Пока одни обсуждают мемы и чат-ботов, крупные компании уже подсчитывают миллиарды от внедрения искусственного интеллекта. В свежей панельной дискуссии представители Сбера, Т-Технологии, МТС и Яндекса рассказали, как ИИ трансформирует их бизнес и где кроется настоящая эффективность.

📈 Быстрые результаты с первого дня

Бизнес больше не хочет ждать 5 лет окупаемости продукта. Сейчас выигрывает тот, кто запускает сервисы, приносящие доход с первого дня. Компании говорят о «минимально жизнеспособных продуктах» (MVP), которые сразу тестируются на реальных клиентах. В этом помогает ИИ — он сокращает цикл разработки, снижает издержки и повышает точность решений.

🧠ИИ-модели не просто работают — они зарабатывают

Спикеры приводят цифры: рост выручки на 5%, снижение затрат до 35% в отдельных подразделениях — вполне достижимые ориентиры. Особенно в отраслях, где важен анализ больших объемов данных: страхование, финансы, телеком. При этом ключевыми остаются две вещи — компетентные разработчики и доступ к качественным данным.

1️⃣ Сбербанк $SBER заплатит дивиденды 34,84₽ за акцию за 2024 год.

На это пойдут почти 787 млрд ₽ — половина прибыли по РСБУ и МСФО.
Прибыль выросла до 1,5 трлн ₽.

Реестр закроется 18 июля 2025 года.


2️⃣ "Мосгорломбард" $MGKL выплатит дивиденды за 2024 год — 0,15₽ на акцию.

На выплаты направят 190,3 млн ₽ — это 48% прибыли.

Реестр закроется 7 июля.

3️⃣ Акционеры НЛМК $NLMK приняли решение не выплачивать дивиденды по итогам 2024 года,

4️⃣ "Мечел" $MTLR получит 500 млн ₽ в месяц за счёт отсрочки по НДПИ и страховым взносам — это поможет временно улучшить финансы.
Платить всё придётся в декабре. Остальные меры поддержки отрасли будут индивидуальными.

При этом компания может сократить отгрузку угля на 25% в 2025 году.
Металлургическое производство остаётся стабильным, но уголь — в убытке.

Остановлена одна шахта, другие — сокращают добычу.
На «Якутугле» пострадала обогатительная фабрика из-за пожара, запуск планируется в октябре.

Все угольщики в тяжёлом положении, надеются на улучшение во второй половине года и рост курса доллара.

🧠 Почему все сидят в ChatGPT?

Когда в апреле 2025 года почти все топовые сайты мира начали терять трафик, один единственный ресурс шёл против течения. И это был не Google, не YouTube и даже не TikTok. Это был сайт ChatGPT.

Всего за месяц он вырос на +13% и достиг 5,14 миллиарда визитов, что на 182% больше, чем в апреле прошлого года. Пока остальной интернет скукоживался, ChatGPT цвёл и пах, как ИИ-весна.

📉 Кто ушёл в минус?

У Википедии — минус 6,1%. У соцсети X (бывший Twitter) — минус 5,2%. Даже гиганты вроде Google и Facebook слегка просели. Почему?

Потому что пользователи всё чаще предпочитают быстрые и персонализированные ответы от ИИ, а не копание в ссылках и форумах. ChatGPT стал не просто помощником — он стал стартовой страницей интернета. Для кого-то — новым поисковиком. Для других — соавтором, переводчиком, дизайнером, ментором.

🧩 Что нового у ChatGPT?

В апреле OpenAI выкатил сразу несколько обновлений. Среди них — генерация изображений, улучшенные языковые модели, а также упрощённый интерфейс. Это дало взрывной прирост вовлечённости.

Когда-то казалось, что машины никогда не смогут думать, как мы. Но всё меняется — и куда быстрее, чем ожидали даже оптимисты.

Недавно Стэнфорд опубликовал AI Index Report 2025. И там есть одна штука, от которой хочется сесть и задуматься: в большинстве технических заданий ИИ теперь объективно лучше людей. Да, уже сейчас.

🧠 Что именно измеряли

Брали восемь серьёзных направлений:

▫️Классификация изображений

▫️Визуальное рассуждение

▫️Понимание текстов средней сложности

▫️Понимание английского языка

▫️Мультизадачное языковое понимание

▫️Математика уровня соревнований

▫️Ответы на вопросы уровня PhD по естественным наукам

▫️Мультимодальное понимание (когда нужно работать с текстами, картинками и схемами одновременно)

Для оценки использовали специальные бенчмарки — стандартизированные тесты, которые проверяют, насколько хорошо ИИ справляется с задачами.

⚡ Где ИИ уже впереди

Сегодня топовые модели вроде ChatGPT и Gemini уверенно обходят среднестатистического человека почти везде.

🤔 Что это за зверь такой — AI-агент?

Если коротко, AI-агент — это не просто чат-бот, который отвечает на глупости в стиле «расскажи анекдот про программиста». Это самостоятельный цифровой помощник, который умеет ставить цели, принимать решения и учиться на собственных ошибках. Да, немного пугающе звучит, но это и правда новая лига искусственного интеллекта.

🏗 Как он устроен

Представь: ты — предприниматель. У тебя есть ассистент. Ты говоришь: «Найди самых дешевых поставщиков для моей кофейни, сравни отзывы, закажи образцы и подготовь отчет». Обычный ИИ завис бы уже на слове «найди». А AI-агент пойдет и сделает.

Он работает как автономная система: анализирует информацию, запускает нужные действия (вплоть до написания писем или кодинга), и главное — адаптируется под задачу. Некоторые агенты могут даже создавать других агентов! Такой себе цифровой муравейник, где каждый знает, что делать.

🧪 Примеры, которые уже работают

• AutoGPT — запускаешь его с заданием «создай блог и заработай на нем $100», и он сам формирует стратегию, пишет тексты, публикует их, анализирует трафик и ищет способы монетизации. Да, он может ошибаться, но он пытается — сам.

🗂️ Без паники, расшифровка

RAG — Retrieval-Augmented Generation, в переводе: генерация с дополнением из поиска.
Это способ сделать большие языковые модели — такие как GPT — умнее. Они не просто отвечают по памяти, а сначала ищут информацию в базе, а уже потом формируют ответ. Как умный помощник с отличным поиском и вежливой речью.

📚 Почему без этого уже никуда

Обычные языковые модели обучены на огромных объёмах текста. Но они не знают всего. Например, не знают, что у тебя в компании отпуск оформляется через портал HR, а отчёты сдаются не по шаблону, а по внутренней инструкции.
Вот здесь и включается RAG: он ищет нужную информацию внутри твоих документов, знаний и баз, а потом выдает связный, понятный ответ. И не фантазирует, как это бывает у LLM «из коробки».

📌 Пример — на пальцах
Представим, что ты работаешь в компании, где есть внутренняя база знаний: инструкции, шаблоны, памятки. Сотрудник спрашивает: «Как оформить командировку?»
Обычный бот может начать путаться. А модель с RAG найдет нужный документ, вытащит оттуда нужный пункт и сформулирует ответ человеческим языком. Быстро, точно, без ошибок.

💬 Представь: ты пишешь вопрос в чат — и получаешь не ссылку на форум 2007 года, а чёткий, понятный ответ. Будто с тобой говорит умный собеседник, который читал всё на свете.

Познакомься: это LLM.

🤖 LLM — это большая языковая модель. Искусственный интеллект, обученный на миллиардах слов и текстов, чтобы понимать и говорить с людьми. Не по шаблону, а по смыслу. Отвечать, писать, объяснять, советовать.

🧩 А теперь расшифруем:

LLM — это аббревиатура от Large Language Model, что по-русски значит «большая языковая модель».

— Large (большая) — потому что модель обучена на гигантских массивах данных и имеет миллиарды параметров, словно «нейроны», которые учатся понимать язык.
— Language (языковая) — потому что она работает с человеческой речью: распознаёт вопросы, команды, описания.
— Model (модель) — потому что это математическая структура, созданная на основе машинного обучения, которая находит закономерности и применяет их для генерации текста.

С бурным развитием ChatGPT искусственный интеллект дает о себе знать большому количеству людей, особенно в традиционных бастионах человеческих способностей — понимании прочитанного, распознавании речи и идентификации изображений.

На самом деле, на приведенной инфографике ясно видно, что искусственный интеллект превзошел человеческие показатели во многих областях и, похоже, собирается обогнать людей и в других направлениях.

Как тестируется производительность❓

Используя данные контекстуального искусственного интеллекта, мы визуализируем, насколько быстро модели искусственного интеллекта начали превосходить показатели баз данных, а также достигли ли они еще человеческого уровня мастерства.

Каждая база данных разработана с учетом определенного навыка, такого как распознавание рукописного ввода, понимание языка или понимание прочитанного, при этом каждый процентный балл сопоставляется со следующими критериями:

0%
Это соответствует наиболее известной производительности искусственного интеллекта на момент создания набора данных.