1. Как подтверждаете эффект фичи — каузально или по привычному «до/после»?
2. Выдерживают ли эксперименты столкновение с реальностью: пересечения аудиторий, каннибализацию, региональные различия?
3. Не превращается ли внедрение в «LLM-налог» с растущими затратами и потерей скорости?
Трек «LLM, AI-агенты и экономика прикладного AI» в «Физике» (1 этаж) сегодня отвечает на эти вопросы — максимальная польза и реальная практика с кейсами.
Что обсудим👇
🔧 Кто сейчас выигрывает в AI-гонке и почему
10:00–10:30 | Евгений Пятков (Dodo) — DeepSeek Moment: что происходит с кодинговыми бенчмарками, почему Китай догоняет США не только «компьютом», и за счет чего игра может перевернуться уже в этом году.
🔧 Почему сотрудники на самом деле ненавидят ИИ: как победить саботаж и построить единый AI-слой компании
10:35–11:20 | Максим Янукович (Артеус) — почему AI-внедрения буксуют внутри компаний, как бороться с сопротивлением команд и зачем бизнесу единый AI-слой вместо набора разрозненных инструментов. Поговорим про бесшовную интеграцию, корпоративную память, контроль качества и мотивацию людей использовать AI в реальной работе.
(доклад идет)
🔧 Next-best-action в Авито: как ML и LLM автоматизируют работу сейлзов
11:25–11:55 | Дмитрий Михель (Авито) — как построить трехслойную систему из рекомендаций, uplift-ранжирования каналов и LLM-слоя, который превращает фичи в убедительные аргументы. Отдельно — про инкрементальность, offline eval и защиту от абьюза метрик.
🔧 Мультиагентная LLM-платформа за 1,5 месяца: стилист, тренер и ментальный помощник
12:00–12:30 | Владислава Павликова и Ольга Логинова (MTS Web Services) — архитектура системы из доменных агентов поверх единого LLM-контура: оркестрация, мультимодальный RAG, LLM-классификатор модерации, долгосрочная память, latency/стоимость/качество и Brand Safety.
🔧 Данные для обучения LLM: рецепт, на котором Qwen 235b догнал GPT-4.1 на задачах банка
12:35–13:05 | Елизавета Афанасьева (Точка Банк) — как готовить данные для inhouse-LLM по этапам: что собирать, как фильтровать, в каких пропорциях, как держать качество и обновление пайплайна. Итог — практический рецепт, с которым можно «на коленке» дообучить open source LLM под свою задачу.
🔧 Зачем BI в эпоху AI?
13:10–14:00 | Павел Дубинин (Yandex DataLens) — нужен ли BI, когда AI уже может «навайбкодить» дашборды и приложения? Разберем, как AI реально используется в BI-продуктах сегодня, какие инструменты становятся AI-ready и что это меняет для работы с корпоративными данными — на примере Yandex DataLens и кейсов пользователей.
LLM и агенты на хайпе давно. AHA’26 на примерах покажет, кто превращает тренд в результат: считает эффект и держит экономику под контролем. Увидимся в «Физике» 🙂