ИИ без иллюзий. Разговор о новой эффективности, бизнесе и будущем человека.

Какие задачи уже можно делегировать нейросетям? Почему компаниям недостаточно купить доступы к AI-сервисам и провести обучение? И какие специалисты останутся востребованными в новой экономике?

В новом выпуске подкаста «Антихрупкий лидер» говорим с Ильёй Филипповым - CEO red_mad_robot AI, экспертом по AI-трансформации, интеллектуальным агентам и внедрению GenAI-решений в бизнес.

Обсуждаем, как перейти от обычного чата с нейросетью к персональным ассистентам и агентам, почему качество результата AI зависит от экспертизы человека, где компании закапывают деньги при внедрении искусственного интеллекта и может ли технология заменить руководителей.

💡 Вы узнаете:
Какие уровни зрелости проходит человек — от простых запросов к AI-агентам и собственным скиллам.
Почему искусственный интеллект усиливает сильного специалиста, но не компенсирует отсутствие профессиональной экспертизы.
Что нужно изменить в компании, чтобы внедрение AI принесло бизнес-результат, а не закончилось пилотами и презентациями.
Какие ошибки совершают компании, инвестируя в инфраструктуру, модели и корпоративных AI-ассистентов.
Какие профессии и навыки будут востребованы — от узкой экспертизы до коммуникации, партнёрства и умения принимать решения.

📲 Подписывайтесь на канал Ильи Филиппова: @filippov_GenAI

💬 Задавайте вопросы в комментариях, подписывайтесь на канал и ставьте лайк, если выпуск был полезен!

YouTube

Vk

Rutube

Поучаствовал на этой неделе в подкасте Иры Золотовой Антихрупкий Лидер - пообсуждали AI простыми надюсь словами, закину ссылочку как все выйдет )

Сколько на самом деле стоит 1M токенов на своём железе

Сделал калькулятор того, как стоимость своего GPU переходит в себестоимость токенов.
Оказалось, что достаточно нетривиальная задача, тк челленджит все знания об LLM: как работают слои, чем MoE отличается от dense, как устроен KV cache. В общем обновил по пути все свои знания GenAI. Понятно, что куча допущений внутри, а параметры собирал Fable, надо тестировать на реальных серверах, но это может быть отправной точкой.

Что по выводам?

• Строить или покупать — это вопрос утилизации, не технологии. Сможет ли сервис создать высоукую утилизацию сервера и есть ключевой вопрос.
• MoE — скидка на скорость, но не на память. Кол-во активных параметров 3 млрд из 35: карта пишет быстро, но веса лежат целиком. Отсюда контринтуитивный результат: большие MoE модели на дешёвых картах — экономически лучшая пара, пока хватает VRAM.
• ROI-ловушка. 390% годовых и выше работает при УЖЕ НАЙДЕННОМ спросе; поиск клиентов, SLA, биллинг в модели не учтены. Поэтому супер важно обеспечить потребление, а не накупить дорогих игрушек.

Скачивайте, подставляйте свои данные и посмотрите себестоимость. Найдете ошибки - дайте знать)

Илья Филиппов

Долг под ИИ удваивается за год — и это только начало

Наткнулся на новость о том, что Morgan Stanley прогнозирует «почти $570 млрд»долга, взятого под AI, в 2026 году.
Когда постоянно читаешь про SpaceX и прочие триллионные штуки, такие цифры уже не так приковывают внимание. Но, с другой стороны, это примерно годовой бюджет РФ или Германии.

Тут ещё важна скорость, с которой этот долг растёт. На конец мая фактическая цифра уже была $236 млрд, а это 4х от того же периода в 2025-м.
Выглядит всё надёжно и красиво: занимают топ-имена в индустрии — Amazon, Oracle, Microsoft и т. д. Но на деле это компании — генераторы cash flow, зачем им именно долг? Затем, что стройка дата-центров съедает уже почти весь операционный кэшфлоу (против ~40% исторически), а долг, в отличие от выпуска акций, не размывает акционеров.

Далее начинается самое интересное: neocloud'ы финансируются под залог самой инфраструктуры (дата-центры и железо в них). А железо амортизируется быстрее длинных бондов, обесценивая залог. Всё это работает, пока GPU и компоненты всё время дорожают, так как спрос огромен, но это пока...

И вишенка: investment-grade бонды с наивысшим рейтингом попадают во все ключевые индексы, а значит, их покупают пенсионные фонды, ETF и другие пассивные механизмы. Кто смотрел Big Short?))

Кажется, на тему финансов и железа нужно внимательно смотреть, и не только глазами бюджета, комплайнса и других корпоративных вещей, но и как на один из будущих глобальных рисков системы.

AI-агенты окружены огромным количеством мифов. И один из главных — что основные расходы связаны со стоимостью самой модели.

Наши коллеги уже развенчали этот миф: «Оценка эффективности агента может стоить как сам агент».

Но это не значит, что оценку можно отложить. Ее нужно встраивать в проект с первого дня.

Обсуждаем с Ильей Филипповым, CEO red_mad_robot AI, как приручить дракона и выстроить оценку эффективности, сделав ее частью системы.

Кто внутри компании «владеет» агентом — и платит за анализ эффективности

Обычно владелец агента — лидер бизнес-функции, которая отвечает за конкретный процесс и его P&L. HR-агент — у HR-подразделения, агент службы поддержки — у команды поддержки.

При этом почти всегда есть представители ИТ: они выступают техническими владельцами и отвечают за работу в продакшене.

Но оценивать бизнес-эффективность будет, конечно, бизнес. Потому что именно он получает экономию (или не получает).

С чего начать оценку и на какие метрики равняться

1-й слой оценки — accuracy
 
Это базовый критерий допуска системы к использованию. Если показатель ниже нужного порога, агента нельзя выпускать в процесс. При этом для разных процессов этот уровень будет своим. Но требование по точности хотя бы на валидационном датасете — это порог допуска ко второму слою.
 
2-й слой оценки — TCO (совокупная стоимость владения)
 
В него входят разработка, инференс, интеграции, поддержка, мониторинг и, главное, ревью человеком. Бывает, что классные результаты достижимы только на дорогих облачных моделях или на моделях, которым требуется дорогое железо. Это нужно считать прямо на старте.
 
3-й слой оценки — экономия и доходы

Это высвобожденное время в FTE, стоимость одного обращения или операции до и после внедрения, прирост пропускной способности, сокращение цикла и влияние на выручку через конверсию и удержание.

А как же ROI?

ROI — понятная и точная метрика, но на первых этапах ИИ-проектов её часто сложно измерить, поэтому начинать лучше с другого.

К чему нужно быть готовым — «подводные камни» подсчета эффективности

Один из главных — нелинейные эффекты.

Например, банковская операция из-за множества проверок документов занимает два-три рабочих дня.

На рынке все участники предлагают примерно такой же срок.

Проектируем систему, которая почти мгновенно проводит основные проверки и передает человеку уже подготовленный результат на проверку. Общее время операции сокращается до двух-трех часов.
 
С точки зрения экономии в FTE и TCO такой агент может не окупиться.
 
Но банк за счет скорости выходит из «кровавого океана» одинаковых сервисов и предлагает рынку уникальную по скорости услугу.
 
Результат — прирост новых клиентов и рост NPS текущих.
 
Но такие вторичные эффекты уже сложно считать и обосновывать на уровне бюджетов. Поэтому подобные проекты чаще реализуют лидеры с более визионерской позицией: они смотрят не только на прямую экономию, но и на то, как ИИ может изменить саму логику сервиса.

#голос_AI
Подписывайтесь на AI Inside в Max | ВКонтакте

ИИ-агенты заходят в бронирование: рассказали Forbes, что это значит для рынка

«Туту» открыл поиск и бронирование поездок через ИИ-агентов. Для сервисов это ранний тест нового канала дистрибуции: пользователь формулирует намерение в диалоге с помощником, а платформа получает шанс подключиться к нему до перехода в привычный интерфейс.

Если ИИ-агент станет точкой входа в выбор поездки, сервисам важно быть доступными для него технически и коммерчески. В моменте трафик из таких сценариев, скорее всего, будет небольшим, но для бизнеса это работа на будущую позицию в цепочке принятия решения: кто окажется ближе к моменту пользовательского намерения, тот и получит преимущество в агентной коммерции.

Илья Филиппов, CEO red_mad_robot AI

При этом есть техническая сторона: сам поиск через агента уже знаком рынку, поэтому важна глубина MCP.

Browser use у агентов существует около полутора лет: сильные модели уже умеют открывать сайты, обходить защиты через прокси, делать скриншоты и доставать релевантную информацию. Поэтому поиск сам по себе рынок не удивит. Главный вопрос — позволяет ли MCP дойти до оформления заказа.

Сейчас агент может довести пользователя до собранного заказа, но финальную оплату человек подтверждает сам — это агентный поиск и сборка корзины, но ещё не сквозная покупка. Настоящим переломом станет момент, когда MCP позволит закрывать и оплату.

Валера Ковальский, руководитель ИИ-направления red_mad_robot

red_mad_robot

От промптов к loops

Поигрался чуть-чуть с Fable 5 — и поймал себя на мысли, как быстро сменилась парадигма. Сначала мы все писали промпты. Потом строили агентов. Теперь нам Антропик советует создавать loops — петли, в которых модель сама себя корректирует.

Что понимается под loops?
Вместо того чтобы «рулить» моделью вручную, эффективнее дать ей среду с обратной связью. Задаёшь цель и рубрику с проверяемыми критериями — агент работает, сверяется, корректируется и продолжает, пока критерии не выполнены.

Ключевой нюанс (по мнению того же Антропика) — кто судит. Самокритика у моделей работает плохо: отдельный verifier-агент с независимым контекстом стабильно обыгрывает self-critique. Не просить модель «проверь себя», а отдать независимого оценщика,

Еще приём — память как петля поверх сессий: модель фиксирует ошибки, разбирается в причинах, дистиллирует их в правила и переиспользует. Старшие модели проходят этот цикл целиком — получается самообучающаяся база знаний агента.
/goal уже использую, с остальным буду играться дальше)

Какой вывод?
Эволюция продолжается: prompt engineering → agent engineering → loop engineering. И выигрывать будут те, кто раньше научится проектировать такие среды) и старое доброе - у кого лучше данные)

Валера зарелизили очередную версию https://hub.neuraldeep.ru/ - теперь можно на локальных серверах делать классные штуки по подписке. PRO users go пробовать)

AI в разработке ПО

Модерировал сегодня дискуссию про ai разработку. Был очень сильный состав спикеров из сбер-а, Т1, Vk tech, Positive Technologies, ГПН. И вот что я скажу, поезд не просто уходит, а мчится на полном ходу:

1) Все уже шагнули в AI разработку. Чувствую по вопросам, уже не говорят об экспериментах, говорят об эффектах. Думают плотно не над вопросами кода, а про spec driving development, замену аналитиков, напряжение продактов - это маркеры, что уже все это не теория, а компании реально применяют.
2) Заказчики уже видят удешевление стоимости разработки от поставщиков.
3) Уже есть метрики, прежде всего увеличение кол-ва сторЕй в единицу времени. Сбер фиксирует кратный рост объема потребления токенов агентами разработки.
4) Vk зафиксировал метрику 1 QA на 10 разработчиков - как меру эффективности последних.
5) У всех уже развернуты квены и другие ЛЛМ для целей разработки.

То есть SDLC уже очень поменялся с ИИ.

PS если у вас в компании пробовали что-то пол года назад и отрезали не получив эффектов - срочно пробуйте снова!

red_mad_router

Делюсь новостями; Мы запустили (на самом деле достаточно давано, но на этот раз публично) платформу для управления LLM в бизнесе. Доступ к множеству моделей как в облаке так и on-premise.

Как часто бывает, мы делали для внутренних целей и для своих продуктов, а потом клиенты попросили вывести и для них.

Инференс

Компании в РФ, кажется, проходят путь от вопроса как внедрить AI, к вопросу как его оптимизировать. А если конкретно, как сделать оптимизацию инференса.

Подходов достаточно много как на уровне каждого конкретного pipeline, так и на уровне железа. Например, часть операций делать на легкой модели - часть уже отдавать в дорогую трилионную. Идут эксперименты с китайскими картами, правда, пока прямо success strories не видел.

Из бизнесового, мне очень нравится кейс Dystil AI - ребята высаживаются в enterprise небольшой супер продвинутой командой и выжимают экономию OPEX.
Также всем советую обратить внимание на их research и opensource вещи. Недвно выложили репу с оптимизацией промптов, правда мы пока не тестили.

Забудь про MCP и tools — конвертируй 100 000 API методов в один CLI инструмент на лету

Все сейчас пишут MCP-серверы и tools для агентов
На каждый API endpoint — отдельный tool с описанием, параметрами, схемой
10 методов? Ок
100? Уже больно
845 (GitHub API)? Удачи (да да можно делать поиск и тулов и MCP) но какой же это зоопарк и как его поддерживать?

Но так же мы поняли новый тренд это cli обертки
От сюда мы с @evilfreelancer пошли другим путём: берём любой OpenAPI spec (JSON/YAML) и конвертируем его в CLI команды на лету Без кодогенерации.
Без компиляции
Один бинарник — любое API

Что это даёт:

→ ocli search --query "create pull request" --limit 5 — BM25-поиск по 845 эндпоинтам за 7мс
→ ocli search --regex "repos.*pulls" — regex по путям, именам, описаниям
→ Несколько профилей одного API с разными наборами эндпоинтов (include/exclude)
→ Несколько API серверов в одном инструменте

Почему CLI, а не MCP tools для агентов?

100 MCP tools → ~50 000 токенов на описания в контексте
100 CLI команд → 1 tool "execute_command" + поиск нужной команды

Объективно я счита что агентов больше таскают команды вызвать, нежели разбираться с тонне контекста tools

Агент вызывает ocli search, находит нужную команду, выполняет её
Один tool_exec вместо тысяч
Контекстное окно свободно для работы, а не для описаний инструментов.

Сделал быстрый тест на реальных API:
- GitHub API — 845 endpoints, 11MB spec, JSON
- Box API — 258 endpoints, YAML

BM25 поиск — порт из Go (picoclaw) на TypeScript с Robertson IDF smoothing.

npm install -g git+https://github.com/EvilFreelancer/openapi-to-cli.git#feat/command-search

ocli profile add github

ocli search --query "upload file" --limit 5

GitHub: https://github.com/EvilFreelancer/openapi-to-cli

Кто на самом деле тормозит AI-трансформацию

Принято считать, что главные скептики AI-трансформации — рядовые сотрудники. Они боятся, что их заменят, держатся за старые инструменты, сопротивляются обучению.

На практике всё ровно наоборот.

Линейные специалисты подхватывают AI охотно — они видят в нём инструмент роста, способ делать больше без лишних согласований. А вот средний менеджмент — тот самый слой, через который проходят все корпоративные AI-инициативы, — тормозит. Не случайно, а структурно.

Почему?

Потому что AI угрожает не их работе. Он угрожает их власти.

Средний менеджер исторически держится на трёх вещах:

• Контроле информационных потоков
• Координации между командами
• Монополии на операционные решения

Именно это AI забирает первым: статусы выходят из переписок и становятся данными. Данные убивают серые зоны. А серые зоны — это и был менеджерский leverage. Дальше начинается самое интересное.

Менеджеры прибегают к knowledge hiding — сознательно придерживают экспертизу и информацию, чтобы сохранить relevance. Не из злого умысла. Из инстинкта самосохранения.

Пример такого типичного гэпа: корпоративные AI-пилоты, которые идут сверху через менеджмент, дают успешность 5%. Индивидуальное использование сотрудниками на местах — 40%. Разрыв в восемь раз.

Что это означает на практике?

Проблема не в технологиях и не корпоративной культуре как абстракции. Проблема в том, что экономические стимулы среднего менеджмента структурно направлены против трансформации: KPI заточены на стабильность, влияние держится на информационной асимметрии, а карьерный риск за публичный фейл — реальный и ощутимый. 

22% руководителей признают, что колебались лидировать или даже предлагать AI-проект из-за страха провала и потенциальной критики. И это именно тот уровень, который формально отвечает за то, чтобы инициативы становились процессом. 

Вывод простой: если AI-трансформация буксует, стоит смотреть не на джунов, а на то, как устроены стимулы и ответственность уровнем выше. Никакой тренинг по AI не компенсирует ситуацию, в которой для менеджера рациональнее минимизировать риск, чем менять контур управления.

И ещё по вчерашнему посту

Интересная мысль от Constellation Research о сделке Meta* и Manus.

Meta* может показывать рекламу в момент supervision — когда пользователь наблюдает за работой агента. А это почти всегда не мгновенный процесс. Те есть фактически появляется новый ad inventory с контекстом не «что ты гуглил», а «что ты делаешь прямо сейчас».

Пока рынок обсуждает будущее агентных систем, Meta*, возможно, не забывает о будущем рекламы.

* Meta признана экстремистской организацией на территории РФ.

Meta* и Manus

Meta* купила не стартап, а направление

В конце прошлого года компания объявила о покупке китайского AI-стартапа Manus за $2+ млрд. Сделку закрыли за десять дней. Фонд Benchmark получил около х4 возврата за восемь месяцев — это один из самых быстрых VC exits в истории.

Но цифры здесь вторичны. Ключевой вопрос — что именно купила Meta*.

Manus не разрабатывают собственные модели.  В основе — сторонние LLM, включая Claude от Anthropic и Qwen от Alibaba. Их реальная ценность в orchestration layer — системе, которая координирует модели и инструменты для выполнения сложных задач. Агент запускает полноценные Linux-воркспейсы в облаке — с sudo-доступом и выходом в интернет.

Фактура за 8 месяцев:

$100M+ ARR
147 трлн обработанных токенов
80 млн созданных виртуальных компьютеров

Почему эта сделка так интересна?

До сих пор большинство AI-продуктов работали в режиме ассистента: предлагали идеи, рекомендации и подсказки и ждали дальнейшего решения от человека. В Manus отошли от этой модели.

Их value proposition — не помогать принимать решения, а принимать и самостоятельно исполнять решение. Это даже начали назвать Decision-as-a-Service — противовес классическому SaaS.

Продажа инструментов означает когнитивную нагрузку на пользователе. Продажа решений — эту нагрузку снимает.

Что это значит для Meta*?

Компания владеет крупнейшей distribution-платформой в мире: WhatsApp* (2B+), Instagram* (2B+), Facebook* (3B+). При этом Meta* отставала в agentic capabilities от Microsoft Copilot и OpenAI.

Сейчас у корпорации появляются интеграционные возможности:

• WhatsApp Business*: агенты для SMB — обработка заказов, scheduling, customer service
• Instagram**: автоматизация для creators
• Marketplace: оптимизация листингов и matching

Аналитик D.A.Davidson заметил ключевое:

«One of the things they saw in Manus was it was being incorporated into WeChat, which is really a model for what they want to do with WhatsApp».

Сигнал для индустрии

В одном из отчётов Gartner назвал сделку первым убедительным end-to-end AI-agent stack. Это важная валидация идеи о том, что application layer способен генерировать $100M+ ARR без собственных моделей.

Моя позиция: если модельная гонка выходит на плато, конкуренция смещается в orchestration layer — к тем, кто превращает capabilities в completed work. Meta* ставит именно на это.

* Meta, а также её продукты Facebook*, Instagram* и WhatsApp признаны экстремистскими на территории РФ.

Всем привет, только я написал про новый стрим бизнеса и вот сделка на эту же тему.

Дисней партнерится с OpenAI:

https://finance.yahoo.com/video/disney-invest-1b-openai-partners-142338317.html?contentType=VIDEO

Датасеты — новая нефть? Почему данные стали дороже AI-моделей

Пока все обсуждают новые версии ChatGPT и Claude, в индустрии происходит тектонический сдвиг: датасеты превращаются из вспомогательной инфраструктуры в самостоятельные бизнесы стоимостью в миллиарды долларов.

Показательный пример — сделка Meta (запрещена в РФ) и Scale AI. Корпорация инвестировала в стартап по маркировке данных $14.3 млрд, получив 49% акций. Это вторая крупнейшая сделка компании после покупки WhatsApp (запрещён в РФ). 

Вложения увеличили оценку Scale AI до $29 млрд, а выручку — с $80 млн в 2021 до прогнозируемых $2 млрд в 2025. 

Почему это происходит?

Если коротко, то модели коммодитизировались. GPT-4, Claude, LLaMA доступны через API или open-source. Но проприетарные датасеты — нет. А именно качество и редкость данных сейчас считается главным конкурентным преимуществом и Баффетовским economic moat для AI-стартапов. 

Три драйвера роста: 

Растущая ёмкость: рынок AI-датасетов уже оценивается в $3.5+ млрд и может вырасти до $17 млрд к началу следующего десятилетия.

Evaluation: развитие AI-агентов требует собственных evaluation datasets. Сегмент растёт с $5.4 млрд (2024) до $50 млрд в 2030 при CAGR 45.8%. На этом строится бизнес Braintrust ($45M при оценке $150M) и Patronus AI ($20M инвестиций).

Глубина: общие модели остаются поверхностными в специализированных областях, поэтому появляются отраслевые проекты.

• Bloomberg потратил ресурсы на обучение BloombergGPT на 363 млрд токенов финансовых данных за 40 лет. 
• Tempus AI заработал $693 млн выручки в 2024 на медицинских датасетах. 
• RELX выделил 70% R&D-бюджета на AI и данные, опираясь на 138 млрд юридических документов.

Новая экономика данных

В бюджетах компаний также появляются отдельные статьи доходов, которых раньше не существовало.

• Reddit: контракты на $203 млн, включая $60 млн в год от Google
• News Corp: сделка на $250 млн на пять лет с OpenAI
• NVIDIA: покупка Gretel AI за $320+ млн

Ключевой вопрос сейчас в том, понимает ли ваша компания ценность данных, на которых она сидит, и готова ли монетизировать их раньше конкурентов?

AI-агенты: дизраптор для платформенной экономики

Последние 10–15 лет сервисы вроде Uber, Airbnb и Amazon были стандартом в своих категориях. Но теперь контроль смещается к AI-агентам: они меняют саму механику потребления и делают платформенную модель менее устойчивой, чем кажется.

Экономика disintermediation

Традиционные платформы берут 15-30% комиссии: Uber — 20-25% с водителя, DoorDash — до 30% с ресторана, Airbnb — 14-16% с обеих сторон. AI-агенты могут сжать это до 2-7% — payment processing + обработка. 

Как это работает: агент перехватывает запрос в момент возникновения намерения — в календаре, переписке или поисковике — до того, как человек откроет какую-то конкретную платформу. Затем агрегирует предложения со всех площадок одновременно, ведёт прямые переговоры с продавцами и завершает покупку автономно.

Уже к 2030 году объём agentic commerce достигнет $3–5 трлн. Только один ритейл в США может дать до $1 трлн транзакций, оркестрируемых агентами.

Разные отрасли — разная скорость разрушения

Travel
Наиболее уязвимая категория: OTA тратят $17.8 млрд в год на маркетинг, но всё больше пользователей бронируют отели и билеты через AI, минуя сайты. При этом лишь 2% готовы передать агентам полную автономию в планировании — доверие к сложным сценариям остаётся низким.

E-commerce
Получит самый сильный удар в абсолютных величинах: McKinsey прогнозирует, что к 2030 году через агентные сценарии будет проходить $900 млрд–$1 трлн B2C-ритейла.

Только за год трафик из GenAI-браузеров вырос на 4 700% — хотя это всё ещё менее 1% от общего объёма.

Финансовые услуги
Здесь риск носит концентрированный характер: BCG оценивает, что переход к AI-First моделям может добавить банкам до $370 млрд дополнительной годовой прибыли, но параллельно agentic AI размывает традиционные источники дохода. 

Агенты могут сравнивать ставки, переводить средства на счета с более высокой доходностью (средняя ставка по депозитам — 0,38%, у онлайн-банков — более 4%) и подбирать оптимальные кредитные продукты. Дополнительно они способны инициировать account-to-account платежи на checkout, обходя interchange fees.

Delivery
Сегмент пока в стадии интеграции, а не разрушения. Крупные игроки — Uber Eats, DoorDash, Instacart — встроились в ChatGPT в октябре 2025 года и увеличили частоту заказов через существующие приложения. Но в долгосрочной перспективе остаётся риск превращения платформ в чистые utility, которые AI воспринимает как взаимозаменяемые. 

Реальность сложнее, чем кажется

Несмотря на быстрое развитие и рост интереса, реальное использование остаётся ограниченным:

• Только 10% потребителей хоть раз покупали что-то через AI
• ~50% агентных задач внутри CRM-процессов проваливаются
• Даже лучшие агенты завершают цели максимум в 55% случаев

Отдельный слой — доверие. Например, только 14% американцев пользовались AI shopping assistants, 41% — избегают таких сценариев. При этом подсказки внутри ритейлерских экосистем принимаются примерно в три раза чаще, чем рекомендации сторонних агентов.

Платформы не сдаются

Amazon запустил AI-ассистента Rufus, которым воспользовались более 250 млн клиентов в 2025 году. Это может принести компании до $10 млрд выручки и $700+ млн операционной прибыли.

Покупатели, использующие Rufus, на 60% чаще завершают покупку.

Booking развивает агентные функции, которые закрывают всё больше сценариев по ходу поездки: от подсказок при сбоях до быстрых изменений бронирования и коммуникации с поддержкой.

Wildberries тестирует AI-ассистента, который не просто ищет товары, а помогает принимать решения — от фильтрации до выбора оптимальной модели.

Стратегический вопрос: кто контролирует агента?

Платформа, LLM-провайдер или персональный агент пользователя, работающий поверх всех площадок? От ответа зависит, кто захватит $3–5 трлн к 2030 году.

Ближайшие два-три года станут тестом на устойчивость платформенных бизнесов: либо сетевые эффекты и бренд удержат пользователей внутри экосистем, либо их позиции размоет также быстро, как это было с диспетчерами в такси и консультантами в travel-агентствах.