Горизонт сингулярности

👨‍🎓 Нашли ультимативный промпт для зачистки следов ИИ в текстов — он делает их живыми и естественными. Помогает избавиться от артефактов нейронок.

Ты — редактор с многолетним опытом работы в живых изданиях. Твоя задача — переписать текст ниже так, чтобы он звучал как живая человеческая речь: с характером, неровностями, личным голосом. Никакой стерильности.

━━━ ЧТО УБРАТЬ ПОЛНОСТЬЮ ━━━

Удали все следующие паттерны — они мгновенно выдают ИИ:

Клише-связки: «в современном мире», «в эпоху», «не секрет, что», «как известно», «стоит отметить», «важно понимать», «следует признать», «нельзя не сказать», «в конечном счёте», «подводя итог», «таким образом».

Пустые усилители: «действительно», «безусловно», «очевидно», «несомненно», «абсолютно», «колоссальный», «фундаментальный», «революционный», «беспрецедентный», «уникальный» — если не подкреплены фактом.

ИИ-конструкции: параллельные тройки («X, Y и Z»), перечисления из ровно трёх пунктов, предложения вида «С одной стороны... С другой стороны...», финальные абзацы с выводами в духе «подводя итог, можно сказать».

Академическая вата: пассивный залог там, где можно активный; безличные обороты («необходимо учитывать», «следует рассмотреть»); избыточные вводные слова.

Искусственная симметрия: одинаковая длина абзацев, одинаковое количество предложений, предсказуемая структура «тезис — аргумент — вывод» в каждом блоке.

━━━ ЧТО СОХРАНИТЬ ━━━

Смысл: все факты, аргументы, идеи и позиция автора остаются нетронутыми.

Стиль автора: если текст ироничный — оставь иронию. Если резкий — оставь резкость. Если разговорный — не делай его академическим. Если есть авторские словечки или нестандартные обороты — сохрани их.

Структуру там, где она нужна: абзацы, логика изложения, порядок аргументов.

━━━ ЧТО ДОБАВИТЬ ━━━

Живые неровности: предложения разной длины (от очень короткого до длинного), иногда незаконченная мысль, подхваченная в следующем предложении.

Конкретику вместо абстракций: там, где автор говорит размыто — уточни через деталь, пример, образ. Не придумывай факты — перефразируй так, чтобы стало ощутимее.

Человеческий ритм: читай вслух мысленно. Если спотыкаешься — переписывай. Текст должен течь как разговор умного человека, а не как корпоративный отчёт.

━━━ ФОРМАТ ОТВЕТА ━━━

① Переписанный текст — сразу, без предисловий и комментариев.

② После текста — одна строка: «Что изменено:» и 2–3 конкретных правки с объяснением (не пересказ, а именно: что было → что стало и почему).

③ Если в тексте есть фрагменты, которые ты не тронул (потому что они уже звучат живо) — укажи их кратко.

━━━ ТЕКСТ ДЛЯ РЕРАЙТА ━━━

[ВСТАВЬ СВОЙ ТЕКСТ ЗДЕСЬ]

Контрольные, дипломы, статьи — всё проходит проверку и даже платный Антиплагиат ВУЗ не замечает генерацию.

❤️ PDA

ClickHouse + LLM: когда SQL становится интерфейсом к искусственному интеллекту
Мы привыкли думать о базе данных как о месте, где данные хранятся, фильтруются, агрегируются и быстро отдаются в аналитику.
Но появляется новый слой: AI-функции прямо внутри SQL.
Идея простая, но очень сильная:
ClickHouse может вызывать LLM-модели — например OpenAI, Anthropic или другие endpoint’ы — прямо из SQL-запроса.
То есть можно написать примерно так:

SELECT aiGenerate('Summarize this in one line: ' || review)
FROM product_reviews
LIMIT 10;

И получить не просто строки из таблицы, а уже обработанный моделью результат: краткое резюме отзыва, классификацию обращения, перевод сообщения или извлечённые сущности.
Фактически LLM становится частью аналитического пайплайна.
Что это даёт на практике?
1. Суммаризация текстов
Отзывы клиентов, обращения в поддержку, комментарии, новости, расшифровки звонков — всё это можно превращать в короткие смысловые выжимки прямо в SQL.
Было: тысячи строк неструктурированного текста.
Стало: компактные summary, готовые для BI, дашбордов и управленческой аналитики.
2. Классификация обращений
Например:

SELECT aiClassify(text, ['bug', 'feature', 'question'])
FROM tickets;

Модель может автоматически разложить тикеты по категориям: ошибка, запрос функции, вопрос, жалоба, инцидент, коммерческий интерес.
Это уже не просто поиск по ключевым словам. Это смысловая классификация.
3. Извлечение сущностей

SELECT aiExtract(article, 'people, organizations, dates')
FROM news;

Из текстов можно доставать людей, компании, даты, продукты, суммы, события, риски, договоры, географию.
Для корпоративной аналитики это особенно интересно: появляется возможность превращать текстовые массивы в структурированные признаки.
4. Перевод и нормализация

SELECT aiTranslate(message, 'English')
FROM logs;

Можно переводить сообщения, нормализовать формулировки, приводить разнородные описания к единому стилю, готовить данные для последующей аналитики.
Ключевой момент: ClickHouse сам не становится LLM.
Он остаётся высокопроизводительной аналитической базой данных.
Но получает возможность обращаться к внешней модели как к интеллектуальному сервису.
Схема выглядит так:
данные в таблице → SQL-запрос → AI-функция → вызов LLM → ответ модели → результат в выборке
То есть LLM можно использовать не как отдельный чат, а как встроенный инструмент обработки данных.
И это важный сдвиг.
Потому что до сих пор работа с LLM часто выглядела как отдельный эксперимент: загрузили файл, написали промпт, получили ответ, вручную перенесли результат.
А здесь появляется промышленная логика:
данные уже лежат в базе;
запросы выполняются массово;
результат можно сохранять в таблицы;
обогащённые признаки можно отдавать в BI;
обработку можно встроить в регулярные пайплайны;
доступ к LLM можно контролировать на стороне сервера.
Отдельно важно, что настройки провайдера и ключи доступа хранятся server-side.
Пользователь SQL-запроса не видит API-ключи. Для корпоративного контура это критично: можно дать аналитикам AI-функции, не раздавая секреты и не ломая модель безопасности.
На мой взгляд, это один из признаков новой архитектуры аналитики.
Раньше BI отвечал на вопрос:
что произошло?
Потом продвинутая аналитика начала отвечать:
почему это произошло?
Теперь LLM-слой внутри SQL позволяет задавать вопросы нового типа:
что написано в этих данных?
какой смысл скрыт в текстах?
какие темы повторяются?
какие сигналы похожи на риск?
что нужно вынести на уровень управленческого решения?
И всё это не в отдельном интерфейсе “поговорить с ИИ”, а прямо рядом с таблицами, дашбордами и аналитическими витринами.
ClickHouse в такой схеме становится не просто хранилищем быстрых данных, а платформой для смыслового обогащения данных.
Это особенно интересно для:
клиентской аналитики;
анализа обращений;
мониторинга инцидентов;
обработки логов;
конкурентной разведки;
анализа новостей;
подготовки данных для BI;
автоматизации отчетности;
построения AI-ready data pipeline.
Главная идея: LLM перестаёт быть поверх данных и становится функцией внутри аналитического контура.
И это уже совсем другой уровень

Кажется, Маск снова говорит не про «будущее», а про техзадание к следующей версии цивилизации.

В новом разговоре про ИИ, орбитальные дата-центры, энергию для вычислений и роботов Optimus хорошо видно главное: гонка ИИ постепенно перестаёт быть гонкой моделей.

Теперь это гонка инфраструктур.

У кого будет больше энергии, вычислений, производственных мощностей, спутниковых сетей, роботов и автономных контуров управления — тот и будет определять правила новой экономики.

ИИ больше не живёт только в чатике.
Он расползается в дата-центры, заводы, космос, транспорт, роботов и операционные процессы.

И вот тут становится особенно интересно:
следующий большой разрыв будет не между теми, кто «использует ChatGPT», и теми, кто не использует.

Разрыв будет между теми, кто строит собственную инфраструктуру мышления, вычислений и автоматизации, и теми, кто остаётся пользователем чужой платформы.

Космические дата-центры звучат как фантастика.
Но ещё недавно фантастикой звучали многоразовые ракеты, глобальный спутниковый интернет и человекоподобные роботы на заводе.

Так что вопрос уже не «будет ли это возможно».
Вопрос — кто первым соберёт всё это в единую систему.

Видео: https://www.youtube.com/watch?v=xuyXXQ0Uvnc

👉 Подписаться на канал: https://t.me/horizon_singularity

ByeByeVPN: сканер, который смотрит на VPN глазами цензора

Есть инструменты, которые отвечают на вопрос:
«Работает ли мой VPN?»

А есть инструменты другого класса:
«Насколько мой сервер палится как VPN, если на него смотрит DPI / ТСПУ / провайдерский классификатор?»

ByeByeVPN — как раз про второе.

Это клиентский сканер детектируемости VPN / DPI / Reality / ТСПУ. Он принимает IP или hostname и пытается оценить, какие сигнатуры видны снаружи: открытые порты, UDP-handshake’и, TLS-поведение, GeoIP/ASN-флаги, CT-логи, прокси-артефакты и поведение, похожее на классификацию ТСПУ.

Подключаться к самому VPN не нужно: сканер смотрит на сервер как внешний наблюдатель.

Что он проверяет

Под капотом пайплайн довольно плотный:

DNS-резолвинг, GeoIP по нескольким провайдерам, TCP connect-scan портов, UDP-пробы для OpenVPN / WireGuard / Tailscale / L2TP / Hysteria2 / TUIC / AmneziaWG, fingerprint HTTP/TLS/SSH/SOCKS/CONNECT/Shadowsocks, проверка CT-логов и active probing по TLS-портам.

Отдельно интересен блок активных проб: инструмент отправляет на TLS-порт разные типы запросов — пустой TCP connect, GET, CONNECT, SSH banner, случайные байты, ClientHello со странным SNI и другие паттерны.

И дальше смотрит: сервер ведёт себя как обычный веб-сервис или как туннель, который пытается притвориться веб-сервисом.

Почему это интересно

Главная мысль: эпоха “просто поднял VPN на VPS и забыл” заканчивается.

Современная блокировка — это не только список IP. Это поведенческая классификация:

как сервер отвечает на странные handshake’и, какие порты открыты, что видно в TLS, какие следы есть в сертификатах, совпадает ли география с RTT, похож ли сервер на настоящий веб-ресурс или на туннель.

ByeByeVPN полезен как инструмент самодиагностики: не «обходит блокировки», а показывает, насколько ваш сервер уже выглядит подозрительно для внешнего наблюдателя.

Где взять

Windows-версию можно скачать в релизах:
https://github.com/pwnnex/ByeByeVPN/releases

Репозиторий проекта на GitHub:
https://github.com/pwnnex/ByeByeVPN

Ограничения

Это не магический оракул. Результат нужно читать как диагностическую гипотезу, а не как абсолютный приговор.

TCP-сканирование видит цель, GeoIP-провайдеры могут спорить между собой, QUIC-пробы ограничены, а TLS fingerprint не всегда будет имитировать реальный браузер.

Вывод

ByeByeVPN — хороший пример того, куда движется сетевой контроль:
не «заблокировали IP», а вычислили поведение.

И это важный сдвиг.

В мире, где фильтрация становится поведенческой, инфраструктура должна проектироваться не только с точки зрения доступности, но и с точки зрения наблюдаемого цифрового следа.

Раньше вопрос был:
«Поднялся ли VPN?»

Теперь вопрос другой:
«Кем он выглядит для того, кто смотрит на него снаружи?»

👉 Подписаться на канал: https://t.me/horizon_singularity

🥰 ChatGPT способен вынести вердикт по вашей внешности — в сети всплыл промпт, который составит отчёт о лице, оценит привлекательность и подскажет, как улучшить стиль.

Create a clean, minimal, high-end facial beauty report based on this photo. Use a black-on-white design with thin lines, rounded cards, and a luxury aesthetic. Include a simple contour line drawing of the face, an honest attractiveness analysis (symmetry, proportions, bone structure, skin, etc.), clear scores, strengths, areas for improvement, and actionable grooming/style recommendations. Keep it data-driven, visually refined, and not overly flattering. the text is in Russian

Главное — не пробуйте его, если есть проблемы с самооценкой.

❤️ PDA

ИИ-перевод книг перестал быть игрушкой на 3 страницы

Нашёл любопытный open source-инструмент: TranslateBooksWithLLMs.

Это не просто «закинь текст в чатик и молись, чтобы форматирование не умерло».
Проект заточен под перевод полноценных книг, документов и субтитров через LLM — локально или через облачные модели.

Что умеет:

— переводить большие EPUB / DOCX / TXT / SRT без жёсткого лимита размера;
— сохранять структуру, стили, разметку и таймкоды субтитров;
— продолжать перевод с места остановки, если процесс оборвался;
— работать через Ollama, OpenAI-compatible API, LM Studio, Gemini, Mistral, DeepSeek, OpenRouter и Poe;
— запускаться через веб-интерфейс, CLI или Docker;
— использовать локальные модели, если не хочется отправлять текст в облако.

По сути, это ещё один кирпичик в сторону персонального издательского конвейера:
взял книгу → прогнал через локальную или облачную LLM → получил переведённый файл с сохранённой структурой.

И вот тут начинается интересное.

Раньше перевод книги был отдельным производственным процессом: подрядчики, редакторы, верстка, итерации.
Теперь базовый черновой перевод всё чаще становится задачей локального агента на домашней машине.

Не идеально.
Не без редактора.
Не «нажал кнопку — получил Пушкина на японском».

Но как инструмент для ресёрча, внутреннего чтения, технической документации, субтитров и черновой локализации — уже очень мощно.

Ссылка на проект:
https://github.com/hydropix/TranslateBooksWithLLMs

Эпоха, когда языковой барьер был стеной, заканчивается.
Теперь это просто ещё один слой пайплайна.

👉 Подписаться на канал:[https://t.me/horizon_singularity

DeepSeek 4 Flash под BI-аудитом

По просьбе одного из читателей провели тест новой модели.

Из-за большой нагрузки протестировать DeepSeek 4 Pro пока не удалось.
Но есть пример аудита версии DeepSeek 4 Flash.

Модели сейчас выходят постоянно.
И в какой-то момент становится мало просто читать релизы, бенчмарки и восторженные треды.

Нужен свой инструмент проверки:
не абстрактно «модель умная или нет», а насколько она подходит под конкретные рабочие задачи.

Поэтому мы для себя разработали инструмент тестирования моделей под наши сценарии.

Да, там часть словарей уникальная.
Да, часть критериев заточена именно под наши задачи.
И в этом как раз смысл: универсальный бенчмарк показывает температуру по больнице, а прикладной аудит показывает, можно ли модель реально использовать в вашем контуре.

В примере — аудит DeepSeek 4 Flash:
как модель справляется с BI-логикой, аналитическими выводами, качеством интерпретаций и задачами поддержки управленческих решений.

Провести аудит других моделей или своих сервисов можно здесь:
https://bi.anisimovvp.com

Там всё просто.
Если не получилось — пишите в комментариях, посмотрим вместе.

📎 Отчёт — в первом комментарии.

Канал: https://t.me/horizon_singularity

🧨 AI-пентестер уже пришёл. И он не спрашивает разрешения у вашего годового плана ИБ

Наткнулся на интересный репозиторий — Shannon.

Это автономный AI-пентестер для веб-приложений: ему дают URL и исходники, а дальше он сам ищет векторы атаки, ходит браузером по приложению, пробует эксплуатацию и формирует отчёт не в стиле «возможно у вас проблема», а с воспроизводимыми PoC.

Суть очень простая:

раньше разработка ускорилась за счёт Cursor, Claude Code и vibe-coding,
а безопасность осталась жить в ритме «пентест раз в год».

В итоге команда выкатывает код каждый день, а проверка реальных дыр — когда-нибудь потом.

Shannon пытается закрыть именно этот разрыв:
не просто найти подозрительный участок, а доказать, что уязвимость реально эксплуатируется.

Что умеет:

— white-box анализ с доступом к исходникам;
— запуск через Docker;
— работа с браузером и CLI;
— проверка Injection, XSS, SSRF, Broken Auth/AuthZ;
— отчёты с воспроизводимыми эксплойтами;
— использование инструментов вроде Nmap, Subfinder, WhatWeb и Schemathesis;
— поддержка авторизованных сценариев, включая 2FA/TOTP.

В README заявлено, что Shannon Lite показал 96,15% success rate на hint-free, source-aware XBOW Benchmark. Также авторы пишут, что на OWASP Juice Shop инструмент нашёл 20+ критичных уязвимостей, включая auth bypass и эксфильтрацию базы.

И вот тут начинается самое интересное.

Мы привыкли думать об AI-агентах как о помощниках разработчика.
Но следующий этап — это агенты, которые не пишут код, а ломают код.

Причём не в теории.
Не в формате красивого security checklist.
А в формате: «вот путь атаки, вот payload, вот доказательство, вот бизнес-риск».

Это меняет саму механику DevSecOps.

Пентест перестаёт быть редким ритуалом перед аудитом.
Он становится частью конвейера: написал → собрал → поднял окружение → отдал агенту на взлом.

И да, это работает только на своих приложениях и в контролируемом контуре.
Но направление понятно:
если AI ускорил создание уязвимостей, AI же придётся ускорять и их обнаружение.

Добро пожаловать в эпоху, где у каждого vibe-coder должен быть свой AI-red team.

Репозиторий:
https://github.com/0xKayala/Shannon

Google quietly выкатывает очень правильную идею: DESIGN.md.

Не просто “гайдлайн для дизайнера”, а машиночитаемое описание визуальной системы для кодогенерирующих агентов.
То есть рядом с кодом появляется отдельный артефакт, который объясняет агенту, как должен выглядеть интерфейс: цвета, типографика, скругления, spacing, компоненты и даже смысловые пояснения, почему всё устроено именно так. ([GitHub][1])

Суть сильная:
раньше агенту говорили “сделай красиво, как в нашем стиле”,
теперь можно сказать: вот тебе DESIGN.md, не выдумывай.

Формат состоит из двух слоёв:
— YAML front matter с токенами дизайна
— markdown-блок с человеческими пояснениями и логикой системы.
То есть агент получает одновременно и жёсткие значения, и контекст применения. ([GitHub][1])

Что особенно понравилось:

* есть CLI для проверки DESIGN.md
* можно ловить битые token references
* можно проверять WCAG contrast
* можно сравнивать две версии дизайн-системы через diff и смотреть регрессии. ([GitHub][1])

По сути, это движение к очень важной мысли:
дизайн для AI-агентов должен быть таким же формализованным артефактом, как API-контракт или schema.

И вот это уже действительно интересно.
Потому что следующая стадия AI-разработки — не “сгенерируй мне кнопку”, а “собери продукт, не разрушив фирменный стиль, UX-логику и систему компонентов”.

Эпоха промптов уровня
“сделай современно, минималистично и красиво”
понемногу заканчивается.

Наступает эпоха:
вот тебе дизайн-контракт — работай точно.

Репозиторий: GitHub google-labs-code/design.md ([GitHub][1])

[1]: https://github.com/google-labs-code/design.md "GitHub - google-labs-code/design.md: A format specification for describing a visual identity to coding agents. DESIGN.md gives agents a persistent, structured understanding of a design system. · GitHub"

Похоже, у Hermes Agent есть все шансы стать не просто новым агентным фреймворком, а еще и довольно мягкой точкой входа для тех, кто уже сидит на OpenClaw.

У ребят из Nous Research миграция продумана не на уровне «ну перепишите конфиги руками», а вполне по-взрослому.
В официальной документации прямо есть сценарий перехода с OpenClaw / Clawdbot / Moldbot на Hermes: через hermes claw migrate можно импортировать существующую конфигурацию, а при первом запуске hermes setup система сама ищет каталог ~/.openclaw и предлагает миграцию ещё до базовой настройки. ([hermes-agent.nousresearch.com][1])

Почему это важно:
обычно умирает не технология, а желание переезжать.
Потому что переезд агента — это всегда боль:
— заново собирать конфиги
— заново переносить ключи
— заново восстанавливать memory
— заново объяснять системе, кто ты и как с тобой работать

А здесь логика обратная:
не заставить пользователя начать с нуля, а перетащить накопленный контур в новую среду.
И вот это уже похоже на взрослый подход к агентам. ([hermes-agent.nousresearch.com][1])

Если смотреть шире, это вообще хороший симптом для рынка.
Когда у экосистемы появляется нормальный сценарий миграции, значит агенты начинают конкурировать не только хайпом и демками, но и зрелостью эксплуатации.

То есть вопрос уже не только в том,
«что умеет агент?»,
а в том,
«насколько безболезненно его можно встроить в реальную жизнь и не потерять накопленное?»

Для тех, кто уже экспериментировал с OpenClaw, это может быть хорошим поводом посмотреть на Hermes не как на очередную игрушку, а как на следующий слой зрелости.
Особенно если хочется уйти от модели, где агент каждый раз просыпается с амнезией.

Ссылки:
Hermes Agent — https://github.com/nousresearch/hermes-agent
Гайд по миграции — документация Hermes

[1]: https://hermes-agent.nousresearch.com/docs/guides/migrate-from-openclaw?utm_source=chatgpt.com "Migrate from OpenClaw | Hermes Agent - nous research"

⚡️Qwen 3.6, дообученная на Opus 4.6, теперь доступна БЕСПЛАТНО.

🕤36B параметров — уровень GPT‑5.4 и Opus.
🕤12 часов работы без остановки, токены расходуются эффективно.
🕤Локальный запуск, никакой утечки данных.
🕤Разворачивается за 5 минут.

🕤🕤🕤🕤🕤🕤🕤🕤🕤

Тестируем — КЛИК

❤️ PDA

OpenAI тихо выложили на Hugging Face специализированную модель для детекции и маскировки персональных данных в тексте. Очень полезная штука для работы с LLM в энтерпрайзе и с клиентскими данными. Раньше для этого PII библиотеку от Майкрософт использовали, всякие NLP библиотечки или маленькие локальные модели.

Что внутри

– Архитектура на базе gpt-oss
– 1.5B параметров всего, 50M активных
– Контекстное окно 128k
– Запускается в браузере или на ноутбуке

Детектит 8 категорий: имена, адреса, email, телефоны, URL, даты, номера счетов и секреты (API-ключи, токены и пр.). Маскирует и потом их разворачивает обратно.

Полезный и неожиданный релиз. У всех, кто строит AI-продукты с обработкой клиентских данных, болит одно и то же – перед отправкой в LLM-провайдера нужно вычищать PII, а регулярки и классический spaCy NER ловят далеко не всё. Локальная модель, которая может бегать на ноутбуке, закрывает реальную дыру – особенно для тех, кто работает в GDPR-периметре или хочет on-prem.
https://huggingface.co/openai/privacy-filter

‼️Похоже, Telegram хочет стать чем-то гораздо больше обычного мессенджера — на тестах уже засветились три вещи, которые многое меняют:

1️⃣Боты без серверов. Больше не нужно ничего арендовать и настраивать — всё делается прямо в Telegram.

2️⃣Своя платформа для разработки. Прямо внутри будет IDE, база данных, хранение инфы и логика. Боты превращаются в полноценные мини-приложения.

3️⃣Авторизация через Telegram. Как «войти через Google», только теперь через Telegram.

Если это доведут до релиза, то внутри Telegram сформируется экосистема, где можно создавать и использовать сервисы внутри одного приложения.

❤️ PDA

Иногда особенно приятно видеть, как многолетняя работа попадает не только в дискуссию, но и в итоговые выводы мероприятия.

Выступил спикером на meetup Axenix при поддержке «Кругов Громова», где обсуждали Self-service, его реальные барьеры и то, почему даже сильные аналитические прототипы так часто не доходят до промышленного использования.

Для меня это тема не “на хайпе”. Я уже 8 лет внедряю, развиваю и последовательно топлю за self-service-подход — не как красивую концепцию, а как рабочую модель, которая действительно ускоряет аналитику и делает бизнес сильнее.

Особенно мило, что в итоговый отчет вошли мои цитаты из интервью 🙂
Значит, говорили не зря.

Главная мысль, которую я продолжаю отстаивать:
проблема обычно не в самом прототипе.
Главный барьер — переход от MVP к промышленному, безопасному, повторно используемому решению.

Без зрелой методологии, нормальной формализации, стандартизации и готовности к масштабированию даже удачные прототипы остаются локальными артефактами, а не становятся реальным self-service-инструментом для бизнеса.

Ссылки:
Meetup Axenix: https://axenix-innovation.pro/dataxmeetup/
Решение для Self-service: https://axenix-innovation.pro/datax/

Хорошо, когда такие темы обсуждаются не на уровне лозунгов, а на уровне практики, боли и реальных ограничений внедрения.

Если вам казалось, что только Max любит собирать данные, то вот исследование, которое мне попалось — и там картина, мягко говоря, бодрящая.

RKS Global разобрали 30 популярных российских Android-приложений статическим анализом APK. Результат показательный: 22 из 30 приложений детектируют VPN, 18 из них отправляют этот статус на сервер, 29 из 30 проверяют root, 24 из 30 запрашивают доступ к микрофону, 28 из 30 — к камере, а 24 из 30 — отправляют список установленных приложений на свои серверы. Отдельно в исследовании отмечен и MAX: приложение детектирует VPN и передаёт этот статус на сервер.

Самое интересное тут даже не сам факт слежки, а её нормализация.
Когда банк, маркетплейс, навигатор, видеосервис и мессенджер дружно хотят знать про VPN, root, список приложений, контакты и фоновые сервисы — это уже не “отдельные перегибы”. Это новая норма цифровой среды.

На практике вывод очень простой:
если уж пользоваться такими приложениями, то лучше сразу думать не только про разрешения, но и про изоляцию.

Что можно сделать на Андроид:
— разделять среды на уровне устройств или профилей;
— использовать Work Profile через Shelter, чтобы приложения не видели всё подряд из основного профиля — именно такой подход отдельно рекомендуют и в самом исследовании;
— на Samsung дополнительно смотреть в сторону Knox / Secure Folder как ещё одного слоя изоляции для чувствительных сценариев.

На IOS ситуация лучше, но туннель будет виден.

Так же отслеживается точка подключения, откуда вы пришли в приложение, мне кажется, что теперь любое иностранное подключение с iPhone это использование VPN по мнению приложения.

Главный вывод простой:
мы всё чаще живём в мире, где приложение хочет быть не инструментом, а наблюдателем.
Не просто выполнять функцию, а знать о вас больше, чем нужно для этой функции.

Так что иногда вопрос уже не “какое приложение удобнее”, а “в каком контейнере ему вообще можно жить”.

#кибербезопасность #privacy #vpn #android #samsung #knox #shelter #max