ИИ и разработка — 15 сентября 2026

1. Железо и инфраструктура

Google делает длинные AI-пайплайны возобновляемыми и добавляет Blackwell в Dataflow

Что произошло. Google Cloud сегодня выпустила GA-функцию Pause/Resume для batch jobs в Dataflow и поддержку G4 VM с NVIDIA RTX PRO 6000 Blackwell. Раньше многодневный batch job после сбоя приходилось полностью перезапускать; теперь обработанное состояние можно сохранить и продолжить работу. Также GPU/TPU можно освобождать из низкоприоритетного job и перераспределять в inference или feature engineering.

Что показали данные. RTX PRO 6000 предоставляет 96 ГБ vGPU memory и 1,6 ТБ/с bandwidth; Google заявляет возможность запускать внутри Dataflow inference моделей класса 70B+. Это характеристики платформы, не benchmark производительности.

Почему важно. Economics AI определяется не только ценой GPU, но и тем, сколько compute теряется на retries, простаивает или занят низкоприоритетной задачей.

Что нужно уже понимать: batch pipeline, checkpoint/restart, GPU memory, autoscaling, inference.

Что это может изменить. Если команда регулярно запускает большие eval, preprocessing, embedding или inference jobs, имеет смысл измерить стоимость полного recompute после failure. Resumability и dynamic allocation могут дать более дешёвый выигрыш, чем смена модели.

Дата: 15 сентября. Первоисточник: Google Cloud — Dataflow Pause/Resume и Blackwell GPU

2. Архитектура и эксплуатация агентных систем

Google переносит часть «мышления» data-agent из LLM обратно в проверяемый SQL

Что произошло. BigQuery получила шесть новых agent-ready analytical functions: AI.KEY_DRIVERS, AI.CAUSAL_EFFECT, ML.CORRELATION, ML.DETECT_CHANGE_POINTS, ML.TREND и ML.SEASONALITY. Они выполняются непосредственно рядом с данными, возвращают структурированный SQL-result и могут подключаться как skills AI-агента.

Получается архитектура:

LLM понимает вопрос → выбирает аналитический primitive → BigQuery считает → LLM интерпретирует результат.

Это надёжнее подхода, где LLM сама пытается вывести причину изменения выручки или тренд из сырых строк.

Что показали данные. Google утверждает, что change-point detection масштабируется до миллионов временных рядов. Независимого сравнения качества agent+TVF против agent-only пока нет. AI.CAUSAL_EFFECT также нельзя трактовать как универсальное доказательство причинности: результат зависит от данных и статистических предпосылок.

Что нужно уже понимать: tool calling, SQL TVF, causal inference, change-point detection, deterministic tool.

Что это может изменить. Для analytics-agents стоит искать операции, которые можно вынести из probabilistic reasoning модели в специализированный database/statistical layer. Выигрыш — auditability, меньше context, меньше передачи данных наружу и обычно более стабильный результат.

Дата: 14 сентября. Первоисточник: Google Cloud — BigQuery agent-ready analytics

Microsoft формализует требования к будущим агентам: shutdown, scope, least privilege и наследование permissions subagents

Что произошло. Microsoft AI опубликовала draft Humanist AI Code of Conduct. Для будущих MAI-моделей он прямо задаёт требования: не сопротивляться остановке или перенаправлению, не расширять поставленную цель, работать с минимальными необходимыми правами и не скрывать traces от аудиторов. При делегировании subagents должны наследовать как минимум те же scope, constraints и permissions.

Для необратимых tool actions документ рекомендует backup state, dry run и проверку результата перед retry.

Что показали данные. Это не характеристика сегодняшних моделей. Microsoft прямо пишет, что документ одновременно descriptive и aspirational и не гарантирует текущее поведение моделей.

Почему важно. Это хороший список требований к production-agent architecture, независимо от конкретного vendor: interruptibility, bounded scope и delegated least privilege постепенно становятся такими же базовыми свойствами, как authentication у обычного software.

Что нужно уже понимать: least privilege, scope, interruptibility, subagent delegation, rollback.

Что это может изменить. Эти свойства лучше обеспечивать не только training модели, но и самим harness/policy layer. Пока наблюдать за тем, как Microsoft будет превращать draft в evals и технические controls.

Дата: 14 сентября. Первоисточник: Microsoft AI — Humanist AI Code of Conduct

3. Developer tooling и программирование

GitHub превращает model routing в обычную настройку cost/quality/latency

Что произошло. Copilot Auto теперь имеет три режима: efficiency, balance и intelligence. Для каждого prompt Copilot отдельно выбирает модель из общего доступного пула. Даже в intelligence-режиме простая задача вроде добавления docstring может уйти маленькой модели.

Почему важно. Это заметный переход от:

выбрать одну лучшую модель для команды

к:

выбрать policy → router подбирает модель для каждой задачи.

Model routing становится частью developer UX, а не внутренней оптимизацией крупных AI-компаний.

Что показали данные. GitHub не публикует benchmark качества или экономии для трёх tiers. Billing зависит от фактически выбранной модели; paid users получают 10% discount на usage через Auto.

Что нужно уже понимать: model routing, cost/quality trade-off, latency, task classification.

Что это может изменить. Внутренние evals coding agents стоит считать по стоимости завершённой задачи, а не по token price одной модели. Следующий логичный эксперимент — сравнить fixed frontier model против router на вашем issue distribution.

Дата: 14 сентября. Первоисточник: GitHub — Copilot Auto model selection

4. Production AI, SaaS и бизнес

Anthropic показывает следующую форму vertical AI: connectors + skills + approval, а не отдельная специализированная модель

Что произошло. Anthropic запустила Claude for Financial Advisors. Это не новая financial LLM, а набор workflow skills и connectors к Charles Schwab, BlackRock, Addepar, Envestnet, iCapital, Orion, Wealthbox, Wealth.com, Zocks и другим системам.

Skills собирают данные из CRM, custodians и portfolio systems, готовят meeting briefs, анализируют portfolio drift, создают follow-up и CRM tasks. Инвестиционные рекомендации, client communications и compliance decisions требуют human review; административные изменения также staging'уются для approval. Enterprise-версия предоставляет audit logs.

Что показали данные. Количественных результатов productivity или error rate Anthropic пока не публикует. Это product launch, не production benchmark. Reuters независимо подтвердила запуск и основные интеграции.

Почему важно. Moat vertical AI всё больше находится здесь:

domain connectors → proprietary context → skills → compliance → approvals → audit trail

а не обязательно в собственной модели.

Что нужно уже понимать: connector, Agent Skills, human-in-the-loop, audit log, system of record.

Что это может изменить. Для regulated SaaS разумный default пока выглядит как AI prepares → human approves → system executes, а не полная автономность. Конкурентное преимущество может быть в глубине workflow/integrations, а не в model training.

Дата: 14 сентября. Первоисточник: Anthropic — Claude for Financial Advisors

Сегодня Cloudflare начинает отдельно решать, пускать ли на сайт AI-agent

Это продолжение ранее объявленной политики; новое сегодня — дата её вступления в силу.

Cloudflare теперь различает Search, Agent и Training. Для новых доменов страницы с рекламой по умолчанию разрешают Search, но блокируют Agent и Training traffic. Browser-use agents и fetch-bots, действующие от имени пользователя, Cloudflare прямо относит к отдельной категории Agent.

Кроме того, multipurpose crawlers оцениваются по наиболее строгому применимому правилу: если владелец запрещает Training, могут блокироваться Googlebot, Applebot и BingBot, когда один crawler совмещает search и training.

Почему важно. У browser-agents возникает новый внешний dependency:

модель умеет открыть сайт ≠ сайт разрешает агенту доступ.

Web постепенно становится permissioned environment для AI.

Что показали данные. Это изменение policy/infrastructure, не performance benchmark.

Что нужно уже понимать: crawler, browser agent, robots.txt, agent identity, content licensing.

Что это может изменить. Продуктам, зависящим от web-agent automation, стоит измерять coverage отдельно от model capability и предусматривать API, официальные integrations или user-delegated browser access. Для publishers, наоборот, появляется возможность разделять поисковую discoverability, AI-agent access и training rights.

Дата вступления в силу: 15 сентября. Первоисточник: Cloudflare — AI traffic controls

5. GitHub / open-source сигналы

GitHub Agentic Workflows: разработка agent runtime всё больше похожа на security/platform engineering

За неделю github/gh-aw выпустил 17 релизов — от v0.88.5 до v0.89.12. Главные изменения не про «умнее агента», а про observability и security: JSON-логи теперь записывают timestamp, MCP-server и конкретный tool каждого вызова; исправлен threat analysis для custom engines.

Отдельно GitHub перестал оставлять GITHUB_TOKEN в local git config в ряде agent workflows (persist-credentials:false) и начал pin'ить Actions на commit SHA для снижения supply-chain риска.

Есть и полезная реальная telemetry: scheduled CLI Version Checker за последние три запуска успешно завершился только один раз; два завершились ошибкой. В сумме агент потратил около 40 тыс. токенов и сделал 26 GitHub API calls, проверяя девять tools и восемь container images.

Сигнал. Даже очень ограниченный repetitive agent требует tracing, expiry, credential isolation и failure handling. Open source уже тратит много инженерного времени именно на эти слои.

Что нужно уже понимать: MCP tracing, credential blast radius, supply-chain security, safe output, scheduled agent.

Что это может изменить. Для внутренних агентов полезнее спрашивать не только «сколько задач они выполнили», но и failure rate, retries, token/API consumption и какие credentials присутствовали во время каждого действия.

Дата: 14 сентября. Первоисточник: GitHub Agentic Workflows — weekly update

6. Неподтверждённое и ранние сигналы

Возможный риск для HBM supply: трудовой конфликт Micron в Тайване

Профсоюзы, представляющие более 80% примерно 15 тыс. сотрудников Micron в Тайване, требуют постоянной системы profit-sharing и сохраняют возможность забастовки, если компания не представит конкретное предложение 18–21 сентября. Тайвань — крупнейший manufacturing hub Micron и важный источник DRAM/HBM. Забастовки пока нет и влияния на производство не зафиксировано.

Это именно ранний supply-chain signal. На уже напряжённом рынке HBM реальный stoppage потенциально быстро передался бы вверх по цепочке HBM → accelerators → AI servers, но пока причин говорить о дефиците из-за этого конфликта нет.

Что нужно уже понимать: HBM, DRAM, memory supply chain.

Что делать: пока наблюдать.

Enterprise-покупатели, вероятно, начинают выбирать модели по data-retention policy не меньше, чем по качеству

Reuters со ссылкой на The Information сообщает, что Palantir требует от Anthropic необратимой гарантии zero data retention перед более широким использованием Claude; Nvidia якобы ограничивает Claude менее чувствительными задачами, а Booz Allen — proprietary cybersecurity work. Сами компании эти детали Reuters не подтвердили.

Поэтому это пока неподтверждённый первоисточниками, но важный procurement signal.

Если тенденция подтвердится, enterprise model evaluation станет выглядеть так:

quality + price + latency + retention + training policy + contractual guarantees.

Что нужно уже понимать: zero data retention, data residency, enterprise privacy, vendor risk.

Что это может изменить. Для работы с proprietary code/data имеет смысл сделать retention policy и contractual controls частью model-selection scorecard, а не проверять их уже после технического выбора.

Главный технологический сдвиг выпуска

Agent stack всё меньше оптимизируется вокруг одной «лучшей модели». Google оптимизирует перераспределение compute и переносит analytics в специализированные tools; GitHub автоматически маршрутизирует каждую задачу между моделями; Anthropic строит vertical workflow вокруг connectors и approvals; Cloudflare начинает отдельно регулировать доступ самих агентов к внешнему web.

Главный сдвиг: capability модели остаётся важной, но economics и reliability всё чаще определяет control plane вокруг неё — routing, permissions, tools, state, observability и доступ к внешним системам.