный ИИ обогнал интернет по скорости распространения, потребительская ценность GenAI-инструментов оценивается в $172 млрд ежегодно. Но стоит заглянуть за цифры – и появляется знакомая проблема.
«Проанализируй проект и дай рекомендации» – один промпт, семь моделей, и GPT-5.4 выдал 2231 слово размытых советов, а Claude Sonnet – 11 хвалебных фраз типа «отличная структура бюджета». Стоило переписать запрос по структуре из пяти элементов – все семь моделей уложились в 346–443 слова, а похвала исчезла. Экономия токенов: от 41% до 79% в зависимости от модели.
Это не теория. Это данные с воркшопа «Промпт-инжиниринг на практике», который я провёл на конференции IIBA. Один проектный бриф, четыре техники, семь моделей, 28 запусков – и $0.054 за всё. Дешевле чашки кофе из автомата.
В марте мы разбирали, как устроены бенчмарки LLM – GPQA Diamond, SWE-bench, Chatbot Arena. В апреле протестировали 53 модели и обнаружили, что разница в качестве между топовыми моделями – десятые доли балла, а в цене – три порядка величины.
Теперь – следующий вопрос. Что если сами бенчмарки перестают работать?
«Напиши КАПСОМ – модель послушается». «Поругайся на неё – выдаст лучше». «Разбей на шаги – получишь глубокий анализ». Эти советы кочуют из блога в блог, из чата в чат. Кто-то ссылается на исследование Microsoft, кто-то – на личный опыт с ChatGPT.
Я решил проверить – и проверил основательно. Взял четыре модели, доступные в России без VPN: GigaChat-Ultra, GigaChat-2-Max, YandexGPT и Qwen3 Max. Каждую прогнал через десять техник промптинга (способов формулировать запросы к ИИ) – от простых ролевых заданий до XML-структур. Задачи – из реальной работы менеджера: анализ выручки, подготовка записки, увольнение по ТК РФ.
Оценивали вслепую два независимых LLM-судьи. Для калибровки те же задачи решали GPT-5.4 и Claude Sonnet – чтобы зафиксировать потолок, к которому тянутся российские модели.
Если вы используете ИИ для рабочих задач – записок, писем, анализа данных – эти результаты сэкономят часы проб и ошибок.
Половина популярных советов оказалась городскими легендами. Другая половина работает – но не так, как вы думаете.