Новости · · 9 мин
Период: 11 сентября — утро 12 сентября.
Сегодня наиболее важны три линии: AI-инфраструктура становится критической физической инфраструктурой; enterprise-агенты переходят от отдельных задач к работе неделями; автономность резко снижает стоимость злоупотребления AI.
Что произошло. ОАЭ пересматривают проект AI-campus мощностью до 5 ГВт после мартовских атак на технологическую инфраструктуру региона. Вместо одного 10-square-mile mega-campus в Абу-Даби рассматривается распределённая сеть объектов по стране, включая blast-resistant конструкции, подземные компоненты и дополнительные системы физической защиты.
Первая фаза Stargate UAE стоимостью около $30 млрд должна была вывести примерно 200 МВт уже в 2026 году. В проекте участвуют G42 и американские технологические компании, включая OpenAI, Oracle и SoftBank.
Почему это важно. AI datacenter становится объектом того же класса, что электростанция или телекоммуникационный узел.
До сих пор архитектуру AI-cluster в основном оптимизировали под:
power → cooling → networking → GPU utilization.
Теперь добавляется:
physical resilience → geographic redundancy → blast risk → continuity of operations.
Распределённая архитектура обычно хуже для tightly coupled training clusters из-за networking latency и bandwidth, но лучше для устойчивости inference и хранения данных.
Что показали данные. 5 ГВт — планируемый масштаб всего проекта, а не уже построенная мощность. Конкретная новая топология пока не утверждена; Reuters описывает варианты, обсуждаемые властями и участниками проекта.
Что нужно уже понимать: AI cluster, scale-up/scale-out networking, geographic redundancy, disaster recovery, sovereign compute.
Что это может изменить. Для большинства компаний — пока наблюдать. Но для критичных AI-products появляется новый вопрос vendor risk: в каком физическом регионе реально выполняется inference и что происходит при потере целого дата-центра или региона?
Дата: 11 сентября. Источник: Reuters.
Результаты вышли после закрытия рынка 10 сентября, поэтому их экономический эффект приходится уже на вчерашний информационный цикл.
Oracle сообщила, что квартальная выручка Cloud Infrastructure выросла на 121% год к году до $7,4 млрд. За квартал компания ввела ещё 850 МВт data-center capacity. Совокупный backlog/RPO достиг $664 млрд.
Общая cloud-выручка выросла на 62% до $11,6 млрд.
Почему это важно. AI меняет экономику классического enterprise-software vendor.
Oracle исторически была прежде всего database/software компанией. Теперь одна из наиболее быстрорастущих частей бизнеса — буквально:
земля → электричество → GPU → networking → datacenter → AI cloud.
Это капитал значительно более тяжёлого типа, чем обычный SaaS.
Более ранний disclosure Oracle показывает другую сторону economics: в FY2026 free cash flow был −$23,7 млрд, поскольку компания финансировала AI-infrastructure. При этом часть крупных клиентов уже либо предварительно оплачивает GPU, либо самостоятельно поставляет оборудование Oracle — таких prepaid/customer-supplied hardware обязательств накопилось около $75 млрд.
Что нужно уже понимать: IaaS, CAPEX, free cash flow, RPO, GPU capacity.
Что это может изменить. Для бизнеса это объясняет, почему AI API-price нельзя рассматривать как обычную SaaS-маржу. За каждым токеном постепенно возникает очень капиталоёмкая supply chain.
Дата: результаты опубликованы 10 сентября после закрытия рынка; анализ — 11 сентября. Первоисточник: Oracle Q1 FY27 results
Это главный архитектурный релиз дня.
Что произошло. Salesforce представила новое поколение Agentforce, где агент может получать цель не на один разговор, а на дни и недели.
Первый такой агент — Hunter для outbound sales. Пример задачи:
спасти сделки под риском до конца квартала.
Агент строит план, исследует accounts, ведёт outreach, отслеживает изменения, корректирует следующие действия и обращается к человеку, когда требуется approval.
Под этим Salesforce выделяет три отдельные runtime-функции:
Параллельно Multi-Agent Orchestration стала GA: специализированные агенты могут передавать работу друг другу.
Почему это важно. Это качественно другой software abstraction.
Не:
request → agent → answer.
А:
business goal → persistent plan → события → действия → memory → coordination → approvals → результат через несколько недель.
Это уже ближе к workflow engine или виртуальному сотруднику, чем к chatbot.
Supply-chain agent Marshall использует deterministic execution и оставляет audit record каждого действия. Salesforce также продвигает Agent Script — open-source язык, позволяющий комбинировать AI reasoning с обычными жёсткими правилами.
Это совпадает с выводом нескольких последних выпусков:
LLM выбирает и интерпретирует; deterministic software ограничивает и исполняет там, где нужна гарантия.
Особенно это логично для supply chain, payments, CRM updates и других действий с внешними последствиями.
Что показали данные. Salesforce сообщает уже о 7 млрд Agentic Work Units, включая 3,2 млрд только во втором квартале. Это usage telemetry самой Salesforce, не независимая оценка эффективности.
Customer case studies компании:
Эти цифры нельзя сравнивать между собой: denominator и complexity задач разные.
Что нужно уже понимать: long-horizon agent, durable execution, persistent memory, multi-agent orchestration, deterministic execution.
Что это может изменить. Если компания планирует enterprise agents, стоит перестать моделировать их только как conversational UX. Придётся проектировать state machine, recovery, expiration целей, permissions и человека как участника долгого workflow.
Дата: 11 сентября. Первоисточник: Salesforce; официальный newsroom подтверждает релиз от 11 сентября.
Вместо конструктора generic agents Salesforce выпустила готовые роли:
Почему это важно. Enterprise AI начинает двигаться от продажи capability:
«вот модель, которая умеет рассуждать»
к продаже job-to-be-done:
«вот агент, который ведёт outbound pipeline».
Если модель становится commodity, экономическая ценность смещается к:
enterprise context + permissions + integrations + workflow + auditability + domain-specific evaluation.
То есть moat enterprise-AI продукта всё меньше обязательно находится в самой модели.
Что нужно уже понимать: job-specific agent, workflow, system of record, enterprise context, vendor lock-in.
Что это может изменить. SaaS-компаниям стоит анализировать угрозу не как «Salesforce добавила AI», а как Salesforce пытается автоматизировать целую категорию работы, которая раньше выполнялась внутри приложений вручную.
Свежий threat-intelligence report Anthropic содержит гораздо более важный сигнал, чем отдельные jailbreaks.
Компания наблюдала операции, где один человек с Claude одновременно управлял десятками целей, а некоторые multi-agent frameworks автономно выполняли reconnaissance, exploitation и data theft часами или днями. Были и scheduled agents, самостоятельно обновлявшие украденные access tokens и скачивавшие данные из cloud storage.
Anthropic формулирует экономический эффект довольно точно: автономность прежде всего уменьшает стоимость атаки, а не обязательно увеличивает максимальную тяжесть одной атаки.
То есть:
тот же потенциальный payoff
÷
меньше человеческого труда
= становится выгодно атаковать цели, которые раньше не окупались.
Отдельный европейский case получил дополнительное подтверждение 11 сентября.
По данным Anthropic, один французскоязычный оператор использовал Claude для создания infrastructure и атак примерно на 40+ европейских политических, медийных и связанных SaaS-организаций. Компрометация произошла минимум у 14 отслеживаемых целей; в одном случае через уязвимую campaign-management platform были извлечены около 140 тыс. записей, включая чувствительные сведения о политических взглядах.
Это важнее вопроса «может ли Claude написать malware».
Новая capability:
один оператор → AI engineering → automation harness → десятки параллельных targets.
Что нужно уже понимать: agentic cyber operations, credential harvesting, attack automation, scheduled agent, defense in depth.
Что это может изменить. Security assumptions компании должны учитывать не только более сильного атакующего, но и намного более дешёвого атакующего. Экономически неинтересные раньше SaaS, API и employee accounts становятся более привлекательными, если reconnaissance и exploitation можно автоматизировать.
Дата новой публикации/разбора: 11 сентября. Первоисточник: Anthropic — September Threat Intelligence Report
Один из наиболее заметных сигналов GitHub за 11 сентября — i-have-adhd: небольшой skill, цель которого не дать coding agent заваливать пользователя длинным шумным output.
Сторонние historical snapshots GitHub Trending фиксировали примерно +3,8 тыс. stars за сутки. obra/superpowers, framework из набора reusable engineering skills, одновременно получил ещё около +700. Эти значения стоит считать приблизительными, поскольку это snapshots третьей стороны, а не официальная историческая статистика GitHub.
Сам проект менее важен, чем категория.
Сначала разработчики оптимизировали:
модель.
Потом:
agent framework.
Теперь всё больше активности идёт вокруг:
skills → behavioral constraints → engineering methodology → communication discipline.
То есть следующая оптимизация coding agents часто требует не большей intelligence, а лучшего поведения модели внутри человеческой команды.
Что нужно уже понимать: Agent Skills, harness, context engineering, developer workflow.
Что это может изменить. Внутренний benchmark coding agents стоит оценивать не только по pass rate задачи, но и по стоимости human supervision: сколько времени разработчик тратит на чтение, исправление, clarification и review.
Агентный стек начинает переходить из режима «автоматизировать отдельное действие» в режим «делегировать длительную ответственность».
Salesforce строит agents, которые работают днями и неделями; security-операции Anthropic показывают, что такая же persistence и concurrency радикально меняют economics злоупотребления. А снизу Oracle и Stargate показывают физическую цену всей этой автономности: больше долгоживущих agents означает больше постоянного inference — а значит больше GPU, энергии, networking и инфраструктуры.
Если агент работает несколько дней, где хранится его authoritative state и как мы понимаем после restart, что он всё ещё преследует актуальную цель?
Какие действия long-running агента требуют deterministic rules или human approval, даже если reasoning модели выглядит убедительным?
Считаем ли мы economics агента через цену одного model call или через полную стоимость длительного workflow — включая retries, memory, tools и supervision?
Меняет ли дешёвая автоматизация атак наш security threat model для менее критичных API, внутренних tools и employee accounts?
При выборе agent tooling измеряем ли мы human-attention cost наряду с task completion rate?