В этой подборке главное — не очередной рекорд модели, а более тонкий вопрос: где именно ИИ меняет работу людей. Наука, медицина, образование, экономика автоматизации и симуляции поведения сходятся в одном: решает не только качество ответа, но и то, как система встроена в человеческие решения.

JEV и разметка данных для социальных наук

Авторы сравнивают JEV с большими языковыми моделями и разметкой людей на семи задачах из политологии и социальных наук. В нескольких случаях узкая специализированная модель оказывается сопоставимой с более общими системами.

Главный вывод простой, но важный: будущее ИИ в исследованиях не обязательно сводится к одной огромной модели для всего. Если задача хорошо описана и калибрована, меньший инструмент может дать достаточно качества дешевле и понятнее для проверки.

Две подсказки ИИ для врачей вместо одной

Исследование проверяет, как врачи читают рентгеновские снимки, когда ИИ даёт одну подсказку или две альтернативные подсказки. Особенно важен случай, когда рекомендация ИИ ошибочна: вопрос уже не только в точности модели, а в том, как показать врачу сомнение и несогласие.

Это хороший пример зрелого этапа внедрения. Медицинский ИИ должен не просто «угадать диагноз», а помогать человеку не зацепиться за плохой совет слишком рано.

Синтетические персоны лучше предсказывают людей по истории поведения

Работа изучает синтетические персоны на базе больших языковых моделей для опросов, рыночных исследований и политических экспериментов. Важная деталь: история поведения может быть полезнее описательного профиля человека.

Это одновременно практичный и тревожный вывод. Чем больше следов поведения попадает в модель, тем правдоподобнее симуляция, но тем острее становятся вопросы согласия, приватности и того, кого такие симуляции вообще представляют.

Автоматизация может начать финансировать сама себя

Авторы вводят понятие «отрыва автоматизации»: момент, когда экономия от физического капитала и искусственного труда сама оплачивает дальнейшую автоматизацию. Здесь ИИ рассматривается не только как замена труда, но и как часть механизма накопления капитала.

Такой взгляд меняет разговор о рабочих местах. Важна не разовая оценка «сколько профессий исчезнет», а петля обратной связи: если автоматизация сама удешевляет следующую волну автоматизации, переход может стать нелинейным.

Кто пользуется генеративным ИИ при обучении программированию

Статья разбирает использование генеративного ИИ в массовых онлайн-курсах по программированию: кто обращается к таким инструментам, в каком учебном контексте и на каких этапах курса. Вывод шире конкретного курса: доступ к ИИ сам по себе мало что объясняет.

Один и тот же помощник может быть шпаргалкой, наставником, ускорителем рутинной практики или способом обойти задание. Поэтому учебный дизайн важнее лозунга «разрешить» или «запретить».

CourseChat как местная инфраструктура для университетского ИИ-наставника

CourseChat описан как локально развёрнутый наставник для нескольких курсов, связанный с учебной платформой и поиском по материалам. Важна не только сама возможность отвечать студентам, а архитектура: границы курсов, приватность, контроль учреждения и проверяемая привязка к материалам.

Это показывает, что образовательный ИИ быстро становится инфраструктурной задачей. Университетам нужен не просто чат, а управляемая система, которую можно объяснить преподавателям, администраторам и студентам.

EmTech Future: ИИ становится слоем внутри науки, производства и инфраструктуры

MIT Technology Review описывает повестку EmTech Future как переход от ИИ-софта к ИИ, встроенному в биологию, производство, инфраструктуру и научные открытия. Это полезный сдвиг фокуса: самые крупные последствия могут прийти не от отдельного релиза, а от медленного встраивания моделей в сложные системы.

Именно там проверяется реальная отдача: нужны данные, оборудование, согласованные процессы и институты, которые умеют менять правила работы, а не просто покупать доступ к новой модели.