https://www.itweek.ru Издание itWeek (до 2018 года — PC Week) на портале и на страницах бумажного номера информирует читателей об актуальных информационных и коммуникационных технологиях, продуктах и решениях и опыте развития цифровой экономики и цифровой трансформации предприятий и организаций всех масштабов и отраслей. Издание рассказывает о важнейших событиях отечественного и мирового рынка ИКТ и анализирует тенденции развития ИКТ-индустрии. https://www.itweek.ru/images/itweek/logo-100x40.gif https://www.itweek.ru https://www.itweek.ru/themes/detail.php?ID=235264 Fri, 31 Jul 2026 00:00:00 +0300 <p><em>Автономный бизнес будущего вовсю строится. Определенные навыки уже пользуются высоким спросом — и они могут помочь вам выделиться, рассказывают опрошенные порталом </em><em>ZDNet</em> <em>эксперты.</em></p> <p>Искусственный интеллект поддерживает развитие автономного бизнеса, где некоторые роли, которые мы сегодня считаем само собой разумеющимися — от базовых операционных задач до принятия решений — выполняются агентами, способными обнаруживать, вести переговоры и совершать сделки.</p> <p>Широко распространены опасения, что эта эпоха автономии будет означать меньше работы для профессионалов, особенно в ИТ-отделах. Однако, как постепенно становится ясно, будущее работы потребует тщательного сочетания человеческого опыта и возможностей ИИ, когда профессионалы будут эффективно и продуктивно работать со своими коллегами-агентами.</p> <p>Итак, какие навыки помогут вам преуспеть на агентном рабочем месте будущего? Эксперты предполагают, что лучшие перспективы будут иметь три типа профессионалов: технически подкованные специалисты по поддержке, корректировщики курса агентов и ориентированные на результат сотрудники.</p> <h3>1. Технологически подкованные специалисты по поддержке</h3> <p>Хотя сегодня основное внимание уделяется автономной работе агентов, для максимального использования возможностей ИИ необходимы сильные внутренние технические возможности, считает Алекс Рид, старший менеджер по корпоративным продуктам в области данных энергетической компании EDF UK.</p> <p>Его команда по работе с данными помогает более чем 1000 пользователям использовать агентный ИИ в масштабах всей компании. Эта команда находится в центре федеративной модели «хаб-узлы» (hub-and-spoke), где специалисты по данным и цифровым технологиям сосредоточены на технологической поддержке, а бизнес-подразделения — на создании ценности.</p> <p>«Контекст — это главное для ИИ, — говорит Рид. — Нашим инженерам в работе с агентными и ИИ-ориентированными сервисами необходима высокая квалификация для создания вспомогательных возможностей, взаимодействующих с этими сервисами».</p> <p>Его команда использует технологии Snowflake, такие как Semantic Tables и Horizon Data Catalogs, для определения ресурсов данных и обеспечения их понятности для агентов ИИ. Затем команда создает возможности, используя агент по кодированию Snowflake CoCo на основе платформы данных этой компании.</p> <p>Один из примеров — инструмент, помогающий сотрудникам сервисного центра обрабатывать запросы клиентов. Команда Рида разработала с использованием CoCo агента, который извлекает информацию из платформы данных Snowflake и предоставляет аналитические данные в пользовательском интерфейсе Slack для сотрудников. «Инженер берет то, что производит такой инструмент, как CoCo, и немного улучшает это или, возможно, адаптирует для повышения точности», — рассказывает он.</p> <p>Самир Вуйюру, директор по ИИ и продуктам компании Capita, — еще один лидер в цифровой сфере, изучающий, как его организация может использовать агентные технологии, и квалифицированные специалисты также играют в этом процессе особую роль.</p> <p>Capita создала стек AI Catalyst, который фокусируется на наблюдаемости процессов и показывает, как автоматизация рабочих процессов может повысить операционную эффективность.</p> <p>По словам Вуйюру, эти исследования привели его к выводу о необходимости оттачивать свои технические навыки уже сейчас и искать способы сочетать свой опыт с агентными инструментами для создания сервисов нового поколения, приносящих бизнесу ценность. «Начните работать с ИИ каждый день, — советует он. — Мы сделали значительные инвестиции в предоставление каждому из тысяч наших сотрудников доступа к инструментам ИИ. И те, кто освоил ИИ, а это подавляющее большинство, к моему удивлению, в восторге от него и используют ежедневно».</p> <h3>2. Корректировщики курса агентов</h3> <p>Однако, хотя профессионалы могут повысить свою производительность, используя новые технологии, агентный ИИ не может работать в полной изоляции.</p> <p>Рид отмечает, что лучшие ИТ-специалисты работают с экспертами в предметной области, обладающими глубокими знаниями бизнеса, чтобы обеспечить эффективную работу агентов.</p> <p>«Хотя я с восторгом говорю о таких инструментах, как CoCo и Semantic Tables, мы по-прежнему полагаемся на ведущих экспертов, обладающих 20-30-летним опытом работы в энергетической отрасли, — говорит он. — Успех невозможен без применения этих экспертных знаний, чтобы помочь агентам ИИ быть более продуктивными и точными. Кроме того, когда возникают технические проблемы или, возможно, неточности, вам нужен кто-то, кто понимает технические и предметные возможности для корректировки курса».</p> <p>Это мнение разделяет и Стивен Вуд, операционный директор Rathbones Asset Management, который считает, что профессионалам в эпоху агентов — будь то в ИТ-отделе или в бизнес-функциях — необходимо перейти к новому способу работы.</p> <p>Хаотичные, импровизированные структуры традиционного офиса, где люди работают над задачами и стремятся к достижению целей проекта, уходят в прошлое. На смену им приходит новая система взаимоотношений, в которой профессионалы контролируют своих коллег-агентов.</p> <p>Отмечая сложную природу процессов совместной работы, Рид говорит, что «сейчас нам действительно нужны эксперты, которые знают свое дело, участвуют в процессе и осуществляют окончательный контроль и ставят галочку».</p> <p>По словам Вуда, подобный контроль является естественным элементом в его строго регламентированном и ориентированном на процессы бизнесе. Однако он признает, что трансформация рабочего места в основанное на агентном взаимодействии создаст значительные проблемы для всех. «Это будет совершенно другой способ ведения дел, — сказал он. — Поэтому возникнет некоторое трение, верно? Но успех будет сопутствовать тем компаниям и те людям, которые примут агентный ИИ, поймут его и захотят вывести его на новый уровень».</p> <h3>3. Сотрудники, ориентированные на результат</h3> <p>Признание потенциальной мощи ИИ — это только отправная точка. Четкое понимание долгосрочной бизнес-цели имеет решающее значение для внедрения агентов. По словам Дэна Чероубриера, технического директора Formula E, преуспевать будут профессионалы с таким подходом. Люди, обладающие этими навыками, помогут своим организациям получать экономическую выгоду от ИИ</p> <p>«Неудачниками окажутся те компании, которые берут свои существующие процессы, построенные вокруг людей, отделов и разрозненных структур, и пытаются создавать агентов для этих процессов, а не для достижения желаемых бизнес-результатов», — говорит Чероубриер.</p> <p>Он приводит пример разработки ПО, в которой агентный ИИ трансформирует традиционные методы. Талантливые инженеры концентрируют свои экспертизу на начале процесса разработки, чтобы направить агентов в нужное русло, не ожидая более поздних этапов.</p> <p>«Если говорить о результате при написании приложения, то раньше экспертные знания подключались в последнюю очередь — кодирование в конце и тестирование в некоторой степени, — говорит Чероубриер. — Теперь, с агентами, эти знания должны применяться на начальном этапе, при определении требований. Если вы с самого начала не понимаете, что вам нужно сделать, то, я думаю, у вас возникнут трудности».</p> <p>Мурали Сваминатан, технический директор компании Freshworks, также подчеркивает важность четкого определения бизнес-целей. Он считает, что квалифицированные специалисты должны сначала убедиться, что агенты обеспечивают правильные результаты, прежде чем применять технологию к бизнес-процессам. «Удостоверьтесь, что всё действительно работает, воспроизводимо, а затем включите технологию, — говорит он. — Вместо того чтобы попытаться включить всё сразу и столкнуться с тоем, что это не работает, следует попробовать несколько вариантов, добиться успеха, укрепить уверенность и доверие, а затем внедрить сервис для всех».</p> <p>Таким образом, агентам потребуется тщательное руководство. И хорошая новость для профессионалов, по словам Луизы Ньюбери-Смит, руководителя подразделения Zoom в Великобритании и Ирландии, заключается в том, что успешное достижение целей с помощью агентных технологий будет в значительной степени человекоцентричным процессом.</p> <p>«Вы должны лично вкладываться в любую деятельность, которую вы выполняете, и в цели, которых вы стремитесь достичь. Речь идёт о том, чтобы ИИ расширял возможности человека, а не заменял его. Именно такой подход позволяет всем оставаться востребованными и создавать будущее», — говорит она.</p> Автономный бизнес будущего вовсю строится. Определенные навыки уже пользуются высоким спросом — и они могут помочь вам … article https://www.itweek.ru/themes/detail.php?ID=235270 Thu, 30 Jul 2026 14:14:02 +0300 <p>После анализа индивидуальных практик использования искусственного интеллекта российскими учеными Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ впервые оценил, насколько эти технологии интегрированы в деятельность государственных организаций сферы науки — вузов и НИИ.</p> <p>ИИ находит широкое применение в деятельности организаций сферы науки, оптимизируя их бизнес-процессы и практики. ИИ-решения используются в 72% государственных вузов и НИИ, чаще всего — для проведения научных исследований (62% организаций).</p> <p>Вузы внедряют ИИ-решения в целом несколько активнее, чем НИИ (75% против 67%). Наиболее заметны различия в административных и коммуникационных процессах. Так, ИИ используют для внешних коммуникаций, включая продвижение результатов исследований, 40% вузов и лишь 18% НИИ, для управления организацией — 24% и 10% соответственно, для управления персоналом — 12% и 2%. При этом непосредственно в научных исследованиях различия практически отсутствуют: ИИ применяют 60% вузов и 64% НИИ.</p> <p>Чем крупнее организация, тем активнее она внедряет ИИ. Во внутренних процессах эти технологии используют 63% организаций с численностью до 500 сотрудников; 73% организаций, где работают <nobr>501–1000 человек;</nobr> 82% организаций с численностью <nobr>1001–2000 сотрудников;</nobr> и 92% крупнейших организаций (2000+ сотрудников). Во многом это связано с состоянием цифровой инфраструктуры. Крупные организации значительно чаще располагают облачными сервисами (69% против 49% среди остальных), серверными кластерами (73% против 35%), собственными центрами обработки данных (37% против 11%) и суперкомпьютерами (37% против 5%).</p> <p>Индивидуальное использование ИИ заметно опережает институциональное. По оценкам руководителей, ученые используют ИИ уже в 94% организаций, однако в большинстве случаев — на уровне отдельных исследователей. Только 4% руководителей считают, что ИИ используют большинство сотрудников их организации, еще в 27% — значительная часть коллектива, в 63% — лишь некоторые исследователи.</p> <p>ИИ пока остается прежде всего вспомогательным инструментом. В 43% организаций, сотрудники которых применяют ИИ в научных исследованиях, к нему обращаются главным образом для подготовки текстов, перевода, поиска литературы и других сопутствующих задач. В 22% ИИ используется как инструмент для анализа данных, моделирования и решения научных задач. Для четверти организаций (26%) обе функции одинаково значимы. Лишь 2% руководителей считают, что в их организациях ИИ является неотъемлемой частью научного процесса.</p> <p>В организациях, где исследователи используют ИИ, значительно чаще применяют готовые решения, российские — в 81% организаций, зарубежные — в 71%. Дообученные или адаптированные модели применяют 22% организаций, примерно столько же разрабатывают собственные модели; и сосредоточены такие проекты главным образом в естественных (68%) и технических (41%) науках, тогда как в гуманитарных они пока единичны (5%).</p> <p>Руководители ожидают дальнейшего распространения ИИ. По их оценкам, через пять лет почти в половине организаций (46%) ИИ будут использовать все или большинство исследователей, еще в 38% — их значительная часть. Лишь 16% считают, что ИИ останется инструментом отдельных исследователей, а 1% полагают, что его не будут использовать вовсе.</p> <p>Результаты двух опросов ИСИЭЗ НИУ ВШЭ показывают, что ИИ уже широко используется в российской науке как отдельными исследователями, так и организациями. Институциональное внедрение отстает от индивидуального использования, однако руководители государственных вузов и НИИ ожидают, что в ближайшие годы этот разрыв будет сокращаться, а ИИ станет привычным элементом исследовательской и организационной деятельности.</p> После анализа индивидуальных практик использования искусственного интеллекта российскими учеными Институт статистических … message https://www.itweek.ru/themes/detail.php?ID=235269 Thu, 30 Jul 2026 14:11:56 +0300 <p>По данным опроса Nexign, СУБД от отечественных вендоров доминируют в инфраструктуре российских компаний — об их использовании сообщили 66% респондентов. 54% опрошенных применяют решения с открытым исходным кодом, 40% продолжают эксплуатировать зарубежные системы, еще 6% затруднились с ответом.</p> <p>Такие результаты отражают переходный характер текущего этапа развития ИТ-ландшафта в России. Существенная доля зарубежных решений объясняется значительным объемом устаревшей инфраструктуры в слое прикладных корпоративных систем. Многие бизнес-критичные приложения исторически разрабатывались и внедрялись в тесной связке с конкретными СУБД. Пока прикладной слой не модернизирован или не заменен, полная миграция баз данных зачастую оказывается либо технически сложной, либо экономически неоправданной.</p> <p>По данным исследования, компании в среднем используют более одного типа СУБД, комбинируя вендорские продукты и системы с открытым исходным кодом. Такой подход продиктован несколькими важными факторами. Во-первых, бизнес стремится снизить риски зависимости от вендора. Во-вторых, значительная часть существующих систем не может быть быстро выведена из эксплуатации без ущерба для бизнес-процессов. В-третьих, использование различных СУБД позволяет компаниям балансировать между стоимостью владения, доступностью квалифицированной поддержки и надежностью решения. Также наличие открытого кода дает необходимую гибкость и свободу в настройке, в то время как вендорские решения обеспечивают формальные гарантии и SLA.</p> <p>Однако гибридный подход несет и определенные риски. Главный из них — возрастающая сложность администрирования и поддержки разнородной инфраструктуры. Кроме того, усложняется мониторинг и обеспечение безопасности: при неграмотном использовании открытого кода в системе могут образовываться серьезные уязвимости. Существует также риск непредсказуемого роста совокупной стоимости владения при недостаточно продуманной архитектуре.</p> <p>Если говорить о критериях, на которые заказчики обращают внимание при выборе СУБД, то для 68% опрошенных компаний ключевыми требованиями являются отказоустойчивость, поддержка кластеризации и возможность быстрого восстановления после сбоев. Для 66% важны поддержка высокой нагрузки и масштабируемость, включая горизонтальное масштабирование и репликацию. Соответствие требованиям ФСТЭК и Роскомнадзора, а также наличие сертификации по защите данных указывают своим приоритетом 38% опрошенных. Это говорит о том, что для заказчиков становятся важны не только функциональность СУБД, но и технические характеристики, которым ранее уделялось меньше внимания. Компаниям сейчас не нужен «комбайн» со множеством новых функций. Прежде всего они ждут, что СУБД легко впишется в текущий ИТ-ландшафт и обеспечит безболезненный перенос данных. </p> <p>«Российский бизнес демонстрирует прагматичный подход к трансформации СУБД-ландшафта, строя гибридные инфраструктуры, которые позволяют сочетать надежность, гибкость и экономическую эффективность. Оптимальная стратегия сейчас — сегментировать системы и данные по критичности, определить, какие из них можно мигрировать быстро, и выстроить дорожную карту перехода к единой отечественной СУБД. Поэтапный и стратегически выверенный подход позволит компаниям снизить риски, сохранить устойчивость ИТ-инфраструктуры и обеспечить технологический суверенитет в долгосрочной перспективе», — считает Максим Нартов, директор по развитию бизнеса Nexign.</p> По данным опроса Nexign, СУБД от отечественных вендоров доминируют в инфраструктуре российских компаний — … message https://www.itweek.ru/themes/detail.php?ID=235268 Thu, 30 Jul 2026 14:10:48 +0300 <p>Компания Postgres Professional представила новую версию платформы для управления и мониторинга баз данных Postgres Pro Enterprise Manager (PPEM) 2.8. В релиз вошли новые инструменты для управления отказоустойчивыми кластерами, централизованной настройки инфраструктуры и оптимизации запросов СУБД.</p> <p>Одним из ключевых нововведений стала поддержка настройки кворумной синхронной репликации для BiHA-кластеров через графический интерфейс. Новый механизм позволяет гибко выбирать баланс между скоростью обработки транзакций и защитой данных, упрощая построение отказоустойчивой инфраструктуры без ручной настройки.</p> <p>В новой версии также расширены возможности централизованного управления конфигурацией. Администраторы могут просматривать и изменять параметры кластеров и отдельных узлов через веб-интерфейс, в том числе задавать различные настройки для разных серверов в рамках одной операции.</p> <p>PPEM 2.8 получил поддержку Adaptive Query Optimization (AQO) — технологии адаптивной оптимизации запросов, которая помогает автоматически исправлять планы запросов основываясь на статистике предыдущего выполнения и таким образом повышать производительность высоконагруженных систем.</p> <p>Кроме того, в платформе появились средства управления параметрами сбора метрик и журналов для pgpro-otel-collector, раздел для работы с пользовательскими профилями и активными сессиями, новые возможности мониторинга, а также ряд улучшений интерфейса и механизмов обслуживания репозитория.</p> <p>Postgres Pro Enterprise Manager входит в состав всех редакций СУБД Postgres Pro и предоставляет единый веб-интерфейс для мониторинга, администрирования и диагностики баз данных.</p> Компания Postgres Professional представила новую версию платформы для управления и мониторинга баз данных Postgres Pro … message https://www.itweek.ru/themes/detail.php?ID=235263 Thu, 30 Jul 2026 00:00:00 +0300 <p><em>Поскольку агенты искусственного интеллекта берут на себя выполнение задач, человеческая роль становится ключевой. Ману Нараян, </em><em>CIO</em> <em>компании GitLab, рассказывает на портале </em><em>The</em> <em>New</em> <em>Stack</em> <em>о том, как преуспеть в условиях перехода к нелинейному росту производительности.</em></p> <p>Более десяти лет лидеры используют термин «будущее работы», чтобы описать, как технологии трансформируют бизнес. SaaS заменил локальное ПО. Облако заменило физическую инфраструктуру. Инструменты для совместной работы заменили офис как место, где мы выполняем задачи.</p> <p>Технологии переживают очередной период революционных изменений. На этот раз темпы этих изменений еще выше, чем в предыдущие периоды. Например, возможности ИИ по решению все более сложных задач в разработке ПО <a href="https://arxiv.org/abs/2503.14499">удваиваются</a> примерно каждые семь месяцев. Мы вот-вот станем свидетелями значительного сдвига в сторону нелинейного роста производительности, когда ИИ переосмыслит саму работу. Это порождает новые вопросы о том, кто или что выполняет работу.</p> <h3>Пришло время для работы, ориентированной на цель</h3> <p>ИИ-трансформация требует от нас нового подхода. Нынешний способ организации работы, измерения производительности и развития талантов предполагает, что человек, который производит больше всех, работает быстрее всех и знает больше всех, является лучшим сотрудником. Это предположение никуда не денется, но одного его уже недостаточно.</p> <p>Генеральный директор NVIDIA Дженсен Хуанг четко изложил, как переосмыслить нашу работу с ИИ, <a href="https://www.youtube.com/watch?v=k-xtmISBCNE&t=543s">противопоставив</a> задачи и цель. В каждой работе есть задачи. Для инженера-программиста кодирование — это задача. Но цель разработки ПО заключается в том, чтобы решать проблемы с помощью технологий и находить новые задачи, которые стоит решать. В этом новом мире ИИ, когда задач для человека становится все меньше, цель становится для него все более важной.</p> <p>Короче говоря, задачи инженера, аналитика или даже рекрутера все чаще могут выполняться агентами ИИ. Но цель, стоящая за каждой из этих ролей, остается, потому что цель коренится в ценности, которую мы придаем работе, а не в ее выполнении. Это различие можно обобщить на любую бизнес-функцию. Вопрос больше не в том, «как мне сделать это лучше?». Вместо этого работникам нужно задать себе вопрос: «Как мне руководить командой агентов, чтобы они справились с этим, чтобы я мог сосредоточиться на реальной ценности своей роли?».</p> <p>В новой модели взаимодействия человека и агента мы определяем цель. Каждый становится менеджером, задавая намерения, определяя результаты, делегируя выполнение агентам, оценивая результаты и корректируя курс с помощью суждений, которые ни одна модель не может воспроизвести.</p> <h3>Как на самом деле выглядит нелинейная производительность</h3> <p>Нам также пора переосмыслить наше понимание производительности, основанной на ИИ. Мне нравится думать об этом так: Томас Эдисон не стал решать проблему тусклого света свечи, создав лучшие свечи. Он изобрел лампочки. Точно так же речь идет не о 5% или 10% повышения производительности, а скорее об изменении качества; это как переход от света свечи к электричеству, а не от тусклой свечи к яркой.</p> <p>Рассмотрим инженера-программиста, готовящегося к выпуску новой функции. Сегодня они переключаются между трекером проекта для требований, вики для архитектурных решений, репозиторием кода для последних изменений и чатами для открытых вопросов от продуктовой команды. Только на переключения может уходить несколько часов, и это повторяется в каждом спринте.</p> <p>Теперь представьте себе команду агентов, выполняющих эти задачи параллельно: сбор требований, выявление архитектурных конфликтов, обобщение последних изменений, сканирование на наличие уязвимостей и составление первоначального плана реализации. Инженер проверяет и сразу приступает к работе.</p> <p>Примените ту же логику к другим задачам:</p> <p>• Команда поддержки сокращает время решения проблем на 50%, потому что агенты собирают контекст и составляют ответы до того, как человек коснется заявки.</p> <p>• Юридическая команда проверяет контракт за минуты вместо дней, при этом агент-исследователь собирает прецеденты, агент по соблюдению нормативных требований выявляет пункты, касающиеся рисков, а агент по составлению документов предлагает правки, оставляя юристу возможность сосредоточиться на стратегии переговоров и принятии решений, требующих экспертных знаний.</p> <h3>Это не учебная практика</h3> <p>Этот сдвиг уже происходит. EY недавно <a href="https://www.ey.com/en_us/newsroom/2025/12/ai-driven-productivity-is-fueling-reinvestment-over-workforce-reductions">объявила</a>, что почти все опрошенные ею крупные организации сообщили о повышении производительности за счет ИИ, причем около половины заявили о значительном росте, и что эти достижения были реинвестированы в развитие, а не в сокращение штата. Этот импульс реален, но он также повышает ставки: самый большой риск в настоящее время при внедрении ИИ — это слишком медленный темп.</p> <p>ИИ-нативные компании уже выпускают продукты быстрее и без тех накладных расходов, которые присущи большинству корпоративных организаций. Для стартапов часть этого преимущества обусловлена ​​размером. Но значительная часть носит структурный характер: они по необходимости создают продукты с ИИ в их основе, а не как дополнительный слой. Им не пришлось ничего перестраивать, потому что ИИ был партнером с самого начала.</p> <p>Это означает, что операционная задержка, которая ставит многие крупные организации в невыгодное положение, становится на порядок хуже.</p> <p>Организации, которые вырвутся вперед, создадут базовую структуру, которая позволит агентам действовать быстро и безопасно. Это включает в себя четкое распределение ответственности за решения ИИ, общий контекст и масштабируемые механизмы защиты. Без этого внедрение раздробится на отдельные подразделения и вовлечет людей в эксперименты, отвлекающие от действительно важной работы.</p> <h3>Забудьте о том, что вы, как вам кажется, знаете о работе</h3> <p>Чтобы правильно ориентироваться в этом вопросе, нам нужно отказаться от многих предвзятых представлений о работе. Для корпоративных организаций это будет гораздо сложнее, учитывая темпы развития ИИ.</p> <p>Окно возможностей закрывается, но мы не можем просто двигаться быстрее; нам нужно двигаться по-другому. В условиях, когда цель становится все более важной, рассудительность и интуиция, которые делают нас всех людьми, никогда не были так ценны. Чтобы извлечь выгоду из нелинейных преимуществ, которые обещает ИИ, нам всем нужно будет понимать цель работы лучше, чем когда-либо прежде.</p> Поскольку агенты искусственного интеллекта берут на себя выполнение задач, человеческая роль становится ключевой. Ману … article https://www.itweek.ru/themes/detail.php?ID=235267 Wed, 29 Jul 2026 17:42:09 +0300 <p>SimpleOne (направление прикладных бизнес-систем корпорации ITG) выпустила обновление одноименной Low-code платформы версии 1.34.0. Новая функциональность позволяет закрыть такие задачи бизнеса, как сокращение времени реакции на критичные события, снижение риска недопонимания между подразделениями, а также безопасное проведение аудитов без угрозы несанкционированных изменений в системе.</p> <p>В версии 1.34.0 SimpleOne добавила в платформу поддержку нативных браузерных пуш-уведомлений. Теперь пользователь может получать оповещения о критичных событиях на разных устройствах и в поддерживаемых браузерах, без необходимости следить за почтой или мессенджерами. При этом доставка пуш-уведомлений изолирована от основной платформы: ее сбои или рост нагрузки не влияют на работу системы.</p> <p>Дополнительно была переработана Лента активности: вместо обычного текстового поля теперь работает визуальный редактор форматирования (WYSIWYG). Исполнители и бизнес-пользователи могут форматировать сообщения — добавлять полужирный и курсивный текст, списки, цитаты, гиперссылки и изображения прямо в карточке заявки. Ранее созданные текстовые сообщения платформа отображает без изменений, обратная совместимость сохранена. При этом форматирование доступно не только в ленте активности, администратор может преобразовать существующие колонки типа Text в тип WYSIWYG с сохранением данных — например, текст в описании задачи или пользовательском поле. Свойства колонки при этом не меняются, не нужно создавать новое поле и переносить значения вручную.</p> <p>Третье изменение касается администрирования: в систему добавлена роль «Аудитор». Она открывает доступ на чтение ко всем таблицам системы, в том же объеме, что у администратора, но без права изменений. Это позволяет проводить проверки и расследования, не нарушая принцип разделения обязанностей.</p> <p>«Мы последовательно закрываем те точки, где промедление и непрозрачность обходятся бизнесу дороже всего. В 1.34 это два прямых ответа: критичное событие доходит до исполнителя сразу, а не когда он откроет почту, а проверяющий получает доступ на чтение ко всем данным без права что-либо изменить — раньше ради этого приходилось выдавать избыточные права», — рассказал Илья Радченко, директор по платформенным продуктам SimpleOne, корпорация ITG.</p> <p>Новая версия платформы доступна текущим пользователям SimpleOne по запросу.</p> SimpleOne (направление прикладных бизнес-систем корпорации ITG) выпустила обновление одноименной Low-code платформы версии … message https://www.itweek.ru/themes/detail.php?ID=235266 Wed, 29 Jul 2026 17:40:11 +0300 <p>Российский ИТ-бренд Nerpa модернизировал линейку ленточных библиотек начального и среднего уровня NERPA TL. Оборудование предназначено для безопасного и экономичного хранения данных в компаниях любого масштаба: от малого и среднего бизнеса до крупных организаций. Все решения поставляются через официального дистрибьютора бренда — компанию OCS.</p> <p>Обновление затронуло базовые платформы для автозагрузчиков NERPA TL AL1U и NERPA TL AL2U и повысило надёжность, безопасность и эффективность решений. Встроенные возможности библиотек по управлению и обслуживанию были модернизированы, в том числе — расширена функциональность для защиты данных. Старшая модель линейки, ленточная библиотека NERPA TL AL707, теперь поддерживает работу с новым поколением картриджей LTO-10 с нативной ёмкостью хранения 40 ТБ.</p> <p>Обновлённая линейка ленточных библиотек поможет компаниям быстро разворачивать ресурсы для хранения большого объёма данных в условиях их постоянного роста. Также оборудование подойдёт для создания автономных и защищённых хранилищ данных, которые соответствуют требованиям регуляторов. Решения Nerpa имеют сертификаты совместимости с отечественным программным обеспечением для резервного копирования, включённым в реестр российского ПО: «Кибер Бэкап» и RuBackup.</p> <p>Ленточные библиотеки Nerpa представлены широкой линейкой оборудования: от доступных стримеров и автозагрузчиков до продуктов уровня предприятий. Все решения проходят обязательное тестирование, а их техническая поддержка осуществляется с учётом специфики и требований индустрии ленточных библиотек. В программу сервисной поддержки оборудования включён гибкий выбор регламентов обслуживания.</p> <p>«Спрос на автозагрузчики и ленточные библиотеки растёт у компаний из разных отраслей. В условиях роста цен на СХД этот сегмент становится всё более востребованным для долгосрочного хранения данных. Технологические возможности таких решений активно развиваются — обновление линеек даст нашим партнёрам доступ к современным и актуальным продуктам. Автозагрузчики и универсальные ленточные библиотеки Nerpa помогут компаниям безопасно управлять данными и соблюдать регуляторные требования к хранению информации. А расширенная экспертиза в поддержке проектов и программы сервисного обслуживания сделают работу с решениями ещё более комфортной для наших партнёров», — отметил Алексей Мосин, руководитель направления развития продукции Nerpa.</p> <p>Автозагрузчики и ленточные библиотеки Nerpa в наличии на складе OCS, также решения доступны под заказ. На оборудование распространяется стандартная гарантия сроком на один год с возможностью расширения до трёх лет.</p> Российский ИТ-бренд Nerpa модернизировал линейку ленточных библиотек начального и среднего уровня NERPA TL. Оборудование … message https://www.itweek.ru/themes/detail.php?ID=235265 Wed, 29 Jul 2026 17:36:14 +0300 <p>Рейтинговое агентство RAEX представило результаты ежегодного рэнкинга крупнейших ИТ-компаний России, зафиксировав первое за 12 лет сокращение роста отечественного ИТ-рынка.</p> <p>На фоне общеотраслевого замедления и жесткой оптимизации бюджетов заказчиков компания BSS продемонстрировала устойчивость, сохранив за собой <nobr>24-е</nobr> место в сводном Топ-25. Удержание высоких позиций во всех ключевых сегментах — от разработки ПО до дистрибуции — стало прямым следствием зрелости бизнес-модели BSS и высокого доверия со стороны корпоративных клиентов. Эти результаты подчеркивают стратегическую силу компании и ее серьезный потенциал для дальнейшего роста в любых макроэкономических условиях. </p> <p>Опубликованная детализация рэнкинга показывает, что минувший год стал для отрасли периодом жесткой бюджетной политики заказчиков, переноса сроков реализации крупных проектов и влияния накопленного технологического долга. Номинальный рост суммарных доходов участников рынка замедлился до исторических минимумов. На этом фоне сбалансированное присутствие BSS сразу в нескольких специализированных списках RAEX доказывает: в условиях неопределенности рынок делает выбор в пользу проверенных партнеров, способных гарантировать бесперебойный результат.</p> <p>Помимо общего рэнкинга, RAEX формирует специализированные списки по ключевым направлениям ИТ-деятельности. Компания BSS демонстрирует уверенное и стабильное присутствие во всех основных сегментах:</p> <ul> <li>в разработке программного обеспечения BSS стабильно удерживает <nobr>12-е</nobr> место (2025 год — <nobr>12-е</nobr> место), подтверждая статус одного из ведущих технологических архитекторов страны;</li> <li>в предоставлении ИТ-услуг BSS занимает <nobr>22-е</nobr> место (2025 год — <nobr>21-е</nobr> место), сохраняя высокие объемы экспертного сопровождения и успешного внедрения сложных инфраструктурных решений;</li> <li>в дистрибуции BSS уверенно удерживает <nobr>4-е</nobr> место (2025 год — <nobr>4-е</nobr> место), демонстрируя одну из лучших в классе эффективность логистических, интеграционных и партнерских процессов.</li> </ul> <p>На протяжении многих лет BSS входит в топ рейтингов от RAEX, что подтверждает эффективность и инвестиционную привлекательность компании на ИТ-рынке. Подчеркивает ее технологический суверенитет и серьезный потенциал для дальнейшего роста. Компания продолжает оставаться надежным стратегическим партнером для крупнейших предприятий финансового, телекоммуникационного и государственного секторов, предлагая проверенные решения для цифровой трансформации.</p> <p>Приоритетным направлением является создание и развитие инновационных решений для цифровизации бизнеса, включая платформы на базе речевых технологий, искусственного интеллекта и LLM. В центре — <nobr>CX-платформа</nobr> для системного управления клиентским опытом. Она охватывает ключевые бизнес-задачи: от автоматизации сервиса до проактивного удержания, поддержки продаж и развития команд. Это даёт возможность работать на опережение — предвидеть желания клиентов, предотвращать отток, повышать конверсию и масштабировать успешные практики.</p> Рейтинговое агентство RAEX представило результаты ежегодного рэнкинга крупнейших ИТ-компаний России, зафиксировав первое … message https://www.itweek.ru/themes/detail.php?ID=235262 Wed, 29 Jul 2026 09:26:30 +0300 <p><em>По мере развития искусственного интеллекта меняется и подход организаций к обеспечению безопасности корпоративных данных, пишет на портале </em><em>Information</em> <em>Age</em> <em>Стюарт Ханвик, технический директор Dell Technologies по платформам и решениям для хранения данных.</em></p> <p>ИИ оказывает на корпоративные данные давление нового типа. В тот самый момент, когда организации пытаются извлечь больше пользы из своих данных, они также концентрируют все больше этих данных в общих хранилищах, базах знаний и конвейерах ИИ.</p> <p>По мере перехода ИИ от экспериментов к производству, наборы данных, которые ранее были разделены по бизнес-функциям, уровню конфиденциальности или операционному использованию, все чаще объединяются для обучения моделей и поддержки принятия решений в режиме реального времени.</p> <p>Этот сдвиг меняет подход организаций к своей инфраструктуре данных. То, что когда-то было в основном платформой для хранения и восстановления информации, все чаще становится точкой консолидации, управления и доступа к данным ИИ, что влечет за собой новые вопросы отказоустойчивости, соответствия нормативным требованиям и безопасности.</p> <p>Большая часть дискуссий об инфраструктуре ИИ по-прежнему сосредоточена на моделях и вычислениях. Это важные соображения, но они могут заслонить более фундаментальный вопрос: насколько хорошо подготовлена основа данных, которая их поддерживает?</p> <p>Вот пять способов, которыми ИИ меняет безопасность корпоративных хранилищ.</p> <h3>1. ИИ объединяет данные новыми способами</h3> <p>Обучение базовой модели или ее тонкая настройка обычно означает объединение интеллектуальной собственности, регулируемых данных клиентов, внутренних знаний и контента, такого как текст, документы, фотографии, аудио и видео, в единое хранилище, открытое для запросов. Это именно тот тип концентрированной цели, который позволяет злоумышленникам быстро повышать градус, как только они получат к ней доступ. Контроль этого риска начинается еще до того, как данные будут сохранены. Сегментация обучающих данных и анонимизация или удаление конфиденциальных входных данных, где это возможно, ограничивают уязвимость, создаваемую таким агрегированием, а блокировка наборов данных с помощью неизменяемых версий снижает риск скрытого вмешательства.</p> <h3>2. Генерация с расширенными возможностями извлечения (RAG) делает хранилище активным участником, а не пассивным архивом</h3> <p>Подключите большую языковую модель к корпоративной базе знаний, и хранилище перестанет быть чем-то, к чему пользователи получают прямой доступ. Это становится частью каждого взаимодействия системы ИИ. Неправильно настроенный контроль доступа к индексу RAG может раскрыть конфиденциальную информацию через совершенно корректный запрос, что делает аудит крайне важным. Регистрация того, к каким данным осуществляется доступ и какие данные отображаются, поддерживает расследование и соблюдение нормативных требований, но, что более важно, предотвращает структурные уязвимости, которые легко пропустить, пока они не будут раскрыты.</p> <h3>3. Рабочие нагрузки инференса создают проблему скорости, которую ручной контроль не может решить</h3> <p>Производственные системы, такие как агенты ИИ или системы обнаружения мошенничества, зависят от непрерывного доступа к данным с низкой задержкой. Конвейеры, обеспечивающие это, работают с такой скоростью, что ручной мониторинг становится нецелесообразным, подобно тому, как горизонтальное перемещение по сети может оставаться незамеченным в течение нескольких дней, если не установлены соответствующие средства контроля. Защита этих систем требует обеспечения безопасности данных при передаче, применения контроля доступа во время выполнения и обеспечения достаточной устойчивости систем хранения данных, чтобы инцидент безопасности не перерос в операционный инцидент.</p> <h3>4. Отсутствие видимости — это пробел, который не устранен в большинстве организаций</h3> <p>Исследование Dell Technologies «Innovation Catalyst» показало, что 82% лиц, принимающих решения в сфере ИТ, признают данные ключевым фактором интеграции ИИ и считают, что их необходимо защищать соответствующим образом. Однако только каждый третий утверждает, что может преобразовать эти данные в инсайты реального времени. Большая часть этого пробела связана с уровнем хранения данных, и от этого может зависеть, удастся ли быстро локализовать проблему или она останется нерешенной на несколько дней. Без устранения этого пробела системы управления и политики контроля работают на основе неполной информации, как бы хорошо они ни были разработаны на бумаге.</p> <h3>5. Восстановление необходимо перестраивать с учетом зависимостей ИИ</h3> <p>Организации должны задать себе вопрос: могут ли их системы ИИ быстро возобновить доверенную работу? Это означает восстановление правильных наборов данных и версий моделей, перестройку конвейеров обработки данных и тестирование восстановления на реальных рабочих нагрузках, а не на стандартных резервных копиях системы. Технически успешное восстановление, в результате которого возвращается не та версия модели или нарушается работа конвейера, все равно является сбоем во всех важных для бизнеса аспектах.</p> <h3>Практические последствия</h3> <p>Хранение данных стало основным уровнем контроля рисков, связанных с ИИ. Основы хорошей безопасности, видимости, неизменяемости, сегментации, концепции нулевого доверия и устойчивого восстановления не изменились. Изменилось лишь то, где и как именно их необходимо применять. Например, британские регуляторы все чаще ожидают именно такой специфичности: решение правительства добавить «сбой цифровой устойчивости» в Национальный реестр рисков в июле 2026 г. свидетельствует о том, насколько серьезно к этому относятся на национальном уровне.</p> <p>Организации, которые понимают потоки данных ИИ, обеспечивают надлежащую защиту хранилищ и согласовывают механизмы контроля с рабочими нагрузками ИИ, будут лучше подготовлены к снижению рисков, выполнению требований регулирующих органов и укреплению обоснованного доверия к своим системам ИИ по мере расширения их внедрения.</p> По мере развития искусственного интеллекта меняется и подход организаций к обеспечению безопасности корпоративных … article https://www.itweek.ru/themes/detail.php?ID=235260 Wed, 29 Jul 2026 09:11:43 +0300 <p>Искусственный интеллект становится новой инфраструктурой высшего образования. Нейросети уже меняют подходы к обучению, подготовке учебных материалов, научной работе и взаимодействию университетов с работодателями. По данным исследования ИТМО, «Яндекс Образования» и Yandex Cloud, 66% преподавателей и исследователей российских вузов используют генеративный искусственный интеллект в работе, а 84% отмечают, что технологии помогают ускорять исследовательские задачи. При этом, по данным исследования Высшей школы экономики, использование генеративного ИИ среди студентов уже стало массовой практикой: значительная часть обучающихся применяет такие инструменты для подготовки учебных материалов, поиска информации и решения практических задач.</p> <p>Нейросети перестали быть экспериментом — они становятся частью образовательного процесса. Вместе с новыми возможностями появляется и новый риск — неравный доступ университетов к современным технологиям.</p> <p>Этот риск можно обозначить как «ИИ-феодализм». Речь идет о ситуации, когда доступ к мощным языковым моделям, качественным данным, вычислительным ресурсам и экспертным компетенциям распределяется крайне неравномерно. В результате преимущества получают университеты, которые уже обладают развитой цифровой инфраструктурой и возможностями для внедрения ИИ, тогда как остальные рискуют оказаться в роли догоняющих.</p> <p>Проблема заключается не только в финансировании. Технологический разрыв складывается из нескольких факторов: доступа к современным моделям искусственного интеллекта, наличия специалистов, способных внедрять новые решения, готовности преподавателей использовать инструменты ИИ и способности университетов быстро обновлять образовательные программы.</p> <p>Сегодня этот вопрос выходит далеко за пределы образовательной сферы. По оценкам экспертов, к 2030 году большинство профессий будут в той или иной степени связаны с использованием технологий искусственного интеллекта. По данным исследования «Future of Jobs» Всемирного экономического форума, около 40% ключевых навыков работников изменятся в ближайшие годы из-за развития технологий, а способность эффективно использовать ИИ станет одной из базовых компетенций на рынке труда.</p> <p>Для России этот вопрос напрямую связан с подготовкой кадров для технологического развития. Согласно целям национального проекта «Экономика данных», стране необходимо обеспечить массовое внедрение цифровых технологий и подготовку специалистов, способных работать с ними. Однако без равномерного развития ИИ-компетенций в университетах существует риск, что новые возможности будут концентрироваться только в ведущих образовательных центрах.</p> <p>Уже сегодня можно наблюдать разные скорости адаптации вузов. Одни университеты создают собственные лаборатории, внедряют ИИ-ассистентов, развивают программы подготовки специалистов в области искусственного интеллекта и выстраивают партнерства с технологическими компаниями. Другие находятся только на этапе формирования базовой цифровой инфраструктуры. В перспективе этот разрыв может стать одним из факторов, определяющих качество подготовки выпускников.</p> <p>Особенность текущего этапа заключается в том, что искусственный интеллект меняет не только инструменты обучения, но и саму модель высшего образования. Университет больше не является единственным источником знаний: студент получает доступ к огромному объему информации через цифровые системы. Поэтому ценность преподавателя постепенно смещается от передачи информации к наставничеству, развитию критического мышления и формированию способности работать со знаниями.</p> <p>Одновременно меняется система оценки компетенций. Письменные экзамены, эссе, курсовые работы и другие традиционные форматы контроля все чаще не позволяют объективно оценить уровень подготовки студента, поскольку значительную часть таких задач способны выполнять генеративные модели. Университетам предстоит переходить от оценки конечного результата к оценке способности человека анализировать информацию, объяснять ход рассуждений, принимать решения и эффективно использовать искусственный интеллект как профессиональный инструмент.</p> <p>Эти изменения напрямую связаны с рынком труда. Работодатели все чаще ожидают от выпускников не только фундаментальных знаний, но и способности повышать собственную эффективность с помощью ИИ. Владение такими инструментами постепенно превращается в базовую компетенцию — аналогично тому, как ранее обязательными стали навыки работы с компьютером и цифровыми сервисами.</p> <p>При этом без системной политики технологический разрыв между университетами может только увеличиваться. Для его сокращения необходим комплекс мер: развитие региональных программ внедрения ИИ, поддержка вузов в создании цифровой инфраструктуры, подготовка преподавателей и формирование ИИ-грамотности на всех уровнях образования — от школы до университета.</p> <p>Одновременно важно избежать другой крайности — избыточного регулирования. Искусственный интеллект развивается быстрее, чем традиционные механизмы управления успевают адаптироваться к изменениям. Ограничительные меры без понимания природы технологии могут не снизить риски, а наоборот — замедлить внедрение решений, которые становятся частью образовательной и профессиональной среды.</p> <p>В ближайшие годы конкурентоспособность университетов будет определяться не только качеством преподавания и научными достижениями, но и способностью эффективно использовать искусственный интеллект. Главный вызов заключается не в том, чтобы внедрить отдельные цифровые инструменты, а в том, чтобы обеспечить равный доступ к возможностям новой технологической эпохи. В противном случае образовательное неравенство может перерасти в кадровое — и стать фактором, влияющим на конкурентоспособность экономики.</p> <p>#IMAGE_235261#</p> Искусственный интеллект становится новой инфраструктурой высшего образования. Нейросети уже меняют подходы к обучению … article Эдуард Хисюков, руководитель агентства “ЭдуТрек”, старший преподаватель кафедры инженерной кибернетики НИТУ МИСИС https://www.itweek.ru/themes/detail.php?ID=235259 Tue, 28 Jul 2026 15:09:26 +0300 <p>Компания PIX Robotics, разработчик программных решений для повышения эффективности и цифровой трансформации бизнеса, объявила о выходе на рынок нового продукта PIX FlexForms — отечественной CPM-платформы, объединяющей в единую цифровую экосистему функционал совместного корпоративного планирования с возможностями встроенной бизнес-аналитики. Решение закрывает широкий диапазон сценариев управления корпоративной эффективностью: от управляемого сбора, проверки, согласования и консолидации многомерных данных, до поддержки автоматизированных процессов совместного планирования, бюджетирования и бизнес-моделирования в режиме «одного окна». Внедрение платформы позволяет компаниям отказаться от разрозненных Excel-файлов и ручных коммуникаций в пользу централизованной и прозрачной работы с данными непосредственно в PIX FlexForms.</p> <p>«Запрос на отказ от Excel в критически важных процессах бизнес-планирования и моделирования звучит сегодня от большинства наших клиентов, и PIX FlexForms дает решение — поддержка корпоративных CPM-сценариев в едином управляемом контуре, — отметил Алексей Шумаков, владелец продукта PIX FlexForms в PIX Robotics. — Для бизнеса это означает меньше ручной работы, унифицированные расчеты, прозрачное согласование и получение готовых к анализу данных без лишних промежуточных шагов и потери качества. В ближайших планах — усиление расчетного движка, глубокая кастомизация интерфейсов под роли пользователей и внедрение элементов генеративного ИИ для интеллектуальной помощи в работе с данными».</p> <p>До выхода в открытый релиз FlexForms проходит пилотное внедрение у одного из ключевых заказчиков продуктов экосистемы PIX — Светогорского ЦБК. По предварительным итогам пилота FlexForms подтвердил свою способность выстраивать структурированный сбор данных, выполнять высокопроизводительные расчёты целевых показателей, упрощать процесс согласования и существенно сокращать время подготовки консолидированной отчётности.</p> <p>«Начало работы с PIX FlexForms — это качественно новый шаг в развитии нашей аналитики данных: мы получаем возможность оценивать показатели не только в состоянии „как есть“, но и моделировать сценарии, строить динамические прогнозы и выбирать из них оптимальные. В качестве пилотного проекта совместно с PIX Robotics мы находимся в процессе реализации сложного многокомпонентного MRP-продукта на базе FlexForms для оптимизации планирования закупок химикатов и упаковки, при этом уже видим большой потенциал решения в автоматизации финансового планирования и анализе производственных и коммерческих данных. Ключевое преимущество для пользователей — в одном интерфейсе они смогут работать одновременно с инструментами лучшей российской BI-системы и полноценного CPM-продукта», — прокомментировал Максим Буянов, руководитель департамента цифровизации Светогорского ЦБК.</p> <p>Запуск PIX FlexForms позволяет клиентам PIX сформировать бесшовный дата-контур, объединяющий бизнес-аналитику, управление данными и корпоративной эффективностью, обеспечивая единую точку входа для совместного планирования, моделирования, анализа и принятия управленческих решений. </p> Компания PIX Robotics, разработчик программных решений для повышения эффективности и цифровой трансформации бизнеса … message https://www.itweek.ru/themes/detail.php?ID=235258 Tue, 28 Jul 2026 15:08:10 +0300 <p>Главным направлением релиза стало развитие возможностей RooX UIDM для выполнения требований российских регуляторов в области защиты информации. Версия 25.2 расширяет механизмы аутентификации, повышает безопасность платформы и упрощает эксплуатацию и интеграцию с корпоративной ИТ-инфраструктурой.</p> <p>В части поддержки мер идентификации и аутентификации (ИАФ) в рамках релиза расширена поддержка современных методов многофакторной аутентификации, включая WebAuthn, аппаратные токены и аутентификацию по клиентскому сертификату (mTLS). Кроме того, реализована интеграция с ЕСИА через типовые решения для сценариев OAuth 2.0.</p> <p>По мерам регистрации событий безопасности (РСБ) расширен состав данных, фиксируемых в событиях аудита, а также возможности их поиска и анализа. Это позволит специалистам по информационной безопасности быстрее выявлять подозрительную активность и проводить расследование инцидентов.</p> <p>Наиболее существенные изменения коснулись функций, поддерживающих реализацию мер защиты управления доступом (УПД). В RooX UIDM появился модуль управления пользователями, ролями и доступами, позволяющий автоматизировать жизненный цикл учетных записей и централизованно управлять правами доступа. Он дает возможность управлять доступами, не опираясь на корпоративные каталоги пользователей, благодаря чему может использоваться и как хранилище пользователей, и как <nobr>IDM-блок.</nobr> Кроме того, модуль поддерживает интеграцию с внешними системами по открытому протоколу SCIM. </p> <p>«Для многих организаций соответствие требованиям ФСТЭК — обязательное условие выбора платформы управления доступом. Поэтому в версии 25.2 мы сосредоточились на реализации необходимых механизмов защиты и запустили процесс сертификации RooX UIDM по четвертому уровню доверия. При этом все изменения одновременно делают платформу безопаснее и удобнее в эксплуатации», — отметил генеральный директор RooX Алексей Хмельницкий.</p> <p>Помимо реализации мер защиты, в версии RooX UIDM 25.2 улучшена работа с внешними каталогами Active Directory и FreeIPA, повышена надежность синхронизации пользователей, расширены возможности настройки пользовательских интерфейсов аутентификации. </p> <p>Компоненты нового релиза платформы поставляются в вариантах, совместимых с сертифицированными средами развертывания.</p> <p>На базе версии RooX UIDM 25.2 выпускаются решения для управления доступом сотрудников (Workforce IAM) и внешних пользователей (CIAM).</p> Главным направлением релиза стало развитие возможностей RooX UIDM для выполнения требований российских регуляторов … message https://www.itweek.ru/themes/detail.php?ID=235257 Tue, 28 Jul 2026 10:52:23 +0300 <br/> <p><em>Данные исследования РУССОФТ показывают, что к концу 2026 года использовать генеративный ИИ в разработке ПО будет не менее 93% российских софтверных компаний. Почти три четверти его уже внедрили в производственный процесс. Однако явных признаков экономической эффективности применения ИИ в целом пока еще не выявлено.</em></p> <p>Использование генеративного искусственного интеллекта (ИИ) в разработке ПО стало предметом изучения в рамках ежегодного Исследования РУССОФТ с 2024 года. Опрос софтверных компаний позволял определять долю компаний, у которых ИИ уже применяется, и выявлять масштабы планируемого внедрения. Кроме того, респонденты оценивали фактический эффект использования ИИ в разработке в прошедшем и текущем году. Фактические показатели по итогам 2024 года оказались намного выше прогнозируемых, что бывает крайне редко (как правило, часть опрошенных компаний поставленных целей не достигает). То же самое повторилось при подведении итогов 2025 года.</p> <p>Опрос, проведенный весной 2026 года, показал, что проигнорировали просьбу сообщить об использовании генеративного ИИ в разработке ПО только 13,3% респондентов. Ответы остальных распределились следующим образом: </p> <p>«Использовали в 2025 г. и будем дальше использовать» — 72,85%</p> <p>«Не использовали, но планируем использовать в 2026 г.» — 20,35%</p> <p>«Не использовали в 2025 г. и не планируем использовать в 2026 г.» — только 6,8%</p> <p><strong>Применение российскими софтверными компаниями генеративного ИИ в разработке ПО в <nobr>2022-2026</nobr> годах</strong> </p> <table> <tbody> <tr> <td> <br/> </td> <td> <p>2022 г.</p> </td> <td> <p>2023 г.</p> </td> <td> <p>2024 г.</p> </td> <td> <p>2025 г.</p> </td> <td> <p>2026 г. (прогноз)</p> </td> </tr> <tr> <td> <p>Доля софтверных компаний, использующих генеративный ИИ</p> </td> <td> <p>12,7%</p> </td> <td> <p>24,9%</p> </td> <td> <p>45,4%</p> <p>(32,6%)*</p> </td> <td> <p>72,4%</p> <p>(55,6%)*</p> </td> <td> <p>92,8%</p> </td> </tr> <tr> <td> <p>Выполненный ИИ объем работ, измеряемый в тысячах человеко-лет</p> </td> <td> <p>0,8</p> </td> <td> <p>1,7</p> </td> <td> <p>19,5</p> <p>(2,8)*</p> </td> <td> <p>41</p> <p>(34)*</p> </td> <td> <p>63</p> </td> </tr> </tbody> </table> <p>* в скобках прогнозная величина, основанная на ожиданиях компаний, опрошенных весной того же года</p> <h3>Эффективно ли использование ИИ в разработке?</h3> <p>Согласно данным опроса РУССОФТ, эффект от внедрения генеративного ИИ в разработку также значительно вырос. Эффект оценили 143 из 300 опрошенных компаний (48%). Если экстраполировать полученные расчеты на всю софтверную индустрию, то численность сотрудников, которая бы потребовалась дополнительно для решения тех же задач, но без использования генеративного ИИ, составила по итогам 2025 года 41 тыс. чел. Этот показатель вырос за год более чем в 2 раза. Для софтверной индустрии, в которой работает примерно 265 тыс. профильных технических специалистов, а кадровый дефицит так и не удается перебороть, это значительная величина.</p> <p>Такая высокая эффективность должна была бы проявляться и в других показателях — прежде всего, в финансовых. Например, можно было бы предположить либо больший произведенный объем ПО при том же количестве сотрудников, либо неизменный объем разработанного ПО, но произведенный меньшими силами разработчиков. Однако позитивных изменений, которые можно было объяснить внедрением генеративного ИИ в процесс разработки ПО, ни по опрошенным компаниям, ни во всей софтверной индустрии не выявлено.</p> <p>Совокупный оборот в 2025 году вырос как раз больше у компаний, которые не использовали ИИ — на 14,1%, в то время как у тех, кто применял ИИ в разработке ПО, увеличение оборота значительно меньше — 7,5%. Выручка на одного сотрудника у компаний, которые использовали генеративный ИИ в 2025 году, также ниже, чем у компаний, давших отрицательный ответ на соответствующий вопрос — ₽5,13 млн против ₽5,19 млн.</p> <p>Дополнительное деление компаний по глубине использования ИИ с выделением тех компаний, которые чаще используют все его имеющиеся возможности, также не позволило сделать вывод о том, что генеративный ИИ в разработке обеспечил какие-то финансовые выгоды. Возможно, требуется намного больше данных, чтобы выявить доказательства экономической эффективности от использования генеративного ИИ в разработке ПО. Однако уже имеющейся информации должно было бы хватить, чтобы констатировать явную и значительную эффективность, если бы это было так. </p> <p>Пока можно констатировать, что экономической эффективности применения ИИ пока не выявлено или же ее чрезмерно трудно определить.</p> <p>Почему же опрошенные компании так высоко оценивают объем работ, который выполняется благодаря генеративному ИИ? По-видимому, представленные экспертные оценки отражают видимый и ощутимый эффект от того, как этот ИИ выполняет определенные задачи при программировании. При этом не учитывалось, что затем появляется необходимость верифицировать результаты его применения, исправлять ошибки, осуществлять дополнительную проверку, предотвращать другие возможные негативные последствия.</p> <p>Можно предположить, что респонденты оценивали эффект, полученный в процессе разработки ПО, а не экономический эффект для всего бизнес-процесса в целом. Можно также предположить завышение оценки выполненного объема работ с использованием ИИ при отсутствии качественных методик измерения эффективности. Не исключено, что благодаря использованию ИИ у разработчиков появилось больше свободного времени, а этот ресурс пока не удавалось использовать в интересах бизнеса из-за непростой ситуации в экономике.</p> <p>Результаты некоторых исследований позволяют считать обоснованными сделанные выше предположения о наличии рисков возникновения негативных последствий применения ИИ в разработке ПО в текущей ситуации. </p> <p>Например, согласно данным американской компании Apiiro, специализирующейся на разработке ПО в сфере кибербезопасности, применение ИИ-ассистентов помогает программистам писать код быстрее в три-четыре раза, но также ведет к закладыванию в него трудноустранимых проблем безопасности, которые в сгенерированном коде встречаются чаще, чем написанном разработчиками вручную.</p> <p>Результаты исследования, которое провела в ноябре 2025 года российская компания IT_ONE совместно с Фондом «Сколково» и «Сколтехом», показали, что несмотря на активное использование генеративного ИИ в разработке ПО, только четверть крупных компаний используют специальные метрики для измерения реального эффекта от внедрения ИИ.</p> <p>В то же время, можно предположить, что эффект от применения ИИ в разработке ПО представляется респондентам в перспективе настолько значимым, что устранение вызванным им проблем расценивается в качестве вторичного и временного фактора, который может быть нивелирован в течение достаточно короткого времени.</p> <h3>ИИ как замена джунов</h3> <p>К тому же опрос 2026 года показал, что доля компаний, внедривших ИИ в разработку ПО хотя и велика, но глубина использования ИИ в среднем еще невысока. Если говорить обо всех возможных областях применения ИИ в разработке ПО, то подавляющее большинство компаний используют ИИ в разработке ПО частично, находятся в начальной стадии его использования или вовсе еще не используют в ряде потенциальных областей применения. Соответственно, если говорить обо всей индустрии, то в настоящее время еще продолжается период тестирования, внедрения и отладки.</p> <p><strong>Области применения генеративного ИИ в разработке ПО с распределением по области применения (% опрошенных компаний)</strong> </p> <table> <tbody> <tr> <td> <br/> </td> <td> <p>Используем <br/> все возможности </p> </td> <td> <p>Используем частично</p> </td> <td> <p>В начальной стадии, пробуем</p> </td> <td> <p>Не используется</p> </td> </tr> <tr> <td> <p>Поиск причин возникающих ошибок или способов разрешения затруднений</p> </td> <td> <p>26,6%</p> </td> <td> <p>30,7%</p> </td> <td> <p>30,7%</p> </td> <td> <p>12,1%</p> </td> </tr> <tr> <td> <p>Документирование и анализ</p> </td> <td> <p>25,7%</p> </td> <td> <p>36,9%</p> </td> <td> <p>22,9%</p> </td> <td> <p>14,5%</p> </td> </tr> <tr> <td> <p>Помощь при самостоятельном написании кода (co-pilot)</p> </td> <td> <p>23,2%</p> </td> <td> <p>41,4%</p> </td> <td> <p>23,2%</p> </td> <td> <p>12,3%</p> </td> </tr> <tr> <td> <p>Тестирование и отладка (генерация тестов, автоматизация)</p> </td> <td> <p>17,7%</p> </td> <td> <p>36,3%</p> </td> <td> <p>29,3%</p> </td> <td> <p>16,7%</p> </td> </tr> <tr> <td> <p>Генерация кода без инженера</p> </td> <td> <p>14,4%</p> </td> <td> <p>29,7%</p> </td> <td> <p>28,7%</p> </td> <td> <p>27,2%</p> </td> </tr> <tr> <td> <p>Рефакторинг и оптимизация</p> </td> <td> <p>11,2%</p> </td> <td> <p>34,5%</p> </td> <td> <p>31,1%</p> </td> <td> <p>23,3%</p> </td> </tr> <tr> <td> <p>Проектирование, анализ <br/> и управление процессами </p> </td> <td> <p>10,5%</p> </td> <td> <p>25,8%</p> </td> <td> <p>39,2%</p> </td> <td> <p>24,4%</p> </td> </tr> <tr> <td> <p>Миграция и модернизация</p> </td> <td> <p>8,5%</p> </td> <td> <p>23,6%</p> </td> <td> <p>30,2%</p> </td> <td> <p>37,7%</p> </td> </tr> </tbody> </table> <p>Больше всего компании используют все возможности ИИ в таких областях его применения как «Поиск причин возникающих ошибок или способов разрешения затруднений» и «Документирование и анализ» (примерно четверть опрошенных компаний). Большинство использует ИИ частично или только начинает использовать (более 50% в каждой из областей применения). Таким образом применение генеративного ИИ в разработке ПО широкое, но в среднем еще не очень активное.</p> <p>Самое интенсивное использование ИИ с почти одинаковым показателем интенсивности имеется в следующих областях: «Помощь при самостоятельном написании кода», «Документирование и анализ», «Поиск причин возникающих ошибок».</p> <p>Если сравнивать средний показатель интенсивности применения ИИ для разных моделей бизнеса, то значительное преимущество имеют компании, специализирующиеся на предоставлении услуг по разработке ПО и других ИТ-услуг. Разработчики программных продуктов менее нацелены на стоимость человеко-часа. Для них важнее налаживание продаж и маркетинг. При этом стоит отметить, что сервисная модель в России находится в кризисе, поэтому она же требует более глубокого использования ИИ в разработке ПО для повышения ее экономической эффективности. Поэтому можно предположить, что невысокие темпы роста выручки при наличии глубокого использования ИИ в разработке связаны с общими проблемами предприятий, специализирующихся на заказной разработке, а не с самим фактором применения ИИ.</p> <p>Сравнение по обороту по итогам 2025 г. показывает, что самая высокая интенсивность применения ИИ в разработке ПО отмечается у компаний с оборотом более ₽1,5 млрд. Только в области «Документирование и анализ» есть совсем небольшое преимущество у компаний с оборотом от ₽375 млн до ₽1,5 млрд.</p> <h3>Основная угроза связана с безопасностью кода</h3> <p>Почти половина опрошенных компаний оценила как не актуальные следующие угрозы, связанные с использованием генеративного ИИ в разработке ПО: «Преднамеренная модификация кода зарубежными платформами», «Непреднамеренное использование материалов, защищенных авторским правом», «Социальные проблемы». К потенциальным угрозам их все же относит от 30% до почти 40% ответивших на этот вопрос респондентов.</p> <p>Самые большие риски применения ИИ респонденты связывают с «Проблемами безопасности кода». Для почти 22% эти проблемы считаются серьезными или даже критически значимыми, что делает невозможным использование не «доверенного» ИИ в разработке ПО для объектов КИИ. Не актуальна эта проблема только для 14% респондентов.</p> <p><strong>Отношение к возможным негативным последствиям, связанным с использованием генеративного ИИ в разработке ПО (% всех опрошенных компаний</strong>) </p> <table> <tbody> <tr> <td> <br/> </td> <td> <p>Не актуально</p> </td> <td> <p>Потенциальная угроза</p> </td> <td> <p>Сталкиваемся, но управляем</p> </td> <td> <p>Серьёзная проблема</p> </td> <td> <p>Критическая проблема, блокирует использование ИИ</p> </td> </tr> <tr> <td> <p>Риск преднамеренной модификации кода зарубежными платформами</p> </td> <td> <p>49,3%</p> </td> <td> <p>37,6%</p> </td> <td> <p>4,4%</p> </td> <td> <p>7,3%</p> </td> <td> <p>1,5%</p> </td> </tr> <tr> <td> <p>Непреднамеренное использование Вашей компанией материалов, защищенных авторским правом</p> </td> <td> <p>48,5%</p> </td> <td> <p>38,2%</p> </td> <td> <p>6,4%</p> </td> <td> <p>4,4%</p> </td> <td> <p>2,5%</p> </td> </tr> <tr> <td> <p>Социальные проблемы <br/> из-за невостребованности выпускников вузов, которые прежде легко находили работу </p> </td> <td> <p>47,1%</p> </td> <td> <p>29,6%</p> </td> <td> <p>7,3%</p> </td> <td> <p>14,1%</p> </td> <td> <p>1,9%</p> </td> </tr> <tr> <td> <p>Необходимость сложной <br/> и слишком быстрой пере-стройки всей системы обучения новых специа-листов и взаимодействия <br/> с учебными заведениями </p> </td> <td> <p>43,8%</p> </td> <td> <p>26,0%</p> </td> <td> <p>17,8%</p> </td> <td> <p>10,1%</p> </td> <td> <p>2,4%</p> </td> </tr> <tr> <td> <p>Потеря контроля над процессом создания ПО</p> </td> <td> <p>41,1%</p> </td> <td> <p>33,0%</p> </td> <td> <p>16,7%</p> </td> <td> <p>6,7%</p> </td> <td> <p>2,4%</p> </td> </tr> <tr> <td> <p>Кража Вашей интеллектуальной собственности</p> </td> <td> <p>36,1%</p> </td> <td> <p>48,8%</p> </td> <td> <p>2,9%</p> </td> <td> <p>9,8%</p> </td> <td> <p>2,4%</p> </td> </tr> <tr> <td> <p>Организационные <br/> и человеческие факторы, связанные с изменением поведения разработчиков </p> </td> <td> <p>28,7%</p> </td> <td> <p>27,3%</p> </td> <td> <p>29,6%</p> </td> <td> <p>13,9%</p> </td> <td> <p>0,5%</p> </td> </tr> <tr> <td> <p>Ошибки конфигурации <br/> и развёртывания <br/> (ИИ не учитывает отраслевую специфику) </p> </td> <td> <p>25,1%</p> </td> <td> <p>32,0%</p> </td> <td> <p>30,6%</p> </td> <td> <p>10,0%</p> </td> <td> <p>2,3%</p> </td> </tr> <tr> <td> <p>Потраченное время на неудовлетворительный результат</p> </td> <td> <p>23,6%</p> </td> <td> <p>28,7%</p> </td> <td> <p>38,0%</p> </td> <td> <p>7,4%</p> </td> <td> <p>2,3%</p> </td> </tr> <tr> <td> <p>Проблемы <br/> безопасности кода </p> </td> <td> <p>14,8%</p> </td> <td> <p>38,4%</p> </td> <td> <p>25,0%</p> </td> <td> <p>15,3%</p> </td> <td> <p>6,5%</p> </td> </tr> </tbody> </table> <p>Исходя из результатов опроса, меньше всего опрошенные компании боятся нарушить чьи-то авторские права и подвергнуться риску модификации кода зарубежными ИИ-платформами при использовании их ИИ-решений в своей разработке ПО. При этом парадоксально проблемы обеспечения безопасности кода при использовании ИИ в разработке ПО в целом оцениваются респондентами как максимальная угроза. Можно предположить, что такие противоположные мнения высказываются респондентами, работающими или не работающими с КИИ.</p> Данные исследования РУССОФТ показывают, что к концу 2026 года использовать генеративный ИИ в разработке ПО … message https://www.itweek.ru/themes/detail.php?ID=235256 Tue, 28 Jul 2026 09:08:00 +0300 <p><em>Инструменты для кодирования с помощью искусственного интеллекта стали общедоступными. Сегодня для </em><em>CIO</em> <em>важна не только скорость разработки, но и то, как формируются команды, как оценивается работа и кто обучает следующее поколение инженеров, считают опрошенные порталом </em><em>InformationWeek</em> <em>эксперты.</em></p> <p>Согласно <a href="https://survey.stackoverflow.co/2025">опросу</a> Stack Overflow, в котором приняли участие более 49 тыс. разработчиков, около 84% респондентов сейчас используют или планируют использовать инструменты ИИ. В то же время, согласно исследованию DX Research, проведенному в 2026 г., рост производительности стабилизировался на уровне около 10%, даже несмотря на то, что 93% из 121 тыс. опрошенных разработчиков стремятся использовать ИИ.</p> <p>Эти цифры должны обеспокоить любого CIO, который одобрил внедрение ИИ-кодирования, ожидая резкого повышения производительности.</p> <p>Цифры производительности рассказывают лишь часть истории. Они являются симптомом более глубокого сдвига: ИИ меняет не только скорость разработки ПО. Он меняет то, чем занимаются разработчики, как структурируются команды и — что наиболее важно — как следующее поколение инженеров осваивает ремесло.</p> <p>Кай Чуанг, CIO компании Circles, занимающейся сервисами для рабочих мест, наблюдает это воочию, поскольку работа его разработчиков смещается от непосредственного кодирования к проектированию и системной архитектуре. Они тратят меньше времени «на буквальное программирование» и больше времени на определение того, что нужно построить, и тестирование работоспособности. Темпы изменений впечатляют. По словам Чуанга, как только разработчики начали доверять результатам, «переход к почти полной ИИ-генерации кода произошел быстро сам собой», без какого-либо директивного указания сверху.</p> <p>Дефицитным навыком теперь является не написание кода. «Речь идет о знании того, что нужно построить, как это должно быть спроектировано, безопасно ли это и действительно ли это способствует достижению бизнес-результатов», — отмечает Эрик Браун, старший партнер консалтинговой фирмы West Monroe.</p> <p>Вместо того чтобы просто писать больше кода, «компании, которые все сделают правильно, перестроят жизненный цикл разработки ПО вокруг ИИ. Те, кто просто предоставит разработчикам инструменты, получат больше активности, но не обязательно лучшие результаты», — говорит он.</p> <h3>Разработчики становятся дизайнерами и рецензентами</h3> <p>Новое разделение труда уже стало нормой в UiPath, компании, занимающейся разработкой ПО для автоматизации предприятий, где «значительная часть кода, развернутого в производственной среде, уже написана агентами-кодерами», — рассказывает главный технический и продуктовый директор UiPath Паркси Мальпани.</p> <p>«Разработчики трансформируются из писателей кода в рецензентов и системных дизайнеров. Они определяют намерения, проверяют результаты и выпускают больше кода быстрее, вместо того чтобы писать каждую строку кода», — говорит он, называя это «сдвигом в одном из основных аспектов идентичности разработчика».</p> <p>Когда кодирование перестает быть медленным этапом, узкое место перемещается вверх по цепочке — к проектированию, которое также перестраивается под воздействием ИИ. Это предъявляет новые требования к бизнес-аналитикам и менеджерам по продуктам, требуя от них, по словам Чуанга, «готовых к реализации» концепций. Использование ИИ для изучения сценариев использования и создания макетов интерфейсов до привлечения разработчиков позволяет им «предоставлять гораздо более качественный и продуманный дизайн», — отмечает он.</p> <h3>Помимо показателей производительности</h3> <p>Если кажется, что производительность не меняется, CIO следует сначала оценить, измеряют ли они правильные показатели. По словам директора по технологиям и инновациям консалтинговой фирмы Cornerstone Research Фила Лесли, проанализировав более миллиона записей о рабочем времени они получили «по сути отрицательный ответ» о росте производительности благодаря ИИ. Но этот вывод, несмотря на точные данные, также вводит в заблуждение.</p> <p>«Использование ИИ не привело к заметному сокращению рабочего времени аналитиков, — говорит он. — Но оно изменило структуру: аналитики сообщают о меньшем времени, затрачиваемом на кодирование и отладку, и большем — на интерпретацию, методологию и размышления. Работа выглядит по-другому, хотя количество рабочих часов не изменилось».</p> <p>Некоторые организации сообщают о значительном росте производительности благодаря кодированию с помощью ИИ. Однако даже в этом случае технологические руководители утверждают, что рост производительности — не самое важное изменение.</p> <p>Например, в Bank of America, который ежегодно инвестирует в технологии почти 14 млрд. долл., использование ИИ для помощи в кодировании, применяемой более чем 18 тыс. разработчиками, обеспечивает повышение эффективности более чем на 20%. Но дело не в чистой скорости, говорит Хари Гопалкришнан, директор банка по технологиям и информации: «Потребность в талантливых людях, способных решать сложные проблемы, принимать взвешенные решения и выстраивать отношения, останется критически важной».</p> <h3>Показатели активности vs. бизнес-результаты</h3> <p>Большинство стандартных показателей ИИ-кодирования по-прежнему учитывают усилия, а не результаты: развернутые рабочие места, использованные токены, сгенерированные строки кода, самостоятельно заявленная экономия часов. «Это показатели активности, — отмечает Браун. — Лучше спросить, изменились ли бизнес- и инженерные результаты».</p> <p>Он рекомендует дашборд, который не похож на счетчик токенов и отслеживает время цикла от идеи до производства, частоту развертывания, процент неудачных релизов, скрытые дефекты, уязвимости безопасности и долю сгенерированного ИИ кода, требующего существенной коррекции человеком. «Цель не в увеличении количества кода, — поясняет Браун. — А в более быстрой, безопасной и качественной доставке, ориентированной на бизнес-результаты».</p> <p>Данные исследований демонстрируют, почему качество имеет значение. Анализ 211 млн. строк кода, проведенный компанией GitClear, производителем инструментов для разработчиков, показал, что объем изменений кода почти удвоился в период с 2020 по 2024 гг., в то время как рефакторинг снизился с 25% до менее чем 10%. Согласно исследованию софтверной компании Opsera, проведенному в 2026 г., запросы на слияние, сгенерированные ИИ, проверяются в 4,6 раза дольше и содержат на <nobr>15-18%</nobr> больше уязвимостей безопасности, чем код, написанный человеком. Сэкономленное на написании кода время часто сгорает позже в очередях на проверку и исправлениях безопасности.</p> <h3>Бомба замедленного действия для начинающих разработчиков</h3> <p>Однако самый серьезный риск проявится не в показателях этого года. Он станет явным через два-три года. Рутинная работа, которую сейчас берет на себя ИИ — исправление ошибок, документирование и тестовое покрытие — это именно то, на чем начинающие разработчики оттачивают свои навыки. Заберите это у них «без новой модели ученичества, которая бы заменила это», и компании создадут дефицит кадров через два-три года, предупреждает Браун.</p> <p>Сокращение вакансий начального уровня на основании теории о том, что ИИ заменит начинающих разработчиков, — это «почти билет в один конец», считает Лесли: «Необходима модель ученичества — это то, как почти в каждой профессии развивается способность принимать решения, на которую в конечном итоге полагаются опытные специалисты».</p> <p>Решение заключается не в прекращении найма начинающих разработчиков, а в переосмыслении этой роли. Лучшие начинающие разработчики «будут знать не только как писать код — они будут знать, как задавать правильные вопросы, понимать бизнес-цель, лежащую в основе ПО, и оценивать, действительно ли сгенерированный ИИ код результат решает проблему», — говорит Браун.</p> <p>Меняется и подход к найму. Чуанг теперь отдает предпочтение разработчикам, которые «более междисциплинарны и интересуются решением основных бизнес-задач». По мере удешевления программирования «умение определять, что и как кодировать, становится ценным активом», причем наибольшую ценность приобретают разработчики, которые понимают проектирование систем и могут обеспечивать «безопасность, соответствие нормативным требованиям и удобство сопровождения» автоматизированных процессов в течение длительного времени, отмечает Мальпани.</p> <h3>Управление смещается в центр</h3> <p>По мере распространения кода, генерируемого ИИ, контроль перемещается с периферии в ядро ​​работы. «Акцент смещается с проверки каждой строки написанного вручную кода на управление всем жизненным циклом ПО: тестированием, развертыванием, правами доступа, возможностью аудита и поведением во время выполнения», — говорит Мальпани.</p> <p>По его словам, предприятиям потребуются платформы, обеспечивающие последовательный контроль, отслеживаемость и мониторинг независимо от того, какой агент по кодированию создал код. Он подчеркивает, что агентам «необходимы механизмы контроля и опытные рецензенты».</p> <p>Это парадоксальный урок. Агенты-кодеры «не устранили необходимость в платформах разработки low-code или корпоративных платформах разработки, — отмечает Мальпани. — Они сделали эти платформы более ценными. Более быстрая генерация кода увеличивает потребность в проверках, оценке, управлении и сотрудничестве».</p> <p>Скорость — это часть выгоды. Но полная ценность инструментов ИИ-кодирования проявляется только тогда, когда меняется подход к разработке ПО в том, как формируются команды, как оценивается работа и как следующее поколение учится оценивать результаты работы машин.</p> Инструменты для кодирования с помощью искусственного интеллекта стали общедоступными. Сегодня для CIO важна не только … article https://www.itweek.ru/themes/detail.php?ID=235254 Tue, 28 Jul 2026 08:48:37 +0300 <p>Раньше нам было достаточно просто задавать ИИ вопросы. Теперь мы можем назначить ему цель — и он сам достигнет результата. Такой ИИ называют агентом.</p> <p>Можно написать в чат-бот, чтобы он подготовил текст ответа клиенту. А можно доверить всё агенту — он сам найдёт обращение, проверит CRM, запросит недостающее, сформирует ответ и передаст сотруднику или отправит, если это разрешено.</p> <p><a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage">McKinsey описывает</a> развитие агентных технологий как переход от реактивных инструментов к проактивным системам, способным самостоятельно двигаться к заданной цели.</p> <p>Поэтому главный вопрос для бизнеса постепенно меняется. Раньше компании выясняли, может ли ИИ выполнить задачу в принципе. Теперь определяют, какие действия можно поручить ИИ-агенту без постоянной верификации человеком.</p> <p>Спойлер: универсального ответа пока нет. Начинается всё с контекста: если системе не хватает данных о процессе, об автономности говорить рано. А когда контекст есть, мера самостоятельности зависит от трёх вещей — цены ошибки, возможности исправить последствия и насколько формализуемо конкретное действие.</p> <h3>От анализа после события — к действию в моменте</h3> <p>Классический анализ бизнес-процессов (Process Mining) больше про ретроспективу. Сначала нарушается срок, растёт очередь или возникает лишняя доработка. Бизнес восстанавливает ход процесса и находит причину. Без такого анализа невозможно понять фактическую работу компании, но он отвечает на вопрос «почему возникла проблема», когда последствия уже наступили.</p> <p>Следующий уровень — контроль во время выполнения процесса. Система видит, что заявка приближается к предельному сроку, документ повторно возвращается на доработку или нагрузка на участок превышает его возможности. Она собирает контекст и сообщает ответственному сотруднику, что произошло, почему возник риск и какие действия доступны. Система здесь как помощник: готовит решение и отдает его человеку.</p> <p>На третьем уровне система сама корректирует — запрашивает недостающие сведения, повторно запускает техническую проверку, меняет приоритет или передает заявку свободному специалисту. Это — та самая агентная история.</p> <p>В большинстве корпоративных проектов, с которыми мы сталкиваемся, пока преобладает второй уровень.</p> <h3>Не все действия требуют одинакового контроля</h3> <p>Частая ошибка — обсуждать автономность как единый режим, то есть либо система действует сама, либо каждое ее решение подтверждает человек.</p> <p>На практике полномочия нужно определять для каждого действия отдельно. Есть три критерия:</p> <ul> <li> Масштаб последствий. Автоматическая отправка напоминания и изменение условий договора несут разный риск, даже если технически выполняются одним агентом.</li> <li> Обратимость. Ошибочно изменённый приоритет заявки можно быстро вернуть. Проведённую выплату, раскрытые данные или принятое юридически значимое решение отменить намного сложнее.</li> <li> Формализуемость. Можно ли однозначно описать правила действия, получить необходимые данные, учесть основные исключения и проверить результат? Чем больше решение зависит от неоднозначной оценки, профессионального суждения или неполного контекста, тем меньше оснований для полной автономности.</li> </ul> <p>Низкорисковые и обратимые действия система может выполнять сама. Например, запросить отсутствующий документ, повторно провести техническую проверку или перенаправить обращение по установленному правилу. Если последствия заметны, но действие можно исправить, возможен автоматический запуск с последующим контролем. Ответственный сотрудник получает информацию о выполненной операции и вмешивается только при отклонении.</p> <p>Для решений с высокой ценой ошибки нужно сохранить предварительное подтверждение человека. Это касается ситуаций, влияющих на права клиента, крупные финансовые обязательства, условия договора или безопасность.</p> <h3>Что нужно определить до передачи полномочий</h3> <p>Чтобы ИИ мог действовать самостоятельно, недостаточно добиться высокой точности модели. Бизнесу нужно подготовить сам сценарий:</p> <ul> <li> Процесс должен иметь понятные границы. Система должна знать, какое событие запускает работу, каких целей нужно достичь и в какой момент задача считается выполненной. Например, формулировка «следить за качеством обслуживания» слишком абстрактная, а вот «обнаруживать обращения, которые могут выйти за установленный срок, и перераспределять их по заданным правилам» уже можно контролировать.</li> <li> Для действия нужен контекст. ИИ должен получать данные не только о текущей операции, но и о предшествующих событиях, ограничениях и возможных последствиях. Заявку нельзя автоматически перенаправлять только потому, что один сотрудник свободен. Нужно учитывать его полномочия, специализацию, текущую загрузку, приоритет клиента и влияние на другие задачи. Если система видит лишь часть процесса, автономное действие может устранить локальную проблему и создать новую на следующем этапе.</li> <li> Результат должен быть проверяемым. Нужно заранее определить, по каким признакам компания поймёт, что действие было корректным. Система перераспределила заявки — изменилось ли число нарушений срока? Запросила недостающие сведения — сократилось ли количество возвратов? Повысила приоритет — не выросла ли очередь по другим категориям? Без этого бизнес контролирует сам факт выполнения операции, но не её влияние на процесс.</li> <li> Каждое действие должно оставлять след. Для автономной системы необходимо фиксировать, что она сделала, на основании каких данных, какие правила применила и к какому результату пришла. Без истории действий невозможно разобрать ошибку, определить её источник и изменить сценарий.</li> <li> У процесса должен оставаться владелец. Нужно конкретно определить, кто утверждает границы полномочий агента, кто имеет право остановить сценарий, кто разбирает ошибки и кто отвечает за решения с существенными последствиями.</li> </ul> <p>В добровольной <a href="https://www.nist.gov/itl/ai-risk-management-framework">рамке NIST по управлению рисками ИИ</a> отдельно оговаривается необходимость разграничивать роли тех, кто использует систему, и тех, кто контролирует её работу. Я бы добавил сюда еще одну роль — кто отвечает за решения, принятые на основании результатов. Без такого разделения ответственность быстро становится фактически ничьей.</p> <p>Для корпоративного применения возможности наблюдать и останавливать систему должны быть базовыми.</p> <h3>Автономность нужно увеличивать постепенно</h3> <p>Передавать системе сразу весь сценарий необязательно. Надёжнее последовательно расширять ее полномочия.</p> <ul> <li> Сначала ИИ обнаруживает отклонение и собирает контекст. Ответственный сотрудник самостоятельно выбирает действие.</li> <li> Затем система начинает предлагать конкретную реакцию и объяснять, почему считает её подходящей.</li> <li> После проверки на реальном потоке ей можно разрешить выполнять действие с предварительным подтверждением.</li> <li> Следующий этап — самостоятельное выполнение обратимых операций с последующим контролем.</li> </ul> <p>Такой подход может показаться осторожным, но на практике он позволяет быстрее расширять автоматизацию. Компания накапливает историю решений, видит реальные исключения и понимает, какие ограничения можно ослабить без увеличения риска.</p> <h3>Человек перестаёт контролировать каждую операцию</h3> <p>Рост автономности меняет роль человека в процессе. Вместо ручной проверки каждого случая сотрудник:</p> <ul> <li> формулирует цель;</li> <li> задаёт правила и ограничения;</li> <li> определяет допустимый риск;</li> <li> контролирует исключения;</li> <li> оценивает сквозной результат;</li> <li> корректирует сценарий по мере изменения процесса.</li> </ul> <p>Агент берет на себя наблюдение, сбор информации и стандартные действия. Человек сохраняет экспертизу и ответственность там, где решение нельзя свести к устойчивому и проверяемому правилу.</p> <p>Поэтому я бы не ставил перед бизнесом цель добиться максимальной автономности. Более зрелая задача — добиться минимального ручного участия при сохранении управляемости.</p> <p>Уровень развития ИИ-системы определяется тем, насколько точно компания провела границу между разрешенным автоматическим действием и обязательной человеческой ответственностью.</p> <p>#IMAGE_235255#</p> Раньше нам было достаточно просто задавать ИИ вопросы. Теперь мы можем назначить ему цель — и он сам … article Александр Бочкин, генеральный директор “Инфомаксимум” https://www.itweek.ru/themes/detail.php?ID=235253 Mon, 27 Jul 2026 18:04:55 +0300 <p>Компания «Аладдин» сообщила о получении нового сертификата ФСБ России № СФ/124-5574 на СКЗИ «Aladdin CryptoFlash», защищённый флеш-накопитель со встроенным аппаратным шифрованием данных. Срок действия нового сертификата — до 16 июля 2029 года.</p> <p>Новый сертификат выдан с учётом новых функций в Aladdin CryptoFlash:</p> <ul> <li>добавлены РЕД ОС 7.3 и 8, Альт 8 СП, рабочая станция, «Альт Рабочая станция» 10, а также ОС «Московской электронной школы» в список поддерживаемых операционных систем семейства Linux;</li> <li>увеличена скорость чтения/записи до 11 МБ/с;</li> <li>улучшен графический интерфейс.</li> </ul> <p>Сертификат подтверждает, что СКЗИ «Aladdin CryptoFlash» соответствует требованиям ФСБ России к СКЗИ по классам KC1/KC2, предназначенным для защиты информации, не содержащей сведений, составляющих государственную тайну. При этом сертификат ФСБ России № СФ/124-5342 от 15 декабря 2025 г. на Aladdin CryptoFlash сроком до 15 декабря 2028 г. остаётся без изменений и продолжает своё действие.</p> <p>Aladdin CryptoFlash — защищённый USB флеш-накопитель со встроенным аппаратным шифрованием данных (российский алгоритм «Магма»). Продукт предназначен для безопасного хранения и переноса данных, включая информацию ограниченного распространения (служебной тайны, конфиденциальной информации с отметкой ДСП). Aladdin CryptoFlash относится к классу устройств Clientless и обеспечивает возможность работы с ним без установки на компьютер какого-либо дополнительно программного обеспечения. Аппаратно реализованный в устройстве алгоритм шифрования «Магма» показывает достаточно высокую скорость работы — 11 Мб/с.</p> Компания «Аладдин» сообщила о получении нового сертификата ФСБ России № СФ/124-5574 на СКЗИ «Aladdin CryptoFlash» … message https://www.itweek.ru/themes/detail.php?ID=235252 Mon, 27 Jul 2026 18:03:06 +0300 <p>Вайбкодинг — создание работающих приложений с помощью ИИ-агентов по текстовому описанию задачи — превратился в России из эксперимента в устойчивую практику разработки со своим стеком, экономикой и типовыми барьерами. Битрикс24 опросила активных практиков среди представителей бизнеса и выяснила: 81% из них не называют разработку своей основной ролью. Ядро сообщества составляют предприниматели (44%) и руководители (12%), далее идут аналитики (7%), продакт-менеджеры и маркетологи (по 5%). Профессиональным разработчиком по уровню подготовки назвал себя лишь каждый шестнадцатый (6%), а 52% пришли в практику фактически с нуля — с нулевыми навыками программирования или умением править только HTML-разметку.</p> <p>Практика при этом молодая и интенсивная одновременно: 61% занимаются вайбкодингом меньше полугода, но 62% делают это почти каждый день, а 88% — не реже нескольких раз в неделю. За короткий срок у 69% участников появилось от двух до пяти полноценно работающих проектов, ещё у 13% — шесть и более. 72% сообщили, что их приложения функционируют почти без вмешательства человека, а пользуются ими прежде всего коллеги (61%) и клиенты (59%) авторов — то есть созданный «неразработчиками» софт уже находится в реальной эксплуатации и обслуживает чужие задачи.</p> <p>Инструментальный стандарт сложился вокруг агентных сред: Claude Code используют 55% опрошенных, OpenAI Codex — 54%. Классические редакторы с ИИ-надстройками отошли на второй план — VS Code с AI-расширениями применяют 26%, Cursor — 24%, ещё 22% обходятся обычным ChatGPT без среды разработки. Инструменты предыдущей волны занимают нишевые позиции: Google Antigravity — 6%, GitHub Copilot — 4%, Lovable — 3%, Replit — 1%.</p> <p>Модельный стек мультивендорный: большинство участников применяют несколько LLM параллельно. Лидируют OpenAI (71%) и Claude (58%), за ними — DeepSeek (34%) и Qwen (24%). Российский BitrixGPT применяет почти каждый четвёртый (23%) — прежде всего благодаря интеграции в корпоративную экосистему. Gemini или Gemma используют 21%, ещё 11% работают с локальными моделями — как правило, из соображений контроля и приватности. </p> <p>Барьеры практики исследование фиксирует вполне инженерные. Чаще всего процесс «ломается» на том, что ИИ неверно понимает задачу (37%), на сопровождении проекта после запуска (32%) и на безопасности (27%). Среди навыков сложнее всего оказалось довести проект до конца (36%), обеспечить безопасность (33%) и разобраться в архитектуре (32%).</p> <p>Безопасность при этом остаётся главным системным риском. 54% участников проверяют сгенерированный код на уязвимости средствами самого же ИИ — то есть делегируют аудит тому же классу инструментов, который этот код создал. Ещё 28% не проверяют код вовсе, осознавая риск, 4% не знают, как это делать, и лишь 11% проводят ручной аудит. Среди тех, чьими проектами уже пользуются клиенты, вручную код проверяют только 14%.</p> <p>Влияние на профессию разработчика участники оценивают радикально: 73% заявили, что вайбкодинг заменил им разработчика, а среди предпринимателей и руководителей эта доля достигает 80%. Одновременно каждый третий (33%) пришёл к противоположному выводу — в сложных задачах без инженеров по-прежнему не обойтись. Меняются и сами практики: 38% стали лучше формулировать технические задания, 37% — «думать как разработчик». Роль профессионального инженера смещается от написания кода к архитектуре, ревью и разбору нестандартных ситуаций.</p> <p>«Мы наблюдаем повторение истории low-code, но на другой скорости и без порога входа. Разработка перестаёт быть исключительной функцией ИТ-отдела и становится компетенцией владельца процесса. Для ИТ-директоров это развилка: либо практика останется теневой — с кодом, который никто не ревьюит, либо сотрудники получат управляемую среду, где безопасность и контроль качества встроены по умолчанию. Самый дефицитный навык здесь уже не знание синтаксиса, а умение корректно поставить задачу и валидировать результат», — прокомментировал Александр Вартанян, директор по маркетингу Битрикс24.</p> <p>В необратимости сдвига участники практически уверены: 39% считают, что будущее, в котором каждый сотрудник самостоятельно собирает мини-приложения под рабочие задачи, уже наступило, ещё 30% ожидают массового перехода к такой практике в ближайшие один-два года. Для ИТ-департаментов это означает, что новая категория разработки возникает снизу и вне их контура — и вопрос смещается с «разрешать или запрещать» на «как управлять».</p> Вайбкодинг — создание работающих приложений с помощью ИИ-агентов по текстовому описанию задачи — превратился … message https://www.itweek.ru/themes/detail.php?ID=235251 Mon, 27 Jul 2026 18:00:17 +0300 <p>SimpleOne (направление прикладных бизнес-систем корпорации ITG) выпустила ITSM 2.0.0. Продукт получил значительное обновление — ИИ-помощник на сервисном портале самообслуживания: пользователи описывают свои запросы в свободной форме, а система сама находит нужную услугу, статью базы знаний или известную ошибку и готовит предзаполненную форму обращения нужного типа.</p> <p>ИИ-помощник работает с данными, которые уже есть в системе: каталогом услуг, моделями типовых запросов, базой знаний, объявлениями и известными ошибками. Пользователь описывает ситуацию своими словами — система понимает смысл запроса, находит подходящий материал и помогает дойти до результата: показывает обходное решение, объявление о плановых работах или помогает заполнить обращение. Внедрение не требует перестройки процессов — ИИ-помощник усиливает то, что уже настроено. Теперь не важно, насколько сложно устроен портал, ИИ-помощник найдет то, что нужно пользователю и поможет сформировать обращение наиболее эффективным образом.</p> <p>Для бизнеса это меняет экономику поддержки: типовые вопросы закрываются через самообслуживание, известные проблемы не порождают повторных инцидентов, а сложные обращения приходят к специалистам сразу с заполненными полями и полным контекстом. Нагрузка на первую линию снижается без роста штата. Для сотрудников и клиентов портал становится более понятным — достаточно описать ситуацию своими словами, и помощник сам найдёт ответ, подберёт услугу или подготовит форму обращения. Для поставщика услуг простые задачи решаются на раннем этапе и не доходят до специалистов, а ресурсы, которые раньше уходили на рутину, можно направить на развитие услуг. При этом ИИ-помощник одинаково применим для любого сервисного подразделения — ИТ, HR, бухгалтерии, юридического отдела.</p> <p>«Много лет мы ждали технологию, которая решит проблему портала. Чат-боты не подошли — они оказались слишком примитивными. Генеративный искусственный интеллект с технологией поиска по корпоративным данным — это именно то, что нужно. Он говорит на языке пользователя и понимает контекст компании. Совершенно неважно, как выглядит ваш сервисный портал и как там организована информация — теперь для потребителя ваших услуг всё будет работать максимально эффективно», — прокомментировал Андрей Вишняков, директор по бизнес-продуктам компании SimpleOne, корпорация ITG, ITIL 4 Master, ITIL 3 Expert, Practitioner, автор РИТМ.</p> <p>В версию также вошла база данных известных ошибок (KEDB) на портале: она уменьшает время простоя услуг, дает пользователям возможность самостоятельно минимизировать последствия распространенных неполадок, а также помогает снизить количество обращений в службу поддержки. Оценки и отзывы по каждой статье накапливаются в системе и позволяют улучшать базу на основе реальной обратной связи.</p> <p>Расширена возможность коммуникации и работы специалистов. Комментарии из мессенджера и электронной почты теперь добавляются в ленту записи от имени пользователя, а если отправитель не зарегистрирован в системе — по его письму автоматически создаётся пользовательский вопрос. При массовом завершении инцидентов и запросов специалисты теперь могут одновременно оставить служебную заметку ко всем закрываемым записям. Форма инцидента получила виджет сервисных отношений, контекстные обязательные поля — при переводе в статусы «Внешняя обработка» и «Отложено» — и защиту автозаполняемых полей дочерних инцидентов от случайного редактирования.</p> SimpleOne (направление прикладных бизнес-систем корпорации ITG) выпустила ITSM 2.0.0. Продукт получил значительное … message https://www.itweek.ru/themes/detail.php?ID=235249 Mon, 27 Jul 2026 15:22:30 +0300 <p>С глубоким прискорбием сообщаем, что на <nobr>93-м</nobr> году жизни после тяжёлой болезни скончался <strong>Леонид Абрамович Теплицкий</strong>, замечательный и отзывчивый человек, мудрый руководитель, специалист по вычислительной технике, лауреат Государственной премии СССР, генеральный директор СК Пресс, соавтор «Англо-русского толкового словаря по искусственному интеллекту и робототехнике» (4400 статей) и «Большого англо-русского толкового словаря по вычислительной технике и информационным технологиям», который регулярно пополняется и в настоящее время содержит свыше 55 тыс. тысяч статей, являясь самым большим словарём этого типа в мире. Леонид Абрамович является также соавтором «Англо-русского словаря по информационной безопасности» (6200 словарных статей).</p> <p>В 1956 году Леонид Абрамович окончил факультет приборостроения МВТУ им. Н. Э. Баумана по специальности «инженер-механик». Затем более 35 лет <nobr>(1956–1992 гг.)</nobr> работал на Московском Заводе счетно-аналитических машин (САМ), пройдя путь от инженера до заместителя главного конструктора по производству вычислительных машин и главного специалиста по супер-ЭВМ. </p> <p>Непосредственно участвовал в разработке и создании легендарных советских ЭВМ и вычислительных комплексов: М-20, «БЭСМ-6», АС-6, а также многопроцессорного вычислительного комплекса «Эльбрус» (МКП). За заслуги в области отечественной вычислительной техники был удостоен Государственной премии СССР, награждён медалью «За трудовое отличие» и другими государственными наградами.</p> <p>С <nobr>1960-х</nobr> активно сотрудничал с издательством «Мир» и Всесоюзным центром переводов (ВЦП) в качестве переводчика и научного редактора компьютерной литературы. В <nobr>1992–1994 гг.</nobr> работал в журнале PC Magazine/Russian Edition (научный редактор, главный редактор). В 1994 г. стал генеральным директором Издательского дома «СК Пресс», выпускавшем PC Magazine/RE; PC Week/RE (c 2018 г. itWeek); CRN/RE (c 2022 г. IT Channel News) и ряд других изданий.</p> <p>Леонид Абрамович был уникальным человеком, отличавшимся феноменальным трудолюбием и дружественностью общения. Для всех работавших с ним и близко его знавшим это тяжёлая утрата.</p> <p>Выражаем искренние соболезнования родным, близким, друзьям и коллегам Леонида Абрамовича.</p> <p><em><strong>Редакция</strong></em></p> С глубоким прискорбием сообщаем, что на 93-м году жизни после тяжёлой болезни скончался Леонид Абрамович Теплицкий … message https://www.itweek.ru/themes/detail.php?ID=235247 Mon, 27 Jul 2026 09:42:17 +0300 <p>Выполнение нормативных требований — одна из важнейших задач служб информационной безопасности. А сами проверки контролирующих органов могут стать «испытанием на прочность» для системы ИБ в организации. Например, в 2025 году более 77% операторов персональных данных <a href="https://www.securitylab.ru/news/570501.php">заявили</a>, что обнаружение нарушений при проверке Роскомнадзора является для них главным риском с точки зрения ИБ.</p> <p>Регуляторы же продолжают усиливать контроль. Например, ФСТЭК России в 2024 году проведено <a href="https://tass.ru/ekonomika/23062459">около 170</a> проверок субъектов КИИ, а в <nobr>2025-м —</nobr> уже <a href="https://telecomdaily.ru/news/2026/01/28/fstek-v-2026-godu-uvelichitsya-chislo-proverok">более 700</a> и по их итогам на организации заведено более 600 дел об административных правонарушениях, а в 2026 году служба планирует дополнительно нарастить количество контрольных мероприятий.</p> <p>Расскажу, с какими проверками ИБ могут столкнуться организации, на что обращают внимание различные органы и какие факторы могут привести к «провалу», а какие — наоборот, покажут добросовестность организации.</p> <h3>Кто и как проводит проверки</h3> <p>Проверки информационной безопасности в организациях могут проводить несколько регуляторов, у каждого из них — своя специфика.</p> <ul> <li><strong>ФСБ России</strong>: проверяют защиту информации с помощью криптографических средств, соблюдение правил использования СКЗИ, защиту периметра информационной системы, выявление атак, взаимодействие с ГосСОПКА. Проверки, как правило, выездные и инициируются в случае ИБ-инцидентов.<br/> <br/> ФСБ контролирует организации, работающие с государственной тайной, субъекты КИИ, операторов ГИС и ИСПДн, пользователей криптографии. В сфере внимания — выполнение требований <nobr>187-ФЗ</nobr> и ведомственных актов (например, приказов № 547, 378), а также <nobr>149-ФЗ,</nobr> <nobr>152-ФЗ,</nobr> ППРФ № 1119 в части применения криптографии.<br/> <br/> В ходе проверок оценивают реализацию процессов защиты информации (например, учет и хранение СКЗИ, взаимодействие с ГосСОПКА, выполнение пентестов), анализируют произошедшие инциденты, проверяют документы в части ИБ и их соответствие реальной ситуации в организации.<br/> <br/> Средняя продолжительность проверки — 2 недели. </li> <li><strong>Роскомнадзор</strong>: проверяет любые организации в части выполнения требований к обработке и защите персональных данных. Контролируют соблюдение требований к работе с ПДн: сроки их хранения, локализацию, порядок уничтожения, разграничение доступа, соответствие целям обработки, обеспечение безопасности ИСПДн. Также проверяют соответствие сайтов организаций требованиям <nobr>152-ФЗ:</nobr> наличие форм согласий, применение российских сервисов, использование данных о пользователях, генерируемых сайтами (cookies).<br/> <br/> Проверка может проходить в документарном или выездном формате, а также в виде анализа сайта организации. Приказ с перечнем подлежащих проверке организаций в 2026 году размещен <a href="https://rkn.gov.ru/activity/prevention-violations/">в открытом доступе</a>.<br/> <br/> Средний срок — 20 рабочих дней. </li> <li><strong>Прокуратура РФ</strong>: контролирует исполнение законодательства РФ в целом, в том числе и законов, регулирующих вопросы ИБ. Могут проверить любую организацию вне зависимости от отрасли, на основании жалобы о нарушении законодательства, выявленного факта нарушения или поручения Генерального прокурора. Также контролируют исполнение предписаний других органов власти. Прокурорские проверки могут быть комплексными, то есть затрагивать вопросы не только соблюдения требований в части ИБ, но и других положений законодательства.<br/> <br/> Проводят выездные и документарные проверки. Сведения о плановых проверках <a href="https://proverki.gov.ru/portal">размещены в открытом доступе</a>.<br/> <br/> Средний срок — 30 календарных дней. </li> <li><strong>ФСТЭК России</strong>: контролируют исполнение требований к защите КИИ, ГИС, ИСПДн, государственной тайны. Проверяют состав мер технической защиты информации, документы в части ИБ, контролируют выявление, категорирование объектов КИИ, соответствие требуемому уровню защищенности, контролируют аттестацию соответствия систем ИБ-требованиям.<br/> <br/> В сфере внимания регулятора — выполнение требований его актов: приказов № 239, 235, 21, 117 и иных. Проверки, как правило, выездные и могут стать для организации неожиданностью, поскольку их планов нет в открытом доступе. Публикуют планы проверок ИБ только для организаций, лицензированных на техническую защиту информации или разработку СЗИ.<br/> <br/> Проверки длятся в среднем около 3 недель. </li> <li><strong>Банк России</strong>: его контрольные мероприятия актуальны для финансовых учреждений. Проверяют все аспекты ИБ в организациях финсектора: состояние технической защиты информации, наличие внутренних документов и их соответствие реальному ИБ- и ИТ-ландшафту, порядок составления ИБ-отчетности и взаимодействия с ФинЦЕРТ, соблюдение требований законодательства, актов Правительства, ИБ-регуляторов, ведомственных актов ЦБ (например, Положений № <nobr>757-П,</nobr> <nobr>851-П,</nobr> Указания № <nobr>7219-У)</nobr> и стандартов ИБ в финсекторе (например, ГОСТ 57580).<br/> <br/> Проводить проверки могут с помощью запроса документов напрямую или через портал ЦБ, так и в выездном формате.<br/> <br/> В среднем, проверка длится около 1 месяца. </li> </ul> <p>Контролировать выполнение одних и тех же норм могут разные органы, а проверки быть совместными. Например, возможны ситуации, когда в финансовой организации проводится проверка Банка России на предмет выполнения требований ФСТЭК или по сообщению об утечке данных в организацию выезжает проверка одновременно Прокуратуры и Роскомнадзора.</p> <h3>Как можно провалить проверку</h3> <p>В последние годы регуляторы отошли от проверки формального соблюдения требований. Сейчас внимание контролирующих органов фокусируется не просто на наличии в организации необходимых документов, персонала и технических средств, а на соответствии декларируемого ландшафта ИБ фактической ситуации. Важно, чтобы организация выполняла ИБ-мероприятия на практике и была готова к реальным действиям при угрозе ИБ.</p> <p>В конце прошлого года руководитель <nobr>8-го</nobr> Управления ФСТЭК России сообщила о наиболее распространенных нарушениях, которые обнаруживаются при проверках со стороны этого регулятора.</p> <ol> <li><strong>Несоответствие реального состава объектов КИИ данным, включенным в реестр таких объектов.</strong> Это могут быть и невыявление объектов КИИ, и присвоение им более низкой категории значимости, и нарушение требования по повторному категорированию ИТ-объектов.</li> <li><strong>Отсутствие контроля за действиями подрядчиков, имеющих доступ к информационным системам организации</strong>. Цепочки поставок в последние годы часто становятся целью для атак, в том числе, на стратегически важные организации. В связи с этим, регуляторы повышают внимание к защите от угроз при работе с подрядчиками. В частности, в последних документах ФСТЭК, например, в приказе № 117 и методических рекомендациях по его выполнению, значительно расширены блоки требований по безопасному взаимодействию с контрагентами.</li> <li><strong>Отсутствие системной работы по обнаружению и «закрытию» уязвимостей на значимых объектах КИИ</strong> и применение уязвимого ПО на этих объектах, отсутствие обновления баз средств защиты, администрирование ИБ-решений с мест без защищенного доступа в Интернет, отсутствие компенсирующих ИБ-мер.</li> </ol> <p>Область контроля <nobr>8-го</nobr> Управления ФТСЭК — все субъекты КИИ. Поэтому эти сценарии актуальны для многих компаний и учреждений из разных отраслей. Однако, и для других организаций, контролирующих ИБ, такие ошибки — фактор «провала» проверки.</p> <p>Также на практике при ИБ-проверках часто встречаются:</p> <ul> <li> <strong>Нарушение требований к физической защите информации</strong> (отсутствие или несоблюдение правил пользования металлических хранилищ, опечатывания помещений, контроля доступа к физическим носителям данных).</li> <li> <strong>Отсутствие или нарушение поэкземплярного учета средств криптографической защиты</strong>.</li> <li><strong>Отсутствие или недостаточная квалификация сотрудников, ответственных за обеспечение ИБ</strong>.</li> </ul> <p>Все эти нарушения связаны с более глубокими проблемами организации и оснащения ИБ-служб, их включения в бизнес-процессы организации. В первую очередь, это «бумажная безопасность», когда есть документы для формального соответствия требованиям без реализации ИБ-мероприятий на практике. В подобных случаях техническая защита отсутствует или базируется на ограниченном количестве решений в устаревших версиях, ИБ-служба «отключена» от участия в бизнес-процессах и не участвует в создании или модернизации ИТ-систем, а менеджмент сокращает финансирование ИБ или не выделяет его вовсе.</p> <p>Такая стратегия рассчитана на то, чтобы пройти плановую документарную проверку регулятора. Однако всего один ИБ-инцидент, который неизбежен в такой ситуации, — это гарантированный повод для выездных контрольных мероприятий. Так, основные регуляторы ИБ — ФСБ и ФСТЭК — проводят проверки исключительно в выездном формате. Результатами таких мероприятий, как правило, становится предписание об устранении нарушений. Это предписание повлечет незапланированные затраты на срочное выполнение прикладных ИБ-мер, закупку средств защиты или ИБ-услуг.</p> <p>Кроме этого, регуляторы заявляют об ужесточении итогов «проваленных» проверок: в 2026 году ожидается применение мер административной ответственности в отношении организаций и сотрудников, допустивших ИБ-нарушения.</p> <h3>Как успешно пройти проверку</h3> <p>Проверки регуляторов проходят комплексно и нацелены на выявление ошибок, которые провоцируют инциденты ИБ. Поэтому организациям следует придерживаться системного подхода к обеспечению информационной безопасности.</p> <p>В первую очередь необходимо провести инвентаризации имеющихся ИТ-активов и анализ нормативных ИБ-требований. Важно определить, какие ИТ-объекты относятся к КИИ, какие используются для обработки персональных данных или должны быть защищены согласно требованиям к ним.</p> <p>Одновременно с этим проводится аудит систем ИБ. В ходе такого аудита изучаются ИБ-аспекты в организации: наличие ответственных за ИБ-задачи, порядок реагирования на инциденты и взаимодействия с регуляторами, выделение материальных, аппаратных и людских ресурсов для нужд ИБ-службы. Кроме того, важно оценить состав и наличие ИБ-средств, статус их обновления, наличие сертификации на них и соответствие требуемому уровню доверия.</p> <p>По итогам этих мероприятий составляется «матрица соответствия». В ней отражаются:</p> <ul> <li> ИБ-требования по каждому из актуальных для организации актов регуляторов;</li> <li> Реализованные для их выполнения меры (составление локальных актов, создание и комплектование ИБ-подразделений, внедрение технических средств защиты, аудит ИТ-активов и иные);</li> <li> Статус выполнения: выполнено, частично выполнено, не выполнено, не применимо.</li> </ul> <p>Данные из матрицы позволяют спланировать дальнейшие ИБ-мероприятия по нескольким направлениям:</p> <ul> <li> Внедрение технических средств и выполнение технических задач (например, закрытие уязвимостей и пентест).</li> <li> Разработка документов (например, стандартов и регламентов защиты информации согласно требованиям приказа ФСТЭК № 117).</li> <li> Организационные задачи (например, проведение учений для персонала организации, повышение квалификации ИБ-службы, оценка защищенности, выделение дополнительных ресурсов на обеспечение ИБ).</li> </ul> <p>При анализе «матрицы соответствия» может выясниться, что ИБ-задач много и выполнить их одновременно не удастся. В таком случае лучше начать не с составления больших документов, чтобы «прикрыть» все возможные недостатки, а сосредоточиться на отдельных рисках безопасности. Например, сначала провести категорирование объектов КИИ, потом найти и исключить все уязвимости, избыточные доступы и пароли «по умолчанию», затем обновить все средства защиты информации, докупить необходимые и наладить с их помощью процессы ИБ-мониторинга.</p> <p>Итогами работы по подготовке к ИБ-проверкам должны стать:</p> <ul> <li> Взаимное соответствие ИБ-документов в организации, процессов ИБ и фактического состояния информационных систем.</li> <li> «Закрытие» уязвимостей, исключение паролей «по умолчанию» на объектах ИС.</li> <li> Исключение нарушений физической безопасности информации и информационных систем.</li> <li> Внедрение и практическое применение средств защиты информации, обучение ИБ-специалистов работе с ними, выявление, регистрация и ликвидация ИБ-инцидентов с помощью ИБ-решений.</li> <li> Реализация полного цикла контроля и мониторинга безопасности информационных систем.</li> <li> Непрерывное (в идеале, автоматизированное) взаимодействие с регуляторами.</li> </ul> <p>В таком случае, когда регулятор увидит системную работу ИБ-службы и готовность к отражению реальных киберугроз, шансы успешно пройти проверку значительно повышаются. Сами контрольные мероприятия при этом станут не фактором риска, а возможностью дополнительно усовершенствовать систему ИБ, получить ценные прикладные рекомендации и выполнить их в размеренном плановом режиме.</p> <p>#IMAGE_235248#</p> Выполнение нормативных требований — одна из важнейших задач служб информационной безопасности. А сами проверки … article Дмитрий Вощуков, специалист по связям с государственными органами “СёрчИнформ” https://www.itweek.ru/themes/detail.php?ID=235246 Fri, 24 Jul 2026 17:00:14 +0300 <p>Технологическая компания YADRO (входит в ИКС Холдинг) объявила о раннем доступе к новому инженерному решению для эффективного охлаждения высоконагруженных центров обработки данных и AI-кластеров. Особую актуальность представленному решению придают неуклонно растущие требования к вычислительным мощностям, вызванные повышенным спросом на цифровые сервисы. ЦОД становятся все более производительными, и выделяемое тепло необходимо эффективно отводить для обеспечения бесперебойной работы ИТ-инфраструктуры.</p> <p>Новое решение представляет собой готовую архитектуру гибридной системы охлаждения ЦОД, объединяющую преимущества воздушного и жидкостного типов охлаждения. Оно состоит из инженерного контура BOREY «Посейдон», включающего драйкулер с гидравликой и блок распределения охлаждающей жидкости, а также вычислительных комплексов RACKSCALE с водоподготовкой. </p> <p>Ключевыми особенностями решения являются применение технологии Direct Liquid Cooling, позволяющей точечно отводить тепло от CPU и GPU, а также блок распределения охлаждения БРО-300, равномерно подающий охлаждающую жидкость между серверными стойками. Выделяемое тепло при этом отводится из машинных залов ЦОД и передается далее на радиатор драйкулера, расположенного снаружи ЦОД, где эффективно рассеивается в атмосферу. </p> <p>Решение поставляется полностью подготовленным и протестированным инженерами YADRO, что значительно сокращает сроки ввода в эксплуатацию. За счёт дублирования всех ключевых узлов блока БРО-300 архитектура гибридного охлаждения может быть развёрнута в ЦОД уровня Tier 3 с повышенными требованиями к отказоустойчивости. В качестве типовых сценариев внедрения возможны модернизация существующих ЦОД с воздушным охлаждением, строительство новых площадок, а также повышение энергоэффективности стандартной вычислительной инфраструктуры — не только в AI-кластерах, но и в универсальных вычислительных средах.</p> <p>«Рост плотности вычислений меняет требования к проектированию ЦОД: заказчикам нужно заранее учитывать тепловую нагрузку серверов, доступность энергомощностей и стоимость эксплуатации. Интеграция вычислительного оборудования и инженерных систем в едином решении снижает риски несовместимости и ускоряет развертывание инфраструктуры. Для задач искусственного интеллекта это особенно важно: жидкостное охлаждение помогает поддерживать стабильную работу серверов при длительных циклах обучения моделей и инференса», — отметил Ратмир Трошин, директор департамента инженерных решений YADRO.</p> <p>Управление инженерным контуром реализовано на базе разработанных в России аппаратных и программных компонентов, включая контроллер системы. Программное обеспечение включено в реестр российского ПО Минцифры России и интегрировано с платформой мониторинга YADRO СУПРИМ. Это позволяет получать телеметрию, контролировать параметры работы оборудования и оперативно реагировать на изменения в инфраструктуре.</p> <p>В III квартале 2026 года YADRO планирует открыть демонстрационную зону и испытательную лабораторию для решений на базе жидкостного охлаждения. На площадке партнеры и заказчики смогут проверить работу платформы в условиях, приближенных к промышленной эксплуатации, и оценить применимость решения для высокоплотных вычислительных кластеров.</p> Технологическая компания YADRO (входит в ИКС Холдинг) объявила о раннем доступе к новому инженерному решению для … message https://www.itweek.ru/themes/detail.php?ID=235238 Fri, 24 Jul 2026 00:00:00 +0300 <p>Как мы можем определить достаточность систем охлаждения при проектировании? Посчитать требуемую холодопроизводительность, предусмотреть «запас», посчитать расстояние затухания струй при подаче холодного воздуха в рабочую зону. Это рабочие инструменты для комфортного кондиционирования, где цена ошибки сравнительно невысока, а конфигурация рабочей зоны и направление потоков достаточно предсказуемы.</p> <p>Для ЦОДов же ситуация несколько иная. В случае локального повышения температуры из-за образования застойной зоны есть риск повредить крайне дорогостоящее оборудование и «положить» всю систему. Посчитать всё «на коленке» не представляется возможным, и тут на помощь приходят они — программы моделирования.</p> <h3>Что это такое?</h3> <p>Модели Computational Fluid Dynamics (CFD) — это разновидность трёхмерного моделирования аэродинамических и теплообменных процессов. Осуществляется на базе метода конечных элементов, то есть когда заданы условия сред на каких-то начальных и конечных участках. И тут как раз кроется главный подводный камень: точность модели зависит от того, насколько корректно заданы начальные условия и описаны процессы для каждого объекта.</p> <p>#IMAGE_235240#</p> <p>Для того чтобы глубже копнуть эту тему, стоит упомянуть программные продукты, которые наиболее распространены и способны решить подобную задачу. Это Ansys, SolidWorks HVAC и DataCenter Design (ранее 6Sigma Room).</p> <p>Ansys представляет собой очень сложный расчётный продукт, который позволяет анализировать детали и конструкции, выстраивать сложные деревья проекта, учитывая не только аэродинамические или гидравлические характеристики сред, но и тепломассообменные процессы, нестационарность сред и тому подобное. Но, с другой стороны, из-за своей сложности, очень высокого порога вхождения и отсутствия собственного графического интерфейса данный софт не очень подходит для анализа помещений с достаточно нелинейными процессами и большим количеством объектов, влияющих на процесс.</p> <p>Плагин SolidWorks HVAC уже больше подходит для анализа именно систем охлаждения для помещений, но всё же имеет очень малую базу готовых элементов и требует ручной настройки и точного понимания, где задавать рабочие плоскости, какие процессы и параметры там необходимо задавать и так далее.</p> <p>И последний представитель — Data Center Design. Как видно из названия, данный продукт разрабатывался именно для анализа ЦОДов. Здесь представлен достаточно простой графический инструмент, который позволяет оперативно выстроить 3D-модель на базе CAD-чертежей. При этом он имеет интегрированные библиотеки с оборудованием для ЦОДов (пусть и несколько устаревшие). Плюс имеются определенные инструменты, специфичные именно для систем в ЦОДах.</p> <p>#IMAGE_235241#</p> <h3>Что это даёт?</h3> <p>С помощью предварительного CFD-моделирования с определенной точностью можно определить достаточность подобранной системы охлаждения, температурный режим работы каждого конкретного блока или стойки, проанализировать подвижность воздуха в тех или иных зонах, влияние препятствий на пути доставки холода и так далее. Также можно заранее посмотреть на состояние систем в рабочем и аварийных режимах, составить тепловые карты в вертикальных и горизонтальных проекциях и получить развёрнутый отчёт о «самочувствии» активного оборудования вплоть до уровня юнита.</p> <p>Конечно, нельзя утверждать, что модель на 100% достоверно показывает, какая ситуация будет в будущем ЦОДе, но она дает возможность определить потенциально проблемные места и провести корректирующие меры на ранней стадии.</p> <p>Еще одним важным фактором является уровень квалификации специалиста, который разрабатывает модель. Отнюдь не всегда получается решить задачу путем использования стандартных блоков. А в любой ситуации, когда идёт отступление от параметров, заложенных в каталожной «болванке», необходимо точно понимать, какой параметр на что влияет, что означает и как повлияет на общую картину.</p> <p>#IMAGE_235242#</p> <h3>Плюсы и минусы</h3> <p>Несомненным плюсом создания CFD-модели является возможность спрогнозировать и избежать различных недочетов в качестве, количестве и мощности систем охлаждения. При этом чем точнее и полнее исходные данные при разработке модели, тем выше ее достоверность.</p> <p>Минусом является то, что такой инструмент оставляет простор для ошибки и искажения результатов из-за неправильного задания начальных и конечных условий, взаимодействия блоков и просто неправильного понимания физики процессов.</p> <h3>Заключение</h3> <p>Назвать CFD-моделирование панацеей нельзя. Это просто дополнительный инструмент в копилку специалистов как на стороне исполнителя, так и на стороне заказчика. Как я уже говорил выше, он может быть полезен в руках опытных специалистов и дать общее представление о ситуации на будущем объекте, но не стоит возводить его в абсолют и считать какой-то непреложной истиной.</p> <p>#IMAGE_235239#</p> Как мы можем определить достаточность систем охлаждения при проектировании? Посчитать требуемую холодопроизводительность … article Кирилл Дмитриев, ведущий архитектор инженерных систем ГК “УльтимаТек” https://www.itweek.ru/themes/detail.php?ID=235225 Fri, 24 Jul 2026 00:00:00 +0300 <p><em>Он никогда и не должен был этого делать, пишет в корпоративном блоге Мануэль Гейтц, главный аналитик </em><em>Forrester</em><em>.</em></p> <p>Скорость не заменяет четкого направления.</p> <p>Из-за шумихи вокруг ИИ может сложиться впечатление, что он переписал правила корпоративной трансформации. Но это не так. Он лишь ускорил ее, подкрепил новым жаргоном и (на короткое время) убедил некоторых руководителей в том, что фундаментальные принципы больше не работают.</p> <p>Автономные агенты могут выполнять работу со скоростью машины, вынуждая CIO управлять ценностью, рисками и согласованностью действий в режиме, близком к реальному времени. Это, конечно, важно, но по сути это старая схема, на которую оказывается давление, и ничего принципиально нового в ней нет.</p> <h3>Критически важные составляющие успешной трансформации остаются прежними</h3> <p>Стратегия по-прежнему на первом месте, просто теперь плохая стратегия приводит к провалу быстрее. Измеримые результаты по-прежнему определяют доверие к компании, только теперь ожидается, что они будут достигаться быстрее. Оценка возможностей по-прежнему важна, но теперь компании включают в свой набор инструментов генеративный ИИ и сопутствующие технологии. Короче говоря, изменился язык. Но суть осталась прежней.</p> <p><strong>Семь основных шагов программы корпоративной трансформации:</strong></p> <ul> <li><strong> Шаг 1. Бизнес-стратегия.</strong> Прежде всего ИИ — это мощный инструмент, но не стратегия. Называть его стратегией — значит путать корпоративные амбиции с промышленной политикой на государственном уровне. Правительства могут стремиться к победе в сфере ИИ. Компании же должны решить, в чем их конкурентное преимущество. Это могут быть цена, скорость, опыт или что-то, что сложнее скопировать.</li> <li><strong> Шаг 2. Результаты.</strong> Любая стратегия должна иметь измеримое определение успеха. Пока желаемые результаты не определены четко, стратегия остается скорее стремлением, а не операционным инструментом. Если вы не сможете измерить стратегически значимые результаты и отчитаться о них, поддержка трансформации сойдет на нет. По мере того как с развитием ИИ растет число возможных инициатив, сценариев использования и технологических решений, четко определенные результаты обеспечивают стратегическую направленность, которая позволяет отличить реальную ценность для бизнеса от экспериментов и имитации инноваций.</li> <li><strong> Шаг 3. Ресурсы.</strong> Корпорациям по-прежнему необходимо оценить и собрать воедино ресурсы, которые помогут им реализовать выбранную стратегию и достичь поставленных целей. ИИ пополняет арсенал инструментов облачными технологиями, данными и автоматизацией. Но он не заменяет собой весь арсенал. ИИ может сократить разрыв между принятием решения и его реализацией, но это не отменяет необходимости доказывать ценность. Скорее наоборот, он поднимает планку.</li> <li><strong> Шаг 4. Операционная модель.</strong> Операционные модели переживают период переосмысления. Идея использования смешанной человеко-машинной рабочей силы звучит радикально. Это не так. Работа всегда перераспределялась с появлением новых инструментов. Разница в том, что на этот раз перераспределение носит когнитивный характер. Рутинное принятие решений автоматизируется, остальные решения становятся более ценными. Однако кто-то все равно должен нести ответственность за решения. На данный момент управление ИИ не может быть обеспечено технически, оно остается за операционной моделью.</li> <li><strong> Шаг 5. Дорожные карты.</strong> ИИ меняет скорость трансформации, а не основы. И он, конечно же, не делает возможными масштабные преобразования. Чем больше технологий, тем больше возможности выбора и взаимозависимости усложняют, а не упрощают реализацию. Поэтапные, ориентированные на конечный результат дорожные карты становятся еще более ценными как средство снижения сложности и управления рисками. Цикл ускоряется, и неудачи становятся все более частыми. Решение заключается не в ослаблении дисциплины, а в том, чтобы усилить ее.</li> <li><strong> Шаг 6. Управление изменениями и рассказывание историй.</strong> И, несмотря на все этим аспекты, остается в силе одна истина. Технологии меняются быстро. Люди движутся медленно. Организации почти не меняются. До тех пор, пока люди остаются вовлеченными (подсказка: так и будет), трансформация остается делом, ориентированным в первую очередь на людей. Необходимо менять навыки, адаптировать методы работы, согласовывать стимулы и преодолевать сопротивление. Ни одна модель, какой бы совершенной она ни была, не сделает это за вас.</li> <li><strong> Шаг 7. Управление реализацией.</strong> И наконец, неприятная правда о производительности. Системные интеграторы, с которыми мы общались, сообщают о росте производительности благодаря ИИ примерно на 20% даже в более контролируемых средах, таких как модернизация технологий. Полезно? Безусловно. Преобразующе? Нет. На данный момент ИИ не стал той панацеей, на которую надеялись те, кто отставал в цифровой трансформации.</li> </ul> <h3>Что же тогда является новым?</h3> <ul> <li><strong> Доверие. Или его отсутствие.</strong> Каждая проблема, связанная с ИИ, — это проблема с данными? Безусловно. Но не в первую очередь. Прежде всего, это проблема доверия. Согласно результатам опроса Forrester «2026 State of AI Survey», в качестве препятствий на пути внедрения ИИ респонденты чаще всего называли безопасность, риски и недоверии к автономным системам. Основная задача компаний — выстроить в рамках своих операционных моделей структуры принятия решений и подотчётности таким образом, чтобы решить проблему доверия, которая является одним из главных препятствий на пути внедрения ИИ.</li> <li><strong> Темп. И ожидания, связанные с темпом.</strong> ИИ заставляет принимать решения, воплощать их в жизнь и оценивать их эффективность в более тесной связке. Он повышает цену неопределённости и снижает терпимость к неэффективному управлению. ИИ позволит организациям выйти на беспрецедентный уровень наблюдаемости и непрерывной обратной связи при выполнении задач, а также обеспечит практически автономную ребалансировку портфеля. Вместо того чтобы упростить трансформацию, ИИ делает ее более требовательной.</li> </ul> <p>Каким бы многообещающим ни был генеративный ИИ, правила успешной трансформации остаются прежними: определитесь с направлением, сформулируйте цели, оцените свои возможности, продумайте процесс принятия решений в рамках операционной модели, внедряйте изменения постепенно и вовлекайте в процесс всю организацию.</p> <p>Успеха добьются те, кто будет делать обычные вещи на высочайшем уровне. Только быстрее и без лишних оговорок.</p> Он никогда и не должен был этого делать, пишет в корпоративном блоге Мануэль Гейтц, главный аналитик … article https://www.itweek.ru/themes/detail.php?ID=235243 Thu, 23 Jul 2026 17:45:22 +0300 <p>Компания РЕД СОФТ выпустила корректирующий релиз системы централизованного управления ИТ-инфраструктурой РЕД АДМ Промышленная редакция. Обновление 2.1.1 повышает стабильность, безопасность и удобство работы администраторов: улучшены работа «Службы каталогов» и взаимодействие с поддоменами, доработаны клиентский агент и журналирование событий.</p> <p>РЕД АДМ — российская система централизованного управления, автоматизирующая процессы администрирования ИТ-инфраструктуры. Промышленная редакция — расширенная версия продукта с продвинутыми инструментами для управления доменом и плавной миграции на отечественный стек решений.</p> <p>Обновление 2.1.1 улучшает пользовательский опыт и развивает функционал, появившийся в РЕД АДМ Промышленной редакции 2.1.</p> <p>Теперь администратор сможет явно задавать версию TLS и наборы шифров для LDAP-подключения в файле server.conf (параметры LDAP_TLS_VERSION и LDAP_TLS_SEC_LEVEL). Усилена безопасность: API смены пароля получил защиту от брутфорса, а в парольные политики добавлена дополнительная проверка параметров блокировки учётной записи при неудачных попытках входа.</p> <p>Повышена стабильность работы с доменными лесами глубиной до 4 уровней и улучшена поддержка поддоменов. РЕД АДМ позволяет строить многоуровневую иерархию доменов. Например, создать корневой домен company.ru с дочерними msk.company.ru, spb.company.ru и dev.msk.company.ru — и управлять доменами из единой точки. Это критично для крупных организаций с филиальной структурой, где каждый регион или дочернее юрлицо требует изолированного домена, но при этом нужна централизованная политика безопасности и репликация данных между уровнями.</p> <p>Добавлен статус обновления времени для источников синхронизации и появилась возможность удалить компонент управления контроллером домена (менеджер reddc) без удаления самого контроллера.</p> <p>Первоначальная настройка стала удобнее: DNS-домен поиска автоматически устанавливается при вводе сервера в домен, на шаге настройки сети появилась возможность остаться в текущем домене, а в форму подключения к существующему контроллеру добавлены поля выбора версии и уровня безопасности TLS.</p> <p>Для DNS реализованы логирование неуспешных вызовов samba-tool и поддержка имён DNS-записей, начинающиеся с дефиса.</p> <p>В API для управления ACL-правами добавлена поддержка значения both для одновременного управления явными и наследуемыми правами. Теперь администратор сможет за один вызов API назначать или отзывать и прямые, и наследуемые права доступа к файлу или директории без необходимости выполнять два отдельных запроса. Это сокращает время на массовые операции с правами, снижает риск рассогласования разрешений при автоматизации и упрощает интеграцию РЕД АДМ с внешними системами управления доступом.</p> <p>Чекбокс «Наследовать права» заменён выбором из трёх вариантов: «Только этот объект», «Объект и вложенные», «Только вложенные».</p> <p>Добавлен фильтр по количеству компьютеров, доступных и недоступных для обновления. Данный фильтр помогает оперативно оценить, сколько машин в домене готово принять обновление клиентского агента, а сколько — недоступно из-за сетевых сбоев, ошибок аутентификации или неактивности. Это избавляет от ручного перебора списка по сотням узлов и позволяет сфокусироваться на недоступных хостах, выявить паттерн отказа и применить точечные меры по устранению проблем.</p> <p>Появилась возможность вводить список дисков через запятую и пробел в файле автоустановки (раздел «Диски»), а также добавлена валидация пароля в меню PXE. Это позволит администраторам задавать сразу несколько дисков для развёртывания операционной системы в одной строке конфигурации, не дублируя блоки для каждого устройства. Валидация пароля в меню PXE гарантирует, что пароль содержит хотя бы одну латинскую букву или цифру, что блокирует сценарии, когда из-за опечатки или некорректного ввода устанавливается слабый или нечитаемый пароль.</p> <p>Исправлены ошибки в работе с контроллером домена, DNS, конфигурациями. Подробнее со всеми изменениями можно ознакомиться в справке к обновлению РЕД АДМ.</p> <p>Пользователи с действующей техподдержкой могут бесплатно обновиться до версии 2.1.1 через «Центр Загрузки».</p> Компания РЕД СОФТ выпустила корректирующий релиз системы централизованного управления ИТ-инфраструктурой РЕД АДМ Промышленная … message https://www.itweek.ru/themes/detail.php?ID=235226 Thu, 23 Jul 2026 00:00:00 +0300 <p><em>ИИ меняет юридическую практику, автоматизируя рутинные задачи. Но эффективность таких решений напрямую зависит от качества данных и обязательной проверки результатов человеком.</em></p> <p>#IMAGE_235228#</p> <p>Юристы используют ИИ не как «волшебную кнопку для ответов», а как рабочий инструмент, который ускоряет подготовку: от поиска судебной практики до создания черновиков процессуальных документов. По данным отраслевых <a href="https://pravo.ru/story/261823/">исследований</a>, 88% специалистов уже применяют ИИ в профессиональной деятельности, а 63% отмечают рост личной производительности. Чаще всего нейросети используют для первичного анализа информации (57%), генерации структуры и идей (53%), подготовки проектов заключений (48%) и работы с типовыми документами (39%).</p> <p>На практике это выглядит вполне приземленно. ИИ помогает быстрее находить релевантную судебную практику, систематизировать правовые позиции и выявлять тенденции правоприменения. Вместо нескольких часов ручного поиска юрист получает структурированную подборку материалов, на основе которой проще выстраивать правовую позицию.</p> <p>Не менее востребована работа с документами. Нейросети готовят черновики договоров, заключений и процессуальных документов, помогают анализировать большие массивы информации, находить противоречия, нетипичные условия и потенциальные риски. В задачах compliance (соблюдение норм и законодательства) ИИ способен быстро выявить аномалии и несоответствия, но окончательная юридическая оценка всегда остается за специалистом.</p> <p>Главная проблема ‒ не скорость работы модели, а качество данных. Для юридических задач недостаточно просто загрузить документы. Система должна понимать, какая редакция закона является действующей, какие нормы утратили силу, как связаны между собой нормативные акты и судебная практика. Поэтому ключевым элементом становятся качественно подготовленные и размеченные базы законодательства.</p> <p>Второй серьезный риск ­‒ галлюцинации. Языковые модели могут ссылаться на несуществующие судебные решения или некорректно интерпретировать нормы права. Такие случаи уже становились причиной дисциплинарных разбирательств в зарубежной судебной практике. Поэтому ИИ может ускорять исследование и подготовку документов, но ответственность за факты, ссылки и правовую квалификацию по-прежнему несет юрист.</p> <p>Государство уже рассматривает ИИ как часть юридической инфраструктуры. Минюст России работает над государственной системой бесплатной юридической помощи, где искусственный интеллект будет использоваться для обработки типовых обращений и навигации граждан. Однако решения, влияющие на права людей, останутся под контролем специалистов. И в консервативной юридической среде востребован будет не любой ИИ, а только тот, которому можно доверять.</p> <p>Долгосрочная задача рынка ‒ создание специализированных решений, обученных на российском законодательстве и судебной практике. Универсальные зарубежные модели не могут учитывать все особенности национального права и не несут ответственности за свои выводы. Перспективным выглядит развитие отечественных юридических ИИ-ассистентов, которые смогут стать полноценным инструментом для профессионального сообщества без увеличения правовых рисков.</p> <h2>Примеры ИИ-помощников юристов</h2> <h3>DoNotPay ‒ пример того, как не стоит внедрять ИИ в право</h3> <p>Стартап позиционировал себя как «первый робот-юрист» и обещал заменить адвокатов в ряде задач. Однако проект столкнулся с серьезной критикой профессионального сообщества, а в 2025 году Федеральная торговая комиссия США обязала компанию выплатить 193 тыс. долл. за вводящие в заблуждение заявления о возможностях системы. История стала напоминанием о том, что юридическая экспертиза пока не может быть полностью автоматизирована.</p> <h3>Harvey ‒ корпоративный ИИ для юристов</h3> <p>Это профессиональная платформа на базе генеративного ИИ, созданная при поддержке фонда OpenAI. Ее внедрили такие ведущие международные гиганты, как A&O Shearman (ранее Allen   Overy) и PwC. Система используется для обработки огромных массивов корпоративных контрактов, подготовки черновиков документов и проведения юридического анализа.</p> <h3>ИИ-помощник «КонсультантПлюс»</h3> <p>Сервис на базе LLM и технологии RAG работает с многомиллионной правовой базой и отвечает на юридические и налоговые вопросы со ссылками на первоисточники. Дополнительно система анализирует договоры и выявляет потенциальные правовые риски.</p> <p>#IMAGE_235227#</p> ИИ меняет юридическую практику, автоматизируя рутинные задачи. Но эффективность таких решений напрямую зависит … article Сабина Спирина, генеральный директор ООО “Лаборатория Наносемантика” https://www.itweek.ru/themes/detail.php?ID=235223 Thu, 23 Jul 2026 00:00:00 +0300 <p><em>В инженерии никогда не было столько вычислительной мощности. Однако трансформация в этой сфере никогда не была такой сложной, пишет на портале </em><em>HPCwire</em> <em>доктор Вольфганг Генцш, исполнительный директор независимого некоммерческого фонда SimOps.</em></p> <p>На протяжении последних сорока лет инженерные организации неизменно реагировали на растущую сложность, инвестируя в более совершенные технологии. Более быстрые процессоры. Более крупные системы высокопроизводительных вычислений (HPC). Облачные вычисления. Искусственный интеллект. Цифровые двойники. Платформы инжиниринговых данных. Агентный ИИ. А теперь еще и квантовые вычисления.</p> <p>Каждое новое поколение технологий расширяет возможности инженеров. Современные инженерные команды обладают вычислительными возможностями, о которых предыдущие поколения не могли и мечтать.</p> <p>Однако возник удивительный парадокс. Несмотря на стремительное развитие технологий, многие организации по-прежнему испытывают трудности с внедрением технологических достижений в повседневную инженерную практику.</p> <p>Следующее узкое место связано не столько с технологиями, сколько с организационными аспектами. И это может стать главной инженерной проблемой в эру ИИ.</p> <p>#IMAGE_235224#</p> <h3>Великая конвергенция</h3> <p>Пожалуй, самое значительное событие на сегодняшний день — это не очередная прорывная технология. Это конвергенция множества технологий. HPC стали общей основой, на них строятся все более зависимые друг от друга ИИ, инженерное моделирование, цифровая инженерия, облачные вычисления, платформы инжиниринговых данных, цифровые двойники и, в перспективе, квантовые вычисления.</p> <p>Каждая из этих технологий сама по себе является революционной. Вместе они меняют саму инженерную деятельность. Для руководителей инженерных подразделений эта конвергенция открывает беспрецедентные возможности, но в то же время создает беспрецедентную сложность.</p> <p>Теперь задача состоит не в том, чтобы решить, какую технологию внедрить. А в том, чтобы научиться интегрировать непрерывный поток новых технологий в работу инженерных организаций, сохраняя при этом производительность, сотрудничество, качество и инновационность.</p> <p>Это уже не просто техническая проблема. Это проблема лидерства.</p> <h3>За пределами технологического лидерства</h3> <p>На протяжении многих лет конкурентное преимущество было тесно связано с технологическим лидерством. Организации выделялись на фоне конкурентов за счет приобретения более быстрых компьютеров, развертывания более крупных кластеров, совершенствования инженерного ПО или расширения инфраструктуры.</p> <p>Эти инвестиции по-прежнему важны. Но все чаще они становятся скорее необходимым условием, а не конкурентным преимуществом.</p> <p>Ведущими инженерными организациями завтрашнего дня станут не обязательно те, кто обладает самыми передовыми технологиями. Это будут те, кто способен непрерывно трансформировать инженерную деятельность по мере развития технологий. Это тонкое, но очень важное различие.</p> <p>Технологии создают возможности. Организационный потенциал превращает эти возможности в повседневную инженерную практику. От этого зависит, останется ли инновация единичным успехом или станет частью ДНК организации.</p> <h3>Трансформация инженерной деятельности — это уже не только инженерная проблема</h3> <p>Исторически сложилось так, что модернизацией инженерной деятельности в основном занимались инженеры, специалисты по моделированию, администраторы HPC-систем и ИТ-отделы.</p> <p>Сегодня такого подхода уже недостаточно. ИИ меняет подход к развитию кадрового потенциала. Инженерные данные все больше влияют на корпоративную стратегию. Цифровая инженерия меняет организационные структуры. Облачные вычисления трансформируют операционные модели. Квантовые вычисления в перспективе повлияют на долгосрочные планы внедрения инноваций.</p> <p>Эти процессы выходят далеко за рамки инженерных отделов. Им все чаще требуется исполнительное руководство. Директора по технологиям. Директора по инжинирингу. Лидеры в области трансформации бизнеса. Директора по кадрам. Советы директоров.</p> <p>Инженерная трансформация становится организационной возможностью, которую необходимо целенаправленно развивать, а не считать само собой разумеющимся следствием внедрения более совершенных технологий.</p> <h3>Новый императив для руководителей</h3> <p>Это свидетельствует о важном сдвиге в развитии инженерного лидерства как такового. На протяжении десятилетий руководители инженерных подразделений были сосредоточены в первую очередь на оптимизации технологий.</p> <p>Руководители завтрашнего дня будут уделять все больше внимания развитию человеческого потенциала. Созданию организаций, способных к непрерывному обучению. Помощи междисциплинарным командам в эффективном взаимодействии. Подготовке инженерных кадров для работы с технологиями, которых не существовало всего несколько лет назад. Формированию культуры, поощряющей инновации при сохранении операционного совершенства.</p> <p>Инженерная организация сама по себе становится стратегическим активом. Это требует нового стиля руководства.</p> <h3>Новое поколение трансформации инженерии</h3> <p>Первое поколение инициатив по инженерной трансформации было сосредоточено в первую очередь на операционном совершенстве. Автоматизация рабочих процессов. Оптимизация инфраструктуры. Лучшие операционные практики. Обучение. Сертификация.</p> <p>Эти усилия привели к значительным улучшениям и по-прежнему актуальны. Но они решают лишь часть проблемы. Меняется сама инженерная деятельность.</p> <p>Поэтому следующее поколение инженеров должно стремиться не только к операционному совершенству, но и к развитию организационных возможностей. Это включает исполнительное руководство. Непрерывное повышение квалификации сотрудников. Обучение руководящего состава. Межфункциональное взаимодействие. Обмен знаниями. Профессиональные сообщества. Инженерные возможности становятся приоритетом.</p> <h3>Новый подход к лучшим практикам</h3> <p>Будущие лучшие практики, скорее всего, будут выходить далеко за рамки технической эксплуатации. Инженерные организации все чаще будут задаваться такими вопросами, как:</p> <ul> <li> Как топ-менеджмент должен руководить внедрением ИИ?</li> <li> Как организации готовят инженеров к постоянным технологическим изменениям?</li> <li> Как инженерная культура может способствовать инновациям без ущерба для операционного совершенства?</li> <li> Как руководству сбалансировать инвестиции в технологии и развитие персонала?</li> <li> Как отраслевые сообщества могут ускорить ответственное внедрение новых технологий?</li> </ul> <p>На эти вопросы нельзя ответить с помощью одного лишь ПО. Или инфраструктуры. Для этого нужно лидерство.</p> <h3>Технологии открывают новые возможности. Люди обеспечивают трансформацию</h3> <p>Пожалуй, самый важный урок, который мы извлекли за последнее десятилетие, на удивление прост. Технологии сами по себе не трансформируют организации. Это делают люди.</p> <p>Технологии создают возможности. Люди создают инновации. Сообщества способствуют длительным преобразованиям.</p> <p>Возможно, следующая великая инженерная революция не будет определяться еще одной прорывной технологией. Ее будут определять организации, которые постоянно заново изобретают себя по мере развития технологий. Операционное совершенство по-прежнему будет иметь важное значение. Это основа.</p> <h3>Реальная цель — это инженерный потенциал</h3> <p>По мере того, как будет происходить конвергенция ИИ, цифровой инженерии, высокопроизводительных вычислений, облачных вычислений и квантовых технологий, конкурентные преимущества все чаще будут принадлежать не организациям, обладающим самыми передовыми технологиями, а тем, кто способен внедрять эти технологии в повседневную инженерную практику.</p> <p>Это вполне может стать определяющей инженерной задачей следующего десятилетия.</p> В инженерии никогда не было столько вычислительной мощности. Однако трансформация в этой сфере никогда … article https://www.itweek.ru/themes/detail.php?ID=235232 Wed, 22 Jul 2026 13:45:47 +0300 <p>В рамках анализа развития телеком-индустрии Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ на предварительных данных по итогам 2025 года рассмотрел особенности потребления услуг мобильной и фиксированной связи физическими и юридическими лицами, а также впервые изучил сегмент межмашинного взаимодействия (M2M).</p> <p>Основным потребителем телеком-услуг является население. По данным Минцифры России, в 2025 г. физические лица обеспечили операторам 72,8% доходов от мобильной и фиксированной связи (из общего объема около 1,6 трлн руб.). В сегменте мобильной связи их доля достигает 78,6%, а в доходах от пакетов услуг, включенных в конвергентные тарифы, — 92,2%. В то же время в сегментах фиксированного интернета и телефонной связи заметно выше роль корпоративного сектора, на который приходится 40,4 и 72,1% доходов соответственно.</p> <p>Из 363,6 млн зарегистрированных на конец 2025 г. мобильных устройств физическим лицам принадлежит 63,4%. В структуре активных SIM-карт (273,3 млн ед.) их доля возрастает до 74,4%, а среди 231,8 млн абонентов мобильной связи — до 86,7%. В корпоративном секторе наблюдается другая картина: по мере перехода от учета всех устройств к учету только активных SIM-карт и затем абонентов доля юрлиц снижается с 36,6 до 25,6 и 13,3% соответственно. Это связано, в частности, с тем, что более половины активных SIM-карт, зарегистрированных на организации, используются для межмашинного взаимодействия и не учитываются среди абонентов мобильной связи.</p> <p>На конец 2025 г. к интернету были подключены 171,8 млн абонентов мобильной связи и 38 млн абонентов фиксированного доступа. В сегменте мобильного интернета превалируют физические лица: составляют 92,7% всех абонентов и генерируют 93,6% трафика (из общего объема 46,1 Эб). В среднем на одного абонента мобильного интернета по итогам года пришлось 288 Гб трафика, в том числе 291 Гб у физических лиц и 251 Гб у юридических.</p> <p>Несмотря на близкие средние объемы потребления, структура использования мобильного интернета у физических и юридических лиц заметно различается. Так, доля абонентов, расходующих более 50 Гб трафика в месяц, среди населения почти вдвое выше, чем среди организаций (13,8 против 8,7%). В то же время среди юрлиц почти каждый третий абонент (32,8%) обходится менее чем 1 Гб трафика в месяц. В диапазоне от 5 до 30 Гб в месяц различия между группами минимальны.</p> <p>В сегменте фиксированного интернета преобладают частные абоненты (94,3%), которые генерируют 72,3% трафика (из общего объема 168,5 Эбайт). При этом более четверти трафика обеспечивает сравнительно небольшая группа корпоративных клиентов. В среднем на одного абонента фиксированного интернета за год пришлось 4757 Гб трафика: у физических лиц — 3647 Гб, у юридических — 23221 Гб (в 6,4 раза больше).</p> <p>Распределение абонентов фиксированного интернета по скорости доступа существенно различается у физических и юридических лиц. Среди организаций преобладают подключения в диапазоне от 10 до 100 Мбит/с (57,6%); еще 22,4% юрлиц используют подключения со скоростью ниже 10 Мбит/с, высокоскоростные (100 Мбит/с и выше) характерны лишь для 20% пользователей этой категории. Среди частных абонентов доля высокоскоростных подключений превышает три четверти (76,8%).</p> <p>Возникает парадокс: несмотря на преобладание относительно низкоскоростных подключений, на одного корпоративного абонента приходится кратно больший, чем у населения, объем трафика фиксированного интернета. Это можно объяснить тем, что корпоративный трафик в значительной степени формируется за счет постоянного обмена данными между серверами, облачными хранилищами и дата-центрами.</p> <p>По данным крупных и средних операторов связи, на конец 2025 г. 41 млн ед. активных SIM-карт (15% их общего числа) обеспечивают межмашинное взаимодействие. При этом почти все M2M SIM-карты (94,8%) оформлены на юридических лиц. Если рассматривать только SIM-карты, принадлежащие компаниям, то более половины из них (55,9%) используются в M2M-устройствах.</p> <p>M2M-сегмент занимает нишевое положение по объему трафика и доходов от мобильной связи: на его долю приходится лишь 1,6% мобильного интернет-трафика и 1,8% доходов операторов от мобильной связи. Вместе с тем он играет важную роль для бизнеса как технологическая основа для предоставления многих сервисов. Основная часть соответствующего трафика и доходов также формируется в корпоративном секторе: доля M2M в мобильном интернет-трафике юридических лиц достигает 18,1%, а доля M2M-сервисов в доходах от мобильной связи — 6,8%, тогда как у физических лиц соответствующие показатели не превышают 0,5% и 0,4%.</p> <p>Каждая вторая M2M SIM-карта зарегистрирована в Москве и Московской области (38,6%) или в Санкт-Петербурге и Ленинградской области (11,7%) — крупнейших агломерациях с плотным покрытием сетями мобильной связи, развитой экосистемой Интернета вещей и высокой концентрацией подключенных устройств: от камер видеонаблюдения и терминалов оплаты до автомобилей каршеринга. Среди остальных регионов по числу M2M SIM-карт выделяются Нижегородская (6,1%) и Свердловская (4,4%) области, Республика Татарстан (3,6%) и Краснодарский край (3,2%); на все прочие субъекты РФ приходится менее трети таких SIM-карт (32,4%). При этом по уровню проникновения M2M-связи в число лидеров (доля M2M SIM-карт среди всех активных SIM-карт превышает 25%) наряду с двумя столичными агломерациями входят и промышленно развитые регионы, прежде всего Нижегородская область и Хабаровский край.</p> <p>Предварительные данные о развитии телеком-индустрии по итогам 2025 года подтверждают устойчивую дифференциацию российского рынка связи. Население остается главным пользователем и источником доходов в сегменте мобильной связи. Бизнес выступает ключевым потребителем услуг фиксированной связи (интернет, телефония) и основным пользователем М2М-решений. Для потребительского сегмента важны мобильность и скорость, для корпоративного — стабильность, объем и надежность каналов передачи данных. Эта асимметрия задает разные требования населения и бизнеса к услугам связи и телекоммуникационной инфраструктуре и может служить ориентиром при разработке мер политики, направленных на развитие отрасли, и тарифных стратегий операторов связи.</p> В рамках анализа развития телеком-индустрии Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ … message https://www.itweek.ru/themes/detail.php?ID=235231 Wed, 22 Jul 2026 13:42:15 +0300 <p>Для четверти российских компаний основными препятствиями при внедрении отечественного ПО для управления динамической ИТ-инфраструктурой (ПО УДИ) остаются риски остановки бизнес-процессов и сложности интеграции с существующими системами. Среди других барьеров участники исследования отмечают дефицит кадров, высокую стоимость миграции и недостаточную прозрачность решений. Такие результаты получены по итогам исследования «Российский рынок инфраструктурного ПО глазами IT-директоров», проведенного Ассоциацией менеджеров.</p> <p>В исследовании приняли участие 158 руководителей ИТ-направлений компаний из финансового сектора, ритейла, промышленности, нефтегазовой отрасли, транспорта, логистики и других сегментов экономики. В ходе опроса аналитики изучили текущий уровень развития ИТ-инфраструктуры в российском бизнесе, определили основные задачи и ограничения при внедрении ПО УДИ, а также оценили восприятие ведущих отечественных вендоров.</p> <p>Согласно результатам опроса, 26% компаний считают основными барьерами при внедрении ПО УДИ риск остановки бизнес-процессов и отсутствие интеграции со смежными решениями. Еще 22,3% респондентов указали на дефицит специалистов, необходимых для внедрения и сопровождения таких систем, 19,9% — на высокую стоимость миграции, а 6,3% — на непрозрачность предлагаемых отечественных решений.</p> <p>При выборе долгосрочного технологического партнера ИТ-директора в первую очередь ориентируются на качество и доступность технической поддержки (20,6%), надежность и отказоустойчивость решений (19,5%), возможность простой интеграции с существующей инфраструктурой (18,4%). Также среди значимых факторов — уникальность разработок (14,6%), прозрачность условий сотрудничества (13,8%) и понимание специфики бизнеса заказчика (13%).</p> <p>В рамках исследования участники также оценили ведущих российских разработчиков ПО УДИ. По совокупности оценок наиболее высокие результаты получил «Базис»: как минимум одну положительную характеристику компании присвоили 85,7% опрошенных руководителей. В рамках оценки восприятия рынка вендора чаще других участников связывали с активностью в ИТ-сообществе и медиапространстве (31,1%), а также с развитием отечественных решений (30,2%). Среди других отмеченных характеристик — широкий ассортимент цифровых продуктов (24,8%) и опыт взаимодействия с крупными компаниями (24,4%). </p> <p>«Киберпротект» респонденты чаще отмечали в связи с развитием отечественных решений (21,2%) и активностью в профессиональном ИТ-сообществе (19,8%). «Флант» получил оценки по таким критериям, как опыт работы с крупным бизнесом (21,5%) и широта продуктового портфеля (21,1%). «Росплатформа» чаще ассоциировалась с ассортиментом цифровых решений (22%) и опытом взаимодействия с крупными заказчиками (21,8%). «Орион Софт» продемонстрировал сопоставимые оценки по ключевым направлениям, включая развитие отечественных технологий (18,4%) и присутствие в профессиональном ИТ-сообществе (19,1%).</p> <p>По данным проведенного исследования, наиболее востребованными классами ПО УДИ являются решения для защиты и хранения данных (24,1%), платформы виртуализации рабочих мест (22,3%), программно-определяемые хранилища и сети (21,6%), платформы управления виртуальными ЦОД, серверами и контейнерами (20,6%), а также решения для автоматизации разработки и тестирования ПО (11,3%). При этом подавляющее большинство участников исследования (53,3%) оценивают текущий уровень управления ИТ-инфраструктурой как «развивающийся».</p> <p>Обеспечение кибербезопасности и интеграция разрозненных систем от разных вендоров являются основными задачами ПО управления динамической ИТ-инфраструктурой для четверти российских компаний (по 26%). Еще 17% участников опроса возлагают на ПО УДИ автоматизацию рутинных операций, 13% — управление мультиоблачной структурой, 12% — создание инфраструктуры для внедрения ИИ-решений, и 5% — управление виртуальными рабочими местами и приложениями. </p> <p>Инвестиционная активность бизнеса остается умеренно позитивной. Более половины компаний сообщили об увеличении бюджетов на закупку инфраструктурного ПО в 2026 году. При этом 31,8% респондентов отметили рост ИТ-бюджетов в пределах 20% по сравнению с предыдущим годом, а еще 20,6% сообщили об увеличении финансирования более чем на 20%.</p> <p>«Проведенное исследование показало, что рынок становится более требовательным к качеству внедрения сложного ПО УДИ. Главные риски связаны не с самим фактом перехода на отечественный стек, а с тем, насколько безболезненно он будет встроен в существующую инфраструктуру. Именно поэтому в центре внимания ИТ-директоров оказываются интеграция, сервис, техподдержка и надежность, то есть характеристики, которые присущи зрелым поставщикам. С инвестиционной точки зрения исследование фиксирует умеренно позитивную динамику. Компании сохраняют осторожность, но не останавливают вложения. Что касается вендоров, то рынок в большей степени отдает предпочтение тем разработчикам, которые способны закрывать инфраструктурные задачи последовательно, в нескольких продуктовых слоях и в логике долгосрочного партнерства», — отметил исполнительный директор Ассоциации менеджеров Вячеслав Евсеев.</p> Для четверти российских компаний основными препятствиями при внедрении отечественного ПО для управления динамической … message https://www.itweek.ru/themes/detail.php?ID=235230 Wed, 22 Jul 2026 13:39:59 +0300 <p>«СиСофт Девелопмент» представила новую версию MS Навигатор (разработчик АО «СИСОФТ РАЗРАБОТКА») — программного продукта для визуализации, анализа и коллективной работы с информационными моделями. Очередное обновление продолжает развитие продукта как инструмента поддержки инженерных решений на всех этапах жизненного цикла объекта: от проектирования и экспертизы до строительства и эксплуатации.</p> <p>По мере развития технологий информационного моделирования меняется и роль инструментов визуализации. Если раньше трехмерная модель использовалась прежде всего для просмотра проекта, то сегодня она становится рабочей средой, в которой проверяются инженерные решения, анализируются риски, моделируются сценарии эксплуатации и организуется взаимодействие участников проекта. В этой среде MS Навигатор выступает мультиформатным агрегатором инженерных моделей, объединяя данные из различных источников в едином цифровом пространстве. Именно поэтому развитие MS Навигатор сосредоточено не на расширении отдельных функций, а на создании полноценной среды анализа цифровых моделей. Каждая новая версия программного продукта усиливает возможности коллективной работы, повышает качество проверки проектных решений и делает информационную модель более полезной для инженеров, руководителей проектов и заказчиков.</p> <p>Новая версия MS Навигатор выводит работу с цифровыми двойниками на принципиально новый уровень, предлагая пользователям сразу несколько ключевых направлений работы с цифровой моделью.</p> <p>Одним из главных нововведений стала базовая поддержка виртуальной реальности (VR). Теперь пользователи могут перемещаться внутри модели, оценивать эргономику пространств, обзорность, удобство эксплуатации и безопасность объекта еще до начала строительства. Такой подход особенно востребован при проектировании сложных промышленных предприятий, общественных зданий и логистических комплексов.</p> <p>«VR — это действительно новый этап развития продукта. Теперь, даже если объект находится за тысячи километров, можно погрузиться в цифровую модель и оказаться внутри будущего здания. Такой формат полезен и проектировщику, и руководителю, и заказчику — каждому, кто хочет увидеть результат еще до начала строительства», — отметил Павел Лылов, руководитель отдела разработки трехмерной визуализации АО «СИСОФТ РАЗРАБОТКА».</p> <p>Существенно расширены средства инженерного анализа. Обновленный Менеджер коллизий получил новые инструменты гибкой фильтрации, множественного выделения и сохранения результатов проверки. Это позволяет быстрее выявлять конфликтующие элементы и организовывать коллективную работу по устранению замечаний.</p> <p>Развитие получили средства моделирования поведения людей внутри объекта. Теперь пользователи могут одновременно моделировать движение нескольких персонажей с учетом взаимных столкновений, что помогает оценивать эвакуационные сценарии, транспортные потоки и организацию внутренних логистических процессов.</p> <p>Большое внимание уделено совместной сетевой работе и интеграционным возможностям. В сетевом режиме реализована синхронизация состояний сцены в реальном времени, расширен функционал обмена данными, поддержки IFC, облаков точек и публикации проектов. Также в новой версии добавлен экспорт сечений в DXF с группировкой кривых, поддержка текстур и свойств сущностей в DWG, учет пользовательской покраски моделей при импорте IFC, поддержка локальных систем координат для IfcSite, а также прямой экспорт проектов на Яндекс.Диск (в формате mlpzip). Все это упрощает взаимодействие специалистов различных подразделений и обеспечивает более надежную передачу информации между участниками проекта.</p> <p>Таким образом, новая версия продолжает последовательное развитие MS Навигатор как одного из ключевых инструментов отечественной ТИМ-экосистемы. Новые возможности виртуальной реальности, коллективной работы, инженерного анализа и интеграции данных позволяют использовать информационную модель не только для визуализации проекта, но и как основу для принятия решений на всех этапах жизненного цикла объекта.</p> <p>Обновленная версия MS Навигатор уже доступна у авторизованных партнеров «СиСофт Девелопмент». Для пользователей с действующей подпиской переход на новую версию осуществляется бесплатно. Получить подробную информацию о новых функциях и оформить запрос на обновление можно на официальном сайте компании или у поставщиков ПО.</p> «СиСофт Девелопмент» представила новую версию MS Навигатор (разработчик АО «СИСОФТ РАЗРАБОТКА») — программного … message https://www.itweek.ru/themes/detail.php?ID=235229 Wed, 22 Jul 2026 13:38:09 +0300 <p>Российская компания targetai, разрабатывающая решения для автоматизации клиентского сервиса на базе генеративного искусственного интеллекта, представила новый продукт на своей платформе — targetnova, который меняет логику запуска ИИ-агентов в контактном центре и включает в себя механизм непрерывного обучения ИИ на реальных действиях операторов. Продукт предназначен для клиентоориентированных компаний, которые хотят начать автоматизацию контактного центра без потери контроля над качеством и без риска критических ошибок в нестандартных сценариях.</p> <p> «Любой, кто внедрял ИИ-агента в контактный центр, знает: красивое демо и реальный запуск разделяют минимум пару месяцев напряжённой работы, — рассказал Андрей Зименков, генеральный директор targetai, — Нужно подключиться к внутренним API, получить доступ к базам данных, согласовать это с ИТ-командой заказчика, настроить интеграции с CRM, ERP и тикет-системами. Потом — обучить агента на базе знаний и регламентах, написать сценарии, протестировать их в лабораторных условиях и убедиться, что агент не сломается на первом нестандартном звонке. И всё равно оказывается, что агент, обученный на документах, не видел ни одного реального кейса — и на живых клиентах начинает удивлять. С помощью targetnova вместо месяцев интеграций и разметки данных можно за 1 неделю запустить полноценного рабочего агента на линии. Продукт не подключается к API и не читает регламенты. Он смотрит на экран — буквально так же, как смотрит оператор — и учится на том, что видит».</p> <p>Продукт targetnova поставляется в виде расширения для браузеров на базе Chromium — Chrome, Яндекс.Браузер, Opera, Arc и подобных — а также в виде средств автоматизации десктопных приложений. Для интерпретации любого интерфейса targetnova использует компьютерное зрение и анализ структуры страницы: агент видит экран так же, как его видит оператор, и инжектирует рекомендации следующего действия прямо в привычное рабочее место — без отдельных окон, переключений и обучения новому инструменту. Накопленные трейсы действий операторов используются для контролируемого дообучение на размеченных примерах (Supervised Fine Tuning): модель непрерывно дообучается на реальных траекториях, автоматически улучшая логику агента без участия разработчиков.</p> <p>Ключевая идея targetnova — управляемый рост автономности. Агент не выпускается на клиентов сразу и целиком. Сначала он работает в режиме суфлёра: подсказывает оператору следующий шаг, тот подтверждает или корректирует — и тем самым дообучает модель прямо в ходе рабочей смены. Накопленные и проверенные сценарии переводятся в автопилот. Сложные и нестандартные кейсы остаются у человека. Автоматизация расширяется только туда, где качество уже доказано на реальных данных, а не в лабораторных условиях. Это один из первых продуктов на российском рынке, где экспертиза лучших операторов не уходит вместе с ними при увольнении, а превращается в стандарт работы всей команды.</p> <p>Результат такого внедрения: снижение нагрузки на операторов на <nobr>40–60%,</nobr> прирост автоматизации на 20% по мере накопления проверенных сценариев, сокращение числа повторных обращений и эскалаций. И главное — контактный центр, который становится умнее с каждой отработанной сменой, без дополнительных вложений в разработку.</p> <p>«Главный барьер для масштабирования ИИ-агентов в клиентском сервисе — не технология, а доверие. Бизнес останавливает автоматизацию там, где боится потерять контроль над качеством. targetnova меняет логику: агент учится у лучших операторов на реальных кейсах и получает автономность только там, где уже доказал её на практике. Это и есть безопасная агентизация», — рассказал Андрей Зименков, генеральный директор targetai.</p> <p>targetnova стал четвёртым продуктом в линейке targetai наряду с омниканальной <nobr>CX-платформой</nobr> targetspace, LXP-платформой корпоративного обучения targetskill и подпиской на внедрение ИИ-сервисов targetcare. </p> Российская компания targetai, разрабатывающая решения для автоматизации клиентского сервиса на базе генеративного … message https://www.itweek.ru/themes/detail.php?ID=235222 Wed, 22 Jul 2026 00:00:00 +0300 <p><em>Агентный искусственный интеллект развивается стремительно. Предприятия переходят от экспериментов к реальному внедрению — используя агентов ИИ для действий, а не просто для ответов. Это должно поставить интеграцию на первое место. В конце концов, агент ИИ без интеграции — это всего лишь механизм ответов, он не может предпринимать действия. Тем не менее, многие организации повторяют знакомую ошибку: создают возможности ИИ изолированно, в отрыве от команд, которые уже управляют интеграцией, пишет в корпоративном блоге Дэвид Мутер, главный аналитик </em><em>Forrester</em><em>.</em></p> <p>Команды беспокоят архитектурная неопределенность, развивающиеся стандарты и ​​неясные модели безопасности. В то же время фрагментированные эксперименты создают разрозненность и технический долг.</p> <p>Эти проблемы не новы. Они отражают ранние этапы развития сферы API.</p> <p>В чем разница? Темпы внедрения ИИ намного выше, а последствия слабого управления интеграцией проявляются быстрее. Таковы выводы из недавнего отчета Forrester «Govern MCP By Extending API Governance To AI Agents».</p> <h3>Ключ к связыванию агентов: команда интеграции API</h3> <p>Многие организации уже имеют проверенную систему управления интеграцией: свою команду интеграции API. Эта команда понимает, как управлять распределенными системами в масштабе. Она имеет опыт работы с:</p> <ul> <li> безопасностью и контролем доступа;</li> <li> версионированием и управлением жизненным циклом (вы же понимаете, что серверам MCP и карточкам агентов необходимо версионирование и управление жизненным циклом, верно?);</li> <li> наблюдаемостью и операционной отказоустойчивостью в распределенных системах;</li> <li> каталогами для публикации многократно используемых интеграционных ресурсов и подключений клиентов, аналогично тому, как это следует делать с LLM, серверами MCP и карточками агентов.</li> </ul> <p>Тем не менее, на многих предприятиях ИИ-инициативы осуществляются изолированно, без достаточной согласованности с этой командой.</p> <p>Это ошибка.</p> <p>Наивно рассматривать системы агентного ИИ только как модели и озера данных. Это приложения, состоящие из сервисов, API и рабочих процессов. Данные Forrester показывают, что организации с высокой готовностью к внедрению агентного ИИ на следующие 12 месяцев отдают приоритет интеграции и управлению изменениями, в то время как организации с низкой готовностью отдают приоритет возможностям моделей.</p> <p>Агентный ИИ меняет многое. Традиционно, в случае с ИИ/машинным обучением, основная проблема заключалась в том, чтобы собрать все данные в озере данных, где они могли бы обучать модель. Но с агентным ИИ вы покупаете модели. Теперь основная проблема заключается в соединении этих моделей с контекстом реального времени. Это делает акцент на данных в движении и подключенности, а не данных в состоянии покоя. Таким образом, фокус смещается с озер данных на интеграцию и, в частности, на управление API.</p> <h3>Рассматривайте агентный ИИ как часть вашей стратегии интеграции</h3> <p>Вы должны встроить ИИ в вашу существующую стратегию интеграции с самого первого дня. Рассматривайте взаимодействие агентов как управляемые интеграции, подчиняющиеся тем же требованиям к надежности, безопасности и управлению жизненным циклом. С точки зрения управления, это означает расширение проверенных практик API, а не начало с нуля. Политики безопасности, подходы к версионированию, шаблоны наблюдаемости и каталоги для обнаружения и подключения уже существуют. Поставщики решений для управления API быстро расширяют эти возможности от REST до прокси LLM и MCP. Применение их к агентам ИИ обеспечивает согласованность между цифровыми каналами и снижает вероятность неожиданностей по мере масштабирования внедрения.</p> Агентный искусственный интеллект развивается стремительно. Предприятия переходят от экспериментов к реальному … article https://www.itweek.ru/themes/detail.php?ID=235220 Wed, 22 Jul 2026 00:00:00 +0300 <p>Регламенты, политики, положения — каждая компания может иметь десятки документов, которые, по задумке, описывают процессы и принципы их реализации. На деле же огромная доля этой документации была забыта в момент своего согласования генеральным директором, а сотрудники каждый год продолжают ставить подпись, что со всем ознакомились.</p> <p>Кибербезопасность не исключение. Компания может «по-взрослому» скопировать политики информационной безопасности с сайта конкурентов и разместить их у себя. Разница в инфраструктуре, размере, численности персонала и других критериях, вероятно, никого не смутит.</p> <p>В современных условиях с атаками на всех и вся в любой момент времени такой подход становится не просто незрелым, а опасным. И аудит ИБ становится инструментом, который позволяет встать на правильный путь. Как новые документы помогут сделать рабочими старые — разберем в сегодняшней статье.</p> <h3>Что такое аудит информационной безопасности?</h3> <p>Для начала нужно определить, о каком процессе мы сегодня будем говорить, ведь «аудитом ИБ» на рынке часто называют две разные услуги. Первая — классический аудит, когда уполномоченная организация проверяет соответствие компании конкретным пунктам требований регуляторов и стандартов, а сам заказчик должен предоставить доказательства соответствия. Например, аудит на соответствие ГОСТ 57580 (требования к информационной безопасности в финансовой отрасли) или ISO 27001 (международный стандарт, устанавливающий требования к построению и развитию системы управления информационной безопасностью).</p> <p>Второй вариант — обследование инфраструктуры, которое включает анализ всех основных процессов в ИБ, оценку систем управления информационной безопасности, составление дорожной карты по совершенствованию применяемых в компании практик. Часто обследование инфраструктуры предшествует проверке на соответствия требованиям законодательства — бизнес сначала узнает, что нужно «подтянуть», а потом успешно проходит проверку. Именно об этом варианте ИБ-аудита мы будем говорить дальше.</p> <h3>«Бумажная безопасность» — кто чаще сталкивается?</h3> <p>Очевидно, что не для всех компаний проблема несоответствия принятых политик и регламентов по кибербезопасности является одинаково актуальной. К компаниям разного размера, разного уровня критичности, разных отраслей применяются разные требования.</p> <p>К примеру, крупный банк должен соответствовать и требованиям ЦБ, как основного регулятора в финансовой отрасли, и требованиям законодательства о КИИ, так как является субъектом КИИ, и требованиям законодательства по защите персональных данных, но под него, справедливости ради, попадает почти весь бизнес.</p> <p>Регуляторы требуют от такого банка, и подобных ему организаций, не просто соответствия, а постоянно подтверждения этого соответствия: наиболее критичные системы — раз в год, общие проверки — раз в два года. Это «держит в тонусе» компании и не позволяет лишь формально внедрять политики информационной безопасности и другую документацию.</p> <p>С другой стороны, есть текстильное производство среднего размера. Оно не попадает под действие законодательства о КИИ, косвенно должно выполнять требования, применяемые к ГИС, если работает с ними, конечно, обеспечивает защиту персональных данных — даже если его клиентами являются юридические лица, предприятие должно обеспечивать сохранность, например, данных своих сотрудников.</p> <p>Здесь возникает почва, когда без должного понимания важности кибербезопасности и инвестиций в нее в компании может сформироваться формальное отношение к ИБ и могут возникнуть те самые регламенты, стандарты и политики, которые просто существуют.</p> <p>Поэтому в основном проблеме «бумажной безопасности» в 2026 году подвержены те предприятия, где уровень зрелости ИБ еще невысокий, а требования регуляторов не мотивируют бизнес развивать кибербезопасность</p> <h3>Почему нужен ИБ-аудит?</h3> <p>Сегодня все больше компаний начинают осознанно подходить к информационной безопасности. На это влияют множество факторов, главные из которых — цифровизация, рост числа кибератак и давление регуляторов.</p> <p>Отправной точкой осознанного строительства системы информационной безопасности становится именно аудит. Сам по себе он не решает все проблемы, его задача — сделать эти проблемы видимыми и понятными, а затем предложить пути их решения и развития системы информационной безопасности.</p> <p>Что же позволяет узнать аудит ИБ? Во-первых, текущий уровень информационной безопасности: как средства защиты информации внедрены, как они работают, какие политики используются, насколько они отражают реальную ситуацию и так далее. Это фундамент для дальнейших шагов.</p> <p>Во-вторых, оценка рисков. Важно не только понимать, что сейчас имеется, включая проблемы, но и осознавать критичность этих проблемы и вероятные сценарии их эксплуатации. Это позволяет приоритезировать дальнейшие проекты.</p> <p>В-третьих, дальнейшие планы по развитию системы информационной безопасности. Когда есть представление об активах, проблемах, их критичности можно сформировать план проектов по совершенствованию имеющихся процессов и системы информационной безопасности. Кому-то может понадобиться внедрение целого стека СЗИ и переработка политик, так как они не отражают реальность. Для другой компании основной задачей будет обновление правил мониторинга. Но в обоих случаях работы стартуют с аудита.</p> <h3>Почему важна регулярность?</h3> <p>Аудит информационной безопасности дает компании представление о системе здесь и сейчас. Дорожная карта составляется на определенный период в будущем. Однако разовая процедура не может быть достаточной.</p> <p>В 2026 году проактивный подход к построению информационной безопасности становится все более распространенным. Он подразумевает регулярное исследование собственной инфраструктуры, обнаружение уязвимостей и предпринятие шагов по развитию. Аудит в таком случае становится одним из инструментов, который фиксируем все изменения — как негативные, например, появление новых уязвимостей, так и позитивные, например, повышение площади покрытия инфраструктуры СЗИ. Более того, аудит позволяет выявлять организационные сложности при построении и развитии систем информационной безопасности, помочь ответить на вопрос: почему результат не был достигнут или почему был достигнут с превышением планируемых затрат?</p> <p>При этом, как говорилось выше, в зависимости от критичности систем аудит проводится с разной периодичностью. Индивидуальный подход к каждой системе — это ключевой результат успешного развития ИБ.</p> <h3>Повышаем эффективность</h3> <p>Даже если политики безопасности в компании были «списаны» и не отражают реальной ситуации, это никогда не означает обреченность системы. Стартовать в развитии можно с любой точки, но для этого нужно понимать, в каком месте компания находится сейчас.</p> <p>Аудит становится инструментом, который позволяет сделать видимой инфраструктуру, со всеми ее минусами и плюсами, и понять, куда двигаться дальше. ИБ-система должна не просто быть — она должна быть эффективной, и достижение этой характеристики сложный и многоэтапный путь.</p> <p>#IMAGE_235221#</p> Регламенты, политики, положения — каждая компания может иметь десятки документов, которые, по задумке, описывают … article Ашраф Садыхбеков, ведущий аудитор компании «Кросстех» https://www.itweek.ru/themes/detail.php?ID=235219 Tue, 21 Jul 2026 13:11:13 +0300 <p>Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ представил анализ инвестиций в ИКТ организаций 18 крупных отраслей экономики за I квартал 2026 года, включая расходы на ИКТ-оборудование, программное обеспечение и базы данных.</p> <p>Объем инвестиций в ИКТ крупных и средних организаций в I кв. 2026 г. составил 420,1 млрд руб. (+23,2% к I кв. 2025 г.). Их доля в общем объем инвестиций в основной капитал выросла до 7,7% против 5,9% годом ранее. Увеличение показателя обеспечили расходы на программное обеспечение (ПО) и базы данных, тогда как вложения в ИКТ-оборудование продолжили снижаться.</p> <p>Объем инвестиций в ПО и базы данных в I кв. 2026 г. достиг 249,6 млрд руб., что соответствует 59,4% общего объема вложений в ИКТ. По сравнению с аналогичным периодом прошлого года показатель увеличился на 64,3%. Столь заметный рост отражает как долгосрочный тренд (среднегодовой темп +29% за последние четыре года), так и особенности I кв. 2026 г., в частности эффект низкой базы (+3,6% в I кв. 2025 г.) и индексацию цен на ПО. Кроме того, поскольку на первый квартал обычно приходится не более 15% годового объема инвестиций, смещение сроков реализации проектов между кварталами способно заметно повлиять на динамику показателя. В последующие периоды темпы роста, вероятно, будут ближе к <nobr>20–30%.</nobr></p> <p>Объем инвестиций в ИКТ-оборудование в Iкв. 2026 г. составил 170,5 млрд руб., сократившись на 9,8% по сравнению с аналогичным периодом прошлого года. Отрицательная годовая динамика сохраняется с начала 2025 г., во многом она обусловлена высокими базовыми значениями 2024 г. В числе других причин — структурный дефицит на мировом рынке ИКТ-оборудования и компонентов (чипов памяти), вызванный ростом спроса со стороны сектора искусственного интеллекта, а также накопленные до 2025 г. запасы оборудования, сформированные в период пиковых объемов инвестиций. В этих условиях часть российских компаний отложила закупки ИКТ-оборудования в ожидании стабилизации ситуации на рынке.</p> Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ представил анализ инвестиций в ИКТ организаций … message https://www.itweek.ru/themes/detail.php?ID=235218 Tue, 21 Jul 2026 09:33:02 +0300 <p><em>Мэри Шеклет, президент консалтинговой компании Transworld Data, рассказывает на портале </em><em>InformationWeek</em> <em>о том, чем управление проектами искусственного интеллекта отличается от традиционного ИТ-менеджмента в аспектах планирования, подбора персонала, управления и долгосрочного контроля.</em></p> <p>ИИ-проекты не вписываются в традиционное управление ИТ-проектами. Разработка ИИ — это непрерывный, ориентированный на данные и итеративный процесс, что затрудняет управление им с помощью традиционных методов управления проектами.</p> <p>ПО для управления проектами использует ИИ для выявления проблем с планированием и ограничений ресурсов в традиционных ИТ-проектах, но управление ИИ-проектами требует большего, чем просто планирование с помощью ИИ.</p> <p>Такие организации, как Институт управления проектами (Project Management Institute), начинают определять методологию управления проектами для ИИ, охватывающую шесть различных этапов — понимание бизнеса, понимание данных, подготовка данных, разработка модели, оценка модели и операционализация модели. Тем не менее, у CIO по-прежнему мало практических рекомендаций по управлению ИИ-проектами.</p> <p>Вопрос, стоящий перед CIO и менеджерами проектов, остается открытым: какие изменения следует внести в традиционную методологию управления проектами, чтобы учесть уникальную природу ИИ?</p> <p>Давайте рассмотрим их по порядку.</p> <h3>Как ИИ-проекты меняют роли ИТ и бизнеса</h3> <p>Разработка систем ИИ — это непрерывный и итеративный процесс. ИИ-проекты также в большей степени ориентированы на данные, чем на приложения. Если данные, с которыми работают приложения, некачественные, то и результаты будут неудовлетворительными. Это меняет динамику проектов для ИТ-службы, поскольку основными в ИИ-проектах становятся специалисты по данным, а не разработчики приложений.</p> <p>Для бизнес-пользователей это изменение динамики также создает проблемы, поскольку именно эксперты в предметной области конечных пользователей должны определять корректность данных. Это вынуждает конечных пользователей играть более активную роль в ИТ-ориентированных проектах, чем они привыкли.</p> <p>Наконец, отслеживание прогресса ИИ-проектов может быть затруднительным, поскольку они носят эволюционный характер и могут никогда не завершиться, по крайней мере, в традиционном смысле.</p> <h3>Выбор стратегии для модели ИИ</h3> <p>Четкое понимание бизнес-кейса для системы ИИ и результатов, которые ожидает компания, является первым шагом в управлении ИИ-проектами. Определение соответствующей стратегии разработки модели для ИИ-проекта — следующая задача.</p> <p>Разработка моделей ИИ может быть сложной задачей, поскольку ИТ-специалистам и пользователям трудно понять, что она собой представляет. IBM определяет модель ИИ как «программу, обученную на наборе данных для распознавания определенных закономерностей или принятия определенных решений без дальнейшего вмешательства человека». Однако, в зависимости от бизнес-предназначения системы ИИ, подходы к разработке модели могут различаться:</p> <ul> <li> Модель может представлять собой набор алгоритмов, программно определенных для работы с набором данных путем запроса к этим данным с помощью конкретных вопросов.</li> <li> Или она может включать элементы машинного обучения, которые либо строго контролируемы, либо неконтролируемы вовсе.</li> <li> Компании также могут использовать готовые базовые модели, которые приблизительно подходят для бизнес-задач, которые они пытаются решить, с возможностью настройки этих готовых моделей ИИ для своих конкретных сценариев использования.</li> </ul> <p>Чтобы определить наилучшую модель ИИ, компаниям необходимо глубокое понимание бизнес-задачи, которую они решают. Если цель состоит в том, чтобы внедрить ИИ в сценарии «что-если» и финансовое прогнозирование на основе данных, которые компания уже имеет под управлением, то набор алгоритмов для стандартных запросов может подойти. Если компания хочет улучшить диагностику рака, ей может понадобиться, чтобы ее система диагностики на основе ИИ анализировала данные как извне, так и внутри компании, «учась» на основе симптомов и данных со всего мира, чтобы дополнить то, что известно на местном уровне. Если компания хочет, чтобы ИИ помогал ей в области, где ей не хватает опыта (например, в обслуживании клиентов), она может приобрести базовую систему ИИ для обслуживания клиентов, которая поставляется с предварительно настроенными данными и алгоритмами, которые компания сможет со временем адаптировать под свои нужды.</p> <h3>Требования к инфраструктуре и готовность к ИИ</h3> <p>Другой подготовительный шаг, который следует предпринять до того, как любой проект ИИ получит одобрение, — это оценка опыта персонала и готовности ИТ-инфраструктуры.</p> <p>Если существующая ИТ-инфраструктура недостаточно надежна для поддержки обработки данных и нагрузок ИИ, одним из вариантов, при условии наличия бюджетных средств, является размещение системы ИИ в облаке, где ресурсы могут масштабироваться.</p> <p>Более важный вопрос касается готовности ИТ-службы и конечных пользователей к ИИ.</p> <p>Что касается ИТ-специалистов, то аналитики данных уже обладают большим опытом в очистке и подготовке данных, а также в таких технологиях, как извлечение, преобразование и загрузка данных. Аналитики данных знают, как нормализовать данные, чтобы они могли перемещаться между системами через API и беспрепятственно существовать в гибридных хранилищах данных.</p> <p>Однако, что касается разработки моделей ИИ, неизбежно возникает разрыв между тем, что знают ИТ-разработчики и конечные пользователи, и тем, что требуется для разработки моделей. Последняя требует навыков разработки алгоритмов и даже статистического анализа. Специалисты в области науки о данных обладают этими навыками, но ИТ-разработчики могут их не иметь.</p> <p>Затем следует сам процесс обучения модели ИИ. Со стороны пользователя обучение модели должно проводиться экспертами в предметной области — и это обучение должно быть непрерывным и постоянным, чтобы модель ИИ и ее результаты не дрейфовали и не теряли контекстную точность с течением времени.</p> <p>Единственный способ обеспечить качество и непрерывное развитие модели ИИ — это тесное сотрудничество конечных пользователей и ИТ-специалистов на долгосрочной основе. Это отход от традиционного управления ИТ-проектами, когда в какой-то момент проект объявляется завершенным и каждый его участник может идти своим путем.</p> <h3>Постепенное внедрение ИИ</h3> <p>Когда приходит время внедрять ИИ в производство, первоочередной задачей должна быть автоматизация отдельных этапов бизнес-процесса, а не всего процесса целиком. Это помогает обеспечить первоначальный успех внедрения проекта ИИ, поскольку по мере изменения бизнес-процессов меняются и обязанности людей. Это может выбить пользователей из колеи и подорвать прогресс проекта и доверие. Наилучший путь к успеху ИИ-проектов — это постепенные изменения рабочих процессов.</p> <p>Есть ещё одно обоснование для постепенных изменений рабочих процессов в ИИ-проектах: крайне важно, чтобы люди участвовали в процессе, потому что ИИ может работать некорректно. Системы ИИ могут выдавать ненадежные результаты при обучении на искаженных или предвзятых данных, а также могут страдать галлюцинациями. «Недавно я полностью автоматизировал на основе ИИ систему отказоустойчивости в своем центре обработки данных, — рассказал мне один CIO, — но когда дело доходит до активации фактического резервирования, я всё ещё хочу сам анализировать данные и нажимать кнопку».</p> <h3>Главные выводы относительно управления ИИ-проектами</h3> <p>Методология управления ИИ-проектами всё ещё развивается, и лишь немногие программные системы управления проектами учитывают уникальные требования ИИ. Это возлагает бремя управления ИИ-проектами непосредственно на плечи CIO и менеджеров проектов.</p> <p>Уже понятны несколько вещей:</p> <ul> <li> Подотчетность так же важна для ИИ-проектов, как и для традиционных ИТ-проектов. Кто-то должен быть главным и готовым принимать решения. Этот человек должен постоянно информировать членов команды и высшее руководство о ходе проекта.</li> <li> ИИ-проекты отличаются от традиционных ИТ-проектов. На самом деле, эти проекты могут не завершиться до тех пор, пока не будут исчерпаны бизнес-задачи, связанные с их использованием. Участники проекта и высшее руководство должны заранее принять эту реальность.</li> <li> В ИИ-проектах лучше всего продвигаться постепенно. Люди учатся в процессе работы, что требует осторожности. ИИ-проекты должны быть ориентированы на небольшие, четко сформулированные бизнес-задачи с ясными и достижимыми целями.</li> <li> График выполнения задач проекта также должен включать задачи по обучению и подготовке ИТ-специалистов и конечных пользователей. CIO и их команды должны понимать, что первоначально ИИ-проекты могут представлять собой сочетание успехов и неудач, из которых нужно извлекать уроки, — и высшее руководство должно разделять это понимание.</li> </ul> Мэри Шеклет, президент консалтинговой компании Transworld Data, рассказывает на портале InformationWeek о том, чем … article https://www.itweek.ru/themes/detail.php?ID=235216 Tue, 21 Jul 2026 09:19:14 +0300 <p>На промышленном предприятии у одной и той же программы ПЛК иногда оказывается две версии. Одна хранится в репозитории и считается эталонной. Вторая фактически работает на контроллере и меняется по мере наладки, ремонта и доработок оборудования. Пока производство выполняет план, расхождение между ними остается незаметным. Проблема возникает тогда, когда нужно восстановить систему или понять причину отклонения.</p> <p>Так произошло на одном горнодобывающем предприятии. Расчетный ресурс бура составлял год, поэтому замену оборудования заранее включили в график и запланировали закупку. Однако за полтора месяца до установленного срока система контроля состояния обнаружила повреждение. Бур изнашивался быстрее, чем было заложено в расчетах. При проверке рабочих параметров выяснилось, что скорость бурения меняли. Новое значение не выходило за допустимые пределы, поэтому штатная сигнализация не сработала. Само по себе это изменение еще не доказывало причину ускоренного износа. Чтобы установить связь, нужно было понять, когда именно его внесли, кто это сделал и как долго установка работала в новом режиме. Восстановить эту цепочку не удалось. Из-за нехватки дискового пространства старые записи в журнале операций перезаписывались новыми. Истории изменений проекта контроллера тоже не было. Правку могли внести за девять месяцев до обнаружения повреждения, но подтвердить это оказалось невозможно. Формально аварийного события не произошло, но установку пришлось остановить, и плановая поставка была сорвана.</p> <p>Так проявляется дрейф конфигурации. Программа на контроллере постепенно расходится с версией, которую предприятие считает эталонной. Пока оборудование работает, разница не видна. Она становится критичной в тот момент, когда нужно восстановить ход изменений и опереться на сохраненный проект. Раньше такие расхождения возникали реже, поскольку значительная часть логики была реализована в оборудовании и менялась нечасто. Теперь управление техпроцессом все сильнее зависит от кода, а значит, каждая наладка, модернизация или новый нештатный сценарий добавляют очередную правку.</p> <h3>Программный слой вырос быстрее контроля версий</h3> <p>Все чаще работу оборудования определяет код. Программы для станков с ЧПУ, роботизированных ячеек и дискретных линий приходится регулярно дорабатывать. Причина не только в развитии самого производства. Ни одну систему нельзя сразу описать с учетом всех возможных отклонений. Основной сценарий инженер закладывает на этапе проектирования, а обработку нештатных ситуаций добавляет уже по опыту эксплуатации. Датчик начал выдавать неверные значения, повредили кабель, отказал модуль ввода-вывода: каждый такой случай требует новой правки. Поэтому число версий неизбежно растет, а практика их фиксации часто не успевает за реальными изменениями.</p> <p>Импортозамещение усилило этот разрыв. Раньше линию могли заказать под ключ у одного поставщика, с единой платформой и понятным набором инструментов. Теперь на одной площадке работают контроллеры нескольких вендоров, а проекты меняют разные подрядчики и штатные инженеры. У каждой платформы свои особенности, поэтому подход, привычный для одного контроллера, не всегда работает на другом. Часть различий проявляется только на реальном объекте, поскольку стенд не воспроизводит всех режимов.</p> <p>Особенно много правок возникает во время пусконаладки. Инженеры корректируют логику под фактическую работу оборудования, а документирование не успевает за изменениями: главная задача — запустить линию. В результате уже на этом этапе файл в хранилище начинает расходиться с программой на контроллере.</p> <h3>После запуска главным риском становится рутина</h3> <p>Инженер выполнил производственную задачу, поправил логику и убедился, что оборудование работает. Но изменение не описал, а обновленный файл не загрузил в хранилище. Он не пытался нарушить правила. Просто процесс фиксации правок либо не выстроен, либо существует только на бумаге.</p> <p>Одна незаписанная правка сама по себе еще не обязательно приводит к проблеме. Риск накапливается, когда изменения переходят от одного участника к другому без передачи контекста. Например, дежурный корректирует программу в ночную смену и уходит, а программист выходит утром и о правке не знает. Или подрядчик отлаживает линию по гарантии, но не передает исходники. Или инженер увольняется, и вместе с ним уходит понимание того, что менялось в проекте последние три года.</p> <p>Формальные процедуры эту потерю не компенсируют. Резервную копию сняли, но не проверили, можно ли с ее помощью восстановить систему. Изменение описали одной строкой, из которой нельзя понять его причину. Регулярной сверки с программой на ПЛК нет. В результате хранилище существует, но подтвердить достоверность его содержимого нельзя.</p> <p>Слабый контроль доступа дополнительно мешает установить автора правки. На части объектов отдельного пароля нет, на других вся смена работает под одной учетной записью. Если правила доступа мешают действовать в аварийной ситуации, персонал начинает их обходить.</p> <p>В такой системе несанкционированное изменение внешне почти не отличается от штатной работы инженера. Контроллер продолжает работать, но определить, кто, когда и зачем изменил программу, уже невозможно.</p> <h3>Хранилище есть, уверенности нет</h3> <p>Вернуть утраченный контекст не поможет и формальное хранилище, если актуальность его содержимого никто не проверяет. На многих предприятиях его роль выполняет сетевая папка с каталогами по установкам и контроллерам. Аудитору такую структуру показать можно. Но определить по ней, сколько изменений внесли после сохранения файлов, нельзя.</p> <p>Даже если копии обновляются регулярно, этого может быть недостаточно для восстановления. Исходный проект, резервная копия с контроллера и фактические настройки оборудования содержат разную информацию.</p> <p>Исходный проект нужен инженеру для работы с логикой программы. В зависимости от платформы с контроллера выгружается либо скомпилированный образ, либо низкоуровневое представление кода. На старых ПЛК вместо имен переменных в такой выгрузке остаются адреса памяти, а таблица символов хранится только в среде разработки. Восстановить логику по этой копии возможно, но на остановленной линии времени на такую работу уже нет.</p> <p>Отдельно существуют уставки, которые появляются при настройке оборудования на площадке. Программу разрабатывают для линейки станков, а конкретный экземпляр доводят под реальные условия. Например, если головка не доходит до заданной точки на несколько миллиметров, значение корректируют на месте. Эта настройка может остаться только в контроллере и не попасть в исходный проект.</p> <p>Поэтому для восстановления нужны как минимум две составляющие: исходники, по которым инженер понимает логику программы, и слепок фактического состояния ПЛК со всеми настройками конкретного оборудования. Одно без другого не дает полной картины. Если сохраненная версия не совпадает с фактической, восстановление затягивается независимо от первопричины сбоя. Сгорел модуль ввода-вывода, заменили контроллер или обнаружили ошибку в логике: в каждом случае предприятию нужна достоверная конфигурация, которую можно загрузить и проверить.</p> <p>Потери не ограничиваются продолжительностью отдельного простоя. У линии есть нормативный цикл выпуска и резерв времени на техническое обслуживание. Если этот резерв регулярно уходит на восстановление утраченного контекста, производство перестает укладываться в план. Такие отклонения повторяются, но могут не попадать в отчетность как самостоятельные инциденты.</p> <p>Поэтому нужен единый доверенный источник, где хранятся схемы, исходные проекты, резервные копии и сведения обо всех правках. Его создание начинается с инвентаризации: нужно найти материалы, убрать дубли и сопоставить сохраненные файлы с фактическим состоянием оборудования.</p> <p>Сам по себе документ еще не гарантирует, что команда сможет восстановить систему. Проверить это просто: передать проект другому инженеру и попросить объяснить логику программы и порядок восстановления. В программировании такой разбор называют ревью кода. В АСУ ТП он покажет, сможет ли команда восстановить систему без участия автора проекта.</p> <h3>Понять проект мало, нужно сверить его с ПЛК</h3> <p>Инвентаризация дает достоверную точку отсчета, но она быстро устаревает, если после каждой правки данные не обновляются. Поэтому следующим шагом становится регулярная сверка сохраненной копии с тем, что фактически загружено в ПЛК. Контрольная сумма показывает, что файл изменился, но не объясняет, в чем состоит правка. Более точная проверка сопоставляет две версии и показывает конкретные расхождения. Частоту сверки определяет техпроцесс. Если линия долго работает без доработок, может быть достаточно ежемесячной проверки. Во время пусконаладки, модернизации или устранения неисправностей изменения вносят чаще, поэтому и сравнивать конфигурации нужно с меньшим интервалом. Среды разработки вендоров умеют выполнять такую проверку для своих контроллеров. Сложность возникает в разнородном парке, где для каждой платформы нужен отдельный инструмент. Ручная сверка превращается в постоянный обход инженера с ноутбуком, а руководитель все равно не получает общей картины.</p> <p>Система контроля версий проектов ПЛК решает эту задачу централизованно: сопоставляет сохраненные проекты с программами на контроллерах и ведет историю по всему парку. Но одного обнаружения расхождения недостаточно. Для каждой правки нужно сохранить контекст: что изменили, зачем и на каком основании. Короткого комментария может хватить штатной команде АСУ ТП, которая сама разрабатывает программу. Если линию передает подрядчик, описание должно быть понятным инженеру предприятия без участия автора.</p> <p>Это требование нужно закрепить и в договоре. Изменения подрядчика должны попадать в тот же процесс: кто выгрузил программу, что исправил и когда загрузил ее обратно. Поэтому главный сдвиг здесь управленческий, а не технический. Контроль версий должен работать постоянно, а не только во время подготовки к проверке. Если предприятие три недели приводит данные в порядок перед аудитом, оно управляет не состоянием системы, а впечатлением о нем.</p> <p>Когда линия остановится, восстановить ее поможет только достоверная конфигурация, а не успешно пройденная проверка.</p> <p>#IMAGE_235217#</p> На промышленном предприятии у одной и той же программы ПЛК иногда оказывается две версии. Одна хранится … article Владислав Ганжа, директор лаборатории кибербезопасности UDV Group https://www.itweek.ru/themes/detail.php?ID=235215 Mon, 20 Jul 2026 15:33:03 +0300 <p>Корпоративная платформа развития цифрового кругозора CaseStudy.Techart представила результаты исследования о применении искусственного интеллекта в корпоративном обучении. В ходе исследования опрошенные компании оценили текущий уровень внедрения ИИ, наиболее распространенные направления его применения, критерии эффективности и основные ограничения технологии. Исследование показало, что сегодня бизнес рассматривает искусственный интеллект прежде всего как инструмент автоматизации отдельных процессов, а не как замену наставникам, преподавателям и экспертам.</p> <p>Масштаб внедрения. По данным исследования, 68% компаний уже используют или тестируют ИИ хотя бы в одной из программ обучения. Наиболее распространенные сценарии связаны с задачами, которые можно стандартизировать и оценить по понятным критериям. Так, 75% компаний применяют ИИ для автоматической проверки знаний — тестов, кейсов и открытых заданий. Еще 72% используют технологию при создании учебных материалов, включая тексты, презентации и курсы, а 62,5% — в процессе адаптации новых сотрудников.</p> <p>Такая структура применения объясняется особенностями самих задач. Там, где существуют заранее определенные требования к результату и его можно объективно оценить, искусственный интеллект позволяет ускорить выполнение рутинных операций и сократить трудозатраты специалистов. При этом задачи, связанные с развитием управленческих компетенций, передачей практического опыта и учетом корпоративного контекста, по-прежнему требуют участия человека.</p> <p>Ограничения технологии. Основным барьером остается необходимость адаптации результатов работы ИИ под специфику конкретной компании. Так, каждый четвертый участник исследования согласен, что материалы, созданные нейросетями, не требуют существенной доработки перед использованием. Две трети респондентов считают, что современные модели недостаточно учитывают внутренние регламенты, корпоративные стандарты и особенности организации. Это объясняется тем, что универсальные модели обучаются преимущественно на общедоступных данных и не обладают знаниями о внутренних процессах конкретной компании.</p> <p>Как компании оценивают эффективность ИИ. Сегодня организации измеряют эффект от внедрения искусственного интеллекта преимущественно через операционные показатели. Около 60% отметили, снижение затрат на разработку учебных программ. При этом влияние ИИ на бизнес-показатели оценивают немногие компании, а каждая четвертая организация вообще не использует количественные метрики, полагаясь на экспертную оценку результатов.</p> <p>Следующий вопрос — аналитика данных. Исследование также выявило заметный разрыв между текущей практикой и ожиданиями бизнеса. Аналитику данных с использованием ИИ называют одним из наиболее перспективных направлений развития корпоративного обучения почти 90% участников исследования, однако на практике такие инструменты применяют только 53% компаний. Это свидетельствует о высоком интересе бизнеса к решениям, которые позволяют не только автоматизировать подготовку обучения, но и оценивать его эффективность, выявлять дефицит компетенций и принимать решения на основе данных.</p> <p>Главное ограничение ИИ в корпоративном обучении — недостаточное понимание специфики конкретной компании. Большая часть участников исследования отмечают, что материалы, созданные нейросетями, требуют серьезной доработки, а 62%респондентов считают, что универсальные модели недостаточно учитывают внутренние процессы, корпоративные стандарты и накопленную экспертизу организации.</p> <p>Поэтому компании пока не рассматривают ИИ как замену наставникам и преподавателям. Технология эффективно справляется с поиском и подготовкой информации, однако адаптация обучения под задачи бизнеса, развитие компетенций сотрудников и передача корпоративного опыта по-прежнему остаются задачами человека.</p> <p>По мнению авторов исследования, сегодня в корпоративном обучении формируется модель, в которой искусственный интеллект и человек выполняют разные функции. ИИ берет на себя обработку информации, подготовку материалов и автоматизацию типовых процессов, тогда как за специалистами остаются задачи, требующие понимания корпоративного контекста, экспертной оценки и развития компетенций сотрудников.</p> Корпоративная платформа развития цифрового кругозора CaseStudy.Techart представила результаты исследования о применении … message https://www.itweek.ru/themes/detail.php?ID=235214 Mon, 20 Jul 2026 15:31:58 +0300 <p>Cloud.ru опубликовал исходный код Guardrails Filter — инструмента для защиты чувствительных данных при работе с большими языковыми моделями. Теперь российские компании смогут бесплатно развернуть сервис в собственной инфраструктуре и использовать его с ИИ-моделями любых провайдеров.</p> <p>Guardrails уже используется в цифровой среде AI Factory для защиты запросов к сервису Foundation Models. Инструмент применяется в пилотных и коммерческих проектах клиентов, а также в собственных проектах Cloud.ru. </p> <p>«Спрос на генеративный ИИ быстро растет, но требования к безопасности по-прежнему остаются одним из главных барьеров для его внедрения. Guardrails Filter создавался как часть нашей собственной ИИ-платформы именно для таких сценариев. Теперь мы открываем исходный код проекта, чтобы компании могли быстрее построить безопасную инфраструктуру для работы с языковыми моделями в собственном ИТ-контуре», — сказал Михаил Лобоцкий, генеральный директор Cloud.ru.</p> <p>Опенсорс-версия не привязана к платформе Cloud.ru и может использоваться с любыми языковыми моделями. Бизнес может развернуть Guardrails Filter внутри своей инфраструктуры и самостоятельно управлять сервисом через личный кабинет — настраивать и тестировать правила защиты, отсматривать логи и алерты. </p> <p>Guardrails Filter работает между корпоративными приложениям и ИИ-моделью. Инструмент автоматически проверяет запросы пользователей и ответы модели на наличие чувствительных данных. Перед отправкой запроса сервис автоматически заменяет персональные данные, API-ключи, пароли и другую конфиденциальную информацию синтетическими значениями. После получения ответа модели Guardrails Filter восстанавливает исходные данные. Таким образом пользователи получают корректный результат, а реальные данные не передаются языковой модели.</p> <p>В опенсорс-версии пользователи могут использовать стандартные правила обнаружения чувствительных данных, а также создавать собственные. Например, для внутренних номеров договоров, идентификаторов клиентов, кодовых названий проектов. Это позволяет гибко адаптировать инструмент под собственные требования безопасности. Также в сервис добавили журналирование событий безопасности и тестовый режим Ghost Mode, который позволяет проверить работу сервиса до включения защиты. </p> <p>Высокое качество работы Guardrails Filter подтверждено на публичном бенчмарке pii-bench. Инструмент набрал 93,1 балла по комплексной метрике качества распознавания F1, а точность срабатываний достигла 99,9%. На практике это означает, что сервис надежно обнаруживает чувствительные данные и почти не принимает обычный текст за конфиденциальную информацию: примерно 999 из 1000 его срабатываний оказываются верными.</p> Cloud.ru опубликовал исходный код Guardrails Filter — инструмента для защиты чувствительных данных при работе … message https://www.itweek.ru/themes/detail.php?ID=235213 Mon, 20 Jul 2026 15:31:09 +0300 <p>Сбер добавил поддержку работы через командную строку в свой продукт — облачную версию (SaaS) ИИ-ассистента для разработчиков GigaCode. Новая функциональность ориентирована на корпоративных пользователей и открывает дополнительные сценарии применения для команд разработки.</p> <p>Решение актуально для компаний, которые стремятся уменьшить операционные издержки и ускорить подключение инструментов в существующие пайплайны разработки. За счет использования облачной модели снижается порог входа для команд, которые не рассматривают внедрение ИИ-продуктов из-за сложности развертывания. Теперь доступ к возможностям мощного универсального агента, способного автономно решать задачи полного цикла (от составления детального плана и написания кода до его проверки, тестирования и контроля сборки), можно получить практически сразу без трудоемких локальных настроек и дополнительного оборудования. </p> <p>Поддержка командной строки делает работу с ИИ-ассистентом более гибкой: разработчики в любой операционной системе могут вызывать генерацию кода, анализ и другие функции напрямую из терминала, встраивать их в CI/CD-процессы и автоматизировать рутинные задачи. Такой формат взаимодействия привычен для инженерных команд и упрощает интеграцию сервиса в уже сложившиеся рабочие практики.</p> <p>Андрей Белевцев, старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка, отметил: «Расширение функциональности в продуктах Сбера отражает общий тренд на их адаптацию под разные модели потребления. Одни клиенты предпочитают локальные инсталляции и изолированные контуры, другие — облачные решения с быстрым доступом и масштабируемостью. Обновление GigaCode учитывает эти пожелания, предлагая более вариативное продуктовое портфолио».</p> <p>ИИ-ассистент разработчика GigaCode CLI дает возможность получить доступ к более чем 30 ИИ-моделей для генерации и проверки кода, проведения тестов, рефакторинга. </p> <p>Ранее Сбер внедрил инструмент командной строки в локальную версию решения, также ориентированную на корпоративный сегмент. GigaCode CLI позволяет уменьшить время на типовые операции. У разработчиков появляется больше времени на решение задач, где требуется участие человека, а не на исполнение рутинных процессов. Это помогает команде повысить продуктивность и сосредоточиться на целях, которые приносят реальную пользу бизнесу.</p> Сбер добавил поддержку работы через командную строку в свой продукт — облачную версию (SaaS) ИИ-ассистента для … message https://www.itweek.ru/themes/detail.php?ID=235211 Mon, 20 Jul 2026 09:26:38 +0300 <p><em>Без единых пороговых значений показателя уверенности результаты работы искусственного интеллекта применяются в разных командах по-разному, что снижает подотчетность и эффективность. Решение — в согласованности, пишет на портале </em><em>InformationWeek</em> <strong><em>Минал Айер</em></strong><em>, старший вице-президент SurveyMonkey по данным и корпоративному ИИ.</em></p> <p>В большинстве компаний ИИ сегодня генерирует рекомендации еще до того, как команда их запросит. Системы отмечают аномалии. «Вторые пилоты» предлагают дальнейшие шаги. Прогнозы обновляются автоматически. Общие стандарты действий на основе этих результатов определены нечетко. Какой уровень доверия необходим, чтобы система могла действовать самостоятельно? И, если она ошибается, кто несет ответственность за принятие решения?</p> <p>На начальной стадии принятия решений с использованием ИИ эта неопределенность кажется терпимой. По мере роста зависимости она усугубляется и размывает ответственность. По мере того, как организации внедряют ИИ во все большее количество решений, согласованность становится определяющим фактором. Под согласованностью я не подразумеваю согласия. Я имею в виду общую операционную логику: определенные пороговые значения показателя уверенности и видимая ответственность, применяемые последовательно.</p> <p>Без согласованности одна команда следует модели, а другая её игнорирует. Третья команда пересчитывает анализ, основываясь на совершенно других предположениях. Со временем стандарты дрейфуют. Результаты обсуждаются чаще, чем применяются, а уверенность становится ситуативной, а не системной. Это и есть дрейф решений: расхождение в том, как решения, принимаемые с помощью ИИ, интерпретируются и применяются в организации.</p> <p>Результаты опроса SurveyMonkey «Trends 2026» демонстрируют существенный разрыв. Эксперименты с ИИ широко распространены, однако многие руководители говорят, что превращение инсайтов в последовательные действия по-прежнему затруднительно.</p> <p>Организации видят разные результаты, когда интеллект преобразуется в общую операционную логику, которая определяет, как принимаются решения.</p> <h3>Баланс автоматизации и подотчетности</h3> <p>Большинство систем ИИ не возвращают простого «да» или «нет», они возвращают вероятность. Модель может предсказать мошенничество с вероятностью 0,82%. Та же самая модель классифицирует поле счета-фактуры с вероятностью 0,97%.</p> <p>Каждая модель выдает оценку. Важно то, как организация реагирует на неё.</p> <p>Установление четкой границы, или порога уверенности, определяет, когда результат работы ИИ автоматически продвигается вперед, а когда он передается на проверку человеку. На практике пороги уверенности определяют допустимый уровень риска.</p> <p>В рамках <a href="https://www.nist.gov/itl/ai-risk-management-framework">системы управления рисками</a> ИИ Национального института стандартов и технологий (NIST) предполагается наличие измеримых характеристик производительности и постоянных процессов мониторинга и человеческого контроля. Установите высокий порог, и автоматизация замедлится, но количество ложных срабатываний уменьшится. Установите низкий порог, и эффективность повысится, но увеличится и вероятность ошибок. Именно здесь согласованность либо укрепляет, либо разрушает систему.</p> <h3>Общая логика создает подотчетность</h3> <p>В организациях, которые интегрируют ИИ в основные рабочие процессы, пороги уверенности являются важным механизмом внутренней согласованности. Они четко определяют границы: «Какой уровень неопределенности допустим? Когда должен вмешаться человек? После этого, кто несет ответственность за принятие решения?».</p> <p>Организации редко сталкиваются с трудностями из-за несовершенства модели. Трудности возникают, когда неясна подотчетность. Эта ясность становится более важной по мере того, как компании внедряют все большее количество специализированных агентов ИИ. Без четко определенных пороговых значений и общей логики проверки скорость работы размывается, превращаясь в несогласованность, и организации начинают терять преимущества в эффективности, которые обещает ИИ.</p> <p>В компаниях, которые рассматривают ИИ как управляемую систему, показатели уверенности определяются и становятся общими. Логика эскалации документируется, а переопределения отслеживаются. Пороговые значения перенастраиваются по мере изменения бизнес-условий. Это — управление ИИ в действии.</p> <h3>Когда команды создают свои собственные правила</h3> <p>Когда пороговые значения уверенности расплывчаты, а логика переопределения не документирована, ответственность размывается, и команды импровизируют. По мере масштабирования импровизации растет и несогласованность. Разница в пять пунктов в пороге мошенничества может показаться незначительной, но в рамках множества транзакций она существенно меняет степень риска. Слабо задокументированное переопределение в службе поддержки клиентов может казаться разумным, но в тысячах взаимодействий оно меняет восприятие бренда.</p> <p>Я видела, как быстро это может накапливаться. В одной платежной компании показатели отказов по мошенническим операциям росли, из-за чего казалось, что модели становятся лучше. Но значительная часть этих отказов приходилась на законных клиентов, которых ошибочно помечали как подозрительных. Сама по себе цифра по мошенническим операциям выглядела как победа. Но в сочетании с показателем удовлетворенности клиентов она рассказывала совсем другую историю. Этот разрыв сводился к тому, где находится пороговый уровень и кто имеет право его изменять.</p> <p>Вот почему организации со зрелыми программами ИИ рассматривают установление пороговых значений как межфункциональное решение. Одно подразделение может автоматически одобрять транзакции с 85%-ной уверенностью. Другое может требовать 98%. Со временем одна и та же система формирует разные стандарты принятия решений в масштабах всей организации.</p> <p>Но дрейф не ограничивается конфигурацией. Модели ценообразования могут генерировать разные рекомендации по скидкам для похожих клиентов, поскольку разные команды применяют свои собственные методы переопределения. Системы управления рисками могут эскалировать похожие транзакции в одном подразделении и автоматически подтверждать их в другом.</p> <p>В конечном итоге заинтересованные стороны перестают спрашивать, что рекомендует модель, и начинают спрашивать, какая команда её применяет.</p> <h3>Встроенное в рабочие процессы ИИ человеческое суждение</h3> <p>Интеллект с участием человека сохраняет согласованность. ИИ выявляет закономерности и рекомендует дальнейшие шаги, но согласование конкурирующих приоритетов или учет последствий по-прежнему требуют человеческого суждения.</p> <p>Когда команда определяет свои пороговые значения уверенности и документирует, как происходят изменения, ответственность остается явной. Целостность решений сохраняется, как и доверие, которое на них основано.</p> <p>Исследование SurveyMonkey «AI Sentiment Study», проведенное среди 8432 взрослых жителей США, подчеркивает важность такого подхода. Респонденты сообщили, что быстрее всего теряют уверенность, когда нет возможности передать запрос человеку-оператору и когда системам не хватает прозрачности в отношении того, как они работают.</p> <p>Когда пути эскалации невидимы, доверие быстро ухудшается. Видимость и подотчетность человека стабилизируют уверенность в принятии решений и организационную согласованность.</p> <h3>Согласованность как операционная дисциплина</h3> <p>Одна только политика не создает согласованность. Повторение укрепляет её. Организации, которые внедряют эксперименты с ИИ в повседневную работу посредством структурированных пилотных проектов и регулярных обзоров, с открытым обсуждением принятых решений, предоставляют командам общую точку отсчета для работы с ИИ.</p> <p>Практический опыт позволяет согласовывать решения быстрее, чем любая служебная записка. Когда команды совместно тестируют модели и обсуждают нестандартные ситуации, они формируют общий стандарт действий. Со временем согласованность накапливается, и стандарты становятся частью того, как работает организация.</p> Без единых пороговых значений показателя уверенности результаты работы искусственного интеллекта применяются в разных … article https://www.itweek.ru/themes/detail.php?ID=235209 Mon, 20 Jul 2026 09:13:59 +0300 <p>Каждый раз, приходя к новому заказчику, я вижу одну и ту же картину.</p> <p>В техническом задании написано: «Требуется голосовой ИИ-агент». А в критериях приемки проекта — «должен отвечать строго по скрипту, без отклонений от регламента».</p> <p>На первый взгляд противоречия нет. Но именно здесь проходит граница между проектами, которые приносят экономический эффект, и проектами, после которых руководство делает вывод: «ИИ не оправдал ожиданий».</p> <p>Проблема в том, что большинство компаний пытаются внедрять агентный искусственный интеллект по тем же правилам, по которым последние двадцать лет внедряли IVR и сценарных чат-ботов.</p> <p>Внутри — современная языковая модель. Снаружи — логика кнопочного меню.</p> <p>В результате бизнес получает не цифрового сотрудника, а еще одну версию робота, которого клиенты стараются обойти как можно быстрее.</p> <h3>Наследство прошлого</h3> <p>Корпоративные процессы обладают удивительной устойчивостью.</p> <p>Сначала компании автоматизировали клиентский сервис через IVR. Затем появились сценарные чат-боты. Теперь на рынок пришли большие языковые модели, способные понимать свободную речь, работать с контекстом и принимать решения на основе данных из нескольких систем одновременно.</p> <p>Однако люди, которые отвечают за клиентский сервис, остались теми же.</p> <p>Они десятилетиями работали в логике жестко заданных сценариев и ожидаемо продолжают переносить этот опыт на новые технологии.</p> <p>Поэтому ИИ-агенту запрещают импровизировать. Ограничивают доступ к данным. Исключают возможность самостоятельно выполнять действия в корпоративных системах. Лишают контекста.</p> <p>После чего удивляются, что результат мало отличается от предыдущего поколения ботов.</p> <p>Это примерно то же самое, что купить современный электромобиль и использовать его исключительно как источник питания для магнитолы.</p> <h3>Цена личной ответственности</h3> <p>Но настоящая причина гораздо глубже технологий.</p> <p>Она связана с тем, как устроена система управления в крупных компаниях.</p> <p>Менеджер клиентского сервиса несет персональную ответственность за ошибки. Поэтому его основная задача — не столько повысить эффективность, сколько минимизировать риск.</p> <p>Когда ошибается оператор, ситуация выглядит понятной. Есть конкретный сотрудник, есть ошибка, есть процедура разбора.</p> <p>Когда ошибается ИИ, ответственность становится размытой. Кто виноват? Руководитель проекта? Поставщик решения? Разработчик модели? Директор по цифровизации?</p> <p>Именно поэтому к искусственному интеллекту зачастую предъявляют требования, которые никто не предъявляет к людям.</p> <p>В одном из проектов в крупной страховой компании служба контроля качества обнаружила один проблемный диалог из примерно 150 обработанных агентом обращений. Реакция была мгновенной: обсуждение остановки проекта, дополнительный аудит, экстренные совещания.</p> <p>При этом те же специалисты регулярно фиксировали ошибки у операторов первой линии. Их доля составляла около <nobr>10-15%</nobr> обращений. Но вопрос об отключении сотрудников никогда не поднимался.</p> <p>На первый взгляд такая логика кажется иррациональной. На самом деле она абсолютно рациональна.</p> <p>За ошибку сотрудника отвечает сотрудник.</p> <p>За ошибку ИИ отвечает тот, кто принял решение о его внедрении.</p> <p>Поэтому многие проекты тормозятся не из-за технологических ограничений, а из-за вполне человеческого страха ответственности.</p> <h3>Почему старые подходы перестают работать</h3> <p>Проблема усугубляется тем, что сами клиентские коммуникации за последние годы радикально изменились.</p> <p>Сценарные системы эффективно работают только там, где процесс полностью предсказуем. Например, при выборе пункта меню или подтверждении простого действия.</p> <p>Современный клиентский сервис устроен иначе.</p> <p>Клиент может начать разговор с эмоций, перескочить на детали заказа, вспомнить номер договора в середине диалога и одновременно задавать несколько связанных вопросов.</p> <p>Он не обязан знать внутреннюю структуру компании. Его задача — решить собственную проблему.</p> <p>Поэтому сценарные системы закономерно упираются в потолок автоматизации. Они способны закрыть часть простых запросов, но не могут полноценно заменить первую линию поддержки.</p> <p>Когда разговор выходит за рамки сценария, клиент переводится на оператора. Причем чаще всего без накопленного контекста. В результате человек вынужден повторять всю историю заново.</p> <p>Для бизнеса это означает рост стоимости контакта, увеличение времени обработки обращений и снижение удовлетворенности клиентов.</p> <p>Именно здесь агентный ИИ принципиально отличается от предыдущего поколения решений.</p> <p>Его ценность заключается не в том, что он умеет разговаривать естественным голосом. Ценность в том, что он способен понимать намерение клиента, работать с корпоративными системами и доводить обращение до результата.</p> <p>По сути, речь идет уже не о коммуникационном интерфейсе, а о новом типе цифрового сотрудника.</p> <h3>От демо к реальному бизнесу</h3> <p>Именно здесь многие компании сталкиваются со вторым разочарованием.</p> <p>Создать красивое демо сегодня может практически любой разработчик. Большинство современных моделей способны корректно отвечать на вопросы в восьми-девяти случаях из десяти.</p> <p>Для презентации инвесторам этого достаточно.</p> <p>Для промышленной эксплуатации — нет.</p> <p>Настоящий клиентский сервис начинается там, где агент должен не просто поддерживать разговор, а взаимодействовать с десятками внутренних систем, учитывать исключения, соблюдать регламенты, работать с персональными данными и корректно передавать управление человеку.</p> <p>Именно поэтому путь от пилота до промышленной эксплуатации оказывается гораздо длиннее, чем ожидает рынок.</p> <p>Технология здесь играет лишь часть роли. Остальное — организационные изменения, процессы, интеграции, управление рисками и ежедневная доработка.</p> <p>По этой причине большинство проектов не терпят неудачу. Они просто никогда не доходят до стадии, где можно объективно оценить их эффективность.</p> <h3>Новая конкуренция</h3> <p>Сегодня рынок ИИ постепенно входит в более зрелую фазу. Конкуренция смещается от качества моделей к качеству внедрения.</p> <p>Показательно, что крупнейшие мировые игроки начинают инвестировать не только в разработку технологий, но и в команды внедрения. Они понимают то, что российский бизнес только начинает осознавать: сама по себе модель не создает ценности.</p> <p>Ценность появляется только тогда, когда технология становится частью операционного контура компании.</p> <p>Поэтому главный вопрос для бизнеса сегодня звучит не «Нужен ли нам ИИ?».</p> <p>Главный вопрос — готовы ли мы отказаться от старых управленческих привычек и позволить новой технологии работать так, как она была задумана.</p> <p>Потому что во многих случаях главным ограничением искусственного интеллекта оказывается вовсе не интеллект. А человеческая инерция.</p> <p>#IMAGE_235210#</p> Каждый раз, приходя к новому заказчику, я вижу одну и ту же картину. В техническом задании написано … article Андрей Зименков, фаундер и CEO targetai https://www.itweek.ru/themes/detail.php?ID=235207 Fri, 17 Jul 2026 15:43:56 +0300 <p>Для обучения ИИ-моделей требуется высокопроизводительные GPU-серверы, но как только модель обучена и переходит в режим эксплуатации (inference), на первый план выходит скорость отклика, то есть одним из решающих факторов становится физическое расстояние между пользователем и дата-центром, в котором развернута облачная платформа. Владимир Лебедев, директор по развитию бизнеса сервис-провайдера M1Cloud, рассказал, что разница принципиальна: при обучении оптимизируется стоимость за час GPU-времени, при инференсе — стоимость каждой миллисекунды задержки исчисляется в потерянных клиентах.</p> <p>Уже более 10 лет назад компания Amazon выяснила, что каждые 100 мс задержки приводят к снижению продаж на 1%. Сейчас для ИИ-сервисов ставки еще выше: если рекомендательная модель отвечает с задержкой, пользователь уже принял решение без нее. Современные ИИ-приложения работают в реальном времени. Чат-бот должен начать генерировать ответ за доли секунды. Рекомендательная система в e-commerce должна подобрать товары до того, как покупатель прокрутит страницу. Система антифрод в банке должна принять решение о блокировке транзакции за <nobr>50–200</nobr> миллисекунд — пока карта еще «в терминале». Каждая из этих задач решается в реальном времени и критически зависит от задержки сети. Латентность перестает быть инженерной абстракцией и становится прямым фактором выручки и потерь.</p> <p>Эксплуатация ИИ-сервиса — это непрерывный поток запросов от реальных пользователей, каждый из которых ожидает мгновенного ответа. В этом случае география ЦОД, где развернуто облако, определяет качество ИИ-сервиса. Для чат-бота, который должен начать стриминг ответа за <nobr>100–150 мс,</nobr> например, потеря на сетевую задержку даже 50 мс с учетом маршрутизации и обработки — это треть бюджета латентности, потраченная впустую.</p> <p>Для российского рынка это особенно актуально. Более 76% действующих в России дата-центров расположены в Москве и Московской области (по данным TAdviser). Это создает естественное преимущество для провайдеров с площадками в Москве — большинство пользователей и бизнес-систем находятся в радиусе минимальной сетевой задержки. Но одновременно это означает, что компании из регионов — Урала, Сибири, Дальнего Востока — получают ИИ-сервисы с неизбежной дополнительной латентностью.</p> <p>Глобальный рынок ИИ оценивается в $106 млрд по итогам 2025 года и, по прогнозу Polaris Market Research, будет расти со среднегодовым темпом 19,4% до 2034 года. При этом Gartner прогнозирует, что к 2029 году 50% всех облачных вычислительных ресурсов будут направлены на ИИ-нагрузки — против менее 10% сегодня. Это означает, что постоянная круглосуточная работа моделей в продакшене — становится основным потребителем облачной инфраструктуры, где латентность критична.</p> <p>Зрелый подход к развертыванию ИИ-сервисов предполагает распределенную архитектуру инференса ИИ-моделей. Тяжелое обучение моделей может происходить в центральном кластере с максимальной концентрацией GPU. Но инференс-серверы — точки, где модель обрабатывает запросы пользователей — должны располагаться максимально близко к потребителю, то есть размещение ИИ-сервиса в ближайшем к пользователю дата-центре.</p> <p>Для рынка сервис-провайдинга это означает, что с 2026 года будет ощутимо увеличиваться спрос на региональные облачные кластеры, то есть растет необходимость инвестировать не только в наращивание GPU-мощностей, но и в географическое присутствие в нескольких точках с гарантированной низкой латентностью и с возможностью разместить инференс-ноды отдельно от основного кластера.</p> <p>В мире, где ИИ становится интерфейсом взаимодействия бизнеса с клиентом, миллисекунды — это не техническая деталь. Это деньги, лояльность и конкурентное преимущество.</p> Для обучения ИИ-моделей требуется высокопроизводительные GPU-серверы, но как только модель обучена и переходит … message https://www.itweek.ru/themes/detail.php?ID=235206 Fri, 17 Jul 2026 15:42:54 +0300 <p>Как превратить разовые проверки безопасности в непрерывный процесс, который действительно защищает бизнес, а не просто формально закрывает требования регуляторов? Эксперт Security Vision Виктор Гончаров представил системный подход к управлению конфигурациями (Security Hardening), продемонстрировав его эффективность на примере работы с крупными отраслевыми компаниями. В условиях массового перехода к гибридным облачным архитектурам и микросервисам именно некорректные настройки становятся главным вектором атак. Предложенный подход показывает, как автоматизация помогает связать абстрактные требования комплаенса с реальными техническими параметрами ИТ-инфраструктуры, устраняя разрыв между бумажной отчетностью и фактическим состоянием защищенности.</p> <p>Практика кибербезопасности демонстрирует, что к инцидентам чаще приводят не сложные целевые атаки, а базовые ошибки конфигурирования. К ним относятся использование стандартных или слабых паролей, наличие избыточных привилегий у пользователей, открытые в сеть неиспользуемые порты и отсутствие сетевой сегментации.</p> <p>Главная проблема современных динамичных инфраструктур — так называемый «дрейф» конфигураций. После любых обновлений ПО или изменений в бизнес-процессах настройки имеют свойство самопроизвольно меняться, открывая уязвимости и эксплойты. Именно поэтому управление конфигурациями трансформируется из разовой задачи по настройке в непрерывный циклический процесс.</p> <p>«Харденинг, или безопасное конфигурирование, — это процесс циклический, — отмечает Виктор. В 2026 году он должен охватывать пять ключевых уровней: организационный, сетевой, виртуализации, уровень ОС и уровень ПО. Ключевая цель этого процесса — минимизация привилегий без нарушения функциональности конечных систем и комфорта пользователей».</p> <p>Для многих организаций соответствие требованиям ФСТЭК России или международным стандартам CIS Benchmark часто остается формальностью. Основная сложность при проведении аудитов заключается в разрыве между стратегическими проверками и фактическим состоянием ИТ-среды и установленными патчами.</p> <p>Чтобы связать пункты нормативных документов с конкретными параметрами конфигурационных файлов и реестров, необходим системный харденинг. Решение этой задачи лежит в плоскости использования инструментов, которые автоматически маппят требования стандартов на технические проверки. Такой подход позволяет перевести комплаенс из формата регулярного сбора справок в полноценную часть системы управления кибербезопасностью.</p> <p>Для автоматизации рутинных операций и выстраивания эффективного процесса на практике применяются специализированные платформы. В частности, решения Security Vision (модули Asset Management и Security Profile Compliance) позволяют замкнуть этот цикл, обеспечивая прозрачность и полный контроль над инфраструктурой.</p> <p>Глубокая инвентаризация (Asset Management). Процесс начинается не с простого сканирования сети, а с формирования ресурсно-сервисной модели. Система идентифицирует хосты, сервисы и ПО, рассчитывает роли активов и группирует их по степени критичности для бизнес-процессов. Это позволяет грамотно приоритизировать задачи: в первую очередь защищаются те системы, остановка которых может парализовать работу всей компании.</p> <p>Формирование и применение профилей (Security Profile Compliance). Вместо трудоемкого ручного аудита безопасности используются готовые эталоны: в базовом релизе платформы доступно более 70 профилей проверок, сформированных на основе собственной экспертизы вендора (наработанной в секторах телекома, финансов, промышленности и ритейла), рекомендаций ФСТЭК России и глобальных стандартов. Платформа содержит несколько тысяч готовых проверок «из коробки», которые можно гибко настраивать, тестировать перед публикацией и адаптировать под специфику конкретного бизнеса.</p> <p>Непрерывный мониторинг и автоматизация. Платформа использует встроенные возможности операционных систем (SSH, WMI, Remote PowerShell) для централизованного управления параметрами защиты и автоматического снижения поверхности атак. При выявлении отклонения от эталона система автоматически формирует задачи на исправление с соблюдением установленных SLA. Интерактивные дашборды и графы связей предоставляют руководителям ИБ рабочий инструмент для анализа любых срезов данных, заменяя собой статичную и часто бесполезную отчетность.</p> <p>Важнейшим преимуществом такого подхода является интеграция данных об инвентаризации и отклонениях в единую витрину. Информация передается в SIEM-системы и решения класса VM (Vulnerability Management), что позволяет использовать контекст об уровне защищенности конкретного актива для более точной корреляции событий безопасности и эффективного управления рисками. Таким образом, оперативные данные о конфигурациях напрямую влияют на качество реагирования на инциденты.</p> <p>Как резюмировал Виктор Гончаров, автоматизация управления конфигурациями дает максимальный эффект, высвобождая ресурсы специалистов для решения сложных архитектурных задач вместо рутины. Связь практических метрик защиты с нормативными требованиями позволяет компаниям обеспечить жесткое соответствие стандартам регуляторов и укрепить защиту инфраструктуры, не блокируя при этом операционную деятельность и дальнейшее развитие.</p> Как превратить разовые проверки безопасности в непрерывный процесс, который действительно защищает бизнес … message https://www.itweek.ru/themes/detail.php?ID=235205 Fri, 17 Jul 2026 15:41:19 +0300 <p>Компании «Аладдин» и «САФИБ» подтвердили совместимость USB-токенов и смарт-карт JaCarta с системой удаленного мониторинга и управления «АССИСТЕНТ». По итогам испытаний получен сертификат, подтверждающий корректную работу решений в составе единой ИТ-инфраструктуры.</p> <p>В ходе испытаний подтверждена корректная работа средств строгой аутентификации JaCarta LT, JaCarta PKI, JaCarta-3 PKI, JaCarta-2 ГОСТ, JaCarta-3 ГОСТ, JaCarta-2 РКІ/ГОСТ, JaCarta-3 РКІ/ГОСТ и JaCarta-2 SE с системой удаленного мониторинга и управления «АССИСТЕНТ». Сертификат подтверждает готовность решений к совместному применению и обеспечивает заказчикам возможность построения защищенной среды удаленного администрирования с использованием отечественных технологий.</p> <p>Проверка проводилась в различных программно-аппаратных конфигурациях, включая операционные системы семейства Microsoft Windows, Astra Linux, РЕД ОС, Альт, РОСА, ОСнова, Debian, Ubuntu, CentOS, а также macOS (11.6 — 15). Испытания подтвердили стабильную и корректную работу решений во всех заявленных программно-аппаратных конфигурациях.</p> <p>В линейку продуктов JaCarta входят сертифицированные средства строгой аутентификации, электронной подписи для безопасного хранения ключей, работы с цифровыми сертификатами и интеграции с корпоративными системами управления доступом и единым входом (SSO). Смарт-карты, электронные ключи и USB-токены JaCarta сертифицированы ФСТЭК России и ФСБ России, включены в реестры Минпромторга РФ и Минцифры РФ и совместимы с российскими и зарубежными ОС.</p> <p>Система удаленного мониторинга и управления «АССИСТЕНТ» предназначена для организации безопасного удаленного доступа, управления и администрирования компьютерной техники и серверного оборудования внутри изолированной защищенной локальной сети или через сеть Интернет. «АССИСТЕНТ» включен в реестр отечественного программного обеспечения, сертифицирован ФСТЭК России и успешно применяется в государственных структурах, промышленных предприятиях, финансовом секторе и образовательных учреждениях для построения импортонезависимых систем удаленного управления ИТ-инфраструктурой.</p> <p>«Вопросы безопасного удаленного администрирования приобретают особую актуальность для организаций любого масштаба. Подтверждение совместимости JaCarta с системой „АССИСТЕНТ“ расширяет возможности наших заказчиков по построению доверенной ИТ-инфраструктуры, в которой надежная аутентификация сочетается с удобными инструментами управления и поддержки», — прокомментировал Сергей Ступин, руководитель продуктов семейства JaCarta, «Аладдин». </p> <p>«Для наших заказчиков важно, чтобы система „АССИСТЕНТ“ легко интегрировалась с отечественными средствами информационной безопасности. Подтвержденная совместимость с продуктами JaCarta означает, что теперь они могут строить защищенный контур управления, используя сертифицированные средства строгой аутентификации в связке с нашей системой. Это готовое доверенное решение, которое позволяет соблюдать регуляторные требования и при этом сохранять гибкость и удобство удаленной работы с любыми ОС», — прокомментировал Виталий Панкратов, заместитель генерального директора ООО «САФИБ». </p> Компании «Аладдин» и «САФИБ» подтвердили совместимость USB-токенов и смарт-карт JaCarta с системой удаленного … message https://www.itweek.ru/themes/detail.php?ID=235204 Fri, 17 Jul 2026 15:39:43 +0300 <p>MWS Cloud, входящая в МТС Web Services (MWS), почти в два раза расширила число больших языковых моделей, доступных в сервисе MWS GPT Model Hub, доведя их количество до 17. Главными пополнениями платформы стали GLM 5.2, опенсорс LLM от компании Z.AI, которая была признана лучшей LLM в агентских задачах. MWS Cloud первой в России предоставила клиентам инференс GLM 5.2 в собственном облаке. Кроме того, в сервисе появились первые модели распознавания речи (ASR) и синтеза речи (TTS), а также реранкеры для повышения качества поиска и RAG-пайплайнов. Сервис доступен в рамках платформы MWS Cloud Platform.</p> <p>Среди новых LLM — GLM 5.2, Kimi K2.6, Qwen3.6, Gemma 4, GPT OSS и другие. Каталог из 17 моделей даёт разработчикам возможность подбирать модель под конкретную задачу с учётом требований к качеству, скорости и стоимости. Все модели доступны через единый OpenAI-совместимый API, что упрощает интеграцию и переключение между ними.</p> <p>Сервис рассчитан на внедрение AI-ассистентов в продукты, построение интеллектуального поиска, обработку текстовых данных, автоматизацию поддержки, создание AI-инструментов для разработчиков и внутренних сервисов для сотрудников. Все вычисления происходят в облаке MWS Cloud Platform, не покидая пределов страны.</p> <p>GLM 5.2 — опенсорс-модель от Z.AI, ориентированная на сценарии, где важны качество рассуждений, глубокий анализ текстов и обработка многошаговых запросов. Модель расширяет возможности MWS GPT Model Hub для команд, которые встраивают AI-функции в продукты, внутренние сервисы, инструменты поддержки и backend-приложения.</p> <p>MWS Cloud первой в России развернула GLM 5.2 на собственной инфраструктуре — модель хостится на серверах компании, все вычисления происходят на GPU внутри MWS Cloud. Для бизнеса это значит, что запросы обрабатываются в России и не передаются провайдеру модели или посредникам — а значит, данные не покидают юрисдикцию РФ и не зависят от условий доступа со стороны иностранного вендора.</p> <p>Также в каталоге появилась Kimi K2.6 от Moonshot AI. Модель подходит для обработки сложных пользовательских запросов, анализа документов, генерации развёрнутых ответов и построения AI-ассистентов. Вместе с GLM 5.2 она формирует линейку для наиболее требовательных AI-задач.</p> <p>Помимо LLM, в MWS GPT Model Hub в режиме превью добавлены модели распознавания речи (ASR) и синтеза речи (TTS), такие как Whisper Large v3, Qwen3 ASR 1.7B, Qwen3 TTS Custom Voice. Они открывают новый класс сценариев: транскрибацию аудио, создание голосовых ассистентов, озвучивание текстов. В сервисе также стали доступны реранкеры — инструменты для более точного ранжирования найденных фрагментов и выбора релевантного контекста при ответе модели. Они повышают качество RAG-пайплайнов и работы с базами знаний.</p> <p>«В современной архитектуре агентских решений логично оркестрировать много моделей, каждая из которых лучше всего подходит для своего класса задач. Множество моделей, позволяющих работать с разными модальностями и объединённых с инструментами автоматизации и хранения данных в нашем облачном MWS Model Hub, — именно то, что нужно бизнесу для оптимального решения прикладных задач», — прокомментировал генеральный директор МТС Web Services Павел Воронин.</p> MWS Cloud, входящая в МТС Web Services (MWS), почти в два раза расширила число больших языковых моделей, доступных … message https://www.itweek.ru/themes/detail.php?ID=235203 Fri, 17 Jul 2026 15:38:48 +0300 <p>Аналитика инцидентов «Информзащиты» за <nobr>2025-2026</nobr> годы показала, что случаи утечек, где фигурирует несанкционированное использование ИИ, фиксируются все чаще и уже выделяются в отдельный класс событий. В июле 2026 году уже 20% организаций, столкнувшихся с утечками, связали произошедшее хотя бы частично с применением ИИ-инструментов вне утвержденных процессов и контроля служб информационной безопасности. По внутренней выборке расследований за 2025 год доля таких инцидентов составляла около 12%, что позволяет напрямую сравнить динамику год к году. Рост на 8 п. п. за год указывает, что сценарии с ИИ переходят из редких в типовые. Такие инциденты обходятся дороже (в среднем +670 тыс. долларов), поскольку утечка происходит без триггера классических защитных механизмов и обнаруживается позже. Специалисты связывают эту динамику с тем, что сотрудники и отдельные подразделения подключают генеративные сервисы, расширения и программные интерфейсы быстрее, чем компании успевают включить их в контур управления ИБ.</p> <p>По данным опроса клиентов и аудитов инфраструктуры, лишь около 30% компаний имеют инвентаризацию используемых ИИ-сервисов. Остальные видят лишь официально внедренные решения или контролируют отдельные облачные платформы. При этом сотрудник может установить браузерное расширение, передать текст во внешний чат-бот, подключить API к внутреннему скрипту или использовать ИИ-ассистента для обработки рабочего документа без участия ИТ- и ИБ-подразделений. Для SIEM и прокси — это неотличимо от обычных запросов к SaaS: домен легитимен, TLS корректен, сигнатур нет, но данные уже ушли наружу.</p> <p>В 2026 году одним из наиболее заметных векторов остаются веб-интерфейсы публичных ИИ-сервисов. На них приходится около 42% выявленных инцидентов, связанных с теневым ИИ. Сотрудники загружают договоры, фрагменты исходного кода, внутреннюю переписку, клиентские обращения и техническую документацию для перевода, анализа или подготовки ответа. Еще 24% случаев связаны с браузерными расширениями и ИИ-помощниками, которые получают доступ к содержимому открытых вкладок, истории сессий и другим данным браузера. Такие расширения на 60% чаще содержат известные уязвимости по сравнению с обычными дополнениями, в три раза чаще запрашивают доступ к сессионным cookie и в шесть раз чаще меняют набор разрешений после установки. Около 19% инцидентов приходится на самостоятельно подключенные API и библиотеки для работы с ИИ, а 15% связаны с ИИ-инструментами разработки, включая ассистентов для написания и анализа кода.</p> <p>Отдельную проблему создают учетные данные ИИ-сервисов. Почти у 29,5% организаций, использующих ИИ, обнаруживается хотя бы один секрет или API-ключ, размещенный в небезопасном месте. Среди пользователей отдельных поставщиков показатель достигает 40%. Ключи сохраняются в конфигурационных файлах, переменных окружения рабочих станций, тестовых скриптах и репозиториях. В ряде случаев они остаются в истории Git даже после удаления из актуальной версии проекта. Получив такой ключ, атакующий может не только генерировать запросы за счет компании, но и вытягивать данные из подключенных RAG-хранилищ или интеграций с внутренними БД. Эксперты отмечают, что теневой ИИ усложняет расследование, так как служба ИБ может не знать о существовании самого сервиса, его владельце и перечне переданных в него данных.</p> <p>Наиболее высокая доля подобных инцидентов в 2026 году фиксируется в ИТ и разработке программного обеспечения — около 31% утечек с участием теневого ИИ приходится на этот сегмент. Высокий показатель связан с распространением ИИ-ассистентов разработки и самостоятельным подключением SDK и API. В финансовом секторе доля составляет порядка 22%, где основной риск связан с передачей фрагментов клиентской и аналитической информации во внешние сервисы. На промышленность приходится около 18% случаев: сотрудники используют ИИ для обработки технической документации, инструкций и проектных материалов. В ритейле и электронной коммерции показатель достигает 16% из-за активной работы с клиентскими обращениями и маркетинговыми данными. В профессиональных услугах, включая консалтинг и юридическое сопровождение, доля составляет около 13%. Здесь ключевым фактором становится загрузка во внешние ИИ-системы документов клиентов и материалов рабочих проектов.</p> <p>Во многих организациях сами правила не учитывают фактическую модель использования ИИ. Полный запрет публичных сервисов обычно приводит к переносу активности в менее контролируемые каналы: личные устройства, браузерные расширения или сторонние учетные записи. Другой распространенный сценарий — это формальное согласование одного корпоративного инструмента без учета того, что подразделения продолжают использовать десятки альтернативных решений. Дополнительный фактор — фрагментация: один пользователь одновременно работает с <nobr>4-7 ИИ-сервисами,</nobr> каждый со своей моделью доступа и логирования. Для ИБ-подразделения это означает необходимость контролировать несколько моделей аутентификации, схем передачи данных и наборов разрешений.</p> <p>Практически это начинается с инвентаризации: выгрузки доменов, анализа прокси-логов и поиска API-ключей в Git и рабочих станциях. Контроль следует строить вокруг данных и действий пользователей, а не только перечня разрешенных брендов. Организациям требуется классифицировать сведения, которые запрещено передавать во внешние ИИ-системы, настроить выявление несанкционированных ключей и секретов, проверять историю репозиториев и ограничивать установку расширений с избыточными разрешениями. Для корпоративных ИИ-сервисов необходимо применять централизованную аутентификацию, журналирование и разграничение доступа. Эксперты «Информзащиты» также рекомендуют включать теневое использование ИИ в сценарии мониторинга и реагирования на инциденты. Без учета этого канала компания может расследовать утечку как обычную передачу данных в облако и пропустить причину, которая уже затрагивает каждую пятую организацию, столкнувшуюся с компрометацией информации.</p> Аналитика инцидентов «Информзащиты» за 2025-2026 годы показала, что случаи утечек, где фигурирует несанкционированное … message https://www.itweek.ru/themes/detail.php?ID=235202 Fri, 17 Jul 2026 15:36:12 +0300 <p>Компания BSS анонсировала выход версии 3.8 инструментария NLU-Suite. Ключевым нововведением стал функционал оценок GAI, позволяющий использовать большие языковые модели (LLM) в роли аудитора для автоматизированного тестирования ответов RAG-систем (Retrieval-Augmented Generation). Это один из самых востребованных сегодня подходов к построению корпоративных ИИ-приложений.</p> <p>NLU-Suite представляет собой инструментарий для обучения моделей распознавания через визуальный интерфейс. Система позволяет с высокой точностью выявлять намерения клиента в диалоге и извлекать ключевые атрибуты (слоты) из речи: числа, локации, даты и прочие специфические сущности. С массовым внедрением генеративного ИИ перед бизнесом встала новая проблема: контроль фактологической точности и безопасности ответов. В новой версии решение выходит за рамки традиционного NLU, предоставляя комплексные средства для оценки качества работы генеративных моделей.</p> <p>Обновленный модуль «Метрики» и раздел «Оценка» поддерживают гибкую настройку контрольных точек. Дата-инженеры и аналитики могут использовать три типа метрик:</p> <ul> <li>рубрики — с фиксированными критериями, весовыми коэффициентами и настраиваемыми шкалами (от непрерывных значений до текстовых меток);</li> <li>категории — для классификации ответа по заданным параметрам качества;</li> <li>попарное сравнение — для A/B-тестирования ответов на базе одного набора данных, но сгенерированных разными LLM.</li> </ul> <p>В релиз уже включены предустановленные отраслевые метрики для RAG-систем. Среди них: Answer_Correctness (сравнение с эталоном), Answer_Correctness_noRef (оценка качества без опоры на эталон), Context_Relevancy (оценка того, насколько точно ИИ подобрал релевантные чанки из базы знаний) и Faithfulness (проверка на отсутствие «галлюцинаций» и противоречий предоставленным документам).</p> <p>«Главный вызов для бизнеса сегодня — это не просто внедрение генеративного ИИ, а обеспечение его предсказуемости и фактологической точности, особенно в клиентском сервисе. В версии 3.8 мы реализовали функционал, который позволяет автоматизировать один из самых трудоёмких этапов разработки RAG-систем — валидацию качества ответов. Использование LLM в роли аудитора даёт возможность оценивать ответы по множеству критериев одновременно, включая фактологическую точность и релевантность контекста, без необходимости ручного анализа каждого кейса. Это существенно ускоряет вывод голосовых помощников и чат-ботов в промышленную эксплуатацию», — прокомментировал Александр Крушинский, директор департамента голосовых цифровых технологий компании BSS.</p> Компания BSS анонсировала выход версии 3.8 инструментария NLU-Suite. Ключевым нововведением стал функционал оценок GAI … message https://www.itweek.ru/themes/detail.php?ID=235197 Fri, 17 Jul 2026 09:48:37 +0300 <p><em>Модели с открытыми весами, такие как GLM 5.2, отстают от передового ИИ на месяцы, а не на годы, и стоят намного меньше. Опрошенные порталом </em><em>The</em> <em>New</em> <em>Stack</em> <em>эксперты обсуждают такие аспекты, как привязка к поставщику, безопасность и реальные результаты для разработчиков.</em></p> <p>В сфере моделей ИИ назревает тихая революция.</p> <p>С одной стороны, доминирование проприетарных закрытых моделей укрепилось благодаря глобальному общественному интересу, который распространился на правительства и регулирующие органы от США до Европы и Китая.</p> <p>Однако, несмотря на это доминирование, Open Source-сообщество, которое редко уклоняется от борьбы, утверждает, что проприетарная модель — это всего лишь корпоративная оболочка вокруг модели, которая включает в себя память, средства наблюдаемости, интеллектуальную маршрутизацию и коннекторы. И называет закрытые модели дорогой оберточной бумагой, поскольку открытые модели примерно в 10 раз дешевле в расчете на токен.</p> <h3>Фактор запугивания со стороны крупных игроков</h3> <p>По словам Бориса Ренски, основателя и генерального директора стартапа Apelogic, занимающегося интеграцией ИИ-агентов, передовые лаборатории «усердно работают над тем, чтобы посеять страх» по поводу уникально «умных», опасных моделей и скорого появления общего ИИ (AGI).</p> <p>«Этот фактор страха призван отвлечь внимание от результатов тестов, показывающих, что открытые модели отстают всего на четыре месяца и при этом обходятся значительно дешевле, — говорит он. — Это означает, что в большинстве случаев компании платят OpenAI или Anthropic не за интеллект, а за „стандартные корпоративные функции“, связанные с моделью, такие как интеграция IDP, коннекторы MCP и наблюдаемость».</p> <p>#IMAGE_235198#</p> <p>Обеспокоенность Ренски во многом обусловлена ​​его двадцатилетним опытом создания компаний, занимающихся Open Source-инфраструктурой, когда он наблюдал, как «Open Source всегда догоняет и часто превосходит» вертикально интегрированные, проприетарные стеки по возможностям и распространенности. Это повторяющаяся закономерность, которая, по его словам, проявляется в сравнении Windows и Linux, Oracle и MySQL, Docker Enterprise и Kubernetes и т. д.</p> <h3>Неужели снова лицензионная привязка?</h3> <p>«Через несколько лет предприятия будут рассматривать свои многолетние контракты с передовыми лабораториями на большие языковые модели так же, как сегодня рассматривают свои лицензии Oracle, но будет уже слишком поздно. Это потому, что сама структура их бизнеса будет настолько глубоко переплетена с поставщиками проприетарных LLM, что миграция станет невозможной», — поясняет Ренски.</p> <p>Джонатан Брайс, исполнительный директор Cloud Native Computing Foundation (CNCF), согласен с этим мнением и заявляет, что платить в десять раз больше за четырехмесячное преимущество в развитии возможностей «не является корпоративной стратегией ИИ».</p> <p>«Это явно неразумный подход или стратегия, — говорит он. — В действительности это очень дорогостоящая форма привязки. Передовые технологии постоянно развиваются, поэтому разработчикам следует использовать открытую инфраструктуру, которая позволяет им менять модели и оборудование, не перестраивая приложение каждый раз, когда меняется рейтинг лидеров».</p> <p>Прямолинейное мнение Ренски и согласие Брайса по этому вопросу совпадают со смелыми заявлениями компании Featherless, занимающейся разработкой бессерверных платформ для инференса. Организация утверждает, что может «резко сократить затраты на передовые разработки в области ИИ» за счет нативной оптимизации китайской ИИ-модели Z.ai GLM 5.2 с открытыми весами.</p> <h3>Во что обходятся 100 миллиардов токенов в месяц?</h3> <p>Featherless утверждает, что ее нативная оптимизация модели GLM 5.2 на частной облачной инфраструктуре AMD существенно снижает затраты на ИИ-инференс передового уровня — примерно на 94%. По данным компании, для команды разработчиков, работающей при максимальной загрузке и использующей около 100 млрд. токенов в месяц, годовая стоимость GPT-5.5 составляет 1 557 600 долл.; при использовании Claude Opus 4.8 идентичная ежемесячная нагрузка обходится в 1 506 000 долл. в год.</p> <p>Если 100 млрд. токенов кажутся огромной цифрой, то, согласно отчетам этого года, ссылающимся на исследование Deloitte, одна медицинская компания потратила 1 трлн. токенов за шесть месяцев.</p> <p>В отличие от проприетарных моделей с подобными оценками затрат, вариант с частным облаком Featherless учитывает переменные факторы и предполагает фиксированную годовую плату в размере 90 000 долл., что позволяет экономить более 1,46 млн. долларов в год при полной загрузке команды разработчиков.</p> <h3>Особенности реализации</h3> <p>Неужели мы действительно дойдем до того, что крупные организации ощутят жизнеспособность моделей с открытым исходным кодом и открытым весом, и в конечном счете разработчик (и пользователь) даже не будет задумываться о том, на каком оборудовании выполняется их инференс?</p> <p>По словам Исаака Джемала, руководителя отдела Featherless по связям с разработчиками, модели с открытыми весами часто считались неполноценными или неспособными к реальной работе, но теперь «GLM 5.2 перевернула это представление с ног на голову».</p> <p>Насколько легко было запустить GLM 5.2 нативно на оборудовании AMD вместо Nvidia, и на какие подводные камни следует обратить внимание разработчикам? «Это было непросто; спрос на GLM 5.2 оказался даже выше, чем мы прогнозировали, что стало для нас неожиданностью, поэтому эффективное распределение ресурсов GPU на начальном этапе представляло собой сложную задачу, — рассказывает Джемал. — Наша команда инженеров непосредственно работает с Tensorwave, чтобы обеспечить успешное развертывание этой большой модели».</p> <p>Существуют операционные ограничения и подводные камни, на которые следует обратить внимание. Джемал советует разработчикам следить за условиями, скрытыми в политиках обеспечения конфиденциальности.</p> <p>«Крупные лаборатории часто говорят что-то вроде: „Мы не будем регистрировать ваши запросы, кроме случаев, когда это необходимо“, и всё, что их собственные системы сочтут „небезопасным“, всё равно сохраняется, иногда годами, полностью по их собственному усмотрению. Их критерии часто расплывчаты и очень широки. Мы считаем такой подход неправильным, поскольку очень серьёзно относимся к вопросам конфиденциальности», — говорит Джемал.</p> <h3>Что думают разработчики из реального мира?</h3> <p>Очевидно, что решающим фактором здесь является мнение об открытых альтернативах разработчиков и специалистов в области науки о данных.</p> <p>Кацпер Михалик, инженер-программист польской компании Screen Studio, на практике сравнил модель с открытыми весами (фактически, GLM 5.2) с закрытыми моделями, такими как Opus 4.8, занимаясь исследованием технологического стека для инжиниринга данных, алгоритмических задач и генерации компонентов.</p> <p>«В исследовательских задачах GLM 5.2 показала результаты, аналогичные или даже лучшие, чем Opus 4.8, — говорит он. — Она имеет широкий охват, активно расширяется на смежные темы и даже создает полезные визуальные графики. Я сравнил GPT, Claude и GLM на задаче, предлагаемой на собеседовании по программированию. GPT хорошо объяснила этапы мышления, но не предоставила код; ответ Claude была кратким и понятным, но без особых подробностей; GLM же заняла промежуточную позицию, то есть изложила чёткие моменты, дала подробное пошаговое объяснение и предложила работающее решение на Python».</p> <p>По мнению Михалика, при наличии четкого запроса результаты GLM превосходны. Модель также разработала компонент формы React с использованием Zod и TypeScript, который работает корректно, имеет правильную типизацию, корректно обрабатывает поля и отображает четкие ошибки валидации. По умолчанию для стилизации используется Tailwind, что сейчас является стандартной практикой.</p> <p>«Конечно, GLM не безупречна, — уточняет Михалик. — Когда я попросил ее создать 3D-сцену с помощью React и TypeGPU в одном файле, она не смогла корректно отобразить результат — я ожидал чего-то ближе к версии v0 или Lovable для полной генерации проекта. Кроме того, ближе к вечеру я столкнулся с предупреждениями об ограничении использования».</p> <h3>Безопасность и другие аспекты</h3> <p>Учитывая, что многие из ИИ-моделей с открытым исходным кодом разрабатываются в Китае, нельзя обойти вниманием вопрос безопасности.</p> <p>Фил Уиттакер, инженер-разработчик опенсорсной CMS-системы Umbraco согласен с тем, что модели ИИ с открытыми весами (не с открытым исходным кодом) отстают от передовых моделей на четыре-пять месяцев, но это не вся история.</p> <p>«Я не вполне согласен с тем, что эти модели в 10 раз дешевле, поскольку все зависит от масштаба и цели, — говорит он. — И да, большинство моделей с открытыми весами — китайские. Прямое подключение к конечным точкам ИИ поставщика имеет последствия для безопасности и конфиденциальности. Использование стороннего поставщика, такого как Ollama, лучше, но затраты основаны на токенах, а различия в токенизаторах между моделями могут означать снижение стоимости всего на 50%».</p> <p>Наконец, как уточняет Уиттакер, самостоятельный хостинг — это вариант, но он требует первоначальных капитальных затрат (серверы) и постоянного обслуживания. Он отмечает, что бенчмарки и опыт показывают, что GLM 5.2 «приближается к уровню интеллекта» Opus 4.8 от Anthropic. Однако следует учитывать, что, поскольку эта модель не такая быстрая, она лучше подходит для длительных и независимых задач, чем для инструментов агентного кодирования, где скорость инференса имеет значение.</p> <p>«Результаты также зависят от качества среды, которая управляет моделью, — добавляет Уиттакер. — По мере того, как модели становятся все более стандартизированными, а потребности обычных пользователей могут удовлетворяться моделями более низкого уровня, среда и ее конфигурация будут приобретать все большее значение».</p> Модели с открытыми весами, такие как GLM 5.2, отстают от передового ИИ на месяцы … article https://www.itweek.ru/themes/detail.php?ID=235195 Fri, 17 Jul 2026 09:31:39 +0300 <p>Интерес к использованию ИИ в разработке продолжает расти. Компании внедряют кодовых ассистентов, автоматизируют тестирование, используют генеративные модели для работы с документацией и внутренними знаниями. На уровне отдельных задач эффект часто становится заметен практически сразу: сотрудники тратят меньше времени на рутинные операции, быстрее находят информацию и получают готовые заготовки решений.</p> <p>Однако между локальным ускорением отдельных действий и ускорением бизнеса существует большая разница.</p> <p>На практике многие организации сталкиваются с похожей ситуацией. Инструменты используются все активнее, но сроки вывода продуктов на рынок почти не меняются. Разработчики генерируют больше кода, однако производительность команд растет значительно медленнее ожидаемого. Согласно <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value?utm">исследованию</a> McKinsey «The State of AI: How Organizations Are Rewiring to Capture Value», именно переработка рабочих процессов оказывает наибольшее влияние на способность компаний получать измеримый бизнес-эффект от генеративного ИИ</p> <p>Это закономерно. ИИ способен ускорять отдельные операции, но бизнес получает эффект только тогда, когда ускорение начинает распространяться на весь цикл создания продукта.</p> <p>Рассмотрим, почему многие компании не получают ожидаемой отдачи от внедрения ИИ и какие изменения необходимы, чтобы технология действительно начала работать на результат.</p> <h3>Главная ошибка — считать, что проблема находится в написании кода</h3> <p>Когда компании обсуждают внедрение ИИ в разработку, основной фокус обычно направлен на скорость создания кода. Именно здесь генеративные инструменты демонстрируют наиболее заметные результаты, поэтому возникает естественное ожидание: если код будет писаться быстрее, бизнес автоматически начнет получать продукты быстрее.</p> <p>Но в реальных проектах написание кода далеко не всегда является главным ограничением.</p> <p>Задержки чаще возникают в других точках процесса:</p> <ul> <li> согласовании требований;</li> <li> поиске информации;</li> <li> архитектурных решениях;</li> <li> тестировании;</li> <li> ревью изменений;</li> <li> устранении дефектов;</li> <li> межкомандных коммуникациях.</li> </ul> <p>Поэтому увеличение скорости генерации кода само по себе не гарантирует ускорения поставки продукта.</p> <p>Более того, иногда происходит обратный эффект. Чем быстрее создаются изменения, тем больше нагрузки появляется на этапах проверки и контроля качества. В результате локальная производительность растет, а пропускная способность системы в целом остается прежней.</p> <p>Это один из ключевых парадоксов внедрения ИИ. Автоматизация устраняет ограничения на одном участке процесса, но одновременно делает более заметными ограничения на других участках.</p> <p>Поэтому перед внедрением полезно ответить не на вопрос «какой инструмент выбрать», а на вопрос «что именно сегодня ограничивает скорость разработки».</p> <h3>Самые успешные сценарии внедрения редко выглядят самыми амбициозными</h3> <p>Многие организации начинают знакомство с ИИ через наиболее заметные сценарии: автоматическую генерацию кода или создание полноценных программных компонентов.</p> <p>На презентациях такие примеры выглядят впечатляюще. Однако в реальной эксплуатации именно они часто оказываются наиболее сложными для масштабирования.</p> <p>Причина проста: чем ближе система находится к бизнес-критичным изменениям, тем выше стоимость ошибки.</p> <p>Каждый автоматически созданный фрагмент кода требует проверки. Каждое архитектурное решение нуждается в дополнительной валидации. Каждая ошибка может привести к затратам, которые значительно превышают выигрыш от ускорения разработки.</p> <p>Поэтому наиболее успешные внедрения часто начинаются с менее заметных, но более управляемых процессов:</p> <ul> <li> подготовки документации;</li> <li> поиска информации во внутренних базах знаний;</li> <li> анализа требований;</li> <li> генерации тестовых сценариев;</li> <li> поддержки процессов ревью.</li> </ul> <p>Общий признак таких задач заключается в том, что результат легко проверить, а риски остаются контролируемыми.</p> <p>Практика внедрений показывает, что наиболее быстрый и предсказуемый эффект обычно возникает не в сценариях полной автоматизации разработки, а в задачах, связанных с повторяющимися инженерными операциями. Именно такие процессы проще контролировать, измерять и масштабировать внутри организации.</p> <p>Именно поэтому первые этапы внедрения ИИ должны быть ориентированы не на максимальный уровень автоматизации, а на быстрое получение контролируемого результата.</p> <h3>ИИ усиливает качество процессов, а не заменяет их</h3> <p>Существует распространенное представление, что внедрение ИИ способно компенсировать недостатки существующей организации разработки.</p> <p>На практике происходит противоположное.</p> <p>Если процессы описаны недостаточно подробно, ответственность распределена неявно, а инженерные знания существуют преимущественно в головах сотрудников, генеративные инструменты начинают воспроизводить эту же неопределенность.</p> <p>Особенно заметно это становится в крупных проектах.</p> <p>Для эффективной работы модели необходим контекст:</p> <ul> <li> архитектурная документация;</li> <li> история изменений;</li> <li> бизнес-правила;</li> <li> инженерные стандарты;</li> <li> требования информационной безопасности;</li> <li> внутренние регламенты разработки.</li> </ul> <p>Если эти знания противоречат друг другу или быстро устаревают, качество рекомендаций начинает снижаться независимо от возможностей самой модели.</p> <p>В результате ИИ становится своеобразным индикатором зрелости инженерной системы.</p> <p>Компании с прозрачными процессами обычно быстрее получают практический эффект. Организации, где накопилось большое количество организационных и технических проблем, напротив, сталкиваются с тем, что технология лишь делает эти проблемы более заметными.</p> <p>Поэтому внедрение ИИ редко ограничивается подключением нового инструмента. Чаще оно приводит к необходимости пересматривать подходы к управлению знаниями, документации, качеству данных и внутренним инженерным стандартам.</p> <h3>Метрики использования почти ничего не говорят о бизнес-эффекте</h3> <p>Еще одна причина разочарования связана с неправильной оценкой результата.</p> <p>Многие компании отслеживают:</p> <ul> <li> количество пользователей;</li> <li> число запросов к модели;</li> <li> объем автоматически созданного кода;</li> <li> частоту использования инструмента.</li> </ul> <p>Эти показатели помогают понять уровень распространения технологии внутри организации.</p> <p>Но они не позволяют ответить на главный вопрос: стала ли разработка эффективнее.</p> <p>Для бизнеса значительно важнее другие показатели:</p> <ul> <li> сократилось ли время прохождения задачи через полный цикл разработки;</li> <li> уменьшилось ли количество дефектов после релиза;</li> <li> ускорился ли выпуск изменений;</li> <li> снизилась ли стоимость сопровождения;</li> <li> уменьшилась ли нагрузка на ключевых специалистов.</li> </ul> <p>Показательно, что наиболее зрелые организации постепенно переходят от оценки активности к оценке результата. Причина проста: сам факт использования ИИ не создает ценности. Ценность возникает только тогда, когда меняется экономика процесса.</p> <p>Если команда стала отправлять модели больше запросов, но релизный цикл остался прежним, бизнес практически не почувствует разницы.</p> <h3>Основная сложность начинается после успешного пилота</h3> <p>На этапе пилотного проекта ИИ обычно демонстрирует хорошие результаты.</p> <p>Команда работает с ограниченным набором сценариев, использует подготовленные данные и концентрируется на достижении конкретной цели. В таких условиях технология часто показывает высокую эффективность. Но именно после завершения пилота начинается самый сложный этап.</p> <p>Необходимо встроить решение в существующую инженерную среду, обеспечить соблюдение требований безопасности, организовать поддержку пользователей, определить зоны ответственности и адаптировать процессы контроля качества. Именно здесь многие проекты начинают терять темп.</p> <p>Проблема заключается в том, что пилот проверяет работоспособность технологии, а промышленная эксплуатация проверяет готовность организации к изменениям.</p> <p>Поэтому переход от эксперимента к масштабированию остается одним из самых сложных этапов внедрения ИИ. Основные трудности обычно связаны не с моделями, а с необходимостью менять привычные процессы и подходы к управлению разработкой.</p> <h3>Что в итоге</h3> <p>Сегодня вопрос уже не в том, способен ли ИИ ускорять работу разработчиков. Практика показывает, что способен.</p> <p>Гораздо важнее другое: способен ли бизнес превратить локальное ускорение отдельных задач в ускорение всей системы создания продукта. Здесь проходит граница между экспериментом и реальным результатом.</p> <p>Компании получают наибольшую отдачу от ИИ не потому, что выбирают самые современные инструменты. Устойчивый эффект появляется тогда, когда технология становится частью инженерной системы, а процессы, метрики и правила работы адаптируются под новые возможности.</p> <p>Поэтому успешное внедрение ИИ начинается не с выбора модели.</p> <p>Оно начинается с понимания того, какие ограничения действительно мешают бизнесу двигаться быстрее и каким образом организация готова их устранять.</p> <p> #IMAGE_235196#</p> Интерес к использованию ИИ в разработке продолжает расти. Компании внедряют кодовых ассистентов, автоматизируют … article Константин Попандопуло, технический директор Umbrella IT https://www.itweek.ru/themes/detail.php?ID=235193 Thu, 16 Jul 2026 16:56:18 +0300 <p>Провайдер облачной сетевой инфраструктуры и решений в области кибербезопасности и доставки контента CURATOR, специализирующийся на обеспечении доступности интернет-ресурсов, нейтрализации DDoS-атак и защите веб-приложений, подытожил данные своей инфраструктуры защиты за первое полугодие 2026 года и зафиксировал постепенное вхождение DDoS-атак терабитного класса в обычную практику злоумышленников.</p> <p>По данным CURATOR, в течение второго квартала 2026 года структура кибератак претерпела заметные изменения: финтех сохранил лидерство среди целей, однако его доля сократилась, тогда как сегмент медиа резко усилил своё присутствие в статистике. Во втором квартале 2026 года финтех-сегмент по-прежнему остаётся главной целью злоумышленников, однако его доля сократилась с 44,2% до 31,9%. При этом медиасегмент — «Медиа, ТВ, радио и блогеры» — стремительно вырос и занял первое место в микросегментации с 12,7% всех инцидентов. Тройку лидеров по макросегментам замыкают «ИТ и Телеком» (16,8%) и «Медиа» (14,0%), вместе с финтехом формирующие около двух третей всех зафиксированных атак. В топ-5 микросегментов по числу атак вошли также «Платёжные системы» (10,0%), «Банки» (9,5%), «Онлайн-букмекеры» (9,0%) и «Торговые площадки» (7,9%).</p> <p>На этом фоне атаки мощностью свыше 1 Тбит/с превратились в рутину: за один квартал их зафиксировано вдвое больше, чем за весь прошлый год. За апрель—июнь 2026 года CURATOR нейтрализовал 12 подобных инцидентов — вдвое больше, чем за весь 2025 год. Наиболее мощные атаки пришлись на сегмент онлайн-ставок: пиковый битрейт двух крупнейших достиг 1,64 и 1,58 Тбит/с при скорости передачи пакетов 553 и 638 Мпак/с (миллионов пакетов в секунду) соответственно. Наиболее продолжительная атака квартала — в сегменте онлайн-ритейла — длилась почти 80 часов.</p> <p>Растёт техническая сложность атак: так, доля мультивекторных DDoS-инцидентов увеличилась с 8,0% в 2025 году до 11,7% во втором квартале 2026 года. Изменилась и структура векторов: доля UDP flood выросла с 22,9% до 29,3%, TCP flood удвоилась — с 4,2% до 8,9%, SYN flood — с 2,8% до 5,6%. Одновременно зафиксирован нетипичный всплеск ICMP flood: его доля достигла 4,3% против 0,1% годом ранее.</p> <p>Во втором квартале впервые за два года зафиксировано резкое снижение размера крупнейшего наблюдаемого ботнета — с 13,5 млн устройств в первом квартале до 2,09 млн. По оценке специалистов CURATOR, это связано с международной операцией правоохранительных органов США, Канады и Германии, в ходе которой была выведена из строя инфраструктура ботнетов Aisuru и Kimwolf. Вместе с тем компания не ожидает долгосрочного изменения ситуации: фундаментальные предпосылки для формирования масштабных ботнетов — рост числа уязвимых устройств и доступность инструментов автоматизации на базе ИИ — никуда не исчезли.</p> <p>Операция правоохранителей отразилась и на географии источников атак. На первое место среди источников L7 DDoS вышли США (15,9%), следом — Вьетнам (9,5%) и Россия (7,2%). Бразилия, лидировавшая несколько кварталов подряд, резко снизила долю (6,2%) и опустилась на четвёртое место. В целом распределение источников атак по-прежнему становится более равномерным: совокупная доля стран за пределами топ-20 продолжает расти. Это ещё раз подтверждает снижение практической ценности простых географических блокировок как инструмента защиты.</p> <p>«Наши данные показывают: ландшафт угроз меняется быстрее, чем было принято считать. Атаки класса 1 Тбит/с больше не являются экстраординарными событиями — они за последний год стали частью нашей реальности. При этом смена приоритетов у злоумышленников происходит стремительно: медиасегмент, ещё недавно находившийся на периферии статистики, за один квартал вышел в лидеры по числу инцидентов. Для бизнеса это означает одно: защита не может строиться на отраслевых допущениях — угроза актуальна для любого публичного ресурса», — отметил Дмитрий Ткачёв, генеральный директор CURATOR.</p> Провайдер облачной сетевой инфраструктуры и решений в области кибербезопасности и доставки контента CURATOR … message https://www.itweek.ru/themes/detail.php?ID=235192 Thu, 16 Jul 2026 16:54:13 +0300 <p>Технологическая компания YADRO (входит в ИКС Холдинг) объявляет о старте продаж сервера H225 G4 — первого устройства в портфеле компании на базе процессоров AMD EPYC 9004 (Genoa) и 9005 (Turin). Это стратегическое расширение линейки серверных платформ YADRO предлагает заказчикам альтернативную x86-архитектуру с максимальной вычислительной плотностью и энергоэффективностью.</p> <p>H225 G4 — универсальный сервер для сценариев масштабирования scale-out и scale-up нагрузок. Высокая плотность вычислений и большой объем быстрой памяти делают его оптимальным выбором для высокоплотных сред виртуализации, озер данных, HPC-кластеров и OLAP-систем. На практике это позволяет бизнесу оптимизировать ИТ-инфраструктуру и снизить совокупную стоимость владения (TCO) при консолидации нагрузок за счет сокращения затрат на стойко-место и энергопотребления ЦОД.</p> <p>Компактная двухпроцессорная платформа в форм-факторе 2U на базе процессоров AMD EPYC 9004 и 9005 объединяет до 384 физических вычислительных ядер с частотой до 5 ГГц, позволяя разместить больше вычислительных ресурсов в ограниченном пространстве стойки и кратно повысить плотность виртуальных сред. <nobr>12-канальная</nobr> архитектура с поддержкой до 24 модулей DDR5-6400 и общим объемом до 6 ТБ обеспечивает необходимую пропускную способность для ресурсоемких задач обработки данных и облачных сервисов.</p> <p>При этом платформа сохраняет гибкость конфигурации за счет поддержки от 4 до 11 высокоскоростных слотов PCIe 5.0 и возможности подключения от 8 до 30 дисковых накопителей. Это позволяет подобрать конфигурацию точно под сценарий заказчика, избегая переплат за неиспользуемые компоненты.</p> <p>«Корпоративная ИТ-инфраструктура развивается в условиях роста вычислительных нагрузок и требований к эффективности ЦОД. YADRO H225 G4 расширяет возможности наших клиентов по выбору серверной архитектуры для задач виртуализации, обработки данных и облачных сервисов. Мы видим устойчивый спрос на решения с высокой плотностью ядер и делаем ставку на платформы, которые позволяют консолидировать ресурсы, масштабировать вычислительные мощности и точнее управлять затратами на размещение и эксплуатацию оборудования», — отметил Александр Бакулин, коммерческий директор YADRO. </p> <p>Сервер YADRO H225 G4 уже включен в Единый реестр российской радиоэлектронной продукции Минпромторга, что позволяет использовать его в проектах субъектов КИИ, государственных заказчиков и организаций регулируемых отраслей.</p> Технологическая компания YADRO (входит в ИКС Холдинг) объявляет о старте продаж сервера H225 G4 — первого … message