Для бізнесу ця новина не про ще одну модель у довгому списку AI-анонсів. Вона про контроль. Коли агент працює з договорами, рахунками, медичними записами, CRM або фінансовими звітами, власника цікавить не лише «наскільки воно розумне». Є простіші й болючіші питання: де лежать дані, хто керує моделлю і чи можна навчити її під реальні процеси компанії.
Nvidia рухається саме туди. Як пише TechCrunch AI, компанія запустила нові open-weight моделі для постійно активних агентів і edge computing. Йдеться про сценарії, де AI не просто відповідає в чаті, а виконує задачі: читає документи, користується інструментами, запускає дії й може працювати ближче до інфраструктури компанії або прямо на пристрої.
Більше контролю над агентами означає більше роботи для бізнесу
Головна новинка для корпоративного сегмента — Nemotron 3.5 Super VL. Це велика модель на 120 мільярдів параметрів, орієнтована на агентів в enterprise-середовищі. Nvidia каже, що хоча вона має менше параметрів, ніж Nemotron 3 Ultra, точність у задачах виконання інструкцій і використання інструментів має бути схожою.
Компанія також заявляє, що Super VL швидше виконує окремі агентні задачі, ніж конкурентні моделі Anthropic і OpenAI, якщо її додатково навчити під конкретні сценарії. Серед таких сценаріїв Nvidia називає роботу з документами, фінансовий облік, наукові експерименти, страхові медичні заявки та стійкість до кібератак.
Звучить сильно. Але ми б не радили читати це як готову відповідь на всі задачі бізнесу. Кожен великий вендор показує себе у вигідному світлі на власних тестах, і це нормальна частина ринку. Перевіряти все одно доведеться на своїх даних, своїх документах і своїх помилках.
Найцікавіше тут інше. Nvidia робить ставку на компанії, які хочуть запускати відкриті моделі у власних дата-центрах, донавчати їх на своїх даних і не віддавати весь процес закритій платформі. Серед компаній, які, за словами Nvidia, використовують Super VL, згадані Skydance, EY, Ramp, Crowdstrike, Perplexity і Salesforce.
Для середнього бізнесу це не означає, що завтра треба купувати сервер і відмовлятися від усіх SaaS-постачальників. Але напрям уже видно. Якщо у вас клініка, логістична компанія або фінансова агенція, де щодня крутяться чутливі документи, локальні чи напівлокальні агенти поступово стають реалістичнішою альтернативою хмарним рішенням.
AI на ПК: приватність стає аргументом, а не бонусом
Другий блок анонсу — легші моделі Bolt. Вони створені для локального запуску на нових AI‑ПК з чипом Nvidia RTX Spark і робочих станціях DGX Spark. Такі пристрої вже виходять на ринок через партнерів на кшталт Microsoft і Dell.
Nemotron 3.5 Bolt 74B-A9B 24GB — модель на 74 мільярди параметрів для локальних агентних задач. Вона має балансувати швидкість і reasoning, працювати з багатоетапними задачами, викликом інструментів і вебпереглядом. Менша Bolt E4B орієнтована на розмовних агентів і має з’явитися пізніше цього місяця. Super VL і Bolt 74B-A9B вже доступні, повідомляє Nvidia.
Уявімо маркетингову агенцію. Менеджер хоче, щоб AI-агент зібрав матеріали для презентації, перевірив файли клієнта, підготував чернетку листа й не відправляв усе це в хмару. Або інтернет-магазин, де оператор обробляє звернення покупців, але частина даних про платежі й повернення має залишатися локально. Саме тут Nvidia намагається продати ідею приватного асистента на пристрої.
З практичного боку ми б починали не з вибору моделі, а з одного процесу. Наприклад, рахунки, заявки, договори або звернення клієнтів. Там має бути повторювана робота з документами чи інструментами, інакше агент швидко стане красивою демкою без користі.
- Перевірте, чи справді потрібен локальний запуск. Для частини задач хмарний LLM залишиться дешевшим і простішим.
- Подивіться на якість даних. Агент на власній інфраструктурі не врятує процес, якщо файли розкидані, CRM заповнена абияк, а правила роботи живуть у головах співробітників.
- Закладіть безпеку й моніторинг з першого дня: права доступу, журнали дій, обмеження на інструменти, тестування на помилки.
Наша позиція проста: відкриті моделі від Nvidia не роблять AI-впровадження легким. Вони дають бізнесу більше варіантів архітектури. Можна будувати агентів ближче до своїх даних, менше залежати від закритих платформ і точніше налаштовувати модель під процеси.
Але магії тут немає. Без нормальної постановки задачі, RAG, інтеграцій і контролю такий агент швидко перетвориться на дорогу іграшку. І тут починається найцікавіше: виграють не ті, хто першим поставить модель, а ті, хто краще підготує для неї роботу.