Результати пошуку

Spotify представила одразу кілька нових продуктів і ШІ-функцій під час Investor Day 2026. Компанія анонсувала персональні подкасти, окремий ШІ-застосунок Studio by Spotify Labs, новий квитковий сервіс Reserved та масштабне оновлення аудіокниг. Аудіокниги та ШІ-інструменти для авторів Ілюстрація з анонсу нових планів підписки для аудіокниг (Spotify) Spotify повідомила, що каталог аудіокниг уже перевищив 700 тисяч, а сервіс працює у 22 країнах. Тепер компанія запускає нові тарифні плани Audiobooks+ із більшою кількістю годин прослуховування. Також з’являться Family та Student-плани для аудіокниг. Окремий акцент компанія зробила на ШІ-рекомендаціях. Користувачі зможуть ставити запити на кшталт «порадь скандинавський нуар для поїздки до Швеції», а Spotify підбиратиме книги за інтересами. Для авторів Spotify запускає Audiobook Creation Tools — ШІ-інструмент для створення аудіокниг на базі технології ElevenLabs. Автори зможуть генерувати озвучення та одразу публікувати книги у Spotify без ексклюзивних контрактів. Спочатку сервіс працюватиме лише англійською мовою. Компанія також повідомила, що прослуховування аудіокниг за рік зросло на 60%, а сервіс Audiobooks+ уже має 1 млн підписників і може приносити $100 млн регулярного річного доходу. Reserved — сервіс квитків для «справжніх фанатів» Ілюстрація з анонсу нового сервісу (Spotify) Spotify також анонсувала Reserved — новий сервіс продажу квитків на концерти. Система резервуватиме два квитки для найактивніших фанатів артиста серед Premium-користувачів. Компанія визначатиме «справжніх фанатів» за активністю: прослуховуваннями, шерингами та іншими діями в Spotify. Також сервіс перевірятиме користувачів, щоб уникнути ботів і перекупників. Reserved спочатку запустять у США, а пізніше сервіс розширять на інші країни. Spotify заявляє, що це має допомогти артистам і фанатам отримувати квитки напряму без конкуренції з ботами. Компанія також повідомила, що вже допомогла продати квитків на понад $1,5 млрд через інтеграції з більш ніж 40 квитковими партнерами. ШІ-додаток Studio та персональні подкасти Візуалізація інтерфейсу застосунку Studio (Spotify) Окремо Spotify анонсувала Studio by Spotify Labs — десктопний ШІ-застосунок, який зможе створювати персоналізований аудіоконтент на основі вподобань користувача, календаря, листів і нотаток. Сервіс зможе створити персональний подкаст для подорожі, порадити ресторани або сформувати щоденний аудіобрифінг. Користувачі зможуть уточнювати запити та змінювати стиль контенту у форматі діалогу з ШІ. Також Spotify запускає Personal Podcasts — ШІ-функцію, яка генеруватиме короткі приватні подкасти за текстовими запитами користувача. Система створюватиме персональні випуски на основі інтересів, історії прослуховування та світових знань. Користувачі зможуть створювати щоденні дайджести, пояснення складних тем або добірки локальних новин і концертів. Подкасти можна буде генерувати автоматично за розкладом. Інтерактивність у подкастах та нові способи монетизації Spotify також представила нові інтерактивні функції для подкастів. Тепер Premium-користувачі у США, Швеції та Ірландії зможуть ставити питання прямо під час прослуховування подкасту та отримувати відповіді в реальному часі. Компанія повідомила, що понад 500 млн користувачів уже дивилися відеоподкасти Spotify. Це на майже 50% більше, ніж торік. Візуалізація інтерфейсу системи Memberships (Spotify) Для авторів Spotify запускає Memberships — нову систему підписок із регулярним доходом від найактивніших фанатів. Творці контенту отримають прямий доступ до аудиторії та інструменти аналітики.

Meta без офіційного анонсу запустила новий застосунок Forum. Його помітив в App Store журналіст Geekout Newsletter Метт Наварра. Forum стане окремим простором для Facebook Groups У описі застосунку Forum зазначено, що це «окремий простір для розмов, які мають для вас найбільше значення». Сервіс створили спеціально для користувачів Facebook Groups. Журналіст Метт Наварра звернув увагу, що Meta просуває ідею «реальних відповідей» від «реальних людей». Через це застосунок порівнюють із Reddit. Для використання Forum потрібен акаунт Facebook. Після входу в застосунок профіль і активність користувача автоматично синхронізуються. Forum не є анонімною платформою на кшталт Reddit. Користувачі можуть використовувати приховані імена, але адміністратори груп все одно бачитимуть їхні справжні акаунти. На відміну від основної стрічки Facebook, де змішуються пости друзів, сторінок і рекомендацій алгоритмів, Forum показуватиме переважно обговорення з груп користувача. Під час першого запуску застосунок запитує, які теми цікавлять користувача. Ймовірно, Forum також рекомендуватиме нові групи за інтересами. ШІ-функції у застосунку Meta інтегрувала у Forum кілька ШІ-функцій. Одна з них — Ask. Вона дозволяє ШІ шукати відповіді одразу в різних групах користувача без ручного пошуку. Інша функція — ШІ-асистент для адміністраторів груп. Він допомагатиме модерувати спільноти. У Meta заявили, що продукт поки перебуває на стадії тестування. «Ми публічно тестуємо багато нових продуктів, щоб зрозуміти, що люди вважають цікавим і корисним для свого досвіду в наших застосунках», — заявив представник компанії. Це не перша спроба Meta створити окремий сервіс для груп. Раніше компанія вже запускала застосунок Facebook Groups, але закрила його у 2017 році.

Компанія Oura, яка виробляє смарткільця для відстеження здоров’я та активності, подала документи до Комісії з цінних паперів і бірж США для проведення IPO. Про це повідомляє Bloomberg. Oura готується до виходу на біржу Oura співпрацює з Goldman Sachs, Morgan Stanley, JPMorgan Chase та іншими фінансовими установами для підготовки до публічного розміщення акцій. 22 травня компанія офіційно підтвердила, що подала проєкт реєстраційних документів до SEC для запуску процесу IPO. Oura заснували у 2013 році. Наразі компанія оцінюється приблизно у $11 млрд. Частково такої оцінки вдалося досягти після останнього раунду фінансування, у межах якого компанія залучила $875 млн. CEO Oura Том Гейл раніше повідомляв, що компанія продала 5,5 млн смарткілець, а виручка цього року має зрости до $1,5 млрд — втричі більше за 2024 рік. Ринок IPO активізується серед ШІ та hardware-компаній Oura стала ще однією технологічною компанією, яка готується до IPO. Раніше повідомлялося, що OpenAI може вийти на біржу вже у вересні, а SpaceX подала документи до SEC для торгівлі на Nasdaq під тикером SPCX. Журналісти зазначають, що Oura отримала позитивні оцінки за свої продукти. Зокрема, Ring 4 називали «технологічним дивом», яке випереджає конкурентів завдяки великій кількості технологій у компактному формфакторі.

OpenAI повідомила, що одна з її внутрішніх ШІ-моделей самостійно розв’язала математичну проблему, поставлену угорським математиком Полом Ердешем ще у 1946 році. Що це за задача і чому вона важлива Проблема називається «задачею про одиничні відстані». Її суть дуже проста: якщо розмістити багато точок на площині, скільки пар точок можуть бути на відстані рівно 1 одна від одної? На перший погляд це виглядає як шкільна геометрія. Але саме такі задачі часто виявляються надзвичайно складними. Протягом десятиліть математики вважали, що найкраще рішення — це розташування точок у вигляді квадратної сітки. Сам Ердеш припускав, що суттєво покращити цей результат неможливо. Модель OpenAI довела протилежне. Вона побудувала новий спосіб розміщення точок, який дає значно більше пар із однаковою відстанню. Причому ШІ не просто підібрав випадковий приклад, а створив повноцінний математичний доказ. Головне відкриття полягає в тому, що для задачі, яку десятиліттями вважали геометричною, ШІ використав дуже глибокі інструменти з іншої галузі — алгебраїчної теорії чисел. Це розділ математики, який вивчає складні числові структури та властивості чисел у розширених системах. Для математиків стало несподіванкою, що ці методи взагалі можуть допомогти у геометрії. Чому це вважають великим проривом для ШІ OpenAI наголошує, що модель не створювали спеціально для цієї задачі. Це була універсальна ШІ-модель для складного міркування, яку тестували на складних математичних проблемах Ердеша. У певний момент система самостійно запропонувала доказ, який пізніше перевірили люди. «Жодне попереднє дослідження, створене ШІ, навіть близько не підходило до цього рівня», — заявив лауреат Філдсівської премії Тім Гауерс. Для OpenAI це також демонстрація того, що ШІ поступово переходить від простого генерування тексту до повноцінної дослідницької роботи. У компанії вважають, що подібні системи в майбутньому допомагатимуть не лише в математиці, а й у біології, медицині, фізиці та інженерії.

21 травня на платформі My Drama відбудеться прем’єра вертикального серіалу «Overdrive to My Heart». Проєкт створили український продакшен AMO Pictures та компанія HOLYWATER TECH. Реальний болід «Формули-1» та ШІ Автори називають проєкт одним із найскладніших у виробництві серед українського вертикального контенту спортивної тематики. Для зйомок команда використала справжній болід «Формули-1», технологію Virtual Production та ШІ-генерацію частини сцен. Серіал знімали дев’ять днів у Києві та області. Режисеркою-постановницею виступила Юлія Павлова, оператором — Сергій Ревуцький. Зйомки проходили у київській студії One Location із використанням LED-дисплеїв замість класичного зеленого екрана. Це дозволило отримати природні відблиски на дзеркальних поверхнях боліда та шоломів прямо під час запису сцен. Постер серіалу «Overdrive to My Heart» Понад 40% візуального ряду створили за допомогою штучного інтелекту. Команда генерувала фони для конкретних сцен та адаптувала їх під освітлення й положення камери. ШІ також використовували для створення перегонів, маневрів і прольотів боліда. Під час виробництва команда переробляла уже готові кадри по мірі розвитку ШІ-технологій для покращення деталізації та плавності руху. Історія пілота автоперегонів У центрі сюжету — пілот Крістофер, якого зіграв Назар Грабар. За історією герой зустрічає свою колишню кохану, яку зіграла Тетяна Злова. «Ми хотіли вийти за межі звичних вертикальних новел і залучити нову, зокрема чоловічу аудиторію, яка фанатіє від автоспорту», — заявила креативна команда AMO Pictures. У HOLYWATER TECH зазначили, що проєкт демонструє нові можливості вертикального мобільного сторітелінгу. «Це приклад того, як нові технології допомагають працювати зі складнішими сетингами, масштабнішими візуальними рішеннями й новими жанровими нішами», — сказала Юлія Смирнова, General Producer у HOLYWATER TECH.

Шахраї протягом кількох місяців використовували внутрішню систему email-сповіщень Microsoft для надсилання спам-листів із шахрайськими посиланнями, повідомляє TechCrunch. Йдеться про адресу msonlineservicesteam@microsoftonline.com, яку компанія зазвичай використовує для надсилання кодів двофакторної автентифікації та інших критичних повідомлень користувачам. Зловмисники маскують листи під офіційні повідомлення Microsoft Шахраї створюють нові акаунти Microsoft і використовують доступ до системи для розсилки повідомлень, які виглядають як офіційні листи компанії. Деякі повідомлення імітували попередження про підозрілі транзакції, інші повідомляли про нібито приватне повідомлення для користувача та містили посилання на сторонні сайти. Пркилад спам-листа надісланого з електронної пошти Microsoft (TechCrunch) TechCrunch повідомляє, що отримав кілька однаково структурованих листів на різні електронні адреси. Усі вони були надіслані з офіційної адреси Microsoft, але містили очевидний спам-контент. Антиспам-організація The Spamhaus Project також заявила, що фіксує зловживання цією системою вже «кілька місяців». Microsoft підтвердила отримання запиту від журналістів, але не повідомила, чи вдалося компанії припинити зловживання системою email-сповіщень. Інші випадки шахрайства Це не перший випадок використання корпоративних систем для шахрайських розсилок. Раніше хакери зламали платформу фінтех-компанії Betterment для надсилання фейкових повідомлень про криптовалютні операції. У 2023 році зловмисники також отримали доступ до email-акаунта компанії Namecheap і використовували його для фішингових атак із викраденням облікових даних. Деякі користувачі соцмереж повідомляють, що схожі схеми використовуються й через електронні пошти інших компаній, тому проблема може бути ширшою за один сервіс Microsoft.

17 квітня Anthropic презентувала новий продукт — Claude Design — для створення прототипів, ванпейджерів, слайдів та інших форматів дизайнy. Ключовою заявленою фічею є автоматична підтримка дизайн-системи на основі наданих нейронці файлів. Протестувати рішення можуть користувачі тарифів Claude Pro, Max, Team та Enterprise. Проте Anthropic вийшла на розігрітий ринок. У липні минулого року свій ШІ-інструмент для дизайнерів, також запустила Figma, а ще у 2023 році зʼявився Magic Design від Canva. Редакція HBJ попросила дизайнерів розповісти, які з цих продуктів вони використовують і для яких завдань. Також, наші експерти протестували можливості ШІ-інструментів. Розбираємося в плюсах і мінусах кожного рішення. Claude Design: свобода творчості чи красива обгортка? Переваги: Можливість імпортувати власну дизайн-систему Ілона Трубчаненко, Product Designer Guru Apps by Universe: «Це абсолютно новий рівень взаємодії — ти працюєш не з чистим аркушем, а з інструментом, який знає твої токени, компоненти і стиль. Генерація відбувається одразу в контексті твого продукту». Артем Антоневич, Product Owner в OBRIO, також називає роботу з дизайн-системою головною кілер-фічею, хоча й визнає: поки що Claude Design не ідеально слідує дизайн-коду, навіть якщо вхідні матеріали максимально деталізовані. Деталізація запиту перед генерацією Як відмічає Ілона, Claude Design не береться одразу обробляти запит, а уточнює деталі: які екрани, стиль і логіка взаємодії потрібні. Редагування прототипу в інтерфейсі «Не треба повертатись в чат і писати "зміни колір картки, шрифт зроби більше, накреслення — жирніше". Все це можна змінити точково прямо в прототипі», — підкреслює Трубчаненко. Вона додає, що раніше кожна правка у Claude коштувала токенів і часу в чаті, а тепер інтерфейс дозволяє уникнути зайвих ітерацій. Швидке створення анімацій Claude Design за хвилини збирає анімацію, на яку раніше йшло кілька днів роботи. Проте поки тільки в HTML, а не у Lottie-файл, хоча цього достатньо, щоб показати ідею в дії до розробки. Швидке прототипування і валідація ідей Більшість експертів зійшлися у думці, що Claude Design — чудовий інструмент для створення швидких прототипів. Артем Антоневич вважає, що у перспективі Claude Design здатний пришвидшити time-to-market для продуктів у випадках, коли потрібно обрати декілька варіантів вигляду фічі або швидко створити макет як референс для дизайнера. Синергія з Claude Code, Claude чи Figma Make Продукт безшовно взаємодіє з Claude Code: макет можна розшарити посиланням, експортувати в PDF, PPTX, завантажити .zip-архівом або миттєво передати в розробку через функцію Handoff. Крім того, дизайнери часто використовують Claude Design у зв’язці з Figma Make для структурування ідей та їхнього подальшого втілення. Недоліки: Суворі ліміти токенів тарифу Pro Антоневич використав усі тижневі ліміти Claude Design ще у перший день — і пояснює, що їх вистачить на пару промптів і декілька уточнюючих коментарів. Відсутність переваг серед інших продуктів Claude Майже всі спікери в коментарях для HBJ відмітили, що Claude Design для них радше є частиною усієї інфраструктури Claude. І саме її вони найчастіше використовують в роботі. Дизайнери використовують чат як «другий мозок» для проектування логіки, пошуку граничних випадків (edge cases), написання UX-текстів та аудиту екранів, тож окремий дизайн-модуль потрібен не завжди. Ганна Смирнова, Product Designer в iSpeedToLead, зазначає: поле використання Claude значно ширше. Наприклад, він підходить для розпакування задачі від розмитого брифу до чіткого запросу, генерації різних варіантів рішень по одній і тій же задачі, а також UX-аудиту екранів. Анастасія Сігетій, Middle Product Designer в OneReach.ai, вважає, що Claude Design виглядає як маркетингова обгортка для того, що вже можна було робити в чаті. Claude Design працює на моделі Opus 4.7, як і Code — основний ШІ-помічник Анастасії. Вона називає саме Сlaude Code одним із найпотужніших ШІ-інструментів для роботи з інтерфейсами, прототипування та швидкої побудови UI через ШІ-асистовані воркфлоу. Figma Make: нативний інструмент для продуктових команд Переваги: Швидкі прототипи, компоненти, презентації «Потрібен новий компонент — йду в Mobbin, знаходжу референс, роблю скріншот, закидаю у Figma Make. За хвилину маю готову основу, замість того, щоб збирати з нуля по пікселю. Далі — допрацьовую під свою дизайн-систему — і компонент готовий. Те що раніше займало 30-40 хвилин, тепер займає 10» — говорить Трубчаненко. Якщо потрібен дизайн презентації, з цим теж допомагає Figma Make. Вже не потрібно годинами сидіти перед монітором. Те саме й з прототипами з нуля. «Через структурований промпт можна швидко отримати прототип або просто скрін і цього достатньо, щоб швидко перевірити гіпотезу. Це не ідеальний UX чи красивий UI, а відправна точка для розмови з PM, стейкхолдерами або розробниками», — каже Ганна Смирнова. Проєктування складної логіки взаємодій Ганна Смирнова відмічає — Figma Make особливо корисна там, де важлива логіка взаємодій: додавання / видалення товарів з кошика; багатокрокові флоу з вибором або введенням даних (чекаут, онбординг тощо); мікроанімації для передачі розробникам. Такий інтерактивний хенд-офф знімає більшість непорозумінь, а розробка потім виглядає ближчою до запланованого дизайну, ніж при роботі зі статичними макетами. Інтеграція в екосистему Figma Ілона Трубчаненко називає це головною перевагою Make. «Все відбувається там, де вже живе твоя дизайн-система, компоненти і файли команди. Не треба нічого переносити, перемикатись між вкладками і втрачати контекст. Також, тепер можна підключати скіли, експортувати в платформи для розробників GitHub та Supabase, будувати UI-kit з результату», — говорить вона. Про переваги екосистеми говорить і Ганна Смирнова. Вона підкреслює, що Figma активно розвиває генерації, які стають більш точними і кастомізований, особливо в поєднанні з новими інструментом Figma Weave. «Якщо додати до цього Figma Make і можливість інтеграцій з вебом, формується сильна екосистема», — каже Ганна. Зручність для командної роботи в реальному часі Figma Make — це ШІ-агент для перетворення статичних макетів на робочі прототипи. Оскільки Figma Make інтегрована у середовище Figma, доступне одночасне редагування і коментування. Робота з поведінкою продукту «Найбільше мені сподобалось, що це не просто генерація картинки, а можливість працювати ближче до поведінки продукту. Відчувається зміщення від статичного UI до функціонального прототипування», — ділиться Оксана Плечій, Senior Product Designer в Newsoft. Вона познайомилась з Figma Make ще на конференції, де інструмент презентували, і вражена прогресом — наприклад, тим, що там теж можлива інтеграція дизайн-системи. Плечій частіше за все використовує саме Figma Make. На думку Оксани, інструмент є найбільш корисним для: швидкого дослідження ідей та концептів взаємодії; створення клікабельних або «живих» прототипів без залучення розробника; генерації UI для внутрішніх тулзів, сценаріїв користувацьких шляхів, MVP-рішень; тестування microinteractions, states і basic logic прямо в Figma; ситуацій, коли потрібно дуже швидко втілити ідею для команди або стейкхолдерів. Недоліки: Жорсткі ліміти токенів «Наприклад, на останньому прототипі, над яким я працювала, мені не вистачило навіть повноцінно завантажити весь сценарій», — говорить Анастасія Сігетій. Коли вона намагалась ітерувати далі, то відчула, що база обмежена, і потрібно підключати додаткові рішення чи вручну деталізувати підхід. Через це інструмент підходить для швидкої валідації ідей, але не для створення унікальних комплексних інтерфейсів. Оксана Плечій називає ресурсоємність єдиним обмеженням інструменту. У цьому контексті для Оксани Claude виглядає більш легким і ефективним для щоденної роботи, тому їх комбінація часто дає найкращий результат. Шаблонні рішення Ілона Трубчаненко звертає увагу на те, що ШІ від Figma менше «думає». «Рішення часто виходять занадто шаблонні, без відчуття, що інструмент справді розуміє твій контекст», — каже дизайнерка. Звичайні фрейми замість автолейаутів Ілона Трубчаненко помітила — замість автолейаутів Figma Make часто ставить звичайні фрейми. Тобто, на перший погляд макет виглядає готовим. Але варто зайти глибше, і розумієш: фрейми треба вручну переробляти на автолейаути. Canva Magic Design: дизайн для не-дизайнерів Переваги: Інструмент для маркетингових задач Експерти підкреслюють, що Canva підходить у першу чергу для створення графічного контенту: соціальних постів, банерів, відеоконтенту, презентацій та маркетингових матеріалів, адже для цього її і створювали. Це простий і зрозумілий інструмент для не-дизайнерів. Швидка генерація ідей Canva має велику базу шаблонів, тому її зручно використовувати для брейнштормів і візуалізації різних ідей. Одразу віддає редаговані файли «Можна швидко щось дописати, пересунути чи адаптувати без необхідності все перегенеровувати. На відміну від Claude Design і Claude Code, де результат може з першої спроби вийти дуже вдалим, але далі ШІ може перебудувати зайве, неправильно зрозуміти правку або змінити те, що не потрібно було чіпати», — каже Анастасія Сігетій. Недоліки: Непридатність для продуктового дизайну Як зазначає Оксана Плечій, в професійному дизайні платформа поки програє Figma Make, але має потенціал для росту. Враховуючи, що Canva орієнтована у першу чергу на дизайн для маркетингових задач, це логічно. Інструмент має власну нішу, де може показувати високі результати. Битва промптів: тестуємо інструменти на реальних кейсах «Карусель» для Telegram-каналу HBJ від Анастасії Сігетій Усі три інструменти отримали однакове технічне завдання англійською мовою з чіткими вимогами до стилістики (мінімалізм, темне тло, акцентний колір, естетика видань рівня New York Times). Промпт: Create 3 slides for an educational social media carousel presentation. All text content must be in Ukrainian. Visual style — inspired by High Bar Journal (journal.gen.tech): Editorial tech media aesthetic. Dark background (#0D0D0D or deep navy), clean white typography with strong hierarchy. Accent color — electric blue or sharp amber as a single highlight. Minimal decorative elements. Sans-serif font (Inter, Neue Haas Grotesk or similar). No gradients — flat, high-contrast. Magazine editorial feel: authoritative, informative, not startup-flashy. Think: less Dribbble, more New York Times Tech section. --- SLIDE 1 — Topic Introduction Large bold headline: "AI-інструменти для дизайнерів: що обрати у 2026?" Subline: Порівнюємо Claude Design, Canva Magic Design і Figma Make Bottom label: HBJ / Edu-серія Layout: Full dark background, headline dominates 70% of slide --- SLIDE 2 — Tool Comparison Three blocks, one per tool, each with a short thesis: - Claude Design — Зручна обгортка навколо того, що Claude вмів і раніше. Поки кориснішим є Claude Code для прототипування інтерфейсів. - Canva Magic Design — Шаблон + AI = готовий результат. Найкраще працює, коли бренд вже визначений і потрібні десятки форматів, варіацій, адаптацій. - Figma Make — Промпт + діалог = концепт. Найкраще працює, коли ідея є, але форма ще не визначена і потрібно швидко дослідити варіанти. Clean grid layout, numbered or icon-separated, high contrast between blocks --- SLIDE 3 — Conclusion One bold thesis in large type: "Найефективніший AI-інструмент — той, що вписується у ваш процес, робить за вас менш цікаве, щоб ви робили більше важливого" Subtle CTA below: "А який інструмент використовуєте ви?" Minimalist layout, maximum white space, single accent line or element --- Format: 4:5 ratio, suitable for Instagram/LinkedIn carousel. Consistent visual language across all 3 slides. Так із завданням впорався Claude Design: Результати платформи Figma Make, яка обрала інший акцентний колір: «Карусель» від Canva Magic Design — найменш «читабельна» версія: 2. Дизайн iOS-застосунку з рецептами від Ілони Трубчаненко Ілона дала ШІ-дизайнерам однаковий промпт: Побудуй просту приємну iOS-апку, яка сканує продукти в холодильнику та пропонує рецепти. Як розповідає Ілона, Claude Design одразу поставив 5 уточнюючих запитань, і після відповідей за пару хвилин створив повноцінний прототип, за який не соромно — з редагуванням тексту, кольорів, накреслень прямо в інтерфейсі. Ось його результат: «Figma Make попросив уточнень уже від мене: мобільний формат, а не веб; розкрити рецепт, а не лише показати картку. Сканування продуктів так і не з'явилось — тільки ручне додавання, що зайва робота для користувача. Але результат можна взяти і допрацювати руками в Figma — і в цьому його головна перевага», — ділиться враженнями Ілона. Так впорався ШІ-інструмент від Figma: Canva Magic Design показала найменш досконалий результат. Як й з Figma: формат довелось уточнювати, сканер не з'явився, а мобільний вигляд зберігся не для всіх екранів. Експортувати файл можна було як презентацію, борд, документ, або опублікувати на сайт. Що вийшло у Canva Magic: Результат Жоден із протестованих інструментів наразі не здатний повністю замінити класичний дизайн-процес та людську експертизу, проте вони чудово закривають локальні завдання: Canva Magic Design — ідеальний вибір для швидкого маркетингу, створення SMM-контенту та презентацій без залучення професійних UI-дизайнерів. Figma Make — потужний асистент для тих, хто проектує інтерфейси безпосередньо у Figma та шукає зручний місток між дизайном і розробкою. Claude Design — найкраще рішення для швидкого концептуального проектування, перевірки бізнес-гіпотез та генерації інтерактивних HTML-прототипів за лічені хвилини.

Уявіть, що ви попросили ШI написати коротку довідку про закон, одержали красиво оформлений текст із цифрами, назвами установ і «дослідженнями», а потім виявилося, що закон вже змінили, а частини джерел взагалі не існує. Знайома ситуація? Що переконливіше звучать AI-відповіді, то легше пропустити помилку. Особливо, коли йдеться про цифри, цитати, закони чи дослідження. Що ж таке фактчекінг, як швидко перевіряти відповіді моделей, яким даним усе ще не варто довіряти без додаткової перевірки — HBJ розбирає разом із Ніною Ромащенко, Head of Product у Legit. Чому AI-відповіді можуть містити помилки Мовні моделі не шукають інформацію в інтернеті в реальному часі, якщо до них не підключено окремий інструмент вебпошуку. Натомість вони генерують відповіді, спираючись на закономірності, які засвоїли під час навчання на великих масивах даних. Як пояснює Ніна Ромащенко, Head of Product у Legit, модель бачить статистичні зв’язки між словами й контекстами, але не перевіряє інформацію на істинність. Якщо в даних є прогалини, суперечності або ж запит сформульований нечітко, AI все одно намагатиметься видати завершену відповідь, навіть якщо частина фактів буде вигаданою чи неточною. Звідси й виникають три типові проблеми. Галюцинації, коли модель упевнено видає неправдиву, але, на перший погляд, цілком достовірну інформацію — вигадані дослідження, неіснуючі цитати, помилкові дати або перекручену статистику. Knowledge cutoff, або дата зрізу знань моделі. Уся інформація, що з’явилася після цього моменту, не входить до навчального набору, тому модель не знає про нові події, факти чи зміни. Узагальнення та спрощення. AI часто зводить складні теми до надто загальних формулювань і втрачає важливі нюанси. Юридичні винятки, регіональні особливості законодавства, специфіка конкретної версії бібліотеки чи edge-case сценарії часто губляться в надто загальних формулюваннях. Саме тому фактчекінг це процес, що залишається критично важливим. За словами Ніни Ромащенко, сьогодні найкраще працює не повна автоматизація, а комбінація ШI, автоматичної верифікації та людського контролю. Особливо, коли йдеться про чутливий та ризикований контент або інформацію, яка впливає на рішення й репутацію. Проста схема фактчекінгу у 5 кроків Як розповідає Ніна Ромащенко, підхід до перевірки насамперед залежить від типу інформації: «Якщо питання стосується загальновідомих концепцій, мій рівень довіри високий. Якщо це вузька тема або конкретні цифри, тоді я ставлюся значно скептичніше. Головне питання для мене — чи суперечить ця відповідь іншим частинам тексту або тому, що я вже знаю». Загалом, фактчекінг це процес, що складається з кількох послідовних кроків, кожен із яких допомагає перевірити достовірність інформації. Ось вони. Крок 1. Виділіть конкретні факти Не намагайтеся перевірити весь текст одразу. Спочатку виділіть все, що можна підтвердити або спростувати: дати, цифри, назви організацій, закони, прізвища, цитати чи посилання на дослідження. Крок 2. Перевірте дати та числа Саме тут мовні моделі найчастіше припускаються помилок. «Я починаю з найризикованіших елементів: чисел, відсотків і дат. Одразу знаходжу першоджерело статистики та звіряю дані», — каже Ніна. Особливо уважно слід ставитися до «надто точних» чисел або статистики без згадки методології, року дослідження чи організації, яка його проводила. Крок 3. Знайдіть першоджерело Будь-яке дослідження, звіт або закон мають першоджерело. Для наукових статей це Google Scholar, PubMed або сайт дослідження. Для законів — офіційні державні реєстри. Для корпоративної статистики — звіти компаній або профільні аналітичні платформи. Крок 4. Зробить крос-перевірку в авторитетних джерелах Одне джерело — ще не доказ. Особливо, якщо це SEO-стаття без посилань або переказ чужого матеріалу. Найкраще знайти два-три незалежні джерела, які підтверджують одну інформацію. Крок 5. Оцініть логіку відповіді Навіть якщо окремі факти виглядають правдивими, загальна логіка відповіді все одно може бути хибною. Тому фактчекінг це ще й перевірка, чи не суперечать твердження одне одному, чи відповідає висновок наведеним даним, і чи не створює модель причинно-наслідковий зв’язок там, де його насправді немає. Для додаткової перевірки Ніна радить використовувати такий прийом: «Варто перефразувати запит або попросити модель навести аргументи “проти” власної відповіді. Підхід добре допомагає знаходити слабкі місця, суперечності або надто категоричні висновки». Ще один нюанс: що довша розмова з AI, то вище ризик помилки. Як пояснює Ніна, у довгих чатах модель починає намагатися бути послідовною й через це іноді підлаштовує нові відповіді під попередні, навіть якщо вони були неточними. Тому складні або критичні запити краще починати в новому чаті. Як перевіряти цифри, дослідження та цитати Нижче — кілька практичних способів перевірки фактів, які допоможуть оцінити надійність відповіді, згенерованої AI. Статистика Якщо в тексті є конкретний відсоток, цифра або «результати дослідження», найперше треба перевірити, чи існує саме це дослідження. Найпростіше це зробити через Statista, Google Scholar або Semantic Scholar. Якщо публікація знайшлася, зверніть увагу на рік, авторів, методологію та розмір вибірки. Якщо ж ШI посилається на статистику, яку неможливо знайти навіть за точною назвою, це серйозний привід засумніватися в достовірності відповіді. Цитати та заяви конкретних осіб Їх краще перевіряти через офіційні сайти компаній, пресрелізи, інтерв’ю або великі медіа зі збереженими архівами, скажімо, Reuters чи BBC. Важливо знайти саме оригінальний контекст, адже AI часто «домальовує» цитату або скорочує її так, що змінюється сенс сказаного. Закони та регуляції Штучний інтелект схильний до «юридичних галюцинацій». Він може змішувати нормативні акти різних країн або посилатися на неактуальні редакції. Для перевірки використовуйте виключно офіційні державні реєстри. В Україні: zakon.rada.gov.ua (звертайте увагу на позначку «Чинний» у верхньому лівому куті). В ЄС: EUR-Lex (перевіряйте статус документа: in force / no longer in force). В США: Congress.gov або Federal Register для актуальних регуляторних норм. Назви організацій і компаній Завжди переглядайте офіційний сайт компанії або організації. AI може плутати схожі назви, скорочення або структури. Наприклад, змішувати назви регуляторів, дослідницьких центрів чи державних установ. Тому Ніна Ромащенко радить не ігнорувати класичні SEO- та журналістські прийоми перевірки: «Зворотний пошук по фразах, пошук через Search Operator site:domain [your keyword] — усе це добре працює як із традиційним контентом, так і з AI-генерованими текстами». Для складніших завдань Ніна також використовує Claude Skill або NotebookLM, у які попередньо завантажує перевірені джерела й уже на їхній основі аналізує відкриті питання. А тим, хто хоче глибше розібратися з цифровим фактчекінгом, вона радить безкоштовний курс AFP «Digital Investigation Techniques», присвячений перевірці інформації та пошуку недостовірних фактів. Коли AI можна довіряти, а коли потрібна глибша перевірка Рівень фактчекінгу напряму залежить від того, що саме ви робите з цією інформацією далі. ШI можна відносно спокійно використовувати для пояснення загальних концепцій та базових визначень. Та коли йдеться про юридичні або фінансові дані, медичні рекомендації, конкретні цифри, дати, цитати чи будь-яку інформацію для публічних документів — рівень перевірки має бути значно вищим. «У 100% випадків я перевіряю твердження з високою ціною помилки. Особливо, якщо це може вплинути на бренд, зашкодити репутації або вплинути на рішення», — каже Ніна Ромащенко. Типові помилки під час перевірки AI-контенту Помилки під час фактчекінгу часто виникають не через брак інформації, а через надмірну довіру до того, що звучить переконливо. Як розповідає Ніна, одна з найпоширеніших проблем — cognitive bias, коли людина несвідомо шукає підтвердження фактам, яким схильна вірити. Саме тому поверхнева перевірка — одна з головних пасток у роботі з AI-контентом. Знайти схожу тему в Google ще не означає перевірити факт: важливо звіряти конкретні цифри, формулювання, дати та першоджерела. «Ще одна типова помилка — перевірка за допомогою того ж AI або іншої моделі. І це не дуже надійний сценарій, тому що велика ймовірність, що вони навчались на схожих даних», — уточнює Ніна. Окремий ризик — надмірна довіра до «точних» чисел. За словами фахівчині, люди значно легше вірять статистиці на кшталт «19,34%», навіть якщо джерело ніхто не перевіряв. Також поширена проблема — перевіряти не першоджерело, а десятки переписаних статей, які посилаються одна на одну. Через повторення недостовірна інформація починає виглядати правдивою. Не забувайте звертати увагу на дату публікації. Є теми, де інформація навіть річної давнини може бути застарілою. Часті запитання (FAQ) Чи потрібно перевіряти кожну AI-відповідь? Ні. Базові пояснення або загальні концепції зазвичай безпечні. Але якщо відповідь містить цифри, дати, цитати, посилання чи потрапить у важливий документ перевірка обов’язкова. Скільки часу займає базовий фактчекінг? У середньому 5-10 хвилин. Якщо розуміти, які саме твердження перевіряти й де шукати першоджерела, — ще менше. Які джерела вважати надійними? Офіційні сайти державних органів, академічні публікації, профільні організації та великі медіа з архівами: Reuters, BBC та ін. Вікіпедія підходить для старту, але не як фінальне джерело. Чи може AI самостійно перевіряти факти? Частково так, особливо якщо має доступ до пошуку в реальному часі. Але AI все ще може неправильно інтерпретувати джерела або посилатися на ненадійні дані, тому повністю делегувати фактчекінг моделям поки що не варто.

Україна за підтримки OpenAI запускає перше національне дослідження про вплив штучного інтелекту на шкільну освіту в умовах війни. Український проєкт увійшов до глобальної програми OpenAI Ініціативу реалізують WINWIN EdTech Center of Excellence та Фонд Східна Європа. Український проєкт увійшов до 12 найкращих у світі в межах міжнародної програми EMEA Youth & Wellbeing. Команда досліджуватиме, як штучний інтелект змінює навчальний процес, взаємодію між учнями та вчителями, а також використання цифрових інструментів у школах під час війни. Під час проєкту фахівці планують опитати 7 тис. учасників. До дослідження залучать учнів віком від 12 до 17 років, їхніх батьків та педагогів. Окрему увагу приділять аналізу використання ШІ-інструментів у гібридному навчанні. Команда також створить AI Safety Toolkit — набір практичних рекомендацій і рішень для безпечного використання нейромереж підлітками та дорослими. Результати дослідження зроблять відкритими У межах проєкту планують запустити відкритий дашборд із результатами дослідження. На його основі експерти підготують національний аналітичний звіт і рекомендації для оновлення державної освітньої політики. «Україна проходить цифрову трансформацію в умовах, з якими ще не стикалася жодна інша країна», — сказала Оксана Матіяш, керівниця WINWIN EdTech Center of Excellence. За її словами, досвід України може стати джерелом знань для міжнародної спільноти у формуванні глобальних стандартів безпечного цифрового середовища для молоді.

Nvidia оприлюднила квартальні результати, які перевищили очікування аналітиків, та оголосила про додатковий викуп акцій на $80 млрд. Попри це, реакція інвесторів залишилася стриманою, а акції компанії втратили 0,3% на премаркеті. Nvidia продовжує зростати на тлі ШІ-буму Компанія прогнозує продажі на рівні $91 млрд у поточному кварталі. Це вище середнього прогнозу Wall Street у $86 млрд, але нижче найбільш оптимістичних оцінок ринку. Nvidia підвищила квартальний дивіденд із $0,01 до $0,25 на акцію, що зробило їх одними з найбільших у корпоративній Америці. Компанія також анонсувала додатковий викуп акцій на $80 млрд. CEO Nvidia Дженсен Хуанг заявив про «надзвичайну швидкість» і «параболічний» характер інвестицій у ШІ-датацентри. Водночас аналітики вважають, що ринок починає сприймати Nvidia як зрілу технологічну компанію зі стабільнішим, але менш вибуховим потенціалом зростання. «Є закон великих чисел: Nvidia починає ставати більше схожою на Apple. Безпечне місце для інвестицій», — сказав CEO The Futurum Group Деніел Ньюман. Ринок оцінює перспективи подальшого зростання Виручка Nvidia за квартал, який завершився у квітні, зросла на 85% рік до року — до $81,6 млрд. Це вже 15-й квартал поспіль, коли компанія перевищує прогнози Wall Street щодо доходів. Водночас валова маржа Nvidia становила 75%, що трохи нижче очікувань аналітиків. Це посилило занепокоєння щодо тиску на витрати через дефіцит пам’яті та високий попит на ШІ-чипи. Аналітики прогнозують, що темпи зростання виручки Nvidia можуть суттєво сповільнитися вже наступного фінансового року — приблизно до 36%. «Ті роки масштабних переглядів прогнозів угору можуть залишитися позаду для Nvidia», — заявила керівниця досліджень Visible Alpha Мелісса Отто.

У 2026 році ШI-інструменти й no-code платформи дозволяють швидко збирати MVP, тестувати ідеї та запускати прості продукти навіть без технічного бекграунду. Інше питання — де в цьому всьому закінчується «демо, яке ніби працює», і починається реальний продукт. Що таке вайбкодинг на практиці, з чого почати створення свого застосунку і які помилки найчастіше ламають продукт ще на старті — HBJ розбирає разом з Олексієм Румянцевим, Head of Engineering у COPYMIND. Що таке вайбкодинг і чому про нього говорять у 2026 році Вайбкодинг це підхід, у якому людина менше займається власне кодом і більше — логікою продукту. Замість того, щоби самостійно реалізовувати всю технічну частину, вона описує сценарії, тестує результат і поступово його допрацьовує, а частину роботи бере на себе ШІ. Інтерес до цього підходу різко виріс разом із розвитком ШI-інструментів. Минулого року близько чверті стартапів зимової когорти Y Combinator, повідомляли, що 95% їхнього коду було згенеровано ШІ. Це не означає, що програмісти стали непотрібними, однак запуск цифрових продуктів справді став значно доступнішим. Навколо вайбкодингу все частіше з’являються розмови про «епоху солопренерів», коли одна людина здатна запускати продукти, для яких раніше була потрібна невелика engineering-команда. Втім, Олексій Румянцев, Head of Engineering у COPYMIND, вважає, що ШI радше змінює масштаб роботи команд, ніж повністю замінює їх. «Спочатку здається, що одна людина може закрити все: продукт, код, дизайн, маркетинг, підтримку, аналітику. А потім виявляється, що кожна з цих зон вимагає окремої уваги. Навіть якщо в кожному напрямі працюватиме по агенту, труднощі не зникнуть. Агентів усе одно треба налаштовувати, контролювати, перевіряти результат і синхронізувати між собою. Майбутнє не в тому, що одна людина замінить цілу компанію. Швидше навпаки: невеликі, але сильні команди, які вміють ефективно працювати з ШІ та AI-агентами, зможуть виконувати обсяг роботи, для якого раніше були потрібні значно більші організації». Чи реально створити додаток без знань програмування Найкраще no-code та ШІ-інструменти працюють там, де потрібно швидко зібрати простий продукт: внутрішній сервіс, Telegram-бота, MVP, дашборд, CRM або невеликий SaaS. Бо щойно продукт стає складнішим — починаються обмеження. Нетривіальна бізнес-логіка, велике навантаження, безпека даних, складні інтеграції або мікросервісна архітектура все ще потребують розуміння технологій та повноцінної розробки. І проблема не лише в якості коду. За даними дослідження компанії CodeRabbit у 2025 році, код, згенерований штучним інтелектом, містив у 1,7 раза більше дефектів порівняно з кодом, який написали люди. Найслабшим місцем виявилася безпека: критичні вразливості в ШІ-згенерованому коді траплялися у 2,74 раза частіше, а логічні помилки — майже на 75% частіше. Які інструменти використовують для вайбкодингу Увесь стек для вайбкодингу сьогодні можна поділити на три категорії: ШI-кодери — Cursor, Replit, Bolt.new, Lovable або GitHub Copilot; no-code платформи — Webflow, Bubble, Glide та Notion; інструменти для автоматизацій — Make, Zapier чи n8n. Втім, Олексій Румянцев радить: «Починати варто з інструментів із найнижчим порогом входу: v0 або подібних AI-білдерів. Особливо якщо задача проста, як-от лендинг, базовий інтерфейс або прототип, який можна поклікати й показати іншим людям. Я б не радив новачку одразу йти в більш технічні сценарії — на старті це часто створює більше складності, ніж користі». Водночас, за словами Олексія, головна помилка — сприймати вайбкодинг як «магічну кнопку», яка повністю прибирає потребу щось розуміти в розробці. «Навіть якщо у вас немає технічного бекграунду, варто розібратися в базових речах: де в системі зберігаються дані, що таке база даних, де це рішення буде розгорнуте, які частини системи за що відповідають. Не обовʼязково ставати розробником, але треба хоча б мати базову схему в голові». Олексій Румянцев також радить із самого початку перевіряти ШI-рішення не лише на базову працездатність, а й на потенційні ризики: безпеку даних, права доступу, стабільність і роботу системи під навантаженням навіть для кількох користувачів. За його словами, головна проблема новачків — сприймати перший прототип як майже готовий продукт. Насправді після генерації MVP усе одно доводиться розбиратися, як працює система, де її обмеження, і що потрібно доробити, щоб продукт не «розсипався» під час реального використання. З чого почати створення свого додатку Щоби пройти шлях від ідеї до першого прототипу, Олексій Румянцев радить рухатися послідовно. Насамперед він радить зрозуміти, яку саме проблему потрібно вирішити і що варто перевірити на першому етапі. Крок 1. Сформулюйте проблему Опишіть, яку задачу вирішує ваша ідея, для кого створюється продукт, який базовий сценарій має запрацювати першим. Так, швидко зібраний прототип — це перевага, однак нічого «не злетить», якщо він вирішує не ту проблему. Крок 2. Подивіться, що вже існує Можливо, на ринку уже є open-source рішення, готовий шаблон або продукт, який можна адаптувати під свою задачу. Для першого MVP це може бути швидше, ніж створювати власну систему з нуля. Крок 3. Сформуйте перше бачення продукту Тепер можна переходити до базової логіки: як користувач потрапляє в сервіс, що бачить під час онбордингу, яку дію виконує, й що відбувається далі. Не «прив’язуйтеся» до цього рішення, сприймайте його як робочу гіпотезу, яку ще треба перевірити. Крок 4. Зберіть прототип під конкретну ціль Рівень реалізації залежить від того, що саме потрібно перевірити. Якщо задача — зрозуміти UX і «пройтися» сценарієм, може вистачити клікабельного інтерфейсу без бекенду. Якщо ж продукт треба показати інвесторам або першим користувачам, потрібно подбати про збереження даних і мінімальну робочу логіку. Крок 5. Зберіть перший фідбек і удоскональте своє бачення Взаємодія з першою версією продукту часто показує, що частина ідей працює не так, як здавалося на старті. Тому перший прототип слугує ще й для того, щоб підкоригувати саме уявлення про розробку. Якщо ж продукт уже запускають на реальних користувачів або трафік, потрібно додатково закривати базові ризики: безпеку, права доступу, стабільність і коректну роботу з даними. У підсумку процес виглядає так: Які навички все одно знадобляться Попри спрощений процес кодингу, кілька базових навичок залишаються критично важливими. Продуктове мислення, тобто вміння відрізняти «що хочеться зробити» від «що справді потрібно користувачу». Логіка й структура. Якщо людина не може пояснити сценарій роботи продукту крок за кроком, ШІ теж не згенерує його коректно. Що точніше сформульована задача, то кращим буде результат. Базове розуміння UX. Простий інтерфейс, передбачувана поведінка елементів і мінімальна кількість дій до цілі напряму впливають на досвід користувача. Критичне мислення щодо ШI-результатів. ШІ може переконливо генерувати нестабільні або небезпечні рішення, тому будь-який результат усе одно потрібно перевіряти й тестувати. «Критично важливими залишаються три речі, — зазначає Олексій. — Перше — декомпозиція: вміння розкласти велику ідею на прості частини й зрозуміти, що справді треба робити зараз. Друге — базове розуміння архітектури: де фронтенд, де бекенд, де база даних, які є інтеграції, де це все розгортається. Третє — мислення ризиками: що може піти не так із даними, доступами, безпекою, стабільністю». Він застерігає: головна проблема починається тоді, коли людина безконтрольно додає нові фічі, не розуміючи, як вони впливають на систему загалом. Тоді продукт стає складним у підтримці, а з часом починає ламатися в найбільш невдалий момент. Як перевірити свою ідею без великих витрат За словами Олексія Румянцева, головне завдання на цьому етапі — отримати найважливішу бізнес-інформацію з мінімальною кількістю зусиль. «Не завжди потрібен повноцінний продукт. Іноді достатньо лендингу, waitlist, fake door test, ручного MVP або дуже простого прототипу. Конкретний формат залежить від ідеї, але ціль одна — швидко зрозуміти, чи є реальний інтерес». Окремо він звертає увагу на те, що спосіб валідації має відповідати бізнес-моделі. Якщо продукт планують монетизувати, найсильніший сигнал — це готовність людини залишити заявку, обрати тариф або оформити передзамовлення. А якщо продукт безкоштовний, варто дивитися на зацікавленість, проходження ключового сценарію та повернення користувачів. «Ключ до успіху — швидко валідувати ідеї, а не місяцями полірувати те, що може виявитися непотрібним». Типові помилки новачків Найчастіше проблеми починаються з кількох типових помилок: Переоцінка ідеї. Якщо продукт не проходив нормальної валідації, навіть хороший MVP може виявитися не потрібним. Ігнорування користувачів. Відгуків друзів або знайомих недостатньо. Потрібен фідбек від людей, які не знають продукт заздалегідь і можуть чесно показати слабкі місця. Занадто складний перший продукт. На старті MVP має перевіряти одну конкретну задачу, а не намагатися одразу закривати десятки сценаріїв і функцій. Відсутність тестування. Якщо код або інтерфейс «ніби працює», це ще не означає, що продуктом уже можна повноцінно користуватися. Не думати про дані — де вони зберігаються, хто має до них доступ, як система поводиться в нестандартних сценаріях і наскільки безпечним є саме рішення. Не перевіряти ШI-рішення критично. Першу ітерацію легко сприйняти як правильну реалізацію. Однак на практиці рішення може виявитися нестабільним, небезпечним або таким, що погано масштабується. FAQ Чи можна заробити на додатку без навичок програмування? Так. Вайбкодинг помітно знизив поріг входу в розробку, тому сьогодні запустити простий SaaS, Telegram-бота чи внутрішній сервіс можна навіть без технічного бекграунду. Але сам продукт — лише частина задачі: без розуміння аудиторії, попиту й дистрибуції заробити не вийде. Скільки часу потрібно, щоб створити перший продукт? Простий MVP або прототип сьогодні реально зібрати за кілька днів, а іноді — навіть за вечір. Але між «працює в демо» і «готово для реальних користувачів» усе ще є велика різниця: повноцінний продукт потребує тестування, стабільності й доопрацювань. Чи потрібно вчити код у процесі? Не обов’язково, але базове розуміння логіки розробки значно допомагає. Навіть знання того, як працюють API, база даних або фронтенд, спрощує роботу з AI-інструментами й допомагає краще розуміти помилки. Які ідеї підходять для no-code підходу? Найкраще no-code та AI-підхід працюють для простих сервісів: автоматизацій, внутрішніх інструментів, дашбордів, Telegram-ботів, CRM або невеликих SaaS-продуктів. Значно складніше — з highload-системами, нетривіальною бізнес-логікою або продуктами з високими вимогами до безпеки.

Компанія Anthropic очікує отримати $10,9 млрд виручки за квартал, який завершиться у червні. Про це повідомляє The Wall Street Journal із посиланням на дані, представлені інвесторам під час поточного раунду фінансування. Anthropic прогнозує перший операційний прибуток Anthropic розраховує отримати $559 млн операційного прибутку. Якщо компанія досягне цього показника, це стане її першим прибутковим кварталом з моменту заснування у 2021 році. Водночас виручка компанії може вдвічі перевищити результат першого кварталу. Anthropic представила свої фінансові прогнози групі інвесторів у межах нового раунду фінансування. Потенційна оцінка компанії може перевищити оцінку OpenAI. Попри прибуток у поточному кварталі, Anthropic не прогнозує стабільної прибутковості надалі. Компанія планує збільшити витрати на обчислювальні потужності та інші операційні потреби для масштабування бізнесу. Популярність Claude зросла після конфлікту з Пентагоном Anthropic раніше поступалася конкурентам за популярністю, хоча вже співпрацювала з великими корпоративними клієнтами. За останні місяці чатбот Claude суттєво посилив позиції та піднявся у топ Apple App Store після публічного конфлікту компанії з Міністерством оборони США. На початку року CEO Anthropic Даріо Амодеї заявив, що компанія не може «із чистою совістю» виконати вимогу Пентагону щодо видалення обмежень у роботі ШІ. Йшлося про захист від використання штучного інтелекту для масового стеження та автономної зброї. У результаті Міністерство оборони США визначило Anthropic як «ризик для ланцюга постачання», а президент Дональд Трамп наказав федеральним агентствам припинити використання Claude. Попри це, деякі урядові структури США продовжують використовувати продукти компанії. Зокрема, NSA застосовує Claude Mythos Preview — ШІ-модель Anthropic для кіберзахисту.