Practico AI | Внедрение ИИ для бизнеса

Мы все чаще видим одну и ту же проблему у компаний, которые хотят запускать AI-решения во внутреннем контуре.Идея простая: данные нельзя отправлять во внешние сервисы, нужен private cloud или on-prem, доступы должны быть под контролем, инфраструктура — внутри периметра компании.Но дальше возникает сложный вопрос:А какая инфраструктура вообще нужна?• Сколько GPU?• Какие модели использовать?• Какой объём запросов выдержит система?• Сколько будет стоить обработка документов, обращений, корпоративной базы знаний или данных клиентов?Сейчас мы, работаем над проектом для частных школ в штатах, где AI-система должна обрабатывать данные студентов. В таком сценарии вопрос инфраструктуры становится критичным: нужно не просто “прикрутить AI”, а спроектировать решение так, чтобы данные студентов оставались в контролируемом контуре, с понятной архитектурой, доступами, безопасностью и предсказуемой стоимостью эксплуатации.Для многих компаний это сложно оценить на старте - особенно до полноценного технического обследования.Поэтому мы сделали простую и бесплатную тулу:Калькулятор по подбору инфраструктуры, класса моделей и формата внедрения: https://calc.practico.ai/tools/private-ai-calculatorОн помогает быстро прикинуть, какая инфраструктура может понадобиться для запуска AI-решения во внутреннем контуре, и получить ориентир по стоимости.Калькулятор полезен, если вы планируете:• AI-ассистента для сотрудников;• RAG / поиск по корпоративной базе знаний;• обработку документов;• AI-агента для продаж, поддержки, HR или внутренней аналитики;• внедрение AI в private cloud или on-prem из-за требований безопасности;• AI-решения для сфер, где есть чувствительные данные: образование, медицина, финансы, юридические услуги, HR.Посчитайте свой сценарий в калькуляторе тут:А если хотите подобрать инфраструктуру точнее под ваш кейс - напишите нам. Поможем оценить нагрузку, архитектуру и реалистичную стоимость запуска private AI-решения.

Дайджест AI-новостей 13 апреля — 19 апреляДелимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.Важное по моделям за эту неделю: 1. Anthropic выпустила Claude Opus 4.7Улучшения в коде и тексте, новый токенизатор (компонент, который разбивает текст на фрагменты для обработки — от него зависит скорость и стоимость запросов), улучшенное понимание изображений и Adaptive Thinking - механизм, при котором модель сама решает, сколько «думать» над задачей, вместо ручной настройки параметра температуры. 🔹 Тренд 1. AI все больше выходит на десктопные приложенияНа этой неделе сразу несколько компании одновременно выкатили разные обновления под десктоп. AI перестает быть только браузерными чатами и становится фоновым процессом на рабочем месте, что дает ещё больше автоматизации с минимальным порогом входа. По сути, все игроки следует тренду, который задали Claude Cowork и Manus. 2. OpenAI превратила Codex в полноценного десктоп-агентаCodex вышел за рамки кодинга: теперь это фоновый агент с computer use на macOS (возможность управлять компьютером — кликать, печатать, переключать окна), встроенным браузером с комментариями прямо на странице, генерацией картинок, 90+ плагинами, памятью и автоматизациями. 3. Google выпустил нативное приложение Gemini для macOS - бесплатно, можно показать экран и задать вопрос по тому, что на нём, плюс генерация изображений через Nano Banana и видео через Veo. А также десктопный AI-поиск для Windows - системный поиск по вебу, локальным файлам, приложениям и Google Drive через горячую клавишу Alt+Space.4. Perplexity запустила Personal Computer на Mac оркестрационный слой поверх локальных файлов, нативных приложений и браузера. Использует ~20 различных моделей и направляет задачи к наиболее подходящей. Может работать 24/7 на Mac mini, задачи можно запускать с iPhone. Пока доступно по подписке Max или через waitlist.🔹 Тренд 2. Агенты становятся все более автономными и стандартизируютсяАгенты начинают работать не только п

Если остались вопросы, напишите нам в ТГ, назначим Бесплатную консультацию с экспертом, где вы получите отчет по вашей компании, с описание куда стоит внедрить ИИ в вашей организации, какими инструментами и за какой срок это можно реализовать.Посмотрите другие материалы и посты для бизнеса:🤖 Руководство по ИИ-агенту Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.🤖 17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)👉Какие задачи в компании хорошо решает ИИ👉AI в продажах: как увеличить конверсию и автоматизировать работу отдела продаж 👉AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR👉AI-аналитика для руководителей: как получать управленческие ответы за минуты

AI в России 2026: что происходит на самом делеМы проанализировали рынок, данные исследовательских институтов и опыт внедрений в десятках компаний. Вот что получилось.Главный выводБольшинство компаний застряли между "мы пробуем AI" и "AI работает на нас".Этот разрыв стоит денег. Каждый месяц.Цифры, которые важно знать→ 4,8% — средняя доля компаний в России, реально использующих AI→ 63% называют стоимость главным барьером — но проблема не в цене модели→ 48% средних и крупных компаний заявляют: "нам AI не нужен"→ Половина внедривших фиксируют рост эффективности. Треть — рост выручки.Вывод простой: те, кто внедрил — получают результат. Остальные теряют время.Три этапа зрелости. Где вы?Этап 1 — Песочница (большинство компаний)Сотрудники сами нашли ChatGPT. Пробуют. Экспериментируют. Без системы, без данных, без результата в P&L.Этап 2 — Масштабирование (треть компаний)Появляются пилоты, инфраструктура, обучение команды. Первые измеримые эффекты.Этап 3 — Трансформация (горизонт 1-2 года)AI меняет операционную модель. Точечные решения вырастают в системы.Главный вопрос не "использует ли ваша компания AI" — а "на каком этапе вы застряли и почему".Почему пилоты не превращаются в результатНе модели. Не бюджет. Узкое место — среда внедрения:- Данные неполные, несогласованные, плохо размеченные- Процессы не готовы к интеграции- Инфраструктура выстраивается под давлением, а не по архитектуре- Люди умеют пользоваться инструментом, но не умеют встраивать его в работуСильная модель на слабых данных не даёт устойчивого эффекта. Никогда.Что отделяет лидеров от остальныхПобеждают не те, у кого лучшая модель.Побеждают те, кто выстроил три вещи:✦ Качественный контур данных✦ Инфраструктуру под реальные задачи✦ Экономику внедрения — не только CAPEX, но и стоимость эксплуатацииВ 2025-2026 устойчивое конкурентное преимущество формируется на уровне архитектуры, а не выбора провайдера моделей.Полное исследование включает:— Карту AI-зрелости российского рынка с данными по отраслям— Реальные ар

Дайджест AI-новостей 6 апреля — 12 апреляДелимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.1. Anthropic не выпустила новую модель Claude Mythos в открытый доступ.Вместо публичного запуска компания открыла ограниченный доступ только для защиты критически важного программного обеспечения через Project Glasswing. Идея в том, что модель слишком сильна в поиске уязвимостей, поэтому её решили сначала использовать в закрытом режиме вместе с крупными партнёрами.Что это значит для бизнеса: вопрос безопасности AI-систем становится не “юридическим приложением”, а частью самой архитектуры внедрения. Если компания строит AI-решения, ей уже нужно думать не только о пользе модели, но и о том, какие новые риски она создаёт2. Anthropic запустила Managed Agents — управляемую среду для AI-агентов.Речь про облачную среду, где можно запускать долгоживущих агентов: с изолированной средой выполнения (sandbox — когда агент работает в отдельном безопасном контуре), сохранением промежуточного состояния (checkpointing — возможность “сохраниться” и продолжить позже) и ограничением прав доступа (scoped permissions — когда агенту дают только строго нужные разрешения). Параллельно компания продвигает подход, где одна модель выступает исполнителем, а более сильная — советником для сложных мест.Что это значит для бизнеса: рынок начинает стандартизировать не только модели, но и сам слой запуска агентов. Это ускорит переход от разовых демо к более стабильным рабочим AI-системам.3. Microsoft открыла модель Harrier для смыслового поиска на разных языках.Harrier — это модель представления текста в виде чисел для поиска по смыслу (embedding model — модель, которая превращает текст в числовые векторы, чтобы система могла находить похожие фрагменты не по словам, а по смыслу). Microsoft заявляет лидерство на многоязычном бенчмарке MTEB-v2 и открыла модель под MIT-лицензией, то есть с возможностью коммерческого использования.Что это значит для бизнеса: для корпоративных баз

Почему протоколы встреч не работают — и как сделать систему, которая помнит все договорённостиВ проектном бизнесе есть проблема, о которой все говорят, но мало кто решает: через три месяца никто уже точно не помнит, что обсуждалось с клиентом.Договорённости расползаются по Zoom, Slack/Telegram и личным сообщениям. В какой-то момент ни аккаунт-менеджер, ни клиент не могут быстро восстановить: что было обещано, что согласовано, а что появилось позже. Здесь и начинаются споры про scope, сроки и обязательства.В AI-проектах это особенно болезненно. Там, где в обычной разработке scope creep стоит недели, в AI он легко превращается в месяцы. Потому что «мы же обсуждали, что модель должна работать вот так» — это часто пересборка логики или архитектуры. Мы прожили это на своих проектах и решили починить.В чём проблемаДлинный проект - это расхождение картины у участников. Клиент помнит одно, команда - другое. Обе стороны правы, просто зафиксировали разные версии разговора. Протоколы и саммари не спасают: они пишутся по памяти, выборочно и плохо ищутся через время. Нужен был не ещё один документ, а слой памяти с опорой на реальные коммуникации.РешениеМы собрали агента, подключённого к Zoom, Slack и Telegram-каналам, который формирует единый контур памяти по проекту. - По Zoom агент автоматически забирает записи встреч, транскрибирует звонки, разбивает их на смысловые фрагменты, раскладывает всё по проектам и сохраняет привязку к источнику: дата, участники, таймкод. - По Slack и Telegram агент регулярно выгружает переписку из проектных каналов, выделяет ключевые обсуждения, фиксирует решения, обещания, изменения формулировок и спорные точки, а также сохраняет и саммари, и исходный текст.Все попадает в единую базу: саммари — для скорости, исходники — для проверки.В итоге - единый слой памяти по проекту: звонки, переписка, решения и их контекст.Как используетсяМенеджер задаёт вопросы:«Что обещали по мульти-агентной системе?»«Когда появилось требование?»«Это было в скоуп или добав

Вы не знаете, сколько реально тратите на AI (и это проблема)В компаниях, которые активно работают с AI, расходы на инструменты почти никогда не управляются системно.ChatGPT Pro, Claude Pro, Perplexity, Manus, Notion AI, Midjourney, Krea -у каждого сотрудника свой набор, подключённый по мере необходимости, без единого подхода и без централизованного контроля. В небольшой команде на 20 человек это легко превращается в $3 000–6 000 в месяц на подписки. И значительная часть этих денег тратится неэффективно. Что происходит в больших - можно промолчать. Проблема не в том, что инструментов много. Проблема в том, что никто не видит реальную картину потребления на уровне компании.Кто-то берёт максимальный тариф «на всякий случай». Где-то инструменты дублируют друг друга. Где-то подписка, которая была нужна полгода назад, сегодня уже закрывается бесплатным тиром конкурента или другой моделью внутри текущего стека. Последние месяцев мы сами работали в таком режиме. Потом протестировали следующее.РешениеСобрали простую связку из двух компонентов: OpenClaw как центральный агент и Chrome-плагин, который развернули на всю команду.Плагин решает одну задачу: пассивно собирает метрики использования AI-инструментов — ChatGPT, Claude, Manus, Perplexity, Cursor и других.Важно: не содержимое сессий, а именно метрики использования:— какой инструмент используется— как часто— как долго— какие функции реально задействованыЭти данные отправляются в агента, где собираются в единый дашборд.В результате видно не просто «кто сколько сидел в ChatGPT», а реальную структуру потребления по компании:❗️какой процент сессий действительно требует Pro-функций❗️где дорогой инструмент используется для простых задач❗️где у сотрудников дублируются подписки❗️где индивидуальные тарифы давно стоит заменить на командный планНо самый интересный эффект был даже не в экономии.Стало видно, где у команды реальные точки роста.Если человек регулярно упирается в лимиты бесплатного тарифа - это сигнал, что ему нужен апгре

Если остались вопросы, напишите нам в ТГ, назначим Бесплатную консультацию с экспертом, где вы получите отчет по вашей компании, с описание куда стоит внедрить ИИ в вашей организации, какими инструментами и за какой срок это можно реализовать.Посмотрите другие посты для бизнеса:🤖 Руководство по ИИ-агенту Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.👉Какие задачи в компании хорошо решает ИИ👉AI в продажах: как увеличить конверсию и автоматизировать работу отдела продаж 👉AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR👉AI-аналитика для руководителей: как получать управленческие ответы за минуты 👉Компьютерное зрение для бизнеса и производства👉Как внедрить AI в компанию: 4 шага

17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)Руководители зачастую обращаются к нам с запросом: «хотим внедрить AI, но не знаем с чего начать».Проблема не в инструментах — их больше чем достаточно. Дело в том, что большинство компаний начинают с инструмента, а не с задачи. Выбирают ChatGPT, пробуют пару месяцев — и возвращаются к ручному режиму. Потому что не было конкретного процесса, конкретной боли и конкретной метрики.Правильная логика обратная: 1. сначала — где болит и сколько это стоит в часах и деньгах. 2. Потом — что автоматизировать. 3. И только потом — каким инструементом.Мы собрали базовые кейсы AI-автоматизации по пяти функциям: продажи, маркетинг, HR, финансы, клиентский сервис. Каждый кейс — это не теория. Это конкретный сценарий с описанием задачи, решения, ожидаемого результата и готового блюпринта под n8n. Можно просто брать и начинать внедрять.Несколько примеров из документа:• Квалификация входящих лидов: минус 60–70% времени менеджеров, конверсия в встречу +20–35%• Скрининг резюме: с 15 часов до 30 минут на одну вакансию• Обработка входящих счетов: с 5–10 минут до 30–60 секунд за документ• Реактивация «мёртвой» базы: 5–15% контактов конвертируются в сделки с первой кампании• AI первой линии поддержки: до 75% обращений закрываются без оператораПлюс раздел о том, как правильно считать ROI до запуска — с формулой и примерами расчёта.Забирайте документ ниже 👇#AIкейсы#AIстратегия #AIобучение#AIинструменты

Сейчас во множестве Telegram-каналов видим, как люди делятся своими скиллами для OpenClaw. Кто не знает, что такое скиллы для AI-агентов, можете прочитать наш предыдущий пост — там мы подробно разобрали, что это и как работает.Но есть важный момент, о котором говорят намного реже: безопасность использования скиллов. Поэтому решили отдельно написать об этом сегодня.На первый взгляд всё выглядит безобидно. Скилл — это просто расширение: добавил функцию, ускорил работу, получил готовый сценарий. Но на практике это не просто «удобная настройка». Если у агента есть доступ к файлам, API-ключам, почте или CRM, скилл получает доступ к тем же возможностям. Именно здесь и возникает основной риск.И эта проблема уже набирает обороты. По данным одного исследования, из 3 984 просканированных скиллов 1 467 содержали как минимум одну проблему безопасности, а 534 - как минимум одну критическую проблему. Что может пойти не так при установке скиллов?❗️ Скилл может подтянуть вредоносный кодНапример, в инструкции будет указано скачать дополнительный файл или скрипт «для корректной работы». Агент это сделает и выполнит. Для пользователя это выглядит как обычная установка, но по факту это потенциальная точка входа для атаки.❗️ Скилл может увести чувствительные данныеЕсли у агента есть доступ к переменным окружения, ключам, файлам или внутренним документам, вредоносный или плохо написанный скилл может передать эти данные наружу.❗️ Даже безопасный на первый взгляд скилл может стать опасным позжеЧастый сценарий: сегодня скилл выглядит нормально, а завтра его зависимость обновляется и начинает делать уже не то, что вы проверяли. То есть «чистый» при установке — не значит безопасный со временем.❗️Опасность может быть не только в коде, но и в текстеУ AI-агентов часть поведения задаётся не только скриптами, но и инструкциями. Поэтому вредоносная логика может быть спрятана в описании, комментариях или текстовых файлах, которые агент интерпретирует как команды. ❗️Риск возникает даже через внешние

Дайджест AI-новостей 30 марта — 5 апреляДелимся ключевыми новостями недели в сфере AI - через призму их применения в бизнесе.1. Google выпустила Gemma 4Это семейство открытых моделей с открытой лицензией (разрешает коммерческое использование). Старшие модели поддерживают контекст до 256 тысяч токенов (объём текста, который модель может учитывать за один запрос), вызов внешних функций (подключение к сторонним системам) и структурированный вывод данныхЧто это значит для бизнеса: Часть задач, которые сейчас решаются через OpenAI или Anthropic, уже можно закрывать локально - без передачи данных наружу. Особенно это актуально для чувствительных процессов и внутренних RAG-систем (систем, которые ищут информацию по корпоративной базе знаний и на её основе формируют ответ). 2. У Anthropic слили исходный код Claude CodeИз-за ошибки при публикации часть внутренних материалов проекта попала в открытый доступ. Что это значит для бизнеса: Теперь, когда архитектура Claude Code фактически стала открытой, это даёт возможность строить аналогичные решения у себя - по сути, что-то уровня OpenClaw, но с более сильной моделью. Параллельно это ещё раз показывает, что вопрос безопасности в AI-продуктах- это уже не абстрактная тема, а операционный риск.3. Alibaba выпустила сразу 3 новые моделиQwen3.6-Plus — для агентных сценариев (где AI не просто отвечает, а выполняет цепочку действий), мультимодальная Qwen3.5-Omni (работает с текстом, изображениями, аудио и видео) и Wan2.7-Image для генерации изображений. В Model Studio также доступны региональное размещение (размещение данных и инфраструктуры в нужной стране или регионе) и корпоративные режимы развёртывания.Что это значит для бизнеса: При выборе AI-поставщика качество модели — уже не единственный критерий. Важны также доступность в регионе, SLA (гарантии стабильности сервиса), стоимость инференса (стоимость обращения к модели) и то, где физически хранятся данные.4. Вышла новая версия Cursor - Cursor 3В новой версии усилили работу с неск

Если остались вопросы, напишите нам в ТГ, назначим Бесплатную консультацию с экспертом, где вы получите отчет по вашей компании, с описание куда стоит внедрить ИИ в вашей организации, какими инструментами и за какой срок это можно реализовать.Посмотрите другие посты для бизнеса:🤖 17 бизнес-кейсов ИИ-автоматизации с готовыми шаблонами процессов и ROI (маркетинг, продажи, hr, финансы, сервис)👉Какие задачи в компании хорошо решает ИИ👉AI в продажах: как увеличить конверсию и автоматизировать работу отдела продаж 👉AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR👉AI-аналитика для руководителей: как получать управленческие ответы за минуты 👉Компьютерное зрение для бизнеса и производства👉Как внедрить AI в компанию: 4 шага

ИИ-агент Manus для автоматизации задач руководителя, чем это лучше GPT и Claude.Руководители сегодня работают не в дефиците решений, а в дефиците времени. Каждый день — это десятки операционных задач: постановка задач сотрудникам, контроль, отчёты, аналитика, входящие заявки, подготовка к встречам. И всё это по-прежнему делается руками.Даже если вы уже используете ChatGPT или Claude — они не снимают нагрузку. Они лишь ускоряют отдельные шаги. В итоге вы всё равно остаетесь внутри процесса: задали вопрос → получили ответ → пошли делать дальше сами.Сейчас появляется новый класс — AI-агенты. В отличие от чатов, они не отвечают, а действуют: сами строят план, сами выполняют задачи, работают с браузером, файлами, CRM и возвращают готовый результат без постоянного участия человека.И здесь ключевое отличие:— ChatGPT / Claude → усиливают человека— AI-агенты → заменяют выполнение части работыСейчас активно обсуждают ИИ-агента OpenClaw. Но на практике для большинства компаний это сложный старт: ограничения по безопасности, высокий порог входа, требования к инфраструктуре и настройке.Хорошая альтернатива на входе — агент Manus. Он даёт сопоставимый класс возможностей, но без лишней сложности:— быстрее запуск— проще настройка— меньше требований к инфраструктуре— контролируемая модель внедрения в бизнесПо сути, это способ зайти в агентный AI без “технического перегруза”.Manus — это не ещё один чат. Это агент, который:— открывает сайты и работает с ними— взаимодействует с Google Drive, CRM, почтой— собирает данные из десятков источников— формирует отчёты и отправляет их— выполняет задачи по расписанию без вашего участияПоэтому возникает логичный вопрос: есть ли инструмент, который можно внедрить быстро и использовать в реальных задачах руководителя без сложной разработки?Мы подготовили подробный гайд по Manus: с кейсами, процессом внедрения на уровне компании и практическими рекомендациями, как получить ROI уже на первых сценариях.Если коротко — это шаг от “думать быстрее” к “дел

В fashion-ритейле есть задача, которую почти все решают вручную - и почти все решают плохо. Речь о распределении товара по точкам продаж. Футболка XS лежит мёртвым грузом в одном магазине, а в другом - на неё стабильный спрос, но её туда просто не довезли. Умножьте это на сотни точек и тысячи SKU - и вы получите миллионы рублей, замороженных в неправильных остатках.Сейчас мы ведём консультации по внедрению AI в бизнес-процессы с президентом одной из крупных fashion-retail компаний в России. В процессе обсуждения нашли интересный кейс применения агентного AI в операционных процессах - как раз прорабатываем логику. Решили поделиться и разобрать: в чём бизнес-боль, как выглядит архитектура решения и почему здесь недостаточно просто «сделать дашборд».Где проблемаКлассическая ситуация в ритейле:в одной точке лежит 100+ единиц товара, который не продаётся;в другой — тот же SKU/размер заканчивается слишком быстро;деньги «висят» в остатках, а продажи теряются.Простой пример: в одном магазине — 120 футболок размера XS, которые не двигаются. В другом — XS стабильно продаётся, но туда его не довезли.Это не разовая ошибка — это системная проблема распределения.Почему это не решается вручнуюНужно учитывать одновременно: историю продаж по каждой точке, сезонность, размерные ряды, акции и скидки, остатки и поставки, скорость продаж, региональные различия. При 100+ точках и тысячах SKU это невозможно считать «на глаз».Какое решение здесь будет работатьЭто связка из двух слоёв:📌 ML-модель. Считает: прогноз спроса по каждой точке, вероятность продажи конкретных размеров/моделей, где будет избыток, где дефицит, куда и сколько нужно переместить товара. По сути отвечает на вопрос: что, куда и в каком объёме поставлять.📌AI-агенты (операционный слой). Поверх модели появляются агенты, которые: анализируют рекомендации, находят аномалии, объясняют причины, формируют конкретные действия.Пример: «В 17 магазинах избыток XS — продажи ниже нормы. Рекомендуется перераспределить 240 единиц в 12

Хотим затронуть тему, которая в последнее время занимает у нас всё больше внимания. Работая в AI-консалтинге и разработке, наблюдая рынок изнутри, мы всё чаще видим один и тот же повторяющийся паттерн.Раньше стартапы в первую очередь строились вокруг продукта. Сейчас, в эпоху AI, заметная часть проектов строится скорее вокруг презентации. Многие бизнес-задачи объективно не требуют AI — они нормально решаются через базовую автоматизацию, rule-based (основанную на правилах) логику и простые эвристики. Но формулировка «мы сделали rule-based workflow (автоматизацию на жёстких правилах)» выглядит слабее в питче, чем «AI-powered (на базе искусственного интеллекта) решение». При этом сегодня достаточно нескольких часов, чтобы подключить модель по API — и это уже можно позиционировать как AI-продукт.Рынок активно поддерживает этот тренд. Только за 2025 год в AI было инвестировано порядка $150–190 млрд. Значительная часть этих средств направляется в проекты без собственных моделей, без R&D и без технологического ядра. По сути это GPT-обёртка, аккуратный интерфейс и сильный фаундер, который умеет продавать.Проблема здесь не только в неэффективном распределении капитала. Каждый вызов LLM — это токены, вычислительные ресурсы и нагрузка на инфраструктуру. В итоге значительная часть мощностей тратится на задачи, которые можно было бы решать существенно проще.Мы регулярно видим один и тот же сценарий: стартап привлекает инвестиции по высокой оценке, ресурсы уходят в маркетинг и рост команды, продукт при этом практически не развивается, и в какой-то момент деньги заканчиваются. Следующий раунд часто не происходит, потому что за проектом не стоит устойчивой технологической базы.В результате формируется новый тип серийных AI-фаундеров: быстрый запуск, привлечение капитала, закрытие проекта — и повтор. Это уже меньше похоже на экосистему инноваций и больше на цикл перераспределения капитала вокруг тренда.P.S. Мы сейчас собираем исследовательски обоснованный консалтинговый фреймворк, к