Новости об ИИ с точки зрения операций

Главное

Google разрешит убирать видимый водяной знак с ИИ-изображений

Google разрешит пользователям убирать видимый водяной знак, которым по умолчанию помечались изображения, созданные её ИИ-инструментами, сообщает TechCrunch. Изменение затрагивает то, насколько легко ИИ-визуал теперь можно выдать за оригинальный контент — это важно для любой компании, публикующей маркетинговые, продажные или сервисные материалы и следящей за происхождением контента.

Что меняется для операций — Для B2B-компании на 10-200 человек это в первую очередь вопрос контент-губернанса, а не автоматизации: если маркетинг или саппорт использует ИИ-инструменты Google для генерации картинок в презентации, рекламу или статьи базы знаний, полагаться на видимый водяной знак как на способ отличить ИИ-контент от оригинального — внутри команды или для внешней аудитории — больше не получится. Командам, которым нужно раскрывать факт использования ИИ по требованиям комплаенса, доверия клиентов или политик площадок (рекламных сетей, маркетплейсов), стоит уже сейчас выстроить собственную систему тегирования или проверки метаданных — простое правило именования файлов или проверка встроенного невидимого водяного знака — вместо того чтобы полагаться на дефолтный визуальный маркер вендора, поскольку этот дефолт вот-вот станет необязательным.

Google научил Таблицы собирать дашборды по текстовому запросу, без формул

Для B2B-компании на 10-200 человек ценность здесь не в самой функции, а в том, где она появилась: большинство операторов и так ведут учёт воронки продаж, объёма тикетов и загрузки команды в каком-нибудь Sheet, который когда-то собрал фаундер или руководитель операций, а разобраться в нём больше никто толком не может. Sheets canvas снижает стоимость получения читаемого представления из этих данных — не нужно ждать человека, который знает VLOOKUP или Apps Script, и это удобно для быстрой проверки цифр во вторник утром. Но это не замена полноценному слою отчётности: если данные по продажам, поддержке и операциям живут в трёх разных системах (CRM, хелпдеск, таблица), красивая визуализация одного лишь табличного куска не покажет, совпадает ли цифра воронки менеджера с тем, что тикеты поддержки говорят о риске оттока. Относитесь к этому как к удобству для разовой аналитики, а не как к подтверждению, что таблицы должны оставаться вашей системой учёта, — возможность для автоматизации по-прежнему в связке этих систем между собой, а не в украшении одной из них.

AWS открыла разработчикам доступ к кастомным функциям вознаграждения для многошаговых AI-агентов

Большинство отделов продаж, поддержки и операционных команд не занимаются обучением моделей с нуля, но многие уже используют AI-агентов для многошаговых сценариев: квалификация лида в переписке из нескольких сообщений, закрытие тикета поддержки через серию обменов репликами, выполнение внутреннего процесса в несколько этапов. Проблема, которую решает этот материал AWS, актуальна и для таких команд: проверка «хорош ли этот ответ» на уровне одного сообщения не показывает, довёл ли агент клиента до решения проблемы, соблюдал ли политику компании на всём протяжении диалога и не ходил ли по кругу. Если вы выбираете вендора или строите собственную логику агента, стоит спросить конкретно, как измеряется успех по всему взаимодействию целиком, а не по отдельным репликам — именно эту проблему и решает дизайн функций вознаграждения, и та же логика применима к тому, как вы оцениваете эффективность собственных агентов внутри компании.