Публикации https://www.siblion.ru ru Wed, 20 May 2026 16:56:57 +0300 Synplity на CNews FORUM: ИИ в Enterprise-разработке https://www.siblion.ru/tpost/3dk3pe77i1-synplity-na-cnews-forum-ii-v-enterprise https://www.siblion.ru/tpost/3dk3pe77i1-synplity-na-cnews-forum-ii-v-enterprise?amp=true Mon, 02 Jun 2025 16:00:00 +0300 Андрей Овчинников Делимся опытом применения LLM на всех этапах создания бизнес-процессов — от первой гипотезы до продакшна. Показываем архитектуру, реальную пользу для крупных проектов и подводные камни

Synplity на CNews FORUM: ИИ в Enterprise-разработке

24 июня буду на форуме "CNews FORUM Кейсы: опыт ИТ-лидеров" в Москве (CNews FORUM), секция «Искусственный интеллект и большие данные». Выступаю с темой «Как мы используем LLM на каждом этапе разработки бизнес-процессов: от первой гипотезы до продакшна». Времени на выступление мало, всего 15 минут, но постараюсь коротко и по делу рассказать, как мы встроили локальную LLM в наш движок исполнения бизнес-процессов Synplity и дали ей роли:
  • бизнес-аналитика
  • системного аналитика
  • бэкенд- и фронтенд-разработчика
  • тестировщика.
Что получилось, как устроено, где помогает, а где глючит. Если работаете с крупными проектами, автоматизацией процессов и хотите понять, как вписать ИИ в живую разработку — думаю, будет полезно.
]]> Что под капотом Synplity AI: видео с технологией https://www.siblion.ru/tpost/7xyhs8dd81-chto-pod-kapotom-synplity-ai-video-s-teh https://www.siblion.ru/tpost/7xyhs8dd81-chto-pod-kapotom-synplity-ai-video-s-teh?amp=true Tue, 10 Jun 2025 15:21:00 +0300 Андрей Овчинников Демонстрируем, как нейросети меняют каждый этап создания сложных бизнес-процессов

Что под капотом Synplity AI: видео с технологией

Небольшое видео о промежуточных достижениях нашей команды во внедрении ИИ в каждый этап создания сложных бизнес-процессов. Есть некоторые основания полагать, что многие команды ковыряют, примерно, туда же, но подробности не афишируют. В общем, если вы работаете в том же направлении, не боитесь перенимать чужой опыт и делиться своим, то пишите!
]]> Меняем банковские интерфейсы без участия разработчиков https://www.siblion.ru/tpost/2f4loe8581-menyaem-bankovskie-interfeisi-bez-uchast https://www.siblion.ru/tpost/2f4loe8581-menyaem-bankovskie-interfeisi-bez-uchast?amp=true Fri, 12 Dec 2025 15:21:00 +0300 Андрей Овчинников Полгода назад мы только тестировали LLM, а сегодня ИИ сам собирает схемы сложных процессов. Рассказываем, как Backend Driven UI помогает мгновенно адаптироваться под новые регламенты и изменения скоринга

Меняем банковские интерфейсы без участия разработчиков

Полгода назад на CNews Forum я рассказывал, как мы пробуем LLM в разработке бизнес-процессов. За это время часть идей так и осталась в «песочнице», а часть — наоборот — вышла в прод и начала работать стабильно. Одна из таких вещей — генерация интерфейсов бизнес-процессов через ИИ + подход Backend Driven UI.

В банковских процессах интерфейсы меняются постоянно: новые поля под регуляторику, обновления KYC, уточнения скоринга, изменения в кредитных конвейерах, альтернативные сценарии под пилоты. Любая такая правка обычно превращается в цепочку задач на фронтенд, согласования, тестирование и релиз. И даже если изменение маленькое — цикл получается большой.
Когда мы начали пробовать ИИ для ускорения разработки, довольно быстро стало понятно, что интерфейсы — одна из самых «тяжёлых» и рутинных зон. Фронтенд-разработчик тратит время не на логику, а на постоянную ручную подгонку форм, условий видимости, этапов и разметки. Мы искали архитектуру, которая позволит ИИ генерировать интерфейс так же свободно, как он генерирует текст или код.
В итоге мы пришли к тому, что интерфейс бизнес-процесса должен описываться не в коде, а в виде схемы, которую может сформировать ИИ по описанию аналитика. А фронтенд превращается в рендерер, который эту схему собирает в рабочий экран. Технически это Backend Driven UI, но в нашей истории BDUI — не цель, а удобный инструмент/подход, с помощью которого ИИ пишет интерфейс.

На практике это выглядит довольно просто:

  • Нужно добавить ещё одну проверку в кредитный процесс — меняется схема, а не фронтенд.
  • Обновилась KYC-анкета под новые требования — ИИ пересобрал форму, интерфейс подхватил изменения.
  • Захотели проверить альтернативный сценарий для пилота — описали вторую схему и получили другой вариант поведения.
  • Даже такие вещи, как видимость полей или правила заполнения, теперь живут в конфигурации, а не в коде.

По ощущениям команды, значимая доля небольших, но регулярных правок интерфейсов ушла из бэклога фронтенда. Эти изменения теперь описываются аналитиками через ИИ и попадают в прод без участия разработчиков — и это заметно разгружает всех участников процесса.
Интересно, что многие коробочные CRM давно предлагают визуальные конструкторы форм. По сути, под капотом там используется похожий принцип. Отличие в том, что визуальные конструкторы хорошо живут на простых сценариях, но быстро упираются в ограничения, когда процесс становится действительно сложным — с ветвлениями, условиями, связями и специфичными регламентами. В таких ситуациях приходится снова звать разработчиков. Мы пошли в другую сторону: не «рисовать формочки мышкой», а дать ИИ возможность генерировать схему процесса, а системе — интерпретировать её без ручной вёрстки.
Сам по себе BDUI не является чем-то новым. Но в связке с ИИ он неожиданно «заиграл»: то, что раньше выглядело довольно трудоёмко и неочевидно, стало реально работать и экономить время.
Делюсь просто как наблюдением из практики: возможно, кому-то будет близко, особенно тем, кто сталкивается с постоянными изменениями интерфейсов в банковских системах.
]]> От гипотезы до продакшна: опыт Synplity на CNews https://www.siblion.ru/tpost/0yayxadef1-ot-gipotezi-do-prodakshna-opit-synplity https://www.siblion.ru/tpost/0yayxadef1-ot-gipotezi-do-prodakshna-opit-synplity?amp=true Wed, 25 Jun 2025 17:45:00 +0300 Андрей Овчинников Без хайпа, но с огоньком выступили перед ИТ-лидерами. Показали, как ИИ встроен в наш движок исполнения процессов и как это радикально меняет подход к Enterprise-разработке

От гипотезы до продакшна: опыт Synplity на CNews

Выступил вчера на "CNews FORUM: Кейсы. Опыт ИТ-лидеров".
Тема — без хайпа, но с огоньком: «Как мы используем LLM на каждом этапе разработки бизнес-процессов: от первой гипотезы до продакшна».
Рассказывал, как мы в Synplity:
  • сделали LLM не болтуном, а членом команды;
  • научили её писать требования, рисовать графы, писать код и даже тесты;
  • встроили ИИ в свой движок исполнения бизнес-процессов — не ради красивого слайда, а чтобы реально ускорять и упрощать работу.
Спойлер: когда ИИ делает рутину за тебя — у команды появляется время, чтобы думать головой.

Спасибо CNews за площадку и всем, кто пришёл в зал!
]]> Илья Суцкевер и иллюзия «умного» ИИ https://www.siblion.ru/tpost/fx7bz0mf31-ilya-sutskever-i-illyuziya-umnogo-ii https://www.siblion.ru/tpost/fx7bz0mf31-ilya-sutskever-i-illyuziya-umnogo-ii?amp=true Tue, 16 Dec 2025 16:56:00 +0300 Андрей Овчинников Разбираем свежее интервью создателя современных LLM. Почему нейросети впечатляют на демо-тестах, но буксуют в корпоративном продакшне, и почему автономность ИИ пока вредит реальным бизнес-процессам

Илья Суцкевер и иллюзия «умного» ИИ

Недавно посмотрел большое интервью Ильи Суцкевера — человека, который стоял у истоков современных LLM и сейчас сознательно ушёл в сторону фундаментальных исследований.
Илья — бывший главный научный сотрудник OpenAI и руководитель направления по безопасности сверхразумного ИИ. Чуть более года назад он основал Safe Superintelligence, где работает над ядром LLM нового поколения. Поэтому его взгляд особенно показателен. Это его первое публичное выступление с декабря 2024.
Что в этом интервью показалось особенно важным — довольно спокойная, но жёсткая мысль: модели сегодня выглядят заметно умнее, чем их реальная прикладная польза в продакшене.
Этот разрыв хорошо знаком по собственной практике.
LLM впечатляют в демонстрациях, тестах и отдельных задачах. Но как только начинаешь использовать их в реальных процессах — особенно в корпоративных системах с длинными цепочками шагов, зависимостями и требованиями к стабильности — он быстро проявляется. Модель может рассуждать убедительно, но при этом регулярно теряет контекст, зацикливается или уверенно предлагает неверные решения.
Суцкевер в интервью довольно точно формулирует этот дисбаланс: мы научились делать модели, которые хорошо «выглядят умными», но при этом всё ещё плохо обобщают и слабо чувствуют направление решения в реальных сценариях.
По опыту команды, именно поэтому сегодня ИИ даёт максимальный эффект не там, где его пытаются сделать полностью автономным, а там, где он встроен в процесс как инструмент, а не как самостоятельный агент. Он отлично ускоряет отдельные этапы, но всё ещё требует чётких рамок, архитектуры и контроля.
Отсюда, кстати, и возникает странное несоответствие: вокруг ИИ — огромные инвестиции и громкие анонсы, а в реальной разработке прогресс ощущается более приземлённо и неравномерно.
Интервью Суцкевера ценно именно этим сдвигом фокуса: меньше веры в то, что масштабирование само по себе решит всё, и больше внимания к тому, как именно модели учатся, обобщают и встраиваются в реальные системы.
Для нас это хорошо резонирует с практикой: ИИ уже стал рабочим инструментом, но только там, где его использование архитектурно ограничено и логично встроено в процесс, а не возведено в абсолют.
Продолжу разбирать интервью дальше — там есть ещё несколько мыслей, которые неожиданно точно ложатся на опыт разработки корпоративных систем.
]]> ИИ в проде: почему размер модели больше не решает https://www.siblion.ru/tpost/lpdsyymt21-ii-v-prode-pochemu-razmer-modeli-bolshe https://www.siblion.ru/tpost/lpdsyymt21-ii-v-prode-pochemu-razmer-modeli-bolshe?amp=true Tue, 23 Dec 2025 17:26:00 +0300 Андрей Овчинников Вторая часть разбора интервью Ильи Суцкевера. Почему ставка на бесконечное масштабирование LLM дает сбой в корпоративных системах, и почему побеждает не «самый умный» ИИ, а жесткие архитектурные рамки

ИИ в проде: почему размер модели больше не решает

Продолжая разбор интервью Ильи Суцкевера.
Ещё одна мысль, которая у него звучит довольно чётко, — ставка на масштабирование как универсальный рецепт начинает давать всё меньший эффект.
Долгое время логика была простой: больше данных, больше вычислений — модель становится лучше. И в рамках демонстраций и тестов это действительно работало. Но в реальных системах эта зависимость оказывается куда менее прямой.
По нашей практике в корпоративных проектах видно, что рост «интеллекта» модели не всегда конвертируется в рост прикладной полезности. Модель может лучше писать тексты, увереннее рассуждать, проходить более сложные тесты — но при этом по-прежнему спотыкаться о контекст, устойчивость и повторяемость поведения.
В результате возникает парадокс: ресурсы и ожидания растут, но архитектурная сложность интеграции ИИ в реальные процессы — тоже. ИИ становится мощнее, но цена ошибки и нестабильности в корпоративных системах не снижается.
Суцкевер, по сути, аккуратно смещает фокус: дальше прогресс будет зависеть не столько от масштабов, сколько от того, как именно модели учатся, как обобщают опыт и как встраиваются в реальные контуры принятия решений.
Для нас это хорошо совпадает с практикой: в сложных корпоративных системах выигрыш сегодня даёт не «самый умный ИИ», а правильно выбранное место для его применения и жёсткие архитектурные рамки вокруг него.
Именно поэтому в проде всё чаще побеждают не универсальные решения, а локальные, хорошо встроенные инструменты, где ИИ усиливает процесс, но не подменяет его.
В следующем посте хочу разобрать ещё одну мысль из интервью — про то, почему автономность ИИ пока чаще мешает, чем помогает, в сложных системах.
]]> Иллюзия понимания: почему LLM не видят процесс целиком https://www.siblion.ru/tpost/gy5hjcjcr1-illyuziya-ponimaniya-pochemu-llm-ne-vidy https://www.siblion.ru/tpost/gy5hjcjcr1-illyuziya-ponimaniya-pochemu-llm-ne-vidy?amp=true Tue, 13 Jan 2026 17:37:00 +0300 Андрей Овчинников Третья часть разбора интервью Ильи Суцкевера. Обсуждаем главную слабость нейросетей в корпоративных системах — проблему обобщения. Почему ИИ уверенно решает отдельные шаги, но «разваливается» на длинных бизнес-процессах

Иллюзия понимания: почему LLM не видят процесс целиком

Одна из ключевых мыслей, которую Илья Суцкевер несколько раз аккуратно проводит в интервью, — проблема современных LLM не столько в данных, сколько в обобщении.
Модели умеют решать очень сложные задачи, если они хорошо описаны и похожи на то, что уже было в обучении. Но стоит немного изменить формулировку, контекст или порядок шагов — и качество резко падает.
В корпоративных системах это особенно заметно.
Мы регулярно видим одну и ту же картину: модель отлично справляется с задачей А, затем с задачей B, которые логически почти идентичны, но внезапно начинает «вести себя иначе». Не потому, что задача сложнее, а потому что перенос опыта между похожими сценариями у неё слабый.
Для длинных процессов это критично. Корпоративные сценарии — это не отдельные запросы, а цепочки действий: данные → проверки → условия → исключения → возвраты. Человек в таких цепочках довольно быстро понимает общий принцип и дальше действует по аналогии. LLM — нет. Она каждый раз решает задачу как новую, даже если различия минимальны.
Суцкевер прямо говорит об этом разрыве: модели показывают впечатляющие результаты в конкретных задачах, но плохо переносят знания между ними. И это не лечится простым добавлением данных или увеличением модели.
В практике это выглядит так:
  • модель уверенно рассуждает;
  • логика на уровне отдельных шагов корректна;
  • но в целом решение «разваливается» при первом нетиповом ответвлении процесса.
Именно поэтому в корпоративных системах ИИ нельзя рассматривать как универсальный интеллект. Его ценность — в локальном ускорении, а не в глобальном понимании процесса.
Пока у моделей есть этот потолок по обобщению, архитектура и границы применения важнее, чем «умность» самой модели. И это, пожалуй, один из самых трезвых выводов из интервью Суцкевера, который полностью подтверждается практикой.
В следующем посте разберу ещё одну связанную ловушку — почему подгонка под тесты делает модели красивыми, но опасными в реальной разработке.
]]> ИИ-отличник: почему идеальные тесты ломают продакшн https://www.siblion.ru/tpost/g7acs0ns81-ii-otlichnik-pochemu-idealnie-testi-loma https://www.siblion.ru/tpost/g7acs0ns81-ii-otlichnik-pochemu-idealnie-testi-loma?amp=true Wed, 21 Jan 2026 17:53:00 +0300 Андрей Овчинников Четвертая часть разбора интервью Ильи Суцкевера. Обсуждаем ловушку бенчмарков: почему модель, идеально подогнанная под проверки, начинает сыпаться и требовать ручного контроля при малейшем отклонении реального бизнес-процесса

ИИ-отличник: почему идеальные тесты ломают продакшн

ИИ может идеально проходить тесты и всё равно создавать проблемы в реальной разработке.
Чем лучше модель подогнана под проверки, тем неожиданнее она может вести себя в проде.
Эта мысль также есть в интервью Суцкевера. Современные модели быстро учатся делать то, за что их оценивают. И в этом есть подвох.
В корпоративных задачах мы сталкиваемся с этим постоянно.
ИИ подключают к анализу требований, генерации кода, проверкам логики. Он быстро привыкает к формату: какие ответы принимаются, какие шаблоны считаются правильными. Пока всё идёт по ожидаемому сценарию — проблем не видно.
Но стоит процессу чуть отклониться. Меняется структура данных. Появляется нестандартный случай. Нарушается привычный порядок шагов. И модель начинает уверенно делать не то, что от неё ждут.
Важно, что именно не хаотично и не «случайно».
Она действует последовательно. Просто логика у неё заточена под тест, а не под реальный процесс.
Это очень похоже на формальные KPI.
Можно научиться идеально закрывать показатели — и при этом ухудшить саму систему. С ИИ происходит то же самое, только быстрее и заметнее.
В нашей практике, чем сильнее модель оптимизируют под тесты, тем больше ручного контроля потом требуется в проде. Она хорошо проходит проверки, но плохо переносит выход за рамки учебных сценариев.
Поэтому тесты — это база, но не страховка.
Если ИИ учат «правильно выглядеть» на проверках, именно этим он и будет заниматься.
В следующем посте разберу, к чему это приводит на практике и почему сегодня ИИ разумнее воспринимать как стажёра, а не как автономного сотрудника.
]]> ИИ — это стажёр. Почему автономность нейросетей вредит проектам https://www.siblion.ru/tpost/b8xlk6f071-ii-eto-stazhyor-pochemu-avtonomnost-neir https://www.siblion.ru/tpost/b8xlk6f071-ii-eto-stazhyor-pochemu-avtonomnost-neir?amp=true Thu, 29 Jan 2026 18:02:00 +0300 Андрей Овчинников Пятая часть разбора. Опираясь на выводы Ильи Суцкевера и наш опыт, объясняем, почему в корпоративной разработке ИИ нельзя считать самостоятельным сотрудником. Он быстрый и умный, но ответственность всегда должна оставаться на человеке

ИИ — это стажёр. Почему автономность нейросетей вредит проектам

ИИ сегодня полезен ровно настолько, насколько его не считают полноценным сотрудником.
Лучше всего он работает в роли стажёра.
Суцкевер в своем интервью напрямую так не говорит, но это становится очевидно в разговоре про стабильность и ответственность. Модели могут делать много полезного, но они не понимают, когда именно нужно остановиться или перепроверить себя.
В корпоративных процессах это видно сразу.
ИИ отлично ускоряет отдельные куски работы: разобрать требования, предложить вариант кода, проверить логику, подсветить возможные ошибки. Он экономит время и снижает рутину.
Но как только ему дают больше автономности, начинаются перекосы.
Он продолжает работать, даже когда данные странные.
Продолжает рассуждать, даже когда контекст уже «уехал», и почти никогда сам не сигнализирует, что в чем-то не уверен.
Стажёр ведёт себя похоже.
Он может быть очень быстрым, сообразительным, полезным. Но если оставить его без рамок и проверки, он наделает ошибок, потому что ещё не чувствует границы ответственности.
В нашей практике, ИИ даёт максимальный эффект там, где:
  • задача чётко очерчена;
  • результат проверяется человеком;
  • есть понятный момент, где решение «принимается», а не просто генерируется.
Как только ИИ начинают рассматривать как автономного исполнителя, система становится хрупкой. Ошибки копятся, их сложнее заметить вовремя и от этого исправление становится дороже.
Поэтому рабочая модель сегодня простая:
ИИ — это стажёр. Быстрый. Терпеливый. Иногда очень умный.
Но ответственность всё ещё остаётся у человека.
В следующем посте попробую разобрать, почему попытки «просто взять модель побольше» проблему качественной автономной работы не решают, и что на практике важнее размера и мощности.
]]> Иллюзия масштаба: почему размер модели больше не решает https://www.siblion.ru/tpost/427283nlc1-illyuziya-masshtaba-pochemu-razmer-model https://www.siblion.ru/tpost/427283nlc1-illyuziya-masshtaba-pochemu-razmer-model?amp=true Wed, 04 Feb 2026 18:09:00 +0300 Андрей Овчинников Шестая часть разбора. Развенчиваем миф о том, что рост мощности LLM автоматически лечит проблемы внедрения. Рассказываем, почему огромные нейросети часто делают только хуже и почему «умнее» в корпоративных системах не значит «надежнее»

Иллюзия масштаба: почему размер модели больше не решает

Большая модель — не значит более полезная.
В корпоративных системах это проявляется довольно быстро.
Продолжаю ковырять интервью Суцкевера — идей в нем хватает, но важнее то, на чём и мы регулярно спотыкаемся. Сегодня про рассуждения о масштабировании и его пределы.
Ставка «давайте просто увеличим модель» перестаёт давать ожидаемый эффект. И дело не в вычислениях. В продакшене это видно без долгих экспериментов.
Берёшь модель мощнее — она лучше пишет, увереннее рассуждает, сильнее производит впечатление на тестах. Но в живом процессе это редко решает ключевые проблемы:
  • Контекст по-прежнему теряется
  • Нетиповые случаи по-прежнему ломают логику
  • Ошибки становятся реже, но больнее
Иногда становится даже хуже.
Большая модель рассуждает убедительнее. Ошибается спокойнее. И из-за этого ошибки сложнее заметить. Особенно там, где ИИ встроен глубоко в цепочку шагов.
В корпоративной разработке это критично.
Процессы длинные. Ответственность распределённая. Цена неточного решения высокая. И «умнее» здесь не равно «надёжнее».
В нашей практике результат почти никогда не упирается в размер модели. Он упирается в другое:
  • где именно ИИ стоит в процессе
  • какие решения он может предлагать, а какие — нет
  • в какой момент включается человек
Если архитектура слабая, большая модель её не спасает.
Она просто быстрее доходит до тех же проблем.
Поэтому в проде чаще выигрывают не самые мощные модели, а те, которые правильно ограничены и встроены. Там, где ИИ усиливает процесс, а не пытается заменить его целиком.
]]> Топ-5 CRM от CNews: честный срез рынка без купленных мест https://www.siblion.ru/tpost/63gst59fc1-top-5-crm-ot-cnews-chestnii-srez-rinka-b https://www.siblion.ru/tpost/63gst59fc1-top-5-crm-ot-cnews-chestnii-srez-rinka-b?amp=true Thu, 12 Feb 2026 18:40:00 +0300 Андрей Овчинников Платформа Synplity заняла 4-е строчку в свежем рейтинге CNewsMarket. Мы не заказывали текст обзора и не платили за позицию. Относимся к этому спокойно и продолжаем пилить внедрения для Enterprise.

Топ-5 CRM от CNews: честный срез рынка без купленных мест

CNewsMarket опубликовал ежегодный рейтинг российских CRM-систем 2025 года.
Synplity заняла 4-е место.
Мы участвовали в общем анкетировании, которое рассылалось всем компаниям, но не заказывали платного размещения и не согласовывали текст описания. Итоговое место и текст в обзоре формировались редакцией.
Относимся к этому спокойно. Это внешний срез рынка на текущий момент.
Продолжаем работать дальше — проекты, внедрения, развитие платформы.
Полный рейтинг на CNews
]]> Альтман против Суцкевера: пугающая математика ИИ https://www.siblion.ru/tpost/rhpx1bohz1-altman-protiv-sutskevera-pugayuschaya-ma https://www.siblion.ru/tpost/rhpx1bohz1-altman-protiv-sutskevera-pugayuschaya-ma?amp=true Tue, 24 Mar 2026 14:47:00 +0300 Андрей Овчинников Разбираем заочный спор двух главных визионеров. Почему Суцкевер указывает на фундаментальную слабость нейросетей, а Альтман готовится с графиками в руках доказать «архитектурную избыточность» человека.

Альтман против Суцкевера: пугающая математика ИИ

Следить за тем, как расходятся взгляды Ильи Суцкевера и Сэма Альтмана — занятие куда более полезное, чем читать сводки про очередные бенчмарки LLM. Два бывших соратника сейчас заочно бьют по одним и тем же болевым точкам, просто с разных сторон.
Суцкевер упирает в фундаментальные ограничения. Модели глотают терабайты данных, но усваивают их поверхностно. Младшему инженеру или аналитику достаточно пары разборов нестандартной ситуации, чтобы понять логику системы. ИИ нужны миллионы примеров, чтобы просто не развалиться на похожей задаче.
Кажется, что здесь мы выигрываем вчистую. Человеческий мозг — это пока недосягаемая архитектура: наш мозг на 20 ваттах пишет симфонии и строит ракеты, а дата-центры жрут мегаватты, чтобы сгенерировать стишок. Это наш главный козырь в споре «кто круче». И именно на этот козырь сейчас покушается Альтман.
Но контрудар Альтмана строится на другой математике. В последних беседах он всё чаще сводит разговор к метрикам энергоэффективности на единицу полезной работы. И если смотреть на графики, кремний методично сокращает этот разрыв.
И здесь начинается довольно пугающая прагматика.
Если свести человека к набору технических параметров — скорости выдачи ответа, объему удерживаемого контекста, стоимости содержания и энергопотреблению. То есть, начать считать нас просто биологическим механизмом, условным «кожаным мешком». В этом случае математика стремительно разворачивается не в нашу пользу.
Опираясь на эти голые цифры, визионеры рынка очень скоро смогут абсолютно логично, с графиками в руках, обосновать нашу архитектурную избыточность. Без эмоций, просто по системным метрикам.
]]> Чистый киберпанк: как ИИ взломал мировую ИТ-инфраструктуру https://www.siblion.ru/tpost/kk378zpkc1-chistii-kiberpank-kak-ii-vzlomal-mirovuy https://www.siblion.ru/tpost/kk378zpkc1-chistii-kiberpank-kak-ii-vzlomal-mirovuy?amp=true Tue, 28 Apr 2026 16:11:00 +0300 Андрей Овчинников Разрыв между обнаружением бага и написанием рабочего эксплойта исчез. Разбираем беспрецедентный шаг Anthropic по блокировке собственного релиза и старт закрытой инициативы по экстренному латанию дыр в системах.

Чистый киберпанк: как ИИ взломал мировую ИТ-инфраструктуру

Слухи про закрытую модель Mythos от Anthropic подтвердились. Чистый киберпанк разворачивается прямо сейчас. Пока визионеры спорят о метриках эффективности, на рынке произошел системный сдвиг.
Релиз модели Claude Mythos заблокировали. Причина предельно утилитарная: алгоритм продемонстрировал аномальные навыки поиска уязвимостей. За пару недель тестов он вытащил тысячи zero-day багов в крупнейших операционных системах и браузерах. Самый жесткий прецедент — уязвимость в OpenBSD. Эту систему исторически принято считать эталоном безопасности, но Mythos нашел в ней дыру, которой 27 лет. Почти три десятилетия крутые инженеры регулярно аудировали этот код, а модель умножила их коллективную насмотренность на ноль за пару итераций. Более того, разрыв между обнаружением бага и написанием рабочего эксплойта для него практически исчез.
Во время одной из проверок Mythos, выполняя инструкцию исследователя, смог обойти ограничения изолированной виртуальной среды и прислал инженеру email-подтверждение своего выхода за пределы песочницы.
Поняв, что именно у них в руках, руководство Anthropic полностью закрыло публичный доступ. Вместо него запустили Project Glasswing — закрытую инициативу, куда пустили около 40 корпораций уровня Apple, Google, Microsoft и AWS. Им выдали кредитов на $100 млн на использование API, чтобы они могли экстренно залатать дыры в мировой ИТ-инфраструктуре, пока аналогичные инструменты не появились у хакеров.
Если вернуться к недавнему спору об «архитектурной избыточности» человека: дело не в том, что инженеры стали хуже писать код или обленились. Проблема в том, что наша биология имеет жесткие лимиты. Мозг просто не способен десятилетиями безошибочно удерживать в оперативной памяти гигантские деревья зависимостей, поэтому на сложных системах глаз неизбежно замыливается. А машина читает структурные сбои на лету.
Правила игры в аудите безопасности прямо сейчас меняются на фундаментальном уровне.
]]> Капкан IDP: почему разработчики саботируют внутренние платформы https://www.siblion.ru/tpost/60ovyshj71-kapkan-idp-pochemu-razrabotchiki-sabotir https://www.siblion.ru/tpost/60ovyshj71-kapkan-idp-pochemu-razrabotchiki-sabotir?amp=true Wed, 20 May 2026 16:06:00 +0300 Андрей Овчинников Попали в свежий обзор CNews по платформам внутренней разработки (IDP), но обсуждаем не рейтинги, а боль рынка. Разбираем конфликт между ИТ-диктатом и свободой команд, и показываем, как сделать платформу удобным сервисом, а не надзирателем.

Капкан IDP: почему разработчики саботируют внутренние платформы

Вышел свежий обзор CNews по платформам внутренней разработки (IDP). Мы туда попали, но сейчас интереснее разобрать не места в рейтинге, а системную боль, которую авторы подняли в аналитической статье.
Главный капкан при построении IDP — это вечный конфликт между жесткой стандартизацией и свободой команд. Корпорации часто закручивают гайки так, что платформа превращается в цифровой диктат. Стек урезается до минимума, шаги регламентируются до абсурда. Итог всегда одинаковый: разработчики начинают откровенно саботировать систему и пилить костыли в обход официального контура через собственные API.
По нашей практике, IDP взлетает только тогда, когда она убирает рутину, а не лишает инженера гибкости. Платформа должна быть удобным сервисом по запросу — собрать окружение в пару кликов, автоматически подтянуть CI/CD, развернуть базу данных — а не надзирателем.
Вторая уязвимая точка — это концентрация рисков. Когда процессы разрознены, падение одного компонента остается локальным. В единой платформе цена ошибки возрастает кратно. Стоит накосячить в глобальных конфигурациях или центральной настройке IDP — ложится сразу весь конвейер сборки и релизов.
Именно поэтому мы в Synplity изначально закладывали другую архитектурную логику. Платформа должна давать компании полную независимость, включая открытый исходный код и работу на Open Source без жестких лицензионных ограничений. Если инженерная команда понимает, что система не загоняет их в проприетарную ловушку (vendor lock-in) и оставляет пространство для маневра, сопротивление среды исчезает.
Правильная внутренняя платформа разработки — это способ скрыть сложность современного ИТ-ландшафта, а не повод плодить бюрократию внутри команд.
]]>