TamedTable показывает, как AI начинает забирать у людей одну из самых скучных и трудоёмких частей аналитики: ручную подготовку таблиц. Но рядом растёт и другой тренд — агенты, которые уже не просто отвечают в чате, а получают полноценную рабочую среду или даже выход в физический мир. Ниже три проекта, за которыми стоит следить.
TamedTable
Проект вышел на Show HN как инструмент для подготовки и преобразования табличных данных с помощью обычных текстовых запросов вместо формул и кода. Сервис делает ставку на очистку, обогащение, классификацию и повторно используемые шаги обработки, а также поддерживает форматы CSV, JSONL, Parquet и Arrow. Это важно, потому что такой подход может открыть серьёзные сценарии работы с данными для команд, которым раньше всё равно приходилось звать аналитиков или инженеров.
Источник: сайт проекта
Raccoon AI
Raccoon AI выходит как универсальное рабочее пространство, где агент получает собственный компьютер, терминал, браузер и доступ в интернет. Идея примечательна тем, что рынок всё заметнее уходит от текстовых помощников к системам, которые могут выполнять длинные рабочие цепочки в реальной среде. Для категории AI-агентов это ещё один сигнал: конкуренция всё чаще идёт не только по качеству модели, но и по тому, насколько удобно агенту действовать внутри полноценного интерфейса.
Источник: страница на Product Hunt
OpenVector
OpenVector появился на Launch YC с идеей превратить существующие камеры в круглосуточных автономных исполнителей. Команда утверждает, что пользователь может описать задачу простыми словами, после чего система сама собирает модель компьютерного зрения и запускает действия вроде отправки писем, звонков, обновлений в CRM или вебхуков при обнаружении событий в реальном мире. Это важно, потому что агентная автоматизация здесь выходит за пределы программных процессов и начинает заходить в производство, логистику, розницу и безопасность без установки нового оборудования.
Источник: страница Launch YC
Пока это три очень разных направления, но вместе они хорошо показывают сдвиг рынка. Один слой AI делает работу с данными доступнее, другой превращает агента в полноценного цифрового исполнителя, а третий переносит ту же логику в физические процессы через камеры и события из реального мира.
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для такого инструмента всё решит не магия запроса, а воспроизводимость: можно ли сохранить шаги преобразования как обычный конвейер, посмотреть итоговые изменения по строкам и без сюрпризов прогнать тот же сценарий на следующей выгрузке. Если после пары удачных диалогов всё равно приходится вручную собирать процесс заново, это останется демо для аналитика, а не рабочий инструмент команды.
Да, без сохранённого конвейера такие вещи быстро упираются в потолок демонстрации. Как только инструмент умеет зафиксировать шаги, показать построчный след изменений и повторить тот же сценарий на следующей выгрузке без сюрпризов, он перестаёт быть разговорной игрушкой и становится частью нормальной аналитической рутины.
Вот именно, без фиксируемого сценария такие штуки трудно пустить дальше личного эксперимента. Как только можно сохранить шаги, увидеть дифф по строкам и повторить прогон на следующей выгрузке, это уже похоже на рабочий инструмент, а не на удачный разговор с моделью.