Если ты ждёшь, что ученик откроет чат, спросит «как собрать датчик влажности» и получит готовый ответ на всё сразу, то пилот, о котором пойдёт речь, устроен наоборот. Помощник намеренно заперт внутри школьной программы, отвечает не ученику, а учителю, и оставляет за живым педагогом последнее слово. Именно это, а не «ещё один бот в классе», и есть главная новость.
14 июля 2026 года Google DeepMind и Atal Innovation Mission объявили живой пилот под названием ATL Saathi. Об этом сообщает Google DeepMind в блоге от 14 июля 2026 года. Первый этап охватывает 100 школ Индии, помощник построен на Gemini и предназначен прежде всего для педагогов Atal Tinkering Labs — школьных мастерских, где дети собирают физические устройства руками, а не только пишут код.
Ниже я разберу, что именно изменилось, чем такой ограниченный помощник отличается от универсального чат-бота, и как ты можешь повторить эту архитектуру у себя. Сразу оговорюсь: это заявление разработчиков и пилот. Независимых данных об успеваемости, снижении нагрузки на учителей или безопасности применения пока нет.
Что именно объявили 14 июля
Главное: это не запуск продукта для всех, а узкий живой пилот на 100 школ, где gemini искусственный интеллект работает внутри жёстко заданного учебного контента.
Вот проверенные факты из блога Google DeepMind (14 июля 2026):
- Пилот ATL Saathi объявлен 14 июля 2026 года совместно Google DeepMind и Atal Innovation Mission.
- Первый этап охватывает 100 школ Индии.
- Помощник построен на Gemini и адресован прежде всего педагогам Atal Tinkering Labs.
- Контент 12 учебных модулей организован в NotebookLM и выдаётся как краткие материалы, инфографика, видеообзоры и тесты.
- Для 10 из этих модулей система генерирует возрастные проектные идеи и пошаговые инструкции по сборке.
- Ответы включают схемы подключения и меры безопасности для задач, которые ученики приносят сами.
- Пилот стартует на восьми языках и оставляет учителя ответственным за проведение занятия.
Обрати внимание на две детали. Первая: 12 модулей загружены в NotebookLM, но проектные идеи и инструкции генерируются только для 10 из них. То есть охват возможностей уже, чем охват справочного контента, и это сознательное ограничение, а не недоработка. Вторая: система выдаёт схемы подключения и меры безопасности. Это ровно та зона, где ошибка модели превращается из «неверного факта в реферате» в «замкнутый на 220 вольт паяльник в руках подростка». Поэтому учитель тут не формальность, а часть контура безопасности.
Здесь же полезная мысль для любого, кто думает про ИИ в обучении на российском рынке: практическая ценность родилась не из «дайте детям умного бота», а из ограничения. И если тебе нужно сравнить, как одну и ту же задачу решают Gemini, Claude или GPT, удобно иметь один доступ ко всем моделям сразу — например, через provod.ai, чтобы не заводить три отдельных счёта ради одного эксперимента.
Чем узкий помощник отличается от универсального чат-бота
Главное: универсальный бот отвечает на всё и уверен всегда; учебный помощник должен отвечать в границах программы и уметь сказать «этого нет в модуле».
Разница не в модели, а в том, что вокруг неё построено. Gemini под капотом один и тот же. Отличается контур.
| Свойство | Универсальный чат-бот | Помощник вроде ATL Saathi |
|---|---|---|
| Источник знаний | весь обучающий корпус модели | заданные учебные модули в NotebookLM |
| Кому отвечает | конечному пользователю напрямую | педагогу, который ведёт занятие |
| Границы темы | почти нет | 12 модулей контента, 10 с проектами |
| Что делает при вопросе вне темы | всё равно отвечает | должен отказать или вернуть к программе |
| Кто отвечает за результат | пользователь | учитель |
| Языки на старте | зависит от продукта | восемь (по данным DeepMind, 14.07.2026) |
Ключевой инженерный приём здесь называется grounding — привязка ответа к конкретным документам, а не к «памяти» модели. NotebookLM в пилоте играет роль этой привязки: модель отвечает по загруженным материалам, а не по всему, что она когда-либо видела. Для темы со схемами подключения это критично — тебе нужно, чтобы инструкция по сборке совпадала с той, что проверил методист, а не с усреднённой версией из интернета.
Второй приём — роль. Помощник спроектирован как ассистент учителя, а не как замена. Это снимает половину рисков: если модель ошиблась в мере безопасности, между ней и ребёнком стоит взрослый, который эту меру читал раньше и умеет её проверить.
Как собрать похожий ограниченный помощник
Главное: тебе нужны три вещи — набор проверенного контента, привязка ответа к этому контенту и явные границы того, о чём помощник молчит.
Разберём по шагам. Я специально держусь той же логики, что в пилоте: сначала контент, потом привязка, потом роль.
- Собери и вычитай контент. Возьми свои учебные модули как есть — тексты, методички, инструкции по сборке. Их должен проверить человек, который отвечает за предмет. Модель не проверит методичку за тебя.
- Раздели «справку» и «генерацию». В пилоте 12 модулей дают справку, но проекты генерируются только для 10. Сделай так же: часть тем — только чтение проверенного, часть — генерация идей поверх него. Не смешивай.
- Заведи grounding. Технически это retrieval: перед ответом подтягивай релевантные куски своих документов и передавай их в модель как контекст. Модель отвечает по ним, а не «из головы».
- Пропиши границы в системном промпте. Явно скажи модели, что делать с вопросом вне модулей: не выдумывать, а возвращать пользователя к программе или к учителю.
- Оставь человека в контуре. Для всего, что касается безопасности и физической сборки, ответ модели — черновик для взрослого, а не команда ребёнку.
Компактный пример системного промпта, задающего роль и границы:
Ты — ассистент учителя лаборатории, а не собеседник ученика.
Отвечай только по переданным ниже учебным модулям.
Если вопрос выходит за их рамки, честно скажи об этом
и предложи обратиться к учителю. Для любых шагов сборки
всегда добавляй раздел «меры безопасности» и помечай его
как черновик, требующий проверки взрослым.
Не выдумывай схемы подключения, которых нет в модулях.
Обрати внимание: это не гарантия. Системный промпт снижает риск, но не отменяет проверку человеком. Модель может проигнорировать инструкцию, особенно на длинном диалоге.
Доступ и код: как подключиться из России
Главное: Gemini напрямую из России часто требует зарубежную карту и обход блокировок; совместимый API убирает оба этих трения.
Здесь важно не путать понятия. Gemini — это модель Google. NotebookLM — отдельный продукт Google для работы с документами, и именно он используется в пилоте как хранилище контента. provod.ai не заменяет NotebookLM и не даёт его функции: это про доступ к самим моделям через один совместимый API, когда тебе нужно сравнить или переключаться между семействами моделей.
Практический смысл для российского читателя простой. provod.ai агрегирует Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и даёт один API, совместимый с SDK OpenAI и Anthropic — меняешь ключ и base_url, остальной код остаётся прежним. Оплата рублёвым балансом с российской карты, через СБП или по счёту, работает без VPN и зарубежных карт. Для юрлица есть договор, счёт и закрывающие документы. Это ровно тот случай, когда тебе нужно сравнить, как Gemini и Claude пишут инструкцию по безопасности, не заводя две зарубежные подписки.
Вот минимальный вызов через SDK OpenAI — меняются только ключ и базовый адрес:
from openai import OpenAI
# ЗАМЕНИ на свой ключ, не коммить его в репозиторий
client = OpenAI(
api_key="ВАШ_КЛЮЧ_PROVOD", # секрет, храни в переменной окружения
base_url="https://api.provod.ai/v1",
)
resp = client.chat.completions.create(
model="gemini-2.5-pro", # имя модели уточняй в актуальном списке
messages=[
{"role": "system", "content": "Ты ассистент учителя. Отвечай только по модулям."},
{"role": "user", "content": "Собери схему подключения датчика влажности для 7 класса."},
],
)
print(resp.choices[0].message.content)
Ключ вынеси в переменную окружения, а не в код. Имя модели в поле model держи параметром — так ты за минуту переключишься с Gemini на Claude и сравнишь два ответа на одном промпте.
Какую модель выбрать и сколько это стоит
Главное: для узкого учебного помощника чаще выигрывает не самая мощная модель, а самая предсказуемая и дешёвая на объёме; точные цены смотри в прайсе провайдера на момент запуска.
Я не буду называть конкретных цифр за токены — они меняются, и любой прайс из статьи устареет раньше, чем ты его прочитаешь. Правильный подход — сравнить модели на своей задаче, а не по чужому бенчмарку.
Логика выбора для учебного сценария такая:
- Объём предсказуемый и большой (сотни одинаковых по форме запросов от учителей) — бери модель подешевле и проверяй, хватает ли её качества на grounding. Часто хватает.
- Нужна работа с длинным контекстом (весь модуль целиком в промпте) — смотри на лимит контекста конкретной модели, а не на её «ум».
- Критична строгость к границам — тестируй, какая модель реже уходит за пределы модулей. Это не про размер модели, а про поведение.
Практический приём: возьми 20 реальных вопросов учителей, прогони их через две-три модели с одним и тем же системным промптом и сравни ответы бок о бок. provod.ai здесь удобен тем, что все семейства доступны через один ключ и один рублёвый баланс — не нужно платить трём провайдерам, чтобы честно сравнить трёх кандидатов.
Ещё раз про честную границу: provod.ai не заменяет платформы автоматизации, не даёт GigaChat, не заменяет частную или on-prem инфраструктуру, функции, доступные только по подписке у самого вендора, и работу по внедрению. Это доступ к моделям, а не готовое школьное решение под ключ.
Типовые ошибки и как их ловить
Главное: большинство сбоев в таком помощнике — не «модель тупая», а «модель отвечает не по документам» или «границы протекли».
Если ты соберёшь пайплайн из шагов выше и подключишь его к автоматизации (например, к n8n, чтобы учителя слали вопросы через форму), готовься к трём классам проблем.
- Ответ мимо контента. Модель отвечает красиво, но не по твоим модулям. Признак: в ответе появляются детали, которых в методичке нет. Лечение: проверь, что retrieval реально подтягивает нужные куски и что они попадают в промпт до вопроса.
- Протёкшие границы. Помощник начинает отвечать на вопросы вне программы. Признак: развёрнутый ответ на «а как взломать соседский Wi-Fi». Лечение: ужесточи системный промпт и добавь проверку темы отдельным быстрым запросом до основного.
- Опасная уверенность в безопасности. Модель выдаёт меру безопасности тоном факта, но мера неполная. Это самый дорогой класс. Лечение: помечай раздел безопасности как черновик и делай проверку человеком обязательным шагом, а не опцией.
Отдельно про интеграцию с n8n: типичная ошибка — таймауты на длинных промптах, когда весь модуль уезжает в контекст. Разбивай контент на куски, логируй, какие именно фрагменты ушли в запрос, и держи повтор с бэкоффом на сетевые сбои. Без лога того, что реально попало в промпт, ты будешь чинить не тот слой.
Чего этот пилот и подход не решают
Будь честен с ожиданиями. Вот что остаётся за рамками.
- Нет независимых результатов. По состоянию на 14 июля 2026 это заявление Google DeepMind и живой пилот. Данных о влиянии на успеваемость, о снижении нагрузки на учителей или о реальной безопасности применения пока нет. Не выдавай анонс пилота за проверенный продукт.
- Grounding не гарантирует правду. Привязка к документам снижает выдумки, но если в самой методичке ошибка, помощник её уверенно повторит.
- Границы протекают. Ни один системный промпт не держит тему на 100%. Планируй проверку, а не надейся на настройку.
- Безопасность физической сборки — зона взрослого. Схема подключения от модели — это черновик. Замыкания, напряжение и пайка не прощают «почти правильной» инструкции.
- Восемь языков — не значит равное качество. Пилот стартует на восьми языках (DeepMind, 14.07.2026), но это не обещание одинаковой точности на каждом.
- Это не про Россию напрямую. Пилот идёт в школах Индии внутри Atal Tinkering Labs. Переносить архитектуру можно, копировать контент и заявления — нет.
⚠️ Отдельно предупреждение: любой ответ модели про меры безопасности при работе с электричеством, инструментом или химией проверяет живой человек до того, как его увидит ребёнок. Автоматическая генерация тут — помощь методисту, а не замена техники безопасности.
Что забрать в работу
Короткий чек-лист, если хочешь повторить идею у себя:
- собери и вычитай контент руками ответственного человека;
- раздели справку и генерацию, как 12 и 10 модулей в пилоте;
- сделай grounding на свои документы, а не на «память» модели;
- пропиши границы в системном промпте и проверяй, держатся ли они;
- оставь человека последним контролёром для всего, что касается безопасности;
- сравни несколько моделей на своих 20 реальных вопросах, а не по чужим бенчмаркам.
Хочешь сравнить, как Gemini, Claude и GPT пишут одну и ту же учебную инструкцию — подключи один ключ на provod.ai и прогони свои двадцать вопросов через все модели с рублёвого баланса, без VPN и зарубежных карт.
Источники
- Google DeepMind, «Empowering India's next generation of innovators with ATL Saathi», 14 июля 2026 (первичный источник фактов о пилоте, 100 школах, 12 модулях, схемах подключения, мерах безопасности и восьми языках): https://deepmind.google/blog/empowering-indias-next-generation-of-innovators-with-atl-saathi/
Всё, что в статье про архитектуру, код и выбор модели, — это мой разбор поверх этих фактов, а не заявление Google. Цены за токены и точные имена моделей сверяй в актуальном прайсе провайдера на момент, когда будешь это читать.
provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.
Try: provod.ai · model catalog · docs
Top comments (0)