Друзья, хочу поделиться с вами своей находкой — уникальным атласом, который иллюстрирует ключевые технологические достижения с 1500 года!!!🕰

Этот ресурс представляет собой красочное визуальное путешествие по эпохам, где каждая категория раскрывает важнейшие инновации своего времени.

Атлас не просто хронология изобретений, а своего рода карта, показывающая, как технологии трансформировали мир, прокладывая путь к современным достижениям.

Погрузитесь в историю, посмотрите удивительные картинки и откройте для себя неожиданные взаимосвязи между эпохами.

enjoy: https://calculatingempires.net/

Бум кредитования в ИТ-отрасли

Несмотря на невероятно высокую стоимость заемных средств (ключевая ставка свыше 20%), ИТ-компании продолжают активно привлекать кредиты для финансирования масштабных инновационных проектов и быстрого выхода на новые рынки.

Они рассчитывают, что даже при дороговизне капитала ожидаемая рентабельность инвестиций позволит окупить расходы на обслуживание долга. Заемные средства помогают оптимизировать структуру капитала, сохраняя ликвидность и минимизируя размывание собственного капитала, что особенно важно в условиях агрессивного роста и динамичной конкуренции.

Банки адаптируют кредитные продукты под специфику ИТ-сектора, предлагая гибкие условия, что компенсирует высокую стоимость кредита.

Однако такая стратегия сопряжена с рисками: в случае замедления роста или неокупаемости инвестиций, высокие процентные выплаты могут привести к обременительной долговой нагрузке, затрудняя обслуживание обязательств и ограничивая финансовую гибкость.

📌 Задолженность ИТ-компаний по кредитам уже достигла 766,1 млрд руб. на начало октября 2024 г., увеличившись с начала года более чем в 2 раза (на 15% в среднем по России). Размер задолженности по кредитам на 1 компанию вырос в 1,9 раза до 9,1 млн руб.

Источники: рассчитано по данным Росстата, ЦБ и «СПАРК-Интерфакс», данные за 9 месяцев 2024 года

Программные разработки российских корпораций, 2025

ComNews публикует второй выпуск карты и онлайн-страницу "Программные разработки российских корпораций". На онлайн-странице представлено более 90 программных продуктов и платформ, разработанных отраслевыми корпорациями различных отраслей экономики: нефтегаза, металлургии, атомной отрасли и энергетики, химической промышленности, машиностроения, транспорта, финансовой сферы и сельского хозяйства. Информация о программных продуктах включает в себя данные о функциональном назначении и особенностях ПО, данные о его применении и эффективности, как в контуре корпорации, так и на внешнем рынке (дата вывода продукта на коммерческий рынок, основные клиенты-пользователи), данные о наличии продукта в реестре отечественного ПО Минцифры.

Привет!
Нас уже больше двух сотен человек и я точно не со всеми знакома лично. Так что, кажется, пришло время рассказать о себе!

Меня зовут Аня Крапивная, и я – один из немногих миллениалов, которым повезло работать по профессии, объединяя любовь к обществу, аналитике и технологиям. Будучи выпускницей Социологического факультета МГУ, я всегда увлекалась изучением взаимосвязей в обществе и механизмов влияния. Этот фундаментальный интерес не только сформировал моё мировоззрение, но и идеально вписался в сферу маркетинга, где методы исследования общества и поведения потребителей тесно перекликаются с социологическими подходами.

С раннего детства я была настоящим гиком. Мой первый персональный компьютер появился в 1997 году (мне было 7), а к миллениуму у нас дома уже были принтер и сканер. В 2001 году, когда я была третьеклассницей, мне подарили мобильный телефон Alcatel One Touch 310 — редкость для того времени. Эти ранние знакомства с технологиями заложили основу моего профессионального пути и привели меня в крупную ИТ-компанию, где я работаю уже более 15 лет, а последние 5 лет руковожу командой отдела маркетинговых исследований.

Сегодня я работаю с инсайтами — и это действительно моя работа мечты! Любовь к аналитике позволяет мне ежедневно находить новые взаимосвязи и делать выводы, которые меняют подходы в бизнесе. Для меня нет ничего увлекательнее, чем искренне удивляться открытиям, которые формируют наше понимание мира.

Добро пожаловать в мой мир, где данные превращаются в живые истории, а аналитика — в инструмент для создания будущего!

Решила сделать рубрику о несбывшихся прогнозах постоянной. Первую часть можно посмотреть выше 👆

Давайте снова посмотрим, как иногда прогнозы аналитиков превращаются в истории для стендапов, и разберемся, почему эти предсказания не сбылись:

1. IDC о массовом принятии VR
IDC уверяли, что к 2020 году VR-гарнитуры станут повседневной вещью, как смартфоны. Но если задуматься, почему это не произошло?

Технологические ограничения: Несмотря на все обещания, VR до сих пор страдает от проблем с весом устройств, качеством графики и, самое главное, отсутствием удобного пользовательского опыта. Пользователи не готовы надевать громоздкие шлемы на несколько часов, даже если они обещают перенести вас в виртуальные миры.

Контент и экосистема: Массовому потребителю просто не хватало качественного контента, который бы оправдывал вложения в VR. Аналитики, возможно, переоценили скорость развития аппаратных средств и недооценили важность контента. Рынок показал, что технологическая революция требует не только блестящего прорыва в железе, но и создания полноценной экосистемы, способной заинтересовать массового пользователя..

Цена и доступность: Высокая стоимость оборудования стала еще одним барьером для массового принятия. Даже когда цены немного снизились, многие потенциальные пользователи не видели достаточной ценности, чтобы сделать покупку.

2. Forrester о машинном обучении для всех
Forrester прогнозировали, что к 2022 году более 50% компаний будут внедрять машинное обучение в свои решения. Что же пошло не так?

Сложность интеграции: Машинное обучение – это не волшебная кнопка. Большинство компаний столкнулись с проблемой интеграции новых технологий в устаревшие бизнес-процессы и инфраструктуру. Реальная интеграция требует значительных усилий, инвестиций и изменения корпоративной культуры, что не всегда возможно в короткие сроки.

Дефицит квалифицированных кадров: Для успешного внедрения ML нужны специалисты, способные правильно интерпретировать данные, настраивать модели и обеспечивать их эксплуатацию в реальных условиях. Рынок таких экспертов оказался гораздо менее насыщенным, чем ожидалось, что замедлило массовое внедрение технологий.

Ожидания vs Реальность: Часто компании покупали ML-решения, надеясь на быстрый возврат инвестиций, но сложность и длительность этапов внедрения приводили к тому, что ожидания не оправдывались. В результате ML оставался скорее демонстрационной технологией, чем полноценным инструментом для решения повседневных задач.

Ой, что я вам принесла…Наливайте кофе, сейчас будет очень интересная подборка для чтения 🙌

1. Вышел новый выпуск дайджеста Digital Leader, все ключевые новости из мира ИТ за прошедший месяц собраны в одном месте и крутом формате. Такой свежевыжатый сок, чтобы не потеряться в потоке инфоповодов - очень рекомендую.

2. ICT.Moscow опубликовал подборку заметной аналитики по ИТ-рынку за почти два месяца. Там просто тонна исследований. Все материалы сгруппированы в следующих разделах этого выпуска:

- ИКТ в целом (интернет, связь)
- Кадры для ИТ
- Программное обеспечение (ПО, софт)
- Электроника
- Искусственный интеллект (ИИ)
- Умный город, интернет вещей
- Информационная безопасность (ИБ)
- Облачные технологии и ЦОД
- Другие технонаправления
- Экономика, финансовая отчетность, IPO
- Цифровое потребление и его показатели

ИИ против маркетинговых исследователей: кто останется в игре?

Сегодня OpenAI анонсировала Deep Research — агента для глубоких исследований. Это снова подогревает дискуссию в профессиональном сообществе: заменит ли нас ИИ?

Спойлер: нет. Но трансформация, на мой взгляд, неизбежна.

ИИ уже отлично справляется с:
✅ Анализом больших массивов данных и поиском корреляций быстрее, чем это под силу человеку.
✅ Автоматизированной обработкой открытых источников: соцсетей, форумов, новостных порталов.
✅ Классификацией и структурированием информации, предсказательной аналитикой.
✅ Генерацией гипотез на основе собранных данных.

Но есть области, куда искусственный интеллект вряд ли сможет проникнуть в ближайшие годы:
❌ Глубинные интервью и качественные исследования. Машина может зафиксировать слова, но не поймёт контекст, эмоции, тонкие социальные настройки. Человек в разговоре адаптируется, чувствует, где копнуть глубже.
❌ Интерпретация сложных поведенческих мотивов. ИИ увидит аномалии и паттерны, но объяснить, почему люди поступают так, а не иначе — пока за пределами его компетенций.
❌ Креатив и поиск инсайтов. AI поможет собрать данные, но интуиция и опыт исследователя остаются ключевыми в поиске неожиданных инсайтов, которые двигают бизнес.

ИИ — это инструмент, но не заменитель мышления. Сам по себе он не понимает рынок, не задаёт неудобные вопросы и не придумывает новые методологии.

Будущее — за симбиозом: исследователь с ИИ в руках становится быстрее, точнее и эффективнее. Главное — не бояться, а учиться работать с новыми возможностями.

Почему Generative AI в Enterprise-компаниях буксует, несмотря на миллионы вложений? 🤖💰

Ловите свежий отчёт Deloitte State of GenAI in the Enterprise 2025. Разобрала его специально для вас!

На первый взгляд всё выглядит как успех: 74% компаний считают, что их инвестиции в ИИ оправдали ожидания, а 78% планируют увеличивать бюджеты. Однако если копнуть глубже, становится очевидно: несмотря на миллионы вложений, бизнес идёт медленнее, чем мог бы.

Самая большая проблема — разрыв между тем, как видят ситуацию топ-менеджеры и те, кто реально работает с ИИ на местах. Руководители уверены, что интеграция идёт бодро, но 60% сотрудников говорят обратное.

Подробнее про барьеры:

1️⃣В крупных Enterprise-компаниях ИИ уже нельзя просто "потестить и посмотреть, как пойдёт". Здесь всё сложнее: нужно сразу решать вопросы с безопасностью, регулированием и масштабированием. Больше трети компаний прямо говорят, что юридические ограничения тормозят процесс. AI-генерация контента, анализ данных, автоматизация процессов — всё это звучит отлично, пока юристы не спросят: "А точно ли мы можем это использовать? А кто несёт ответственность за ошибки модели?"

2️⃣Сложность масштабирования. Внедрить ИИ в одной команде — легко. Сделать так, чтобы он работал во всей компании и приносил ощутимую пользу — уже нет. Многие проекты остаются локальными экспериментами, потому что интеграция с корпоративными системами требует слишком много ресурсов.

3️⃣Отсутствие чёткой стратегии. Enterprise-компании не могут себе позволить бездумно внедрять ИИ "потому что так модно". Всё должно быть структурировано, с чёткими метриками успеха. Если этого нет, проекты быстро превращаются в дорогие игрушки, а не в рабочий инструмент.

Зато есть области, где ИИ уже приносит ощутимый ROI. Кибербезопасность — здесь ИИ снижает количество ложных тревог на 90%, экономя миллионы на обработке инцидентов. В ИТ автоматизация процессов даёт мгновенные результаты. В маркетинге ИИ снижает зависимость от агентств, ускоряя создание контента и анализ аудитории.

Когда исследование превращается в хаос: почему нельзя мешать всё в одну кучу 🎯📊

Многие исследователи грешат одной распространённой ошибкой — пытаются запихнуть в одно исследование сразу несколько целей. Это кажется логичным: раз уж мы опрашиваем людей, почему бы не выяснить всё сразу? Но на практике такой подход ломает методологию, размывает результаты и… просто раздражает респондентов.

Что происходит, если смешать всё в одном исследовании?

🔍 Размытые результаты. Данные теряют чёткость, и выводы становятся некорректными. В итоге вы получаете кучу цифр, которые невозможно интерпретировать.

⚙️ Методологические проблемы. Одна цель требует глубинных интервью, другая — массового опроса. В итоге вы выбираете компромиссный вариант, который плохо работает для обеих задач.

🚨 Снижение доверия респондентов.
Когда в одном опросе вопросы скачут с темы на тему, человек теряет фокус. Это приводит к усталости, невнимательности и… уходу респондента. А если вопросы кажутся ему слишком странными или неподходящими, он начинает сомневаться в компетентности исследователей.

Что говорят эксперты?

📢 “Когда опрос превращается в мешанину вопросов, человек теряет мотивацию отвечать осмысленно. Он начинает отвечать наугад и не задумываясь, и в результате исследователь получает искажения в данных,” — Джонатан Андерсон, аналитик McKinsey.

📢 “Если вы смешиваете разные цели, вы не только снижаете качество данных, но и подрываете доверие к бренду или компании, проводящей исследование,” — доктор Эмили Райт, профессор социологии.

Как избежать ошибки?

✅ Одна цель — одно исследование. Не пытайтесь ответить на все вопросы сразу. Разделите исследования по фокусам.

✅ Логическая структура. Если в исследовании несколько блоков, они должны быть связаны и идти в понятном порядке.

✅ Тестируйте анкету/ гайд. Проверьте, удобно ли респонденту проходить исследование. Если он устанет на середине — это тревожный звоночек.

Вывод:

Исследование — это не просто набор вопросов. Это инструмент, который должен работать эффективно. Если пытаться охватить всё и сразу, можно получить раздражённых респондентов, размытые данные и потерянные инсайты.

Так что делайте исследования понятными, сфокусированными и удобными. Доверие аудитории стоит дороже, чем попытка сэкономить на нескольких отдельных исследованиях!