Embedika | ИТ-решения для бизнеса

ИИ меняет путь молодых специалистов: как автоматизация стартовых задач повлияет на рынок труда

Нейросети всё чаще берут на себя выполнение повторяющихся операций. Для опытных сотрудников это возможность сосредоточиться на более сложных задачах, а для начинающих — ситуация, в которой традиционная точка входа в профессию постепенно исчезает.

Эту тему в колонке для «Известий» поднимает Айканыш Орозбаева, директор по развитию бизнеса Embedika. Она объясняет, почему автоматизация отдельных операций меняет логику карьерного развития и как бизнесу предстоит выстраивать подготовку кадров в новых условиях.

В материале разбираем несколько ключевых моментов:
▫️ Почему автоматизация не заменяет профессии целиком, но перестраивает структуру работы опытных и начинающих специалистов;
▫️ Какие именно задачи ИИ забирает в первую очередь и почему это усложняет получение практического опыта новичками;
▫️ С каким вызовом столкнутся бизнес и образовательная система в перспективе 5-7 лет и почему выращивание кадров может стать ключевым преимуществом.

🔗 Полная версия статьи — на сайте «Известий»

#сми_о_нас

Start ИИ: агенты, инструменты и практика в мире искусственного интеллекта

Рассказываем еще об одном канале, который может быть интересен тем, кто активно работает с ИИ — Start ИИ. В нем автор разбирает конкретные модели, агентов, связки между ними, а также то, как они ведут себя в реальных задачах команды канала на конкретных кейсах.

Среди интересных материалов:

◾️ Кейс с Telegram-каналом на грани закрытия — как система на базе AI взяла на себя поиск новостей и рерайт, сократив время на подготовку постов с семи часов до пятнадцати минут;
◾️ Система с RAG-поиском по внутренним регламентам — как компания сократила время юристов и HR-специалистов на поиск информации, заменив ручной перебор папок ответами с точной ссылкой на документ и страницу за 3 секунды, без выхода данных за контур компании;
◾️ Личный ассистент прямо в Telegram — кейс о том, как предпринимателю, не прижившемуся ни в одном таск-менеджере, собрали ассистента на базе Google Calendar и напоминаний прямо в привычном чате — без меню, команд и обучения.

Разборы инструментов, кейсы автоматизации, а также неочевидные лайфхаки по работе с нейросетями можно найти в канале @start_in_ai

💡 Как активное обучение сохраняет бизнесу деньги и время

ИИ‑проекты всё чаще упираются не в алгоритмы, а в подготовку данных — именно разметка становится узким и дорогим местом.

По оценкам отрасли, она может съедать до 20% бюджета ML‑инициатив, а в сложных юридических и медицинских задачах — доходить до половины всех затрат. Эксперимент с анализом договоров показал: при активном обучении сопоставимое качество достигается при разметке в 2–3 раза меньшего числа примеров.

Смещение фокуса с объёма разметки на выбор «наиболее информативных» данных меняет экономику внедрения ИИ, особенно для компаний без ресурсов на длительные эксперименты.

Но если стоимость данных будет расти и дальше, станет ли активное обучение новым стандартом для корпоративных ИИ‑проектов и как это повлияет на конкурентоспособность бизнеса?

Раскладываем по полочкам в полной версии статьи

Этот анонс написан ИИ «РБК Трендов»

Подготовка данных — один из самых дорогих этапов при внедрении ИИ. Разметка может занимать до половины бюджета всего проекта, особенно в работе с юридическими и медицинскими документами.

Можно ли повысить качество модели, не увеличивая затраты на разметку? В новом материале для РБК Трендов руководитель ИИ-разработки в Embedika, Валерия Басова, объясняет, как это работает на практике👇

Нейросети в анализе данных: опыт коллег из отдела аналитики

Вышел материал Skillbox Media о том, как нейросети применяются в аналитической работе. Своим опытом поделились практикующие специалисты, среди которых наш коллега — Корней Мамруков, бизнес-аналитик Embedika.

Корней рассказал, как с помощью нейросетей решает рабочие задачи: от написания документации и подготовки ТЗ до прототипирования макетов и методики перекрестной проверки результатов, когда одна модель проверяет ответы другой. А также описал рабочий процесс на реальном примере — как с помощью Claude улучшал раздел аналитики в системе, выявлял недостатки, а затем самостоятельно создавал макеты виджетов.

👉 Прочесть статью полностью можно на сайте Skillbox Media

Что нужно продумать до того, как ИИ начнет писать код

О вайбкодинге сегодня говорят многие. Он подразумевает ускорение разработки за счёт того, что код пишет не человек вручную, а ИИ по текстовому описанию задачи. Агент сам предлагает решения, находит ошибки и собирает прототип.
Но быстро сгенерировать код — еще не значит получить решение, которое можно развивать дальше. Разберем это на примере Proof of Concept — прототипов, с помощью которых команды проверяют, работает ли идея и стоит ли превращать ее в полноценный продукт.

Обычно на PoC отводят несколько дней или недель, поэтому главная задача — успеть показать результат. Архитектура и тесты отходят на второй план, а если гипотеза подтверждается, значительную часть демо приходится переписывать перед переходом к MVP.

Вайбкодинг ускоряет сборку прототипа: разработчик описывает задачу, а ИИ-агент пишет код, исправляет ошибки и предлагает технические решения. Но без заданной структуры агент может по ходу работы менять логику проекта, отходить от требований и создавать код, который трудно поддерживать.

Чтобы разработка оставалась управляемой, следует зафиксировать Vision — документ в формате Markdown (.md), в котором команда описывает общую идею будущего решения:

➖ что и для кого создается;
➖ какую проблему решает продукт;
➖ какие функции войдут в первую версию;
➖ какие есть ограничения.

На основе этого документа ИИ генерирует прототип, придерживаясь заданных рамок. Только после этого агент переходит к коду.

После каждой итерации документы обновляются вместе с кодом. Требования и архитектура становятся частью процесса разработки, а не остаются отдельными файлами, которые быстро теряют актуальность. На выходе команда получает не одноразовое демо, а понятную структуру, тесты и код, который можно развивать дальше.

Рынок ИИ-поиска в России: динамика на 2026 год и структура корпоративного сегмента

По данным исследования Yandex B2B Tech, объем российского рынка ИИ-поиска в 2026 году достигнет 2 млрд рублей — это как минимум на 33% больше текущих показателей. Ключевую роль в этом росте играет корпоративный сектор: по оценкам аналитиков, на бизнес-задачи придется около 1 млрд рублей. В корпоративной среде такие системы подключаются к внутренним базам данных, документации, почте и CRM, формируя готовый ответ вместо привычного перечня ссылок.

Простой доступ к языковой модели постепенно перестает быть самостоятельной ценностью. Основные перспективы рынка связывают с более глубокими сценариями: проверкой достоверности источников, гарантией безопасности при работе с внутренним документооборотом и подключением к закрытым массивам данных.

В рамках исследования были отдельно выделены поставщики решений для корпоративного поиска. Около пятой части этого сегмента занимает Embedika.

По прогнозам, пользователи на российском рынке будут готовы платить прежде всего за те сервисы, которые обеспечивают безопасность, доступ к проверенным источникам и интеграцию с закрытым контуром предприятия.

Рынок кадров в ИТ и ИИ: цифры, тренды и прогнозы 2026

Кадровый рынок в сфере ИТ и искусственного интеллекта продолжает активно меняться: растёт спрос на специалистов с гибридными компетенциями, усиливается дефицит квалифицированных кадров, а компании всё чаще внедряют ИИ в процессы найма и оценки. Собрали ключевую аналитику, чтобы оценить масштаб и направление этих изменений.

Об основных трендах рассказали в карточках 👉

Почему безопасность и on-prem AI становятся главным требованием enterprise

Бизнес уже готов применять ИИ на уровне операционных процессов, но не готов передавать критически важные данные в публичные модели. В корпоративной среде на первый план выходят не только возможности технологии, а возможность обеспечить полный контроль над тем, как она работает и с какими данными взаимодействует. Именно поэтому безопасность, прослеживаемость, изолированность и контроль становятся обязательными условиями для любого enterprise-решения.

Особенно остро этот запрос звучит в отраслях, где ИИ работает с чувствительной информацией. Например, в промышленности AI-системы имеют дело с отчетами о происшествиях, материалами внутренних расследований, производственными регламентами, данными о подрядчиках и оценкой рисков. Это информация, утечка или потеря контроля над которой недопустимы.

В таких условиях enterprise-заказчики выдвигают конкретные требования к архитектуре ИИ-решений:
➖ развертывание в собственном защищенном контуре, без передачи данных за пределы компании;
➖ использование локальных или приватных LLM-моделей вместо публичных облачных сервисов;
➖ строгий контроль доступа, полная прослеживаемость каждого действия системы и изоляция критических данных от внешней среды.

Для корпоративного ИИ на первый план выходит уже не сама возможность внедрения, а способность обеспечить управляемость, безопасность и масштабируемость решения. Способность обеспечить такой уровень контроля становится не дополнительной опцией, а базовым критерием при выборе технологии.

От пилотов к реальной операционной модели: на каком этапе внедрения ИИ находится ваша компания

Многие компании уже тестируют ИИ-инструменты, но зачастую это не приводит к реальному снижению нагрузки: технология добавляется поверх старых процессов, не меняя их. В результате рутина не уходит, а сотрудники получают дополнительную задачу — контролировать работу ИИ.

Мы уже разбирали тему гибридного труда и фрагментарного внедрения ИИ в процессы.
Сегодня хотим узнать о вашем опыте — на каком этапе этого пути находитесь вы? Проголосуйте в опросе ниже.

Как перейти к модели совместной работы с ИИ: четыре этапа перераспределения нагрузки

Мы уже разбирали, почему ИИ, внедренный без изменения процессов, часто не снижает, а увеличивает нагрузку на сотрудников. Сегодня переходим от диагностики проблемы к решению: из каких конкретных шагов состоит переход к модели, где человек и ИИ эффективно разделяют операционную работу.

Ситуация на рынке подтверждает масштаб: по данным McKinsey, лишь около 1% руководителей считают свои компании зрелыми в области ИИ. Технологии есть, но процессы во многом остаются прежними — ситуация напоминает ранние этапы внедрения ERP и BPM-систем, которые пытались встроить в организационную модель, не рассчитанную на новую скорость принятия решений. Поэтому сегодня ИИ используют в основном для точечного ускорения задач, хотя его реальный потенциал — в изменении самой операционной модели.

Практический переход к такой модели разворачивается в четыре этапа:

1️⃣ Идентификация задач с наибольшей операционной нагрузкой — процессов с высокой долей повторяющихся действий: поиск, сверка данных, подготовка типовых материалов, обработка запросов. Именно эти повторяющиеся задачи формируют базу для внедрения ИИ-ассистентов на старте.

2️⃣ Выбор инструментов, способных работать с внутренним контекстом. Ключевой критерий — не количество функций, а умение ИИ учитывать корпоративные регламенты, внутренние данные и бизнес-логику конкретной организации. Технология должна встраиваться в реальную операционную среду, а не оставаться внешним сервисом.

3️⃣ Обучение сотрудников и перераспределение ответственности. На этом этапе фиксируется новое разделение задач: ИИ берёт на себя рутинные операции, сотрудники концентрируются на проверке результатов, принятии решений и управлении исключениями. Без системного пересмотра ответственности технология останется еще одним слоем отчётности, а не рабочим инструментом.

4️⃣ Пересмотр системы оценки эффективности. Традиционные KPI, заточенные под скорость выполнения отдельных операций, перестают отражать реальный эффект. Компании переходят к оценке качества решений, скорости запуска изменений и способности адаптироваться — именно эти показатели становятся ключевыми в гибридной модели.

Последовательное прохождение этих этапов позволяет выстроить новую операционную модель, где технология и сотрудники усиливают друг друга. Без этого любое внедрение рискует остаться локальным ускорением отдельных задач без системного эффекта для бизнеса.

Подборка полезных и интересных материалов

Вайб-кодинг для бизнес-задач, экспортные ограничения на ИИ-модели и трансформация ИТ-образования — в новой подборке собрали материалы о том, как отрасль адаптируется к технологическим и регуляторным вызовам.

Статьи:
📎 Статья ComNews по мотивам PromUC-форума об особенностях использования вайб-кодинга в бизнес-среде.
📎 Публикация «Коммерсанта» о введении США экспортного контроля на модели Anthropic и реакции на это решение.
📎 Колонка председателя комитета по труду и занятости Санкт-Петербурга Василия Пониделко о том, как должна измениться подготовка ИТ-специалистов на фоне активного развития ИИ.
📎 Материал руководителя направления облачных и дата-сервисов VK Tech о трудностях создания микроэлектронной компонентной базы для ИИ в России.
📎 Колонка от директора по стратегическому маркетингу «Яндекса» Андрея Себранта о значении малых ИИ-моделей для индустрии.
📎 Интервью TAdviser с лидером направления «Сбер2В ИИ» о влиянии технологий ИИ на корпоративную аналитику.

Заметки:
✍️ Исследователи AIRI рассказали про модель семейства OCC RAG, оптимизированную под задачи контекстного Q&A.
✍️ Заметка команды AIRI об участии в конференции по робототехнике и автоматизации ICRA 2026.
✍️ Материал MWS AI о принципах работы адаптивного RAG, способного обходиться без LLM.

Книги:
📚 «Как учится машина», Ян Лекун — простое объяснение принципов нейросетей и реального положения дел в области ИИ от одного из ведущих мировых экспертов.
📚 «Глубокое обучение в картинках», Джон Крон, Грант Бейлевельд, Аглаэ Бассенс — визуальное введение в тему: иллюстрации, понятные аналогии и примеры, делающие глубокое обучение доступным для читателей с любым бэкграундом.

Подкасты:
🎤 NeyroRadio: AI-частота про нейросети — выпуск «AI-усталость: почему мы перестали изучать новые инструменты».
🎤 «Цифровое производство» — эпизод о графовых нейросетях для обеспечения устойчивости цепочек поставок.

Почему скорость операции — уже не главный показатель эффективности

Еще недавно эффективность цифровизации измеряли через экономию времени на конкретной операции. Компании внедряли системы и смотрели, насколько быстрее стала обрабатываться заявка или формироваться отчет. С развитием ИИ эта логика перестает давать полную картину: операции ускоряются, но бизнес не всегда понимает, стало ли управление качественнее.

В одном из прошлых постов мы уже подчеркивали, что ИИ не просто ускоряет привычные операции — он меняет структуру труда. Часть рутинной работы передаётся цифровым ассистентам, высвобождая время сотрудников, но одновременно появляются задачи, которые раньше не решались из-за ресурсных ограничений. Общий объем занятости не сокращается, а перераспределяется. Из-за этого традиционные KPI, заточенные под скорость отдельных операций, перестают отражать реальный эффект.

Роль ИИ проявляется в другом: он берет на себя поиск информации, сопоставление данных, подготовку типовых документов и предварительных выводов. Сотрудник при этом все меньше занят обработкой и всё больше проверкой результатов, управлением контекстом и принятием решений. Меняется не только инструмент, но и сама модель работы: от выполнения задач — к координации и контролю качества.

Поэтому компании постепенно переходят к расширенной системе метрик. Эффект от внедрения ИИ начинают оценивать не только через экономию времени, но и через показатели, которые отражают способность организации меняться:

➡️ Качество решений — насколько снижается доля повторных ошибок и доработок после того, как рутинная подготовка передана ИИ;
➡️ Скорость запуска изменений — как быстро компания переходит от идеи к действующему процессу или продукту;
➡️ Удержание сотрудников — сокращается ли выгорание от монотонной работы, растет ли вовлеченность и возможность заниматься более содержательными задачами;
➡️ Адаптивность — может ли компания перестраивать процессы без длительных циклов согласования и перенастройки систем.

За этими метриками стоит смена горизонта оценки. Если классические ИТ-проекты было принято оценивать через возврат инвестиций за 1-2 года, то в случае с ИИ всё чаще рассматривают цикл в 3-5 лет. Особенно это заметно в крупных организациях, где технология влияет не на отдельную функцию, а на модель управления в целом.

Переход к таким KPI не отменяет внимания к эффективности операций, но фиксирует важный сдвиг — ИИ становится не столько инструментом ускорения, сколько основой для изменения операционной модели.
Компании, которые пересматривают систему оценки в сторону качества решений и способности к изменениям, получают возможность не просто быстрее выполнять задачи, а быстрее адаптироваться, масштабировать экспертизу и запускать новые направления бизнеса.

От поиска документов к готовым сценариям: как меняется корпоративное управление

Инструменты, которые бизнес внедрял последние 15 лет, обещали снизить затраты и ускорить процессы. Но на деле трудоемкость только росла: сотрудники работали одновременно с регламентами, системами и документами, которые существовали в отрыве друг от друга.
В новой колонке для журнала «Директор по персоналу» директор по развитию бизнеса Embedika, Айканыш Орозбаева, разобрала, почему подходы 2010-х не дали устойчивого эффекта и как переход от управления документами к управлению данными меняет ситуацию в 2026 году.

В статье разбираем ключевые причины и новые подходы:
▫️ Почему лишь 20–30% инициатив по бережливому производству закрепились в практике, а остальные давали только краткосрочный результат;
▫️ Как рост числа регламентов увеличивал разрыв с реальной работой и почему раньше этот разрыв нельзя было закрыть технологически;
▫️ Как ERP-системы и автоматизация привели к цифровой бюрократии и появлению теневых инструментов учета в Excel;
▫️ Почему в одном процессе сосуществуют три разные версии: регламентная, системная и реальная практика сотрудников;
▫️ Как переход к машиночитаемым правилам и графам знаний формирует единый источник истины и меняет роли специалистов;
▫️ Как ИИ-ассистенты, работающие на внутренней нормативной базе, встраивают регламенты в рабочий процесс и сокращают время поиска информации.

🔗 Полная версия статьи — в журнале «Директор по персоналу»

#сми_о_нас