После этого Disney, Paramount, Warner Bros., Netflix и Sony направили ByteDance письма с требованием прекратить такие генерации. MPA назвала ситуацию «системным нарушением авторских прав».

За несколько дней до релиза Seedance западные эксперты уже называли другой продукт ByteDance, Seedream, одним из лучших генераторов изображений в мире. По качеству он, по их оценкам, обходил Midjourney, Flux и Nano Banana. За обоими продуктами стоит одна и та же команда.

Это рубрика досье SpeShu.AI. Здесь мы составляем психологические портреты людей, которые ведут индустрию искусственного интеллекта вперёд и уже сейчас меняют мир так же, как когда-то его меняли Лейбниц, Эйнштейн и Курчатов.

Seedream и Seedance. Краткий ликбез от SpeShu.AI

Seedream и Seedance — два продукта одной команды ByteDance Seed. Seedream отвечает за генерацию изображений, Seedance — за видео. Оба появились в период с 2024 по 2026 год и быстро стали ориентирами, с которыми сравнивают другие модели на мировом рынке.

Seedream построен на архитектуре с 12 млрд параметров и работает сразу с китайским и английским языками. Важно, что это не просто адаптация западной модели под два языка. Команда обучала систему с нуля так, чтобы она понимала культурный контекст и китайского, и английского. В технических отчётах Seed Vision утверждается, что модель превосходит Flux, SD3.5 и Midjourney по структурной точности и качеству рендеринга текста.

Seedance — видеогенератор, который умеет работать сразу с четырьмя типами входных данных: текстом, изображением, видео и аудио. Версия Seedance 2.0, вышедшая в феврале 2026 года, генерирует 15-секундные клипы с нативным синхронизированным звуком без отдельного этапа озвучки.

Тестировщики Kapwing, которые перешли с американских моделей на Seedance и Seedream, описали разницу просто:

«Это было несравнимо — модели лучше по всем параметрам».

За этими продуктами стоит подразделение ByteDance Seed: около 1500 исследователей, три поколения моделей, которые разрабатываются параллельно, и офисы в Китае, Сингапуре и США.

Чжан Имин — основатель ByteDance и архитектор системы

Чжан Имин вырос в провинции Фуцзянь и окончил Наньканский университет в Тяньцзине по направлению «разработка программного обеспечения». В 2012 году он вместе с несколькими бывшими коллегами снял четырёхкомнатную квартиру в Пекине. Именно там началась история ByteDance.

Изначальная идея Чжана была простой: в эпоху мобильного интернета людям всё сложнее самостоятельно находить нужный контент, а Baidu, по его мнению, слишком активно смешивал органическую выдачу с рекламой. Значит, нужен алгоритм, который будет сам подбирать контент под интересы конкретного пользователя.

Венчурные инвесторы несколько раз отказывались вкладываться в эту идею. Но после того как первый инвестор всё же появился, за два года вырос Toutiao с 13 млн ежедневных пользователей. Затем появился Douyin, а ещё через год — TikTok.

Что делает Чжан Имин сейчас

В 2021 году Чжан передал пост CEO сооснователю Лян Жубо. Официальная формулировка звучала так: он хотел сосредоточиться на долгосрочных стратегических вопросах. На практике это означало всё более глубокий уход в тему искусственного интеллекта.

С середины 2024 года Чжан регулярно летает из Сингапура, где живёт, в Пекин на встречи с ключевыми исследователями команды Seed. Журналисты China Business News сравнивают его роль с тем, что Сергей Брин делал в Google: формально человек отошёл от операционного управления, но лично курирует самое важное технологическое направление.

По данным 36Kr, Чжан лично занимался переманиванием ИИ-специалистов у конкурентов. Он продвинул закупку чипов на 40 млрд юаней в 2025 году и строительство зарубежных дата-центров за $6,8 млрд, чтобы обеспечить вычислительные мощности для исследований в направлении AGI. Программа Seed Edge, ориентированная на долгосрочные фундаментальные исследования, а не на быстрые продуктовые итерации, также была запущена с его прямого одобрения.

Когда DeepSeek вышел на рынок и изменил отраслевую повестку, многие ждали публичной реакции ByteDance. Чжан не стал комментировать происходящее. Через несколько недель команда Seed выпустила Seedance.

У Юнхуэй — глава Seed, 17 лет в Google и главный человек по Seedance

У Юнхуэй учился в Нанкинском университете, затем переехал в США, получил магистерскую степень по статистике и защитил PhD по информатике в Калифорнийском университете в Риверсайде. В 2008 году он пришёл в Google.

Первые шесть лет У Юнхуэй занимался ранжированием поисковых результатов. Затем перешёл в Google Brain, где работал над прикладными ИИ-исследованиями: глубоким обучением для машинного перевода и поисковых алгоритмов.

В сентябре 2023 года он получил статус Google Fellow. Это редкое внутреннее звание, которое дают за вклад, способный изменить направление работы всей компании. По управленческой иерархии оно сопоставимо с уровнем вице-президента.

Последняя должность У Юнхуэя в Google — вице-президент по исследованиям в DeepMind. Там он участвовал в раннем этапе разработки Gemini.

В феврале 2025 года он перешёл в ByteDance Seed на позицию руководителя фундаментальных исследований. Он подчиняется напрямую CEO Лян Жубо, то есть выше него в этой структуре только гендиректор и основатель. Работает У Юнхуэй из Сан-Хосе.

По данным 36Kr, он ушёл из Google, потому что хотел заняться новой исследовательской работой с фокусом на долгосрочную фундаментальную науку. После 17 лет в Google это выглядело как полноценный разворот в карьере.

Что У Юнхуэй изменил в Seed

Когда У Юнхуэй пришёл в ByteDance Seed, в подразделении уже работало около 1500 человек. Но внутри индустрии команду успели публично раскритиковать за то, что она пропустила момент DeepSeek, несмотря на огромные инвестиции и тысячи инженеров.

После прихода У Юнхуэя темп заметно изменился. По данным China Academy, за первые три месяца команда опубликовала больше исследовательских работ, чем за весь 2024 год.

Он выстроил внутри Seed три параллельных уровня. Edge отвечает за долгосрочные фундаментальные темы. Focus занимается ключевыми задачами для следующего поколения моделей. Base закрывает инженерную и инфраструктурную работу. Каждый слой подпитывает следующий.

У Юнхуэй также ввёл внутреннюю прозрачность данных и репозиториев. До этого команды фактически не всегда понимали, чем занимаются соседние группы. Кроме того, он начал лично встречаться с исследователями в столовой. По воспоминаниям сотрудников, он просто брал поднос, садился напротив и задавал один, два или три вопроса.

Коллеги описывают его как человека «прагматичного и романтичного одновременно». По их словам, он больше похож на руководителя, выросшего внутри ByteDance, чем на человека, сформированного Google.

Чжоу Чан — технический руководитель Seedream и Seedance

Чжоу Чан пришёл в ByteDance в 2024 году после работы в Alibaba. В новой команде он возглавил направления мультимодального взаимодействия и world-model. Одним из главных результатов его группы стал мобильный ИИ-ассистент Doubao.

Позже зона ответственности Чжоу Чана расширилась. Когда руководитель визуальной мультимодальной генерации Ян Цзяньчао ушёл в отпуск, а глава исследований базовых визуальных моделей Фэн Цзя покинул компанию, Seedream и Seedance перешли под техническое управление Чжоу. Теперь оба продукта замыкаются на него с инженерной стороны.

Устройство ByteDance Seed хорошо показывает одна деталь: аспирант Цинхуа 2024 года выпуска одновременно отчитывается и Чжоу Чану, и У Юнхуэю. Это не случайная управленческая странность, а часть новой политики команды. Seed делает ставку не на опытных менеджеров со стороны, а на молодых исследователей, которым дают короткий путь до верхнего уровня принятия решений.

Скандал с авторскими правами: Голливуд против ByteDance

12 февраля 2026 года ByteDance выпустила Seedance 2.0. В тот же день по соцсетям начали расходиться ролики с Томом Крузом и Брэдом Питтом, Spider-Man и Дартом Вейдером. Один из самых заметных примеров показал режиссёр и VFX-художник Руайри Робинсон: он сгенерировал сцену боя «Тома Круза» против «Брэда Питта» на крыше. Видео быстро стало вирусным.

Disney обвинил ByteDance в «виртуальном ограблении». По позиции компании, Seedance запустили с «пиратской библиотекой» персонажей Marvel, Star Wars и других франшиз. Disney назвал происходящее умышленным, массовым и совершенно неприемлемым нарушением.

Paramount предъявила претензии сразу к двум продуктам: Seedance и Seedream. В письмах упоминались «Южный парк», «Звёздный путь», «Губка Боб», «Крёстный отец» и Dora the Explorer. Затем к претензиям подключились Warner Bros., Netflix и Sony. MPA, представляющая крупные студии, сформулировала позицию жёстче всего: нарушение авторских прав в модели выглядит «не багом, а фичей».

ByteDance ответила коротко. Компания заявила, что уважает авторские права, слышит обеспокоенность правообладателей и принимает меры для усиления защиты. Отдельно расследование открыло японское правительство после распространения роликов с аниме-персонажами.

При этом реакция пользователей оказалась другой. В X под одним из роликов со Spider-Man писали, что главное преимущество Seedance 2.0 как раз в том, что модель «не оглядывается» на авторские ограничения и позволяет делать эффектные видео. Это тоже часть истории: для правообладателей Seedance стал угрозой, а для части пользователей — символом новой свободы генерации.

Три разные истории об одном продукте

Чжан Имин начинал с идеи, что людям не нужно самим искать контент — контент должен находить их. Эта логика сначала привела к Toutiao, затем к Douyin и TikTok, а теперь, в предельной форме, проявляется в моделях Seed: пользователь описывает сцену, а система сама находит визуальный язык, персонажей и стиль, которые он хочет увидеть.

У Юнхуэй провёл 17 лет в Google и пришёл в ByteDance ради долгосрочных фундаментальных исследований. Уже через год после его перехода команда выпустила Seedance 2.0, заняла первое место среди видеогенераторов и одновременно оказалась в центре крупнейшего авторско-правового конфликта вокруг ИИ-видео.

Чжоу Чан отвечал за визуальные модели и при этом не стал публичным лицом скандала. Он остался в технической тени, хотя именно на его направлении сходятся Seedream и Seedance.

Все трое работают над одним продуктовым направлением, но несут в него разные логики: Чжан — алгоритмическую философию ByteDance, У Юнхуэй — исследовательскую культуру Google, Чжоу Чан — инженерную сборку мультимодальных моделей.

Техническое качество Seedream и Seedance признают даже конкуренты. Юридические последствия теперь будут определять суды.

Досье SpeShu.AI — специальная рубрика о людях, которые формируют будущее ИИ. Мы разбираем их карьеру, взгляды, управленческие решения и технологические прогнозы, чтобы лучше понимать, кто именно строит новую реальность искусственного интеллекта.

Новый функционал позволяет подобрать оптимальный пакет мобильного интернета и настроить связь без перехода на сторонние ресурсы и посещения офисов операторов.

Весь процесс – от выбора тарифа до установки профиля на смартфон – происходит внутри банковского интерфейса и занимает всего несколько минут.

Продукт ориентирован в первую очередь на путешественников, которым необходимо заранее обеспечить себя связью в поездках или оперативно подключиться к сети сразу по прибытии в другую страну.

«Мы фиксируем высокий интерес клиентов к цифровым сценариям потребления – от игровых сервисов и AI-продуктов до различных подписок. ОТП Банк позволяет решать эти задачи максимально бесшовно – без необходимости искать сторонние площадки.

Добавление eSIM органично дополняет этот подход: теперь наши клиенты могут заранее подготовить интернет для путешествий или быстро восстановить связь за границей через свой мобильный банк», – отметил Максим Михин, директор по развитию продуктов с дополнительной ценностью ОТП Банка.

В фокусе проекта — российское оборудование, энергоэффективность и вычислительные мощности для задач искусственного интеллекта.

• Для регионов такая инфраструктура становится все более критичной. Проблема уже не только в доступе к интернету, но и в нехватке локальных вычислительных ресурсов.

• Классический ЦОД строится долго и требует значительных инвестиций, особенно в удаленных территориях или регионах со сложной логистикой и климатом.

• Модульные дата-центры позволяют развернуть инфраструктуру быстрее, масштабировать ее по мере роста нагрузки и адаптировать под конкретные условия площадки.

• GreenMDC разрабатывает и производит модульные ЦОД, а Softline обладает интеграторской экспертизой и развитой региональной сетью.

• Вместе компании планируют закрывать инфраструктурный разрыв между крупнейшими центрами концентрации вычислительных мощностей и территориями, где спрос на цифровые сервисы растет, но собственная ИТ-база остается ограниченной.

Одним из первых направлений партнерства станет государственный сектор. Модульные ЦОД могут использоваться для размещения вычислительных мощностей органов власти, социальных фондов и региональных цифровых сервисов. У партнеров уже есть опыт реализации проектов в Волгоградской области и Республике Адыгея. На базе новой инфраструктуры планируется разворачивать ИИ-решения для автоматизации обработки обращений граждан, оптимизации бюджетных процессов, анализа данных в образовании, здравоохранении и ЖКХ.

Второе направление — промышленность и ОПК. Для машиностроительных холдингов, горнорудных компаний и других промышленных заказчиков распределенные МЦОД могут стать основой для отказоустойчивых ИТ-систем, предиктивной аналитики, автоматизированного контроля качества и оптимизации логистики.

Технологический акцент проекта — использование российских решений. Модульные ЦОД будут комплектоваться отечественным оборудованием, включая аппаратные ускорители для ИИ. При производстве также учитываются требования энергоэффективности: используются различные технологии охлаждения и возможности локальных энергоресурсов. Это особенно важно для удаленных территорий, где стоимость эксплуатации инфраструктуры может быть не менее значимым фактором, чем стоимость строительства.

По условиям партнерства, к 2030 году доля установленных модульных ЦОД за пределами Москвы и Санкт-Петербурга должна составить 50–60% от общего портфеля проектов. Для рынка это прямой ответ на дисбаланс, при котором основные вычислительные мощности сосредоточены в двух столицах, а регионы получают ограниченный доступ к современной ИТ-инфраструктуре.

«Партнерство с GreenMDC позволяет нам внедрять федеральные цифровые инициативы в регионах, где они наиболее востребованы. У “Софтлайн Решений” развитая региональная сеть, мы обеспечиваем сквозной цикл: от согласования требований заказчиков до запуска готовой инфраструктуры на местах. Модульные решения партнера снижают капитальные затраты и ускоряют развертывание госсистем, что существенно повышает их отказоустойчивость. Наша задача — создать равный доступ к цифровым сервисам для каждого региона, поддерживая тем самым сбалансированное развитие территорий. Совместные проекты уже демонстрируют измеримый результат для бюджетного сектора», — отметил Александр Минин, генеральный директор компании «Софтлайн Решения» ГК Softline.

В GreenMDC подчеркивают, что модульный формат особенно важен для территорий, где классическое строительство ЦОД оказывается слишком дорогим, долгим или логистически сложным.

«Сотрудничество с ГК Softline расширяет возможности реализации проектов по созданию вычислительной инфраструктуры. Наши модульные ЦОДы позволяют запускать объекты в сжатые сроки даже в сложных климатических и логистических условиях. Это очень важно для отдаленных территорий, где традиционное строительство нецелесообразно. Мы нацелены на обеспечение технологической базы для пространственного развития страны. Вместе с партнером мы планируем предоставлять доступ к высокопроизводительным вычислениям вне зависимости от географии, тем самым закрывая инфраструктурные потребности регионов», — отметил Федор Клименко, генеральный директор GreenMDC.

Если проект будет реализован в заявленном масштабе, он может заметно изменить доступность вычислительной инфраструктуры за пределами Москвы и Санкт-Петербурга. Для регионов это означает более устойчивую работу госсервисов, новые возможности для промышленной аналитики и более быстрый запуск ИИ-решений там, где раньше вычислительные ресурсы были ограничены.

Решение соответствует дивидендной политике компании. Окончательно дивиденды должны утвердить акционеры на годовом общем собрании, которое назначено на 25 июня 2026 года. Собрание пройдет в формате дистанционного участия.

• Для инвесторов это один из ключевых пунктов повестки: Softline подтверждает намерение соблюдать заявленный подход к распределению прибыли и сохранять баланс между инвестициями в развитие бизнеса и возвратом капитала акционерам.

• Совет директоров также предложил установить 9 июля 2026 года датой, на которую будут определяться лица, имеющие право на получение дивидендов по итогам 2025 года.

• Дата фиксации лиц, имеющих право голоса для участия в годовом собрании, — 31 мая 2026 года, конец операционного дня. Дистанционное участие и голосование будут доступны через сервис электронного голосования E-voting.

• Кроме дивидендного вопроса, Совет директоров утвердил годовую бухгалтерскую отчетность ПАО «Софтлайн» и годовой отчет общества за 2025 год. Документы опубликованы на сайте компании.

Еще один блок решений связан с корпоративным управлением. Совет директоров рекомендовал годовому собранию акционеров одобрить изменения в устав ПАО «Софтлайн».

В компании уточняют, что они носят технический и уточняющий характер: речь идет об актуализации отдельных положений, включая компетенцию Совета директоров и генерального директора. Эти изменения должны синхронизировать устав с ранее принятым кодексом корпоративного управления и повысить стандарты корпоративных практик.

Также Совет директоров утвердил список кандидатов для голосования по выборам в Совет директоров. В него вошли Алексей Ананьин, Сергей Боровиков, Елена Волотовская, Андрей Грунин, Рашид Исмаилов, Роман Кувшинов, Владимир Лавров, Владимир Сухоруков, Артем Тараканов и Алексей Тарасов.

Отдельно Совет директоров одобрил сделку, связанную с предоставлением независимой гарантии в пользу дочерней компании группы в рамках обеспечительных мер. О ней компания сообщала ранее.

«Совет директоров внимательно подошел к вопросу распределения прибыли по итогам 2025 года. Мы понимаем значимость дивидендов для акционеров и, учитывая финансовые результаты компании, ее текущую устойчивость и перспективы дальнейшего развития, приняли решение рекомендовать выплату дивидендов. Данная рекомендация полностью соответствует ранее утвержденной дивидендной политике ПАО “Софтлайн”», — отметил Рашид Исмаилов, председатель Совета директоров ПАО «Софтлайн».

По его словам, компания продолжает развивать ключевые направления бизнеса, усиливать технологическую экспертизу и расширять возможности для роста, сохраняя баланс между инвестициями, финансовой устойчивостью и обязательствами перед акционерами.

ПАО «Софтлайн» — инвестиционно-технологический холдинг с фокусом на инновации, цифровую трансформацию, информационную безопасность, инфраструктурные решения и разработку собственных ИТ-продуктов. Акции компании торгуются на Московской бирже под тикером SOFL.

Благодаря изменению архитектуры сайт стал загружаться в 1,5 раза быстрее, загрузка видео ускорилась на 60%, время получения первого кадра сократилось в 2,5 раза.

Обновление улучшило базовые сценарии использования VK Видео: зрители могут комфортно исследовать витрины контента и главную страницу, смотреть видео при низкой скорости интернета.

«Мы продолжаем совершенствовать инфраструктуру VK Видео, чтобы просмотр контента оставался быстрым и стабильным вне зависимости от устройства или качества сети. Обновление веб-версии позволило улучшить пользовательский опыт — от загрузки интерфейса до старта воспроизведения видео», — отметил руководитель департамента разработки мультимедиатехнологий VK Игорь Никифоров.

Опишите, что именно нужно улучшить: смысл, структуру, стиль, убедительность, SEO, грамматику, тон бренда, доказательность, читабельность, локализацию? Для каждого слоя лучше подходит своя модель. Например, eWeek отдельно выделяет ChatGPT, Claude, Jasper, Sudowrite, Grammarly и NotebookLM как разные инструменты для определенных задач, а не как взаимозаменяемые модели.

Как понять, что текст правда стал лучше

Улучшенный текст должен делать хотя бы одну из пяти вещей:

• яснее доносить мысль;
• точнее попадать в аудиторию;
• звучать живее;
• лучше продавать или убеждать;
• меньше врать, обобщать и раздуваться.

Если после нейросети текст стал длиннее, мягче и «профессиональнее», это еще не улучшение. Иногда модель просто заменила конкретику и налила воды.

Есть и более жесткая проблема: при долгой работе с документами модели могут вносить ошибки незаметно. TechRadar пересказывает исследование Microsoft, где LLM портили часть содержимого документов, а ошибки накапливались по мере итераций. Вот почему нейросети стоит использовать по слоям, а не отдавать им весь текст на автопереработку.

Предлагаем топ-5 нейросетей, которые помогают улучшить текст без превращения его в одинаковую нейросетевую массу.

1. Claude — лучший для глубокой редакторской правки

Claude стоит брать, когда предстоит написать глубокий аналитический материал. Он хорош в длинных текстах: статьях, методичках, сценариях, письмах, гайдах, документах, экспертных колонках. Его сильная сторона — подбор авторского тона под задачу и материал: он не превращает текст в рекламную чушь, лучше держит детали и чаще сохраняет мысль, а не просто переписывает фразы покрасивее.

У Claude есть Styles: можно настроить ответы под нужный тон, структуру и стиль коммуникации; Anthropic пишет, что это подходит разработчикам, маркетологам и продуктовым командам, которым важно писать в определенной манере.

Где использовать Claude:

• переписать статью без потери авторского голоса;
• убрать рыхлость и повторы;
• сделать текст взрослее и точнее;
• превратить черновик в сильную редакторскую версию;
• сократить материал без выжигания смысла;
• проверить, где мысль звучит слабо.

2. ChatGPT — лучший универсал для структуры, вариантов и задач с нуля

ChatGPT сильнее всего раскрывается, когда нужно пересобрать текст. Например: есть сырой материал, заметки, тезисы, расшифровка созвона, структура лендинга, план статьи, куски исследования. ChatGPT хорошо превращает это в рабочую структуру: выделяет главную мысль, предлагает структуру, делает несколько вариантов подачи, помогает найти заголовок, собрать аргументацию, адаптировать текст под разные аудитории.

OpenAI отдельно описывает ChatGPT как инструмент для совместной работы над письмом и кодом через canvas: пользователь может работать с проектами, где нужны редактирование и ревизии.

Где использовать ChatGPT:

• собрать структуру статьи, лендинга, письма, презентации;
• сделать 5 вариантов заголовка и выбрать сильнейший;
• адаптировать один текст под Telegram, email, сайт и презентацию;
• усилить аргументы;
• найти слабые места;
• переписать текст под SEO без ощущения SEO-болванки;
• превратить «мысли вразнобой» в нормальный черновик.

3. Gemini — лучший для текстов внутри Google-документов и рабочих материалов

Gemini полезен не только как модель, а как часть рабочей среды. Если вы много работаете с Google Docs, Drive, Gmail, Sheets и Slides, Gemini, эта модель — ваш незаменимый инструмент.

Google в обновлениях Workspace пишет, что Gemini в Docs помогает перейти от пустой страницы к плану текста, использовать контекст из файлов, писем и веба, а также создавать персонализированные документы в нужном стиле. В отдельном релизе Google также описывает Match writing style и Match document format — функции, которые помогают подгонять текст под стиль и структуру выбранного документа.

Где использовать Gemini:

• привести документ к стилю уже существующих материалов;
• улучшить текст в Google Docs без копирования туда-сюда;
• собрать черновик из писем, заметок и файлов;
• адаптировать внутренний документ под отчет, письмо или презентацию;
• быстро привести разные куски текста к единому тону.

4. Perplexity — лучший для текстов, где важны факты и источники

Perplexity нужен там, где важна апелляция к источникам: обзор рынка, аналитическая статья, сравнение сервисов, материал про технологии, медицина, финансы, юридические темы, подборка инструментов. В таких задачах красивая фраза ничего не стоит без проверки.

Его сильная сторона — ресерч. В Perplexity встроен AI-поиск: помогает быстро собрать источники, увидеть разные версии, проверить свежие данные и понять, на чем вообще можно строить аргументацию. Это особенно важно для экспертных текстов, где нейросеть легко пишет уверенно, но без доказательств.

Где использовать Perplexity:

• фактчекинг статьи;
• поиск свежих источников;
• сравнение инструментов и сервисов;
• подготовка аналитики;
• проверка спорных утверждений;
• сбор ссылок для экспертного материала;
• поиск зарубежных мнений и обзоров.

5. DeepSeek — лучший для технических, аналитических и сжатых деловых текстов

DeepSeek стоит брать, когда текст должен быть максимально точным: техническое описание, документация, аналитическая записка, сравнение решений, инструкция, кодовый комментарий, разбор логики, краткий отчет.

Его сильная зона — структурность и инженерная подача. Он хорошо подходит для задач, где нужно убрать словесный шум, выстроить причинно-следственную логику, объяснить сложное простым языком и привести текст к более компактному виду.

Где использовать DeepSeek:

• технические статьи;
• инструкции;
• документация;
• аналитические записки;
• описание API, кода, архитектуры;
• сравнение решений;
• сжатие длинного текста до ясного вывода;
• деловая переписка без лишней эмоциональности.

Как улучшить текст без каши

Самая полезная формула: сначала усилить мысль, потом улучшать стиль

Хорошая постановка задачи для ИИ:

Сначала найди слабые места в логике, повторы и общие фразы. Затем предложи, как усилить главную мысль. После этого перепиши текст живо и точно, сохрани авторский голос, убери канцелярит и не добавляй факты, которых нет в исходнике.

В SpeShu.AI можно работать с разными нейросетями в одном окне. Это особенно удобно для тех, кто пишет регулярно: статьи, лендинги, посты, рассылки, презентации, описания товаров, резюме, коммерческие предложения. Можно быстро сравнить, какая модель лучше усиливает конкретный текст.

Решение позволяет в режиме реального времени отслеживать местонахождение сотрудников подрядных организаций, фиксировать события, связанные с охраной труда, и быстрее реагировать на нештатные ситуации.

Для промышленных объектов, особенно с повышенными требованиями к безопасности, такие системы становятся частью цифрового контура производственного контроля. Важно не только выдать сотруднику средства индивидуальной защиты, но и понимать, где он находится, соблюдает ли требования безопасности и что происходит с ним в конкретной зоне предприятия.

«Газпром СПГ Портовая» эксплуатирует комплекс по производству, хранению и отгрузке сжиженного природного газа. Компании требовалось решение, которое позволит контролировать перемещение персонала подрядных организаций и фиксировать действия сотрудников без задержек, вручную собранных данных и разрозненных отчетов.

По итогам тендера заказчик выбрал Proteqta — отечественное программно-аппаратное решение ГК Softline. Модули позиционирования устанавливаются на каски российского производителя, а данные с устройств поступают на аналитические серверы. Решение использует взрывозащищенные трекеры и сертифицировано для применения на особо опасных объектах.

Для внедрения Proteqta команда «Софтлайн Решений» провела предпроектное обследование площадки, определила требования к инфраструктуре, установила базовые станции LoRaWAN и маяки для покрытия необходимых зон. Также специалисты выполнили поставку и монтаж оборудования, развернули решение, настроили программное обеспечение и ввели систему в промышленную эксплуатацию. Весь комплекс работ по внедрению, монтажу и пусконаладке занял полтора месяца.

Теперь заказчик видит перемещение сотрудников на интерактивной карте с привязкой к конкретному человеку и времени. Если происходит инцидент, система позволяет быстрее зафиксировать событие и передать информацию ответственным службам. Это сокращает время реакции на нештатные ситуации и делает контроль охраны труда более прозрачным.

Отдельный фактор для крупных промышленных заказчиков — технологическая независимость решения. Интеллектуальные модули и аналитические серверы Proteqta собираются на мощностях ГК Softline, а программное обеспечение входит в реестр отечественного ПО.

«Цифровизация процессов в сфере охраны труда и промышленной безопасности позволяет снижать производственные риски и повышать уровень безопасности персонала на предприятии. Использование интеллектуальных средств индивидуальной защиты, таких как каски с функцией геопозиционирования и датчиками удара, обеспечивает дополнительный контроль за местоположением сотрудников, оперативное выявление потенциально опасных ситуаций и сокращение времени реагирования при инцидентах. Подобные решения становятся эффективным инструментом для подразделений охраны труда и промышленной безопасности, позволяя повысить прозрачность процессов, улучшить контроль соблюдения требований безопасности и минимизировать последствия чрезвычайных ситуаций», — прокомментировал Артем Дьяченко, начальник Службы IT «Газпром СПГ Портовая».

В ГК Softline отмечают, что Proteqta уже используется на крупных промышленных объектах в разных регионах России, а проект для «Газпром СПГ Портовая» стал новым этапом развития решения.

«Система контроля безопасности на базе устройств Proteqta внедрена на крупных промышленных объектах в разных регионах России. Новым этапом стало сотрудничество с “Газпром СПГ Портовая”. Мы признательны заказчику за доверие в рамках взаимодействия на всех этапах проекта. Важно отметить, что Proteqta является полностью отечественным комплексом — от оборудования до ПО. Разработка и внедрение таких решений отвечает требованиям безопасности и обеспечения технологического суверенитета, что актуально для крупных заказчиков ГК Softline из разных отраслей», — рассказал Антон Салин, руководитель развития продаж департамента решений по цифровой трансформации ГК Softline.

Для ГК Softline это не просто изменение организационной схемы. Компания завершает переход к модели инвестиционно-технологического холдинга, где разные активы, продукты и команды собраны вокруг крупных технологических направлений. Такой подход должен сделать бизнес более управляемым, понятным для клиентов и прозрачным для инвесторов.

Кластерная структура стала продолжением трансформации, которую ГК Softline начала в 2025 году. Группа постепенно усиливает роль не только интегратора и поставщика ИТ-решений, но и разработчика собственных продуктов, технологического архитектора и платформы для консолидации ИТ-активов.

Логика модели проста: современная цифровая трансформация все реже сводится к внедрению отдельных систем. Крупным заказчикам нужны комплексные проекты, где связаны инфраструктура, безопасность, прикладные решения, искусственный интеллект, оборудование, облачные сервисы и интеграция. Кластеры позволяют Softline собирать эти компетенции в более крупные центры экспертизы и предлагать рынку решения «под ключ».

Сейчас в ГК Softline сформированы три кластера:

• FabricaONE.AI под руководством генерального директора Максима Тадевосяна отвечает за искусственный интеллект, заказную разработку и индустриальное программное обеспечение. В кластер вошли SL Soft, Bell Integrator, «Девелоника», OMEGAI, «Академия АйТи», BeringPro и консалтингово-внедренческий бизнес ГК «Борлас».
• «СФ Тех» фокусируется на высокотехнологичных решениях для корпоративных, промышленных и инфраструктурных заказчиков. В зону кластера входят компьютерные системы, лазерные технологии и другие технологические разработки. В его состав вошли VPG LaserONE, компании «Борлас секьюрити системз» и «Центр цифровой трансформации» из ГК «Борлас», группа «Инферит» и «Л1 Инжиниринг».
• Третий кластер, «Цифровые Решения», объединяет комплексные ИТ-проекты, информационную безопасность, облачные сервисы, инфраструктуру, интеграцию и дистрибуцию, включая цифровую платформу продаж. В него вошли «Софтлайн Решения», Infosecurity, Softline Digital, AХОFT, «Хабэко-Партнер» и другие активы компании. Стратегическое руководство кластером осуществляет генеральный директор ГК Softline Владимир Лавров.

Для группы такая структура важна сразу в нескольких измерениях. Она позволяет точнее управлять развитием отдельных направлений, масштабировать продукты на клиентскую базу ГК Softline, повышать долю собственных решений в портфеле и оценивать эффективность каждого кластера по собственным метрикам. Кроме того, объединение активов в технологические блоки может упростить их дальнейший вывод на рынки капитала и помочь в формировании справедливой стоимости бизнеса.

«Формирование кластерной структуры стало нашим стратегическим ответом на вызовы нового этапа цифровой трансформации. Мы создали модель, которая позволяет нам быстро реагировать на запросы рынка, эффективно инвестировать в перспективные разработки и быть прозрачными для инвесторов. Каждый из трех кластеров — FabricaONE.AI, “СФ Тех” и “Цифровые Решения” — это самостоятельный центр компетенций с собственными метриками и драйверами роста.

Мы можем адресно инвестировать в развитие каждого направления, оценивать его рентабельность и, при необходимости, выводить на рынки капитала для кристаллизации стоимости. Для акционеров это означает понятную структуру, более предсказуемую оценку компании и более простой анализ нашего бизнеса. Мы уже получили первые результаты такой модели в 2025 году, а с появлением третьего кластера эта система начинает работу в полную силу», — отметил Владимир Лавров, генеральный директор ГК Softline.

Компании получают доступ к большой языковой модели, запускают пилот, демонстрируют эффектные ответы — и рассчитывают, что этого достаточно для появления нового бизнес-инструмента. Однако без учета внутренних данных, регламентов и процессов модель остается лишь удобным помощником: она может искать информацию и генерировать тексты, но не обеспечивает управляемый результат, не снижает ошибки и не меняет работу бизнеса системно.

Корпоративный интеллект нельзя приобрести как готовый сервис: его нужно проектировать, настраивать под контекст конкретной компании и интегрировать в реальные процессы. О том, из каких элементов складывается рабочий корпоративный AI, почему внедрение следует начинать не с модели, а с бизнес-задачи, и как превратить технологию в измеримую экономическую ценность, рассказывает Егор Ворогушин, директор департамента цифровых решений ГК Softline.

Из чего состоит рабочий корпоративный AI

Правильный подход к корпоративному AI начинается с архитектуры. Модель в этой архитектуре — важный элемент, но сама по себе она не решает бизнес-задачу. Нужна система инструментов, которая связывает модель с данными, процессами и действиями внутри компании. В ГК Softline мы исходим из того, что корпоративный AI — это не отдельный сервис, а часть рабочего контура организации.

Первый элемент такой системы — промптинг. В корпоративной среде это уже не искусство красивых запросов, а новый тип инструкции: какие задачи можно ставить модели, какие данные ей доступны, в каком формате должен быть представлен ответ, где обязательна ссылка на источник, где нужна проверка человеком, а где результат может двигаться дальше по процессу. По сути, речь идет о регламентах, адресованных алгоритму. На проектах Softline мы видим, что без такой дисциплины даже сильная модель выдает результат, которым сложно управлять в масштабе бизнеса.

Второй элемент — RAG, или Retrieval-Augmented Generation. Если упростить, это способ дать модели доступ к внутренним знаниям компании: документам, договорам, регламентам, базам знаний, инструкциям, продуктовым материалам. Тогда ответ строится не только на общем массиве знаний модели, а на конкретном корпоративном контексте. По опыту ГК Softline, именно этот слой чаще всего отделяет эффектную демонстрацию AI от решения, которому сотрудники действительно могут доверять в ежедневной работе: он снижает риск галлюцинаций и делает ответы релевантными бизнес-задаче.

Третий элемент — доступ к действиям в системах. Пока модель только отвечает на вопрос, она остается помощником в отдельном окне. Когда она может проверить статус заявки, заполнить поле, инициировать операцию или передать задачу следующему участнику процесса, ее роль меняется: AI становится частью рабочего контура. Поэтому в Softline мы рассматриваем интеграции не как дополнительную опцию, а как обязательное условие для перехода от консультационного AI к операционному.

Четвертый элемент — дообучение. Его часто путают с RAG, хотя это разные инструменты. RAG добавляет модели контекст на входе: какие документы использовать, на какие данные опереться, где искать ответ. Дообучение меняет саму модель, подстраивая ее под конкретные примеры и специализированные сценарии. Это сильный, но ресурсоемкий инструмент, который требует качественных данных, экспертизы и понятного экономического смысла. В практике Softline в большинстве корпоративных задач разумнее сначала выстроить промптинг и RAG, оценить результат и только после этого решать, действительно ли необходимо дообучение.

Пятый элемент — агентность. Агентная модель не ограничивается ответом на вопрос: она проходит цепочку шагов, оценивает контекст, выбирает инструмент, обращается к данным, принимает промежуточное решение, выполняет действие или передает задачу человеку. Именно на этом уровне технология начинает влиять не на отдельную операцию, а на скорость и качество всего бизнес-цикла. Для команды Softline агентные сценарии — это логичное развитие корпоративного AI, но переходить к ним следует тогда, когда уже выстроены данные, правила и контроль результата.

Почему начинать нужно не с модели, а с процесса

Самый надежный способ внедрять корпоративный AI — идти от конкретного вертикального процесса. Не от общего желания «попробовать искусственный интеллект», а от понятной бизнес-задачи: например, разбора страховых случаев, корпоративных закупок, обработки обращений, подготовки договоров или закрытия финансового периода. Мы в ГК Softline обычно начинаем именно с такого вопроса: какой процесс компания хочет изменить и какой результат будет считать улучшением.

Далее процесс нужно разложить на шаги. У каждого из них должны быть понятный вход, ожидаемый выход и критерии качества. Где-то достаточно хорошо настроенного промпта. Где-то потребуется RAG, потому что без внутренней базы знаний модель будет отвечать слишком обобщенно. Где-то нужна интеграция с корпоративными системами. А часть этапов разумнее оставить за человеком, особенно если цена ошибки высока или требуется управленческое решение.

Только после этого появляются содержательные метрики: время обработки, точность результата, количество ошибок, доля задач, требующих участия эксперта, уровень возвратов на доработку. Без них AI-проект остается на уровне субъективного впечатления: кому-то стало удобнее работать, кто-то быстрее готовит письма, но бизнес не понимает, что изменилось в цифрах. Именно поэтому в проектах Softline оценка эффекта закладывается в сценарий внедрения с самого начала, а не добавляется после запуска пилота.

Корпоративный AI должен проходить тот же путь, что и любой серьезный продукт: гипотеза, эксперимент на реальных кейсах, измерение качества, корректировка архитектуры и новая проверка. Когда отдельные шаги начинают стабильно работать, их можно собирать обратно в целостный процесс. Тогда ускорение на отдельных этапах превращается в сокращение всего цикла, а снижение ошибок в отдельных операциях — в снижение реальных бизнес-рисков.

Почему одинаковых внедрений не бывает

Подход к AI зависит от масштаба и зрелости компании. У крупных корпораций обычно больше данных, сложнее системный ландшафт, выше требования к безопасности и больше интеграций. Там AI почти всегда приходится встраивать в плотную архитектуру: с учетом ролей доступа, источников данных, регламентов, требований комплаенса и информационной безопасности. Опыт ГК Softline показывает, что в таких проектах успех часто определяется не мощностью выбранной модели, а качеством архитектуры, данных и интеграций.

У компаний меньшего масштаба стартовая точка часто другая. У них может быть меньше структурированных данных, слабее развиты базы знаний, а процессы не всегда описаны достаточно подробно. В таких случаях разумнее начинать с промптинга, простых сценариев автоматизации и постепенного накопления данных для более сложных инструментов.

Но базовый принцип остается общим: начинать нужно с процесса, который можно улучшить и измерить. Не с демонстрации возможностей модели, не с модной витрины, не с абстрактной идеи «внедрить AI», а с ответа на несколько практических вопросов: какой процесс берем, что в нем болит, где теряется время, где возникают ошибки, какие данные нужны модели, кто проверяет результат и как мы поймем, что стало лучше.

Когда AI становится экономической ценностью

Успешное внедрение корпоративного AI видно по цифрам. Сократилось время цикла. Уменьшилась доля ошибок. Снизилось количество задач, которые приходится передавать экспертам. Сотрудники быстрее проходят рутинные этапы. Бизнес получает более предсказуемый процесс и меньше операционных рисков.

Сильный корпоративный AI рождается не из модных демонстраций, а из инженерной работы. Ему нужны архитектура, данные, доступ к системам, понятные регламенты, метрики и продуктовый подход. Модель может быть очень мощной, но без этой обвязки она останется инструментом для отдельных пользователей, а не частью бизнеса.

Корпоративный интеллект начинает работать тогда, когда компания перестает ждать от модели магии и начинает обращаться с ней как с технологическим компонентом: проектировать, проверять, ограничивать, обучать корпоративному контексту и связывать с реальными действиями. В ГК Softline мы считаем именно этот переход главным условием того, чтобы AI перестал быть экспериментом из презентации и превратился в источник измеримой экономической ценности.

В рамках проекта была внедрена кросс-канальная аналитика, позволившая оценить вклад каждого канала и синергетический эффект их комбинаций.

Почему возникла необходимость в новом подходе

Сегодня путь пользователя к покупке редко ограничивается одним каналом. Контакт с брендом может происходить последовательно в нескольких средах: например, сначала пользователь видит рекламу на Смарт ТВ, затем сталкивается с диджитал-коммуникацией, позже - с наружной рекламой, и только после этого принимает решение о покупке.

При использовании классических моделей атрибуции значительная часть такого влияния остается «невидимой». Согласно исследованию «Маркетинговая атрибуция в 2025 году: полное руководство по пониманию и оптимизации пути клиента», 76% маркетологов испытывают сложности с определением каналов, которые приводят к покупке, а более 30% маркетингового бюджета может распределяться неэффективно.

Чтобы получить более точную картину влияния рекламы, «Купер» совместно с Билайн Adtech внедрил кросс-канальный замер эффективности.

Как проводилось исследование

Исследование строилось по принципу A/B-тестирования:

• тестовая группа - пользователи, с высокой вероятностью контактировавшие с рекламой,
• контрольная группа - пользователи без потенциального рекламного контакта.

Всего в анализ вошло более 4,8 млн пользователей в тестовой группе и около 1,8 млн - в контрольной. Анализ проводился в отношении пользователей, выразивших согласие на обработку данных в рекламных целях.

Контрольная группа формировалась в размере 20% от тестовой, при этом аудитории выравнивались по полу, возрасту и географии.

Также аудитория была сегментирована:

• действующие клиенты - пользователи с покупками за последний год,
• новые клиенты - без предыдущих транзакций.

Сегментация аудитории по указанному принципу осуществлялась на основе данных предоставленных рекламодателем.

Отдельно анализировались сценарии поведения:

• веб-пользователи,
• пользователи приложений.

Эффект рекламы оценивался по всей воронке:

• визиты,
• добавление товара в корзину,
• переход к оформлению,
• оформление заказа,
• покупка.

Формирование аналитики по действиям на ресурсах осуществлялось на основании статистических данных, зафиксированных пикселем, при условии согласия пользователя на проведение такого анализа.

Контакты с рекламой фиксировались через различные источники данных:

• ТВ-панель Билайн - для телевизионной рекламы,
• данные партнеров - для диджитал-каналов,
• данные о нагрузке на базовые станции - для наружной и indoor-рекламы (цифровой рекламы в помещениях публичных мест).

До запуска кампании различия между тестовой и контрольной группами были статистически незначимыми, а в период рекламной кампании различия стали статистически значимыми, что позволило выделить эффект рекламы.

Вклад отдельных каналов

Анализ показал, что разные медиаканалы выполняют разные роли на пути пользователя к покупке и влияют на различные этапы воронки.

Диджитал выступает генератором трафика и продаж, обеспечивая как привлечение новой аудитории, так и ее монетизацию. По данным исследования: рост нового трафика в приложении составил +16,8 п.п. Заказов – на 60 п.п.

Телевидение показало сильный эффект в реактивации «спящих» клиентов и удержании лояльной аудитории: рост оформлений заказов на сайте и в приложении среди действующих пользователей достиг +49,5 п.п.

Наружная реклама оказалась эффективным инструментом реактивации существующей аудитории и стимулирования новых пользователей: рост оформлений заказов на сайте среди действующих пользователей составил +42,4 п.п. Среди новых: +46,8 п.п.

Indoor-реклама показала выраженный конверсионный эффект на нижних этапах воронки:

• рост добавлений товаров в корзину на сайте и в приложении +114,2 п.п.,
• рост оформлений заказов на сайте и в приложении +98,7 п.п.,
• рост покупок в приложении после контакта с рекламой в аэропортах: +76,3 п.п.

Полученные результаты позволили определить роль каждого канала в маркетинге: диджитал выступает драйвером трафика, ТВ - инструментом реактивации аудитории, наружная реклама - фактором напоминания и вовлечения, а indoor-каналы усиливают конверсию на финальных этапах воронки.

Синергия каналов: эффект комбинаций

Отдельный анализ был посвящен синергии рекламных каналов. Результаты показали, что комбинации медиаканалов дают более сильный эффект, чем каждый канал по отдельности.

Связка ТВ и наружной рекламы показала заметный рост конверсий среди действующих пользователей веб-версии сервиса:

• рост переходов +4,5 п.п.,
• рост оформлений заказов +21 п.п.,
• рост покупок +16,8 п.п.

Эта комбинация «закрывает» сделку: реактивирует действующую клиентскую базу и конвертирует новых пользователей в покупки.

Комбинация диджитал и наружной рекламы усилила взаимодействие пользователей с корзиной и следующими этапами воронки:

• рост добавления товаров в корзину +44,3 п.п.,
• рост переходов к корзине +62 п.п.,
• среди новых пользователей рост переходов в корзину +44,1 п.п.

Такая связка повышает вовлеченность аудитории и стимулирует повторные покупки, что способствует росту LTV, или Lifetime Value - ценности клиента за все время взаимодействия с сервисом.

Также исследование показало, что комбинация ТВ и диджитал эффективно работает на завершение покупки у обоих сегментов аудитории - как у новых, так и у действующих клиентов - демонстрируя высокий уровень конверсии на всех этапах воронки.

Бизнес-результат

Полученные данные позволили команде Купера оптимизировать медиасплит и еще эффективнее распределять маркетинговые бюджеты в будущем. Согласно отраслевым оценкам, внедрение продвинутых моделей атрибуции может:

• повысить возврат инвестиций от маркетинга до 40%,
• снизить стоимость привлечения клиента до 30%.

Эльдар Аннамамедов, директор клиентского сервиса Билайн Adtech:

«Современный пользователь взаимодействует с брендом сразу в нескольких медиасредах. Поэтому оценка каналов по отдельности часто не полностью отражает картину эффективности. Кросс-канальный замер позволяет выделить эффект рекламы и увидеть, как каналы усиливают друг друга на разных этапах воронки».

Именно поэтому сравнение нейросетей для картинок должно ориентироваться не только на вау-эффект, но и на прикладные сценарии: реклама, соцсети, e-commerce, презентации, обложки, инфографика, карточки товара, визуальные концепции. Свежие рейтинги Arena AI показывают, что в text-to-image первое место занимает gpt-image-2, а в single-image edit он же снова идет первым; сразу за лидерами держатся Google Nano Banana и другие сильные конкуренты.

Как мы выбирали победителя

Для этой статьи мы смотрели на универсальность. То есть на способность одной модели закрывать максимум типовых задач: создание изображений по тексту, редактирование готовых картинок, качественный текст внутри изображения, работа с референсами, стабильность результата в коммерческих сценариях — от креативов и карточек товара до презентаций и инфографики.

Нам было важно понять, какая модель чаще всего дает рабочий результат с первых попыток. Поэтому в оценке учитывались официальные возможности моделей, позиции в независимых лидербордах и практическая применимость для людей, которые делают визуальный контент нейросетью регулярно.

ChatGPT Image

OpenAI позиционирует GPT Image как универсальную мультимодальную систему для генерации изображений в разных стилях, с точным следованием инструкциям, использованием world knowledge и аккуратным рендерингом текста. В документации также указано, что GPT Image умеет не только генерировать изображения с нуля, но и редактировать существующие картинки, делать частичные правки по маске и строить новые изображения по нескольким референсам.

Для маркетолога, дизайнера, редактора, предпринимателя или автора канала такая нейросеть для артов полезна и в творческих задачах, и в прикладных: обложки, баннеры, иллюстрации к статьям, промо-визуалы, слайды и карточки продуктов.

Google Nano Banana

Google делает ставку на точность, скорость и работу с фактическим контекстом. Nano Banana 2 умеет использовать знания Gemini и данные из веб-поиска для более точного изображения конкретных объектов и для создания инфографики; отдельно Google подчеркивает качественный вывод текста в изображениях. Версия Nano Banana Pro дополнительно акцентируется на точности и контроле студийного качества, ясном тексте, тонкой управляемости и использовании real-world knowledge для сложных визуальных задач.

Это один из самых сильных вариантов, если нужны нейросети для рисования, которые справляются не только с красивой сценой, но и с понятной визуальной задачей: постером, схемой, рекламным макетом или образовательной инфографикой.

Qwen-Image

Qwen делает явный акцент на типографике и редактировании. В официальном репозитории команда пишет о значительных достижениях в области сложного рендеринга текста и точного редактирования изображений. А для Qwen-Image 2.0 отдельно выделяет профессиональную типографскую верстку, поддержку длинных инструкций для инфографики, постеров и комиксов, а также объединение генерации и редактирования в одном режиме.

Интересно, что Qwen закрывает боль, на которой многие топовые модели до сих пор ломаются: текст, подписи, схемы, слайды, постеры и изображения с плотной смысловой структурой.

Grok Imagine

xAI продвигает Grok Imagine как генератор для text-to-image и image editing с управлением форматом, разрешением и пакетной генерацией. Сервис выглядит сильным инструментом для быстрых итераций и повседневного продакшена, особенно когда нужно быстро получить несколько вариантов под инфоповод, соцсети или неформальный визуал.

Grok полезен в тех случаях, когда результаты генерации изображений должны быть живыми, быстрыми и непрофессиональными. Но по универсальности и общей стабильности он все же сильно уступает OpenAI и Google.

Победитель: ChatGPT Image

Если вам нужен точный ответ без оговорок, то в 2026 году самым универсальным решением для генерации изображений мы считаем ChatGPT Image — семейство GPT Image от OpenAI.

Лидерство подтверждается сразу в двух ключевых сценариях. В общем рейтинге Arena AI gpt-image-2 стоит на первом месте. В рейтинге single-image edit на ту же дату он снова занимает первое место, а еще одна версия семейства находится на втором.

Вторая причина — ширина сценариев. GPT Image хорошо следует инструкциям, использует world knowledge, точно рендерит текст, поддерживает генерацию с нуля, редактирование, частичные правки по маске и создание новых изображений на основе нескольких референсов.

Третья причина — предсказуемость. Универсальная модель ценится за то, что ее не приходится уговаривать под каждую задачу. По совокупности публичных возможностей и актуальных рейтингов именно GPT Image сегодня выглядит самым ровным и надежным вариантом.

Когда лучше взять альтернативу

Nano Banana стоит брать, если на первом месте инфографика и работа с фактическими сюжетами. Google подчеркивает использование веб-поиска и точного текста внутри изображений, а в рейтингах Arena AI линейка Nano Banana стабильно идет в верхней группе и по генерации, и по редактированию.

Qwen-Image отлично справляется с большим количеством встроенного текста, сложной типографикой и многоязычными материалами. Если нужны постеры, слайды, комиксы, схемы или визуалы с плотной текстовой структурой, Qwen остается одним из самых интересных вариантов на рынке.

В SpeShu.AI можно тестировать разные нейросети в одном окне и быстро понять, какая модель дает лучший результат именно на вашем промпте. Это удобнее, чем держать несколько отдельных подписок, искать доступы, включать VPN и переносить один и тот же запрос между разными сервисами.

По ее условиям новые клиенты банка получают возможность разместить средства на депозите по повышенной ставке 12% годовых.

Предложение доступно как юридическим лицам и индивидуальным предпринимателям, так и физическим лицам, ведущим частную практику в установленном российским законодательством порядке, которые на дату начала акции не имеют в банке открытых расчетных счетов или размещенных депозитов.

Срок размещения на вкладе варьируется от 1 до 31 дня, минимальная сумма для размещения составляет 100 000 рублей.

Оформить заявку на депозит по акционной ставке можно в системе ДБО ОТП Банка, начиная со второго рабочего дня после открытия расчетного счета. Эта возможность сохраняется до 30 июня 2026 года.

Полная информация об условиях акции опубликована на специальной странице акции.

Одна лучше справляется с текстами, другая сильнее в математике и коде, третья дешевле, быстрее или лучше работает с видео и длинными документами. В результате главный вопрос сейчас уже не в том, пользоваться ли ИИ вообще, а в том, какую нейросеть выбрать для своих задач.

Команда ОТП Банка изучила три зарубежные флагманские модели и две российские, чтобы показать, где каждая из них действительно сильна, а где пока заметно отстаёт.

Тройка флагманов 2026 года

К началу мая 2026 года рынок флагманских зарубежных моделей выглядит так:

• GPT-5.5 от OpenAI, выпущена 23 апреля 2026 года. Делает ставку на агентные сценарии, веб-поиск и работу с математикой.
• Claude Opus 4.7 от Anthropic, выпущена 16 апреля 2026 года. Лидер в программировании и аккуратной работе с длинным контекстом.
• Gemini 3.1 Pro от Google DeepMind, выпущена в феврале 2026 года. Сильна в мультимодальности и заметно дешевле двух конкурентов.

Размеры контекстного окна различаются и зависят не только от модели, но и от режима доступа. В ChatGPT у GPT-5.5 Instant контекстное окно составляет 128 тысяч токенов, в API GPT-5.5 поддерживает контекст до 1 миллиона токенов. При этом запросы свыше 272 тысяч входных токенов в API тарифицируются дороже (×2 за входные и ×1,5 за выходные на всю сессию), поэтому 272 тысячи корректнее воспринимать не как отдельный лимит окна, а как порог повышенной стоимости. У Claude Opus 4.7 контекстное окно составляет 1 миллион токенов, максимальный объём ответа в синхронном API достигает 128 тысяч токенов. У Gemini 3.1 Pro заявлено 1 миллион токенов на вход и до 64 тысяч токенов на выход. Все три модели хорошо работают с русским языком.

Что значит «1 миллион токенов»

Токен – это не буква и не слово, а кусочек текста, на которые модель разбивает входящий запрос. По оценкам Google, 100 токенов соответствуют примерно 60-80 английским словам, для русского языка точные универсальные коэффициенты дать сложнее, потому что токенизация зависит от модели и характера текста. Если перевести в более понятные единицы:

• 128 тысяч токенов: примерно 80–100 тысяч английских слов или несколько сотен страниц текста.
• • 272 тысячи токенов: порядка 170–200 тысяч слов.
• • 1 миллион токенов: около 600–800 тысяч слов.

Google приводит примеры, где такой объём соответствует примерно 50 тысячам строк кода, восьми английским романам или транскриптам более чем 200 средних подкаст-эпизодов.

Важно понимать, что 1 миллион токенов не означает, что модель идеально запомнит и обработает весь объём информации. Это лишь максимальный размер контекста, который можно загрузить. Насколько хорошо нейросеть будет находить детали и удерживать логику длинного документа, всё равно зависит от самой модели и задачи.

GPT-5.5: универсал с уклоном в автономность

Если коротко, GPT-5.5 делает ставку не столько на формат чат-бота, сколько на выполнение последовательных задач с минимальным участием пользователя. Модель способна самостоятельно удерживать цель, выполнять промежуточные шаги и корректировать действия по ходу работы.

Сильные стороны:

• Веб-поиск и исследовательские задачи. На бенчмарке BrowseComp, который проверяет, насколько модель умеет находить и сопоставлять информацию из множества источников в интернете, GPT-5.5 показывает 89,3%, расширенная версия Pro доходит до 90,1%. Это лучший результат среди всех трёх моделей: у Gemini 3.1 Pro 85,9%, у Claude Opus 4.7 79,3%.
• Математика. На FrontierMath, особенно в самых сложных категориях, GPT-5.5 идёт впереди: 35,4% против 22,9% у Claude.
• Работа в терминале. На Terminal-Bench 2.0 модель набирает 82,7%, лучший результат среди всех флагманов. GPT-5.5 особенно сильна в задачах, связанных со скриптингом, настройкой серверов и автоматизацией инфраструктуры.
• Многошаговые агенты. GPT-5.5 умеет сохранять цель задачи, продолжает выполнять её до результата, корректирует ошибки и реже зависает на промежуточных шагах. По данным OpenAI, в режиме рассуждений модель примерно на 80% реже выдаёт фактические ошибки по сравнению с предыдущим поколением o3.
• Картинки и презентации. Внутри ChatGPT встроена ChatGPT Images 2.0 на базе модели gpt-image-2. Её ключевое отличие в том, что генерация стала заметно более «осмысленной». На практике модель сначала выстраивает структуру будущего изображения: понимает, где должны располагаться объекты, как оформить текст, какие выдержать пропорции и композицию, и только после этого переходит к рендерингу. Благодаря этому значительно реже появляются типичные артефакты генеративной графики вроде лишних пальцев, искажённых объектов или нечитаемых надписей. По данным OpenAI, качество рендеринга текста приблизилось к 99% для латиницы, японского, корейского, китайского, хинди и бенгали. Модель поддерживает генерацию изображений в разрешении до 2K, а также позволяет создавать до восьми связанных изображений в одном запросе. Например, многопанельные комиксы, серии слайдов или последовательные сцены в едином визуальном стиле. На пользовательском бенчмарке Image Arena в первые сутки после релиза модель вышла на первое место, заметно опередив ближайших конкурентов.

Ограничения:

• GPT-5.5 хуже конкурентов удерживает длинный контекст в чат-интерфейсе. Окно контекста у ChatGPT заметно меньше, чем у Claude и Gemini, поэтому при длительных диалогах или работе с большими документами модель быстрее теряет детали и иногда забывает информацию из начала разговора.
• Из-за большего числа фактических утверждений в ответе у GPT-5.5 выше абсолютное количество потенциальных неточностей. Это давняя особенность семейства GPT, чем сложнее тема, тем выше риск, что модель добавит правдоподобные, но ложные детали. Также GPT-5.5 чаще соглашается с пользователем и склонна давать «удобные» ответы. В критичных задачах, например юридических, медицинских или финансовых формулировках, ответы нужно перепроверять.
• В программировании GPT-5.5 уступает Claude. На SWE-Bench Pro у неё 58,6% против 64,3% у Opus 4.7.
• Хорошо справляется с типовыми форматами и общим стилем, но чаще других уходит в слишком стандартные формулировки. Для текстов, где важен живой и узнаваемый тон, обычно требуется более точный промпт.
• Версия GPT-5.5 Pro дорогая. На большинстве задач разница в качестве с обычной версией не оправдывает цену.
• Подписка ChatGPT Plus стоит 20 долларов в месяц (~1500 ₽), Pro 200 долларов (~15 100 ₽). Оплатить можно только зарубежными картами.

Когда выбирать GPT-5.5: автоматизация процессов, веб-исследования, расчёты и финансовое моделирование, многошаговые агенты с обращениями к внешним инструментам, генерация визуала с текстом и сложной типографикой.

Claude Opus 4.7: педант и инженер

Claude Opus 4.7 в 2026 году окончательно закрепился как стандарт индустрии для разработчиков и встроен в большинство популярных ИИ-инструментов для кодинга. Сильна модель не только в коде, но и в работе с длинными текстами, аналитикой и сложными рассуждениями.

Сильные стороны:

• Программирование. На SWE-Bench Verified показывает 87,6%, на более сложном SWE-Bench Pro 64,3%. Это лидерство, которое Anthropic удерживает уже несколько релизов подряд. По бенчмарку Cursor показатель вырос до 70% против 58% у предыдущей версии 4.6, по Rakuten-SWE-Bench модель решает в 3 раза больше production-задач, чем Opus 4.6. У Claude есть отдельный продукт Claude Code: командная строка для разработчиков, которая работает прямо в терминале и IDE и действует как полноценный AI-агент внутри проекта.
• Длинные рассуждения и научные тексты. На бенчмарке Humanity's Last Exam Opus 4.7 показывает 46,9%, лучший результат среди трёх моделей. На GPQA Diamond 94,2%.
• Финансовая аналитика. Anthropic называет Opus 4.7 лучшей моделью на отраслевом бенчмарке Finance Agent. По внутренним тестам компании модель показывает себя как более эффективный финансовый аналитик: строит более строгие расчёты и финансовые модели, готовит профессиональные презентации. На юридическом бенчмарке BigLaw Bench показывает 90,9% при максимальной глубине рассуждений и корректно различает тонкие правовые формулировки.
• Память контекста и работа с длинными документами. Claude хорошо удерживает длинный диалог от начала до конца. Можно загрузить большой документ в начале разговора и через 30 сообщений задать к нему уточняющий вопрос, модель свяжет одно с другим без напоминаний. Полезно для работы с договорами, техническими заданиями и объемными проектами.
• Стиль письма. Из всех моделей Claude пишет наиболее структурированно, без воды и с хорошим соблюдением стиля. Модель адаптируется под нужный формат, будь то пресс-релиз, техническая документация, деловое письмо или скрипт для видео. И хорошо отличает эти форматы друг от друга. Ещё одна сильная сторона Claude в том, что ей можно показать пример текста в нужном стиле, после чего модель довольно точно повторяет интонацию, ритм и структуру. Это особенно удобно для брендовых и корпоративных коммуникаций, где важно сохранять единый голос во всех материалах.
• Критичность и честность. Claude гораздо реже придумывает несуществующие факты, охотнее признаёт пределы своих знаний и не пытается дать «удобный» ответ вместо правильного. Модель готова поспорить с пользователем, если в запросе есть фактическая ошибка, а не подстраиваться под формулировку. Anthropic заявляет 92% honesty rate (доля честных ответов) на бенчмарке MASK.
• Skills: настраиваемые специализации. В октябре 2025 у Claude появилась функция Skills: папки с инструкциями, которые «учат» модель выполнять конкретные задачи в нужном вашей команде формате. Например, можно загрузить Skill с гайдом бренда, и тогда Claude будет оформлять документы в фирменном стиле. Или Skill с шаблоном еженедельного отчёта: модель будет собирать его автоматически в нужной структуре.

Ограничения:

• У Claude действуют скользящие лимиты на использование в рамках пятичасовых окон. Anthropic не называет фиксированное количество сообщений, а описывает лимиты через относительные тарифы: Max даёт примерно в 5 или 20 раз больше доступного объёма по сравнению с Pro. На практике пользователи Pro-тарифа часто упираются в ограничения уже после 40–50 коротких сообщений при умеренной нагрузке. Скорость расхода лимита зависит от модели, размера контекста, сложности запросов и времени суток. Несколько больших запросов с длинными документами могут заметно сократить доступный объём.
• Claude позволяет загружать до 20 файлов в один чат размером до 30 МБ каждый. Полноценный визуальный анализ PDF, включая текст, графики и изображения, работает для документов объёмом до 100 страниц. В PDF-файлах свыше 1000 страниц модель обычно анализирует только текст без визуальной части.
• В терминальной работе и веб-поиске уступает GPT-5.5. По данным независимых тестов, в задачах веб-исследования Opus 4.7 показал регресс по сравнению с предыдущей версией 4.6: упала точность атрибуции источников и обнаружения противоречий. Для серьёзной фактологической работы этот нюанс стоит учитывать.
• Не генерирует изображения нативно. Для картинок и слайдов нужны внешние инструменты.
• Подписка Claude Pro 20 долларов в месяц (~1 500 ₽), Max 100 или 200 долларов (~7 500 или 15 100 ₽). Оплата зарубежными картами.

Когда выбирать Claude Opus 4.7: Программирование, проверка документов, сложные многоступенчатые рассуждения, подготовка длинных текстов в едином стиле, работа с PDF и финансовой документацией, задачи, где важна точность ответа.

Gemini 3.1 Pro: мультимодальный универсал по разумной цене

Gemini в 2026 году занимает специфическую нишу. Это модель, которая редко выигрывает по абсолютной величине бенчмарка, но почти всегда оказывается лучшим вариантом по соотношению цена/качество, особенно когда задача не сводится к чистому тексту.

Сильные стороны:

• Мультимодальность. Это единственная модель из тройки, которая умеет полноценно работать с видео и аудио как с обычным типом данных. В один запрос можно загрузить до часа видео, около 11 часов аудио или примерно 700 тысяч слов текста.
• Картинки и презентации. В феврале 2026 Google выпустил Nano Banana 2 (Gemini 3.1 Flash Image). Это прямой конкурент ChatGPT Images 2.0. Поддерживает разрешение до 4K, до 14 референсных изображений, рендеринг текста на нескольких языках, удержание персонажей и объектов между сценами, опирается на актуальные данные через поиск Google. Для отдельных задач профессионального уровня доступна модель Imagen 4 в трёх тарифах.
• Абстрактное визуальное мышление. На ARC-AGI-2 у Gemini 77,1%, выше Claude и GPT.

Ограничения:

• В программировании уступает обоим конкурентам: 80,6% на SWE-Bench Verified против 87,6% у Claude.
• В сложных рассуждениях держится близко к лидерам, но редко оказывается первой.
• Из тройки чаще других додумывает детали, особенно в нишевых тематических вопросах.
• В стиле письма пишет уверенно по-английски, но в русском чуть более «механически», чем Claude. Для творческих текстов и брендовой коммуникации обычно проигрывает обоим конкурентам.
• Подписка Google AI Pro (бывший Gemini Advanced) стоит 19,99 доллара в месяц (~1 500 ₽), есть бюджетная Google AI Plus за 7,99 доллара (~600 ₽) и максимальная Google AI Ultra за 249,99 доллара (~18 850 ₽). Также требует зарубежной карты.

Когда выбирать Gemini 3.1 Pro: работа с большими массивами данных, видео и аудио, разбор объёмной документации, генерация визуала для презентаций, сценарии с высоким объёмом запросов.

Российские модели: GigaChat и YandexGPT

Параллельно с зарубежными флагманами в России развиваются две собственные крупные языковые модели. По чистой мощи они уступают зарубежной тройке, но в ряде сценариев это объективно лучший выбор.

GigaChat от Сбера:

24 марта 2026 Сбер представил масштабное обновление, флагманскую модель GigaChat Ultra (GigaChat 3 Ultra Preview). 702 миллиарда параметров (36 миллиардов активных) в архитектуре MoE, контекст до 128 тысяч токенов. Модель доступна в веб-приложении giga.chat и в приложениях Сбера. Через API для разработчиков пока продаются модели предыдущего поколения: GigaChat 2 Lite, Pro и Max.

• Сильные стороны: долгосрочная память между сессиями, самостоятельный поиск в интернете, выполнение программного кода прямо в чате, голосовое общение, поддержка более 30 языков народов России и СНГ. Встроенная нативная генерация изображений через Kandinsky. Полностью российская инфраструктура, бесплатный веб-доступ через Сбер ID, оплата API в рублях. По внутренним замерам Сбера, GigaChat Ultra обходит DeepSeek-V3 и нерассуждающую версию Qwen3-235B в математике и общих рассуждениях на русском языке.
• Цены для физлиц: действует Freemium-режим с 1 миллионом бесплатных токенов в год (900 000 на Lite, по 50 000 на Pro и Max). Дальше пакеты от 1 300 ₽ за 20 миллионов токенов Lite до 9 750 ₽ за 15 миллионов токенов Max.
• Слабые стороны: в программировании заметно слабее зарубежных моделей. В фактологии чаще галлюцинирует. API устроен сложнее, авторизация через сертификаты, документация менее развита, чем у Yandex Cloud.

YandexGPT 5:

Яндекс развивает две модели. Alice AI LLM заточена под агентные сценарии в Алисе и является лидером русскоязычного бенчмарка SLAVA. YandexGPT 5.1 Pro доступна через API в Yandex Cloud. По внутреннему сравнению Яндекса YandexGPT 5.1 Pro достигает уровня GPT-4.1 от OpenAI и обходит её в 56% случаев на потоке русскоязычных запросов. Также модель почти вдвое реже предыдущей версии даёт выдуманные ответы. Поддерживается режим рассуждений, аналог o3 и DeepSeek R1.

• Сильные стороны: глубокое понимание русского языка и российских реалий, бесшовная работа в российском контуре, доступ через Алису и Яндекс Браузер. Лучше структурирует ответы и аккуратнее работает с форматами вывода (JSON, табличные данные). Соответствует 152-ФЗ, данные хранятся в России, поддерживается дообучение методом LoRA. Бесплатно через Алису, включая режим рассуждений и работу с PDF, TXT, DOC, DOCX. Из всех моделей YandexGPT 5 лучше всех понимает российские реалии и пишет естественно на русском с учётом местного контекста.
• **Контекст: **32 тысячи токенов. Это объективно меньше любой зарубежной модели (у GPT 128К, у Claude и Gemini по 1М). Яндекс отдельно отмечает, что 32К токенов их модели за счёт оптимизированного русскоязычного токенизатора соответствуют примерно 48К токенам Qwen-2.5. Для большинства русскоязычных задач этого хватает.
• Цены API: Alice AI LLM стоит 0,50 ₽ за 1 000 входных токенов и 1,20 ₽ за 1 000 выходных. YandexGPT 5.1 Pro: 0,80 ₽ за 1 000 токенов. YandexGPT Lite: 0,20 ₽ за 1 000 токенов. В разы дешевле зарубежных аналогов.
• Слабые стороны: заметно отстаёт от зарубежных флагманов в логике, программировании и работе с длинными цепочками рассуждений. Иностранные языки находятся на хорошем, но пока не топовом уровне. Небольшое контекстное окно ограничивает работу с крупными документами в одном запросе, а более строгие фильтры контента приводят к тому, что модель чаще отказывается обсуждать темы, на которые зарубежные аналоги отвечают свободнее.

Когда выбирать российские модели: массовые операции с русскоязычным контентом, работа с персональными данными в рамках 152-ФЗ, ситуации, где принципиально важно хранить данные в России, интеграция в продукты для российской аудитории. Стоимость API у обеих моделей в разы ниже зарубежных аналогов.

Рейтинг по сценариям

Команда ОТП Банка собрала небольшой рейтинг по ключевым сценариям использования. Универсального лидера среди моделей нет, поэтому оценка идёт по конкретным задачам.

Вывод

Главный вывод в том, что выбор нейросети всё меньше зависит от бренда и всё больше от конкретной задачи. Универсального лидера больше нет, модели уходят в специализацию и по-разному показывают себя в кодинге, аналитике, работе с текстом и агентных сценариях. Разница между флагманами в реальной работе часто оказывается меньше, чем кажется по бенчмаркам, а на результат сильнее влияет правильно поставленная задача, качество промпта и то, как модель встроена в рабочие процессы.

Этим разбором команда ОТП Банка хочет помочь сориентироваться тем, кто следит за рынком и выбирает подходящую модель для работы в 2026 году.

По сути, в России появляется ещё один номер экстренной помощи – для ситуаций, когда речь идёт о потерявшемся или пропавшем человеке. С этого дня абоненты Билайна могут круглосуточно и бесплатно обращаться на горячую линию отряда по трёхзначному номеру 022.

Запуск приурочен к 25 мая – Всемирному дню пропавших детей. Это новая инициатива оператора и отряда, созданная для того, чтобы пропавшие и потерявшиеся дети всегда возвращались домой.

Новый канал связи дополняет федеральный номер 8-800-700-54-52 (он продолжит работу). Три цифры запомнить гораздо легче: теперь, когда человек пропал, не нужно искать контакты для помощи в интернете – достаточно набрать 022.

Сергей Анохин, генеральный директор Билайна:
«Наши экспертиза и технологии – основа устойчивого партнёрства с «ЛизаАлерт» и возможность влиять на социальную проблематику. Недавнее важное достижение – решение «Геопоиск «ЛизаАлерт»: вместо ожидания решения суда достаточно один раз дать согласие на передачу данных в приложении Билайна – и в случае опасности мы оперативно определим геолокацию. Надеемся, совместно с Минцифры нам также удастся изменить законодательство, сделав эту практику всеобъемлющей, и спасти еще больше людей. Еще один значимый шаг вперёд: короткий номер 022 ускоряет самое главное – обращение за помощью. В нашей культуре давно закрепилось, что двух- и трёхзначные номера (01, 02, 03, 112) – символы поддержки. 022 становится одним из них: здесь круглосуточно работают профессионалы, которые провели сотни тысяч спасательных операций».

Эволюция совместных проектов превратила «ЛизаАлерт» в один из самых технологичных поисково-спасательных отрядов в мире: федеральная горячая линия, система смс-информирования «Потеряться – не значит пропасть», нейросеть «Beeline AI – поиск людей» (сэкономлено более 50 тысяч человеко-часов), оснащение регионов беспилотниками, сервис «Геопоиск» для природной среды, участие в конкурсе НТИ «Автономный поиск», решение «Геопоиск «ЛизаАлерт» с предварительным согласием на передачу геоданных. И теперь – короткий номер, который символизирует новую задачу – формирование культуры безопасности, когда в сознании у людей есть необходимые алгоритмы получения помощи. 

Григорий Сергеев, председатель добровольческого поисково-спасательного отряда «ЛизаАлерт»:
«Для нас запуск короткого номера 022 — очень важный шаг. Выучить три цифры человеку намного проще, чем наш федеральный номер 8 800 700-54-52. И короткий, и длинный номер ближайшие годы будут работать одновременно — до тех пор, пока номер 022 не станет для жителей страны таким же привычным, как номера экстренных служб. Мы в ЛизаАлерт постоянно боремся с любыми сложностями на пути получения помощи. Очень часто поиск человека зависит от скорости: от минут, часов, иногда — суток, которые уходят на попытки понять, куда звонить и к кому обращаться. Чем проще человеку связаться с нами, тем ближе становится помощь. Три цифры вместо десяти — это действительно важный шаг вперед. Спасибо нашему партнеру Билайну за запуск этого проекта. Уверен, что со временем и другие операторы связи помогут сделать номер 022 доступным для каждого жителя России».

Обратиться на горячую линию «ЛизаАлерт» можно круглосуточно по номеру 022 (пока для абонентов Билайн) и 8-800-700-54-52 (для всех). Стать добровольцем или подписаться на смс-оповещения можно на сайте lizaalert.beeline.ru.

В рамках соглашения Softline будет продавать и внедрять продукты вендора, которые помогают компаниям автоматизировать учет ИТ-активов, техническое обслуживание оборудования, метрологические процессы и работу с инженерными схемами.

Для заказчиков это означает доступ к еще одному набору российских решений для комплексной цифровизации. Такие системы особенно востребованы на крупных предприятиях, где важно видеть реальное состояние оборудования, контролировать ремонты, управлять ИТ-инфраструктурой и снижать операционные издержки.

АО «Информатика» работает на рынке более 69 лет, а последние 30 лет развивает решения для автоматизации бизнес-процессов крупных предприятий. Компания создала экосистему продуктов под брендом АСМО. Эти решения позволяют автоматизировать производственные, управленческие и другие процессы в организациях разного масштаба.

В портфель «Софтлайн Решений» вошли четыре продукта АСМО:

• АСМО-ВТиПО предназначена для инвентаризации, учета и контроля ИТ-активов: система помогает управлять оборудованием и ПО, а также оптимизировать расходы на их закупку.
• АСМО-ТОиР отвечает за техническое обслуживание и ремонт оборудования, повышает точность контроля и помогает снижать простои.
• АСМОграф — кроссплатформенный векторный редактор для создания инженерных и деловых схем, совместной работы с ними, отображения данных на схемах, а также импорта и экспорта файлов Visio и AutoCAD.
• АСМО-метрология автоматизирует учет, планирование и контроль поверок, калибровок и движения средств измерений.

В основе экосистемы АСМО лежит собственная инструментальная платформа «АСМО-система». По словам разработчика, она позволяет масштабировать решения, работать с большими объемами данных и интегрироваться с внешними информационными системами. За счет этого продукты могут использоваться как часть единого информационного пространства предприятия.

«Вся экосистема, состоящая из более чем 20 решений, создана на базе нашей собственной инструментальной платформы для разработки “АСМО-система”. Это дает бизнесу масштабируемость, высокую производительность и возможность создавать единое информационное пространство, агрегирующее данные из разных программных комплексов АСМО. Наш опыт создания систем для консолидации данных и компетенции специалистов “Софтлайн Решений” позволят автоматизировать сложные процессы российских компаний на новом уровне», — отметил Михаил Козлов, заместитель генерального директора АО «Информатика».

В Softline рассчитывают, что партнерство поможет расширить число проектов в промышленности, инфраструктурных компаниях и других отраслях, где требуется контроль активов, оборудования и производственных процессов.

«Сотрудничество с “Информатикой” открывает нашим заказчикам новые возможности для реализации проектов цифровой трансформации на базе российских ИТ-продуктов с полной сервисной поддержкой. Мы видим устойчивый интерес рынка к системам, которые помогают оптимизировать операционные затраты, повышать прозрачность управления ИТ-активами и производственным оборудованием. Наши эксперты обеспечат комплексный подход при внедрении решений АСМО и совместно с вендором будут развивать проекты для предприятий в разных отраслях», — прокомментировал Виталий Левицкий, менеджер по развитию бизнеса управления инфраструктурных решений компании «Софтлайн Решения» (ГК Softline).

ГК Softline — инвестиционно-технологический холдинг с экспертизой в цифровой трансформации, информационной безопасности, разработке ПО, инфраструктурных решениях и комплексных ИТ-проектах.