Рубрика: Угрозы и подарки ИИ

Я уже рассказывал, как объяснял другу, сидящему в колонии строгого режима, что такое ИИ, так как он уже более трёх дет лишён свободы и просто не знает, как поменялся мир за это время.

Вторая серия о том, как ИИ работает технически.

Если объяснить совсем по сути, современный ИИ вроде ChatGPT — это не «мыслящая личность» и не база готовых ответов, а очень большая математическая функция, обученная угадывать, какой следующий кусок текста наиболее вероятен после предыдущих.

1. С чего всё начинается: текст превращают в числа

Компьютер не понимает слова как человек. Для него всё должно быть числами. Поэтому фраза вроде «Как работает ИИ?» сначала разбивается на маленькие кусочки — токены. Токеном может быть слово, часть слова, знак препинания или даже пробел в особом виде. Например, «работает» может быть одним токеном, а может быть разбито на несколько частей — зависит от словаря модели.

Каждому токену соответствует номер. То есть текст сначала превращается в последовательность целых чисел. Уже это делает язык удобным для машинной обработки.

Но одного номера мало. Число «15273» само по себе не говорит, что это слово похоже на «модель» или связано с темой математики. Поэтому каждый токен переводится в вектор — длинный список чисел. Например, не просто «15273», а условно массив из 4 096 или 8 192 чисел. Это называется «эмбеддинг». Именно в таких векторах модель хранит «смысловые координаты». Слова с похожим употреблением оказываются рядом в этом многомерном пространстве.

2. Главная математика: линейная алгебра и вероятности

Внутри языковой модели почти всё держится на трёх вещах:

1. умножение матриц;
2. сложение и нелинейные преобразования;
3. расчёт вероятностей.

Если очень грубо, модель берёт входные векторы и много раз прогоняет их через огромные таблицы чисел — матрицы весов. Вес — это просто параметр, число, которое модель подстроила во время обучения. Таких параметров могут быть миллиарды и сотни миллиардов.

Что делает модель на каждом шаге? Она пересчитывает представление текста, пытаясь уловить связи: к чему относится местоимение, где начало и конец мысли, какой стиль у текста, что логично продолжить дальше. Это и есть математика «понимания» в инженерном смысле: не осознание, а преобразование числовых представлений так, чтобы из них можно было хорошо предсказывать продолжение.

3. Почему все говорят про «трансформер» и attention

Большинство современных больших языковых моделей устроены по архитектуре Transformer. Её ключевая идея — attention, то есть механизм «внимания».

Когда модель читает текущий текст, она не обрабатывает каждое слово в полной изоляции. Она вычисляет, на какие предыдущие токены надо смотреть сильнее, а на какие слабее. Например, в предложении «Мария положила книгу на стол, потому что она была тяжёлая» модель пытается понять, к чему относится «она» — к книге или к столу. Для этого attention сравнивает токены друг с другом.

Технически это делается тоже через математику: из каждого токена вычисляются три вектора — Query, Key и Value. Потом считаются скалярные произведения между Query одного токена и Key других токенов. Получаются числа важности. После нормализации модель решает, сколько информации взять от каждого предыдущего элемента.

Иначе говоря, attention — это способ взвешенно смешивать контекст.

4. Как модель обучают

Обучение выглядит очень прозаично: модели дают огромные массивы текста и скрывают следующий токен. Её задача — предсказать его. Если предсказание плохое, веса немного меняют. Если хорошее — изменение меньше.

Формально модель выдаёт распределение вероятностей по словарю токенов. Например:

• «и» — 12 %
• «это» — 9 %
• «модель» — 18 %
• «работает» — 4 %

Правильный токен известен из обучающего текста. Считается ошибка, обычно через функцию потерь вроде cross-entropy. Затем по этой ошибке считается градиент — то есть как надо изменить каждый вес, чтобы в будущем ошибка стала меньше. Это делается методом обратного распространения ошибки и вариантами градиентного спуска.

Так модель проходит через гигантское количество примеров и постепенно подгоняет миллиарды параметров.

5. Где тут процессоры и почему нужны GPU

Обычный центральный процессор, CPU, хорош для самых разных задач, но плохо подходит для огромного числа одинаковых операций над матрицами. А обучение ИИ — это именно бесконечные массовые операции: умножения, сложения, нормализация, вычисление градиентов.

Поэтому используют GPU — графические процессоры. Исторически они создавались для графики, но оказались идеальны для параллельной математики. Если CPU силён в сложной логике и последовательных шагах, то GPU силён в том, чтобы одновременно выполнять тысячи похожих операций.

Для обучения крупных моделей используют не один GPU, а целые кластеры. Память тоже критична: веса модели, промежуточные активации, данные для обратного прохода — всё это занимает огромные объёмы. Поэтому важны не только вычисления, но и пропускная способность памяти, скорость обмена между ускорителями, сетевые соединения между серверами.

6. Почему всё в итоге сводится к числам

Кажется магией, что из одних чисел получается осмысленный текст. Но дело в масштабе. Если модель увидела огромное количество примеров, она начинает статистически улавливать закономерности:

• после одних слов чаще идут другие;
• определённые конструкции характерны для научного текста;
• в вопросе о математике часто встречаются слова «матрица», «вектор», «вероятность»;
• если раньше в разговоре упоминали Италию, то «Венеция» становится более вероятной, чем «Новосибирск».

То есть ИИ не «знает» всё в человеческом смысле, а строит очень сложную поверхность вероятностей над пространством текста.

7. Как происходит выдача ответа

Когда пользователь пишет запрос, модель снова превращает его в токены, прогоняет через свои слои и получает вероятности следующего токена. Затем выбирается один токен. Потом он добавляется к уже написанному тексту, и процесс повторяется.

Ответ рождается по одному токену за шаг.

Выбор бывает разным. Можно брать самый вероятный токен — это делает ответ более сухим и предсказуемым. Можно использовать «температуру» и сэмплирование: тогда из нескольких правдоподобных вариантов выбирается один случайным, но контролируемым образом. Чем выше температура, тем больше разнообразия и риск странностей. Чем ниже — тем больше шаблонности.

8. Почему ИИ ошибается и «галлюцинирует»

Потому что его цель — не «говорить правду», а строить правдоподобное продолжение. Если в данных было мало хороших примеров, если вопрос двусмысленный, если нужна точная свежая информация, модель может сгенерировать убедительный, но неверный текст.

Именно поэтому ИИ силён в языке, стиле, структуре, обобщении, программировании по шаблонам, но требует проверки там, где важны точные факты.

9. Самая короткая суть

ИИ такого типа — это гигантская система чисел, которая:

1. переводит текст в токены и векторы;
2. многократно преобразует их через матрицы;
3. с помощью attention учитывает контекст;
4. оценивает вероятности следующего токена;
5. выдаёт ответ шаг за шагом.

Снаружи это похоже на разговор. Внутри — это колоссальная линейная алгебра, теория вероятностей, оптимизация и очень много вычислений на GPU.

На этом объяснение «на пальцах» закончено. Ниже более научное объяснение с формулами и числами.

Если смотреть уже не на общую идею, а на внутреннюю механику, то языковая модель — это композиция очень больших функций вида

$$f_\theta(x)=y,$$

где $x$ — входные токены, $y$ — распределения вероятностей следующих токенов, а $\theta$ — параметры модели. Параметров может быть $10^9$, $10^{10}$ и больше: 7 млрд, 13 млрд, 70 млрд, 175 млрд и так далее. Каждый параметр — это просто число, но в сумме они образуют огромную вычислительную схему.

Токены, словарь, векторы

Пусть словарь модели содержит $V=100\,000$. Тогда любой текст после токенизации превращается в последовательность целых чисел:

$$[1542,\ 87,\ 9911,\ 42,\dots]$$

Дальше каждый токен заменяется на вектор размерности $d$d. Типичные порядки: $d=768$, $2048$, $4096$, $8192$. Если $d=4096$, то один токен становится точкой в пространстве из 4096 координат:

$$e_i \in \mathbb{R}^{4096}$$

Матрица эмбеддингов имеет размер

$$E \in \mathbb{R}^{V \times d}$$

Например, при $V=100\,000$ и $d=4096$ это уже 409,6 млн чисел только на входной словарь.

Позиция тоже кодируется числами

Порядок слов сам по себе не следует из набора токенов, поэтому к эмбеддингам добавляют позиционную информацию:

$$X = E(tokens) + P$$

где $P$ — позиционные векторы. Иначе последовательности «кот укусил пса» и «пса укусил кот» выглядели бы почти одинаково.

Если длина контекста $L=8192$, а размерность $d=4096$, то вход в один слой — это матрица

$$X \in \mathbb{R}^{8192 \times 4096}$$

то есть более 33 млн чисел только в представлении текущего контекста.

Внимание как математика связи токенов

Внутри слоя трансформера вычисляются три матрицы:

$$Q=XW_Q,\quad K=XW_K,\quad V=XW_V$$

где $W_Q, W_K, W_V$​ — обучаемые веса. Затем строится матрица сходства:

$$S=\frac{QK^T}{\sqrt{d_k}}$$

Если длина контекста $L$, то $S$ имеет размер $L \times L$. При $L=8192$ это уже

$$8192^2 = 67\,108\,864$$

элементов — только для одной головы внимания.

После этого применяется softmax:

$$A=\text{softmax}(S)$$

и итог внимания получается так:

$$\text{Attention}(Q,K,V)=AV$$

Смысл в том, что каждый токен получает взвешенную смесь других токенов. Если голов внимания $h=32$, то всё это делается параллельно 32 раза, а затем результаты склеиваются.

Многослойность

Один блок трансформера обычно содержит:

1. multi-head attention,
2. остаточные связи,
3. layer normalization,
4. feed-forward network.

Упрощённо:$$H_1 = X + \text{MHA}(X)$$$$H_2 = H_1 + \text{FFN}(H_1)$$

FFN — это обычно два линейных преобразования с расширением размерности. Например, при $d=4096$ внутренний слой может быть $4d=16384$ или около того:

$$\text{FFN}(x)=W_2 \sigma(W_1 x)$$

Если модель имеет 32, 48 или 80 таких блоков, вычисления проходят через них последовательно. Поэтому глубина тоже измеряется десятками слоёв, а не двумя-тремя.

Откуда берётся следующий токен

После всех слоёв модель получает вектор скрытого состояния $h$ для последней позиции и переводит его в логиты:

$$z = W_{out} h$$

где $z \in \mathbb{R}^{V}$. Если $V=100\,000$, то модель выдаёт 100 тысяч чисел — «сырых оценок» для всех токенов словаря. Затем снова softmax:

$$p_i=\frac{e^{z_i}}{\sum_{j=1}^{V} e^{z_j}}$$

На выходе — распределение вероятностей. Например:$$p(\text{«модель»})=0.31,\quad p(\text{«система»})=0.22,\quad p(\text{«алгоритм»})=0.11$$p(«модель»)=0.31,p(«система»)=0.22,p(«алгоритм»)=0.11

Дальше выбирается один токен: либо максимум, либо случайная выборка из распределения.

Температура и выборка

При сэмплировании логиты часто делят на температуру $T$T:$$p_i=\frac{e^{z_i/T}}{\sum_j e^{z_j/T}}$$pi​=∑j​ezj​/Tezi​/T​

Если $T=0.2$T=0.2, распределение становится «острее»: модель почти всегда выбирает самые вероятные варианты.
Если $T=1.0$T=1.0, текст разнообразнее.
Если $T=1.5$T=1.5, растёт креативность, но и вероятность абсурда тоже.

Иногда дополнительно используют top-k или top-p. Например, top-k = 40 означает: оставить только 40 самых вероятных токенов, остальные обнулить.

Обучение: ошибка и её уменьшение

На обучении известен правильный следующий токен. Потеря обычно считается через cross-entropy:$$\mathcal{L} = -\sum_i y_i \log p_i$$

Поскольку правильный токен один, формула часто упрощается до

$$\mathcal{L} = -\log p_{\text{true}}$$

Если модель дала правильному токену вероятность 0,9, то потеря:

$$-\log(0.9)\approx 0.105$$

Если 0,01, то:$$-\log(0.01)\approx 4.605$$

То есть ошибка резко растёт, когда модель уверенно ошибается.

После этого считается градиент:

$$\nabla_\theta \mathcal{L}$$

и параметры обновляются, например, по схеме градиентного спуска:

$$\theta_{t+1}=\theta_t-\eta \nabla_\theta \mathcal{L}$$

где $\eta$ — шаг обучения. На практике используют Adam и его варианты, где обновление сложнее и включает экспоненциальные средние градиентов.

Сколько это стоит вычислительно

Для больших моделей счёт идёт уже не на миллионы, а на квадриллионы операций. Один шаг обучения требует прямого прохода, обратного прохода и обновления весов. Грубое инженерное правило: обучение модели с $N$ параметрами на $D$D токенах требует порядка

$$6ND$$

операций с плавающей точкой.

Если взять модель в 70 млрд параметров и обучать её на 1 трлн токенов, получается порядок:

$$6 \times 70\cdot 10^9 \times 10^{12} = 4.2 \cdot 10^{23}$$

операций. Это уже астрономический объём вычислений.

Память и типы чисел

Параметры хранятся не как абстрактные числа, а в конкретном формате: fp32, fp16, bfloat16, int8, int4.

Если один параметр занимает 2 байта $(fp16)$(fp16), то модель на 7 млрд параметров требует минимум:

$$7\cdot 10^9 \times 2 \approx 14\ \text{ГБ}$$

только на веса.

Для 70 млрд параметров:

$$70\cdot 10^9 \times 2 \approx 140\ \text{ГБ}$$

И это ещё без активаций, градиентов, состояний оптимизатора. Поэтому на обучении память может быть в несколько раз выше, чем «вес модели». Отсюда и кластеры из множества GPU.

Почему именно GPU

Главная операция — умножение больших матриц. Например, матрица $8192 \times 4096$ умножается на $4096 \times 4096$. Это десятки и сотни миллиардов операций даже внутри одного слоя. GPU хороши именно потому, что умеют параллельно выполнять огромное число одинаковых арифметических действий. CPU для такой нагрузки слишком «узок».

Вся магия ИИ в итоге сводится к повторению одного и того же паттерна: взять гигантские массивы чисел, перемножить, нормализовать, посчитать вероятности, сравнить с правильным ответом и немного поправить веса. Миллиарды раз.

Итого в одном абзаце

Математически языковая модель — это функция, которая преобразует последовательность токенов в последовательность распределений вероятностей. Технически она состоит из матриц весов размером в миллиарды параметров, операций вида $QK^T$QKT, softmax, нелинейностей, градиентов и многократных обновлений $\theta$θ. Физически всё это работает на ускорителях, которые за секунды выполняют колоссальные объёмы линейной алгебры. А текст, который видит пользователь, — лишь финальная интерпретация огромного каскада вычислений над числами.

Могу сразу сделать ещё один кусок в таком же стиле: отдельно про «почему ИИ врёт», отдельно про «что такое нейрон, слой, вес и токен» или отдельно про «сколько электричества и железа это требует».

Как ИИ меняет мир. Текст для новичков

Решил написать другу в колонию строгого режима, как стремительно ИИ меняет мир. А потом понял, что для наглядности эту задачу и надо поручить ИИ. Чтобы друг заценил новые возможности не только по фактам, но и по конкретному заданию.

Задание дал такое.

Распиши для человека, который три года находится вне новостей, что стало возможно с помощью искусственного интеллекта к марту 2026 года на 15000 знаков. Дай без воды, конкретику, цифры. Опиши, как стремительно меняется мир из-за АИ. Опиши это в моём стиле (я тебе недавно давал читать свою книгу, чтобы сделать указатель имён). 

Вот результат за 9 минут в режиме «расширенного размышления» (я ничего не менял):

Вы «выпали» из новостей в марте 2023. Тогда ИИ для большинства был чат-ботом: пишет тексты, иногда помогает с кодом, иногда уверенно врёт. К марту 2026 ИИ стал слоем инфраструктуры — как интернет или смартфон. Дальше — конкретика и цифры. Оговорка: свежесть отдельных показателей на март 2026 в этой сессии не перепроверял; использую публичные данные и анонсы, которые были широко известны к концу лета 2025.

1. Главный сдвиг: ИИ стал универсальным интерфейсом

В 2023 вы «гуглили». К 2026 всё чаще «задаёте задачу»:

— «Сожми 200 страниц в 1, выдели риски, сделай таблицу».

— «Посмотри договор и найди ловушки для клиента».

— «Разбери переписку, собери таймлайн и список фактов».

— «Открой репозиторий, обнови зависимости, почини тесты».

Это стало возможно потому, что модели получили «руки»: доступ к файлам, браузеру, таблицам, терминалу, API. То есть они не только отвечают, но и делают цепочку действий.

2. Контекст: от «десятков страниц» к «книгам»

В 2023 массовые модели держали контекст уровня «несколько тысяч токенов» (десятки страниц). В 2024–2025 нормой у топ-линеек стали 128k токенов (сотни страниц), а в отдельных системах демонстрировался контекст порядка 1 000 000 токенов («толстая книга» или несколько больших документов подряд).

Практический эффект:

— можно скормить целиком договорный пакет/досье/отчёт и попросить: «найди противоречия», «вытащи сущности (лица, компании, суммы, даты)», «сделай перечень вопросов юристу»;

— можно вести длинный проект, где модель помнит структуру, ограничения и стиль.

Но базовый риск остался: «галлюцинации» (уверенная выдумка) стали реже, но не исчезли. Поэтому правило 2026: всё, что похоже на факт (дата, сумма, цитата, номер закона), — либо с источником, либо перепроверяем.

3. Мультимодальность: текст + картинка + звук в одной голове

К 2024–2025 массовыми стали модели, которые понимают не только текст, но и изображения/скриншоты/таблицы (а иногда и аудио).

Что это меняет в быту и работе:

— вы кидаете скрин с ошибкой/логом/графиком — и получаете разбор «по делу», без гадания;

— фото документа/этикетки/квитанции — и вам делают выжимку, перевод, поиск несостыковок;

— голосовой режим снимает трение: задачу проще сказать, чем набрать.

4. Код: «вторая пара рук» стала стандартом

Самое ощутимое для офисов 2024–2026 — автоматизация кода. Не «ИИ написал продукт», а «ИИ делает большую долю рутины»:

— черновики функций, тесты, документацию;

— рефакторинг и перенос между версиями библиотек;

— объяснение чужого кода и причин падений по логам;

— SQL-запросы и проверка логики.

По заявлениям крупных вендоров, у таких ассистентов были миллионы пользователей уже к 2024–2025, и компании начали закладывать «ИИ-ассистент по умолчанию» как часть рабочего места.

Важный человеческий эффект: порог автоматизации упал. Раньше «маленький скрипт» требовал разработчика. Теперь массу «маленьких скриптов» делает один человек с ИИ за вечер — под контролем и с проверкой.

5. Изображения: качество вышло на уровень коммерческих черновиков

В 2023 генерация картинок была аттракционом. В 2024–2025 это стало инструментом производства:

— обложки, баннеры, иллюстрации, иконки, прототипы интерфейсов делаются за минуты;

— стиль можно стабилизировать (серия материалов в одном «бренд-тоне»);

— правки стали интерактивными: «замени фон», «убери объект», «сохрани композицию».

Дизайн не умер. Умерла дороговизна черновика.

6. Видео: «убедительный фейк» подешевел на порядок

Появились модели «текст→видео» и «картинка→видео», которые генерируют короткие ролики кинематографического качества (в публичных демонстрациях — секунды/десятки секунд, иногда 720p–1080p). Следствие простое: доверие к видео как к доказательству падает.

Две стороны одной монеты:

— маркетинг и образование получили дешёвое «видео-производство» без съёмок;

— мошенники получили дешёвые «обращения», «интервью», «звонки от банка», «голос начальника».

7. Голос в реальном времени: мошенникам выдали усилитель доверия

Синтез голоса к 2024–2025 стал настолько естественным, что короткий фрагмент (10–20 секунд) часто не отличим «на слух» для неподготовленного человека. Плюс появились режимы почти реального времени: система слушает и отвечает с минимальными паузами.

Это меняет скам:

— «родственник попал в беду» теперь масштабируется (и голос похож, и фон «правильный»);

— «служба безопасности» звучит гладко, без акцента, с правильными терминами;

— фишинг уходит из писем в голос и видео.

Если вы делаете расследования, это новый красный флаг: «срочно», «никому», «прямо сейчас», подкреплённые голосом/видео.

8. «Агенты»: модели научились делать цепочки действий

В 2023 модель отвечала текстом. К 2025 стало обычным, что она:

— сама составляет план,

— сама вызывает инструменты (поиск, таблицы, код, почта),

— возвращается с результатом,

— просит уточнения только там, где без них нельзя.

Это уже не «написать абзац», а «закрыть задачу»: подготовить досье, сравнить документы, собрать отчёт из источников, нагенерировать ответы клиентам, обновить базу знаний.

9. Наука: ИИ перестал быть только про тексты

За 2023–2025 ускорились области, где раньше всё упиралось в дорогой перебор:

— биология/химия: предсказание структур и взаимодействий молекул (следующий шаг после прорыва с предсказанием структур белков);

— материаловедение: подбор составов и свойств, оптимизация батарей и катализаторов;

— анализ медицинских изображений: не «замена врачу», а сортировка и подсказка, где смотреть внимательнее.

Это не «лекарство завтра», это сокращение цикла «гипотеза→проверка».

10. Экономика: деньги, железо, электричество

Развернулась гонка вычислений: дата-центры, GPU/TPU, сети, энергопотребление. Причина банальна: качество моделей сильно зависит от объёма вычислений, а спрос оказался массовым.

Эффект для бизнеса:

— компании покупают не «консалтинг на ручной рутине», а «ИИ-лицензии + инфраструктуру»;

— выигрывают поставщики «лопат» (чипы, облака, сети);

— в метриках появляется новое: не «сколько людей», а «сколько задач закрывает один человек с ИИ».

11. Образование и тексты: домашка перестала доказывать знания

К 2026 любой школьник может за минуту получить эссе, перевод, решение, объяснение «почему так». Поэтому контроль знаний смещается:

— в устный разбор, работу в классе, проект,

— в оценку процесса (черновики, версии, ход рассуждений),

— в задания, где нужно связать личный опыт, данные и проверяемые источники.

12. Коммодитизация: мощный ИИ стал «обыденным»

В 2023 «сильный ИИ» был редкой штукой. К 2025 стало нормой:

— иметь доступ к моделям уровня «очень умный стажёр» за небольшие деньги или бесплатно;

— запускать открытые модели локально (семейства порядка 8–70 млрд параметров — это уже не экзотика);

— выбирать из десятков конкурентов (закрытые и открытые).

Когда технология становится коммодити, она просачивается везде — от бухгалтерии до саппорта.

13. Рынок труда: не «уволили всех», а «пересобрали процессы»

Реальность весны 2026:

— падает ценность чистого исполнителя (копирайтинг без экспертизы, саппорт по скрипту, младшая аналитика «перепиши-собери»);

— растёт ценность эксперта, который ставит задачу, проверяет и несёт ответственность;

— появляется «один человек + ИИ», который делает объём маленькой команды.

Поэтому сначала идёт заморозка найма, а потом — тихое уменьшение потребности в младших ролях.

14. Информационная гигиена: «медиа» больше не равно «доказательство»

К 2026:

— видео может быть синтетикой;

— аккаунт может быть полуавтоматическим;

— отзывы и «аналитика» могут быть сгенерированы потоково и грамотно.

В расследованиях возвращается классика: первоисточник, цепочка публикаций, метаданные, независимые подтверждения.

15. Итог

Мир меняется не потому, что ИИ «стал умным». А потому, что он стал дешёвым, встроенным и получил доступ к действиям. Технологическая волна, на которую раньше уходило 10–15 лет, уложилась примерно в три. И темп не падает: новые версии выходят каждые месяцы, читают больше, ошибаются реже, стоят дешевле и делают больше шагов сами.

16. Что стало возможно «прямо руками» — 60 задач, которые реально делают в 2026

Не общие слова, а типовые сценарии, где ИИ экономит время (и где ошибки всё ещё нужно ловить).

Для автора/редактора/расследователя

— Расшифровка аудио/видео в текст, нормализация: имена, даты, термины (дальше вы проверяете).

— Сбор «досье по следам»: из 30 ссылок сделать одну карту — кто, что, когда, где пересекается.

— Вытащить из массива документов сущности: лица, юрлица, домены, кошельки, суммы, реквизиты.

— Сверка версий: что поменяли в «правилах», «договоре», «оферте» между датами.

— Поиск внутренних противоречий: сегодня пишут «лицензия есть», завтра «мы только IT-платформа».

— Генерация вопросов для интервью так, чтобы вытаскивать конкретику («покажите номер», «дайте ссылку на реестр», «кто подписант»).

— Черновик «красных флагов» по лендингу/презентации: обещания доходности, туманные термины, подмена статуса.

— Подготовка таблиц для публикаций: «страна — регулятор — лицензия — реестр — статус — ссылки».

Для юриста и комплаенса

— Быстрый «препроцессинг» договора: выделить риски, нетипичные пункты, односторонние права, штрафы.

— Список «что запросить у контрагента» (учредительные, лицензии, бенефициары, санкционные риски).

— Черновики ответов на претензии/запросы, протоколы разногласий (потом правка человеком).

— Переводы юридического текста с сохранением смысла и терминологии.

— Классификация инцидентов: «это персональные данные? это трансграничная передача? кто оператор?».

Для финансиста/аналитика/AML

— Сверка списков клиентов/контрагентов, дедупликация по «похожим» именам и опечаткам.

— Поиск аномалий в транзакциях: всплески, дробление сумм, «треугольники», нетипичные маршруты.

— Быстрое объяснение отчёта для руководителя: «что важно, что вторично, где риск».

— Генерация SQL/Python для выборок, построение витрин под конкретный вопрос.

— Автоматическая разметка «назначений платежа» по категориям.

Для маркетинга и продаж

— Пакет из 20 вариантов объявления под разные сегменты, без копирайтера на каждом шаге.

— Персонализация писем/лендингов по отрасли и боли клиента (потом факт-чек).

— Анализ звонков/переписки: где теряют клиента, какие возражения повторяются.

— Генерация креативов (картинка+текст) и быстрые A/B-варианты.

Для HR и обучения

— Составление вакансии с адекватными требованиями (и без «единорогов»).

— Подготовка тестовых заданий и критериев оценки.

— Персональный тьютор: объяснить тему 3 способами, дать упражнения, проверить решения.

Для операционки и поддержки

— Автоответы «по базе знаний», но с нормальной человеческой логикой.

— Сводка по тикетам: причины, повторяющиеся баги, «что чинить в первую очередь».

— Автозаполнение форм, подготовка шаблонов документов, сверка реквизитов.

17. Технологические «кирпичики», которые сделали это массовым

Если разложить «ИИ-чудо» на детали, получится прагматичная кухня:

— Векторный поиск (RAG): модель не «помнит всё на свете», ей подсовывают релевантные куски из вашей базы/документов, и она отвечает «с опорой на текст».

— Инструменты (tool use): модель умеет вызывать функции — поиск, калькулятор, таблицы, код, CRM — и подставлять результат в ответ.

— Структурированный вывод: вместо «простыни текста» — JSON/таблица/список сущностей, который можно загрузить в систему.

— Модели «для рассуждения»: отдельные режимы, где система тратит больше вычислений на планирование, зато меньше ошибается на многошаговых задачах.

— Открытые модели + квантизация: часть задач можно делать локально (4-/8-битные версии), иногда даже без облака — важно для приватности.

18. Где ломается привычная интуиция (и почему это меняет мир)

Три ощущения, которые ловят люди, вернувшиеся «после паузы»:

А) Скорость производства контента стала почти бесконечной

Текст, картинки, презентации, «аналитика», комментарии — теперь дешёвые. Поэтому:

— шум растёт быстрее сигнала;

— спам становится более «умным»;

— цена внимания и доверия растёт.

Б) Компетенция «правильно ставить задачу» стала отдельным навыком

В 2023 это называли «промптинг» и смеялись. В 2026 это просто грамотное ТЗ:

— что считаем успехом,

— какие источники допустимы,

— какие ограничения,

— как проверяем.

В) Ошибки стали менее заметными

Раньше бот палился «кривым языком». Теперь язык гладкий, а ошибка прячется в факте: в дате, в сумме, в «не той юрисдикции», в выдуманном реестре. То есть риск сдвинулся из «формы» в «содержание».

19. Мини-показатель темпа: «устаревание навыков» ускорилось

В 2023 вы могли освоить инструмент и жить с ним год. В 2026:

— раз в несколько месяцев меняются интерфейсы и модели,

— появляются новые режимы (голос, видео, агенты),

— обновляется «лучший практический стек».

Это ощущается как постоянная гонка: кто быстрее встроит ИИ в процесс, тот выигрывает не на проценты, а на кратные величины времени.

20. Самое прикладное для вас: как ИИ усилил скам (5 пунктов)

— Фейковые «регуляторы» и «компенсационные фонды»: тексты стали юридически гладкими, с правильными оборотами и «канцеляритом».

— «Возвратчики» и псевдоюристы: массово штампуют письма, жалобы, «решения», имитируя ведомственный стиль.

— Подделка «социального доказательства»: отзывы, комментарии, обсуждения в чатах — потоково и правдоподобно.

— Голосовые атаки: «звонок от сотрудника/родственника» с естественной речью.

— Визуальная подделка: «скрин из банка», «кабинет на сайте», «видео-подтверждение» — теперь делается быстро.

21. Контрмера, которую стоит вынести отдельной строкой

В 2026 доверие не к «красивому тексту», а к проверяемой связке: документ в реестре → ссылка на первоисточник → независимое подтверждение. Всё остальное — шум, даже если выглядит профессионально.

22. «До/после» в цифрах времени (типовые оценки)

Это не «точная статистика по миру», а практическая арифметика по задачам, которые раньше делались руками:

— Сводка по 2–3 часам аудио: было 1–2 дня (расшифровка+выжимка) → стало 30–90 минут (расшифровка+суммаризация+правки).

— Черновик статьи/пресс-релиза: было 4–8 часов → стало 30–60 минут на черновик + 1–2 часа на факт-чек и шлифовку.

— Сверка двух редакций договора на 30–60 страниц: было 2–3 часа → стало 15–40 минут, потому что модель сразу подсвечивает изменения и спорные места.

— Набор типовых ответов саппорта (20–50 шаблонов): было 1–2 дня → стало 2–4 часа.

— Мелкий скрипт/парсер «под задачу»: было «найти разработчика» → стало «сделать самому за вечер» (если вы умеете проверять результат).

23. Почему это необратимо

Потому что выигрыши — не «на 10%», а на порядок по времени там, где раньше сидели на рутине. А когда рутина дешевеет до нуля, её начинают делать везде, всегда и много. Именно поэтому за три года мир так резко «переехал» на ИИ-рельсы.

24. Последняя деталь: ИИ переезжает «ближе к вам»

Часть задач уходит на устройство (телефон/ноутбук): быстрее ответ, меньше данных уходит в облако, проще соблюдать приватность. Но это же усложняет контроль: если генерация стала локальной, фильтры и модерация перестают быть «централизованными».

Если хотите, напишу продолжение в вашем «антискам-формате»: 30 схем, которые ИИ сделал проще (KYC-подделки, фейковые регуляторы, «юристы-возвратчики», голосовые атаки), и 30 контрмер — редакционных и бытовых.

Вот такой ответ. Сам бы я нечто подобное писал два дня, а то и две недели.

Отправил. В сервисе Ф-письмо содрали 656,82 ₽ (7 страниц по 75, скриншот 45, бланк ответа 75, сервисный сбор 11,82).

Задание и начало ответа:

Данный скриншот цензуру не прошёл. Сервис написал: Вложение не прошло цензуру. Письмо доставлено, ожидает ответа. Это означает что Ваше письмо прошло цензуру и вручено адресату вместе с бланком ответа, однако вложение (фото) было отклонено цензором в соответствии с законодательством РФ и служебными инструкциями.

Как работает ИИ. Математический принцип

Ещё один пример, как ИИ мне налажал.

Попросил нейросеть проверить файл robots.txt одного из сайтов. Там были команды Clean-param (для очистки мусора из поисковой выдачи), которые Google не понимает, а внедрил Яндекс. ИИ предложил убрать эти команды под специальную строку для ботов Яндекса:

User-agent: Yandex

Но это грубая ошибка, потому что при наличии такой строки в файле боты Яндекса автоматом переходят к ней и делают только то, что написано там.

Если основные директивы Disallow/Allow прописаны под общей для всех поисковиков строкой

User-agent: * 

то Яндекс их просто не увидит. Поэтому есть два варианта:

Либо не делать строку User-agent: Yandex вообще, ограничиваясь User-agent: * , либо дублировать все правила из общего раздела и в раздел для Яндекса.

Маленький пример, что до конца ИИ доверять нельзя. Может налажать.