Gemini 3.7 Flash: Всього через 3 тижні після попередника – нова модель штучного інтелекту від Google дивує галузь

Краще за конкурентів? Чому Gemini 3.7 Flash повністю змінює ринок штучного інтелекту

Справжня революція штучного інтелекту полягає в ціні: що для нас означає нова мовна модель Google

Розвиток штучного інтелекту наразі невпинно стрімко розвивається. Всього через три тижні після останнього оновлення Google вже запускає свою наступну мовну модель, Gemini 3.7 Flash, що викликає значні дискусії в технологічній галузі. Однак справжній шок цього разу пов'язаний не лише з вражаючими показниками програмування чи новими архітектурними суперлативами, а й з безпрецедентною ціновою стратегією. За допомогою агресивних знижок технологічний гігант безпосередньо атакує конкурентів, щоб заманити розробників та компанії до власної екосистеми. Це розрахована «стратегія блокування», яка обіцяє величезну економію в автоматизації процесів у короткостроковій перспективі, але передбачає подвоєння витрат до 2027 року. Цей поглиблений аналіз проливає світло на те, що стоїть за швидкими темпами оновлень Google, наскільки ефективною є нова модель на практиці та що компанії обов'язково повинні враховувати під час її інтеграції.

Примітка щодо орфографії: Ваш оригінальний текст вже мав відмінний рівень з точки зору мови, граматики та стилю. Я перевірив весь текст відповідно до чинних правил німецької орфографії (Німеччина/Австрія, включаючи правильне використання "ß" як у "Maße" або "großer" та правильне написання великої літери "das Zweifache") та вніс деякі незначні покращення форматування. Ось повний текст без помилок:

Пов'язано з цим:

• Чому плани Google щодо Gemini 4 чинять тиск на конкурентів у сфері штучного інтелекту: більше, ніж просто чат-бот

Цінова війна у штучному інтелекті: як Gemini 3.7 Flash від Google змінює економіку мовних моделей

Щотижнева гонка озброєнь: диво програмування для кодерів? Наскільки насправді хороший Google Gemini 3.7 Flash?

За останні роки індустрія програмного забезпечення звикла до швидких циклів інновацій, але навіть досвідчені спостерігачі ринку з недовірою труть очі від темпів, з якими Google зараз випускає нові мовні моделі. Всього через три тижні після запуску Gemini 3.6 Flash компанія представила його наступника, Gemini 3.7 Flash, який, за її словами, є найпотужнішою робочою моделлю на сьогоднішній день для програмування та автономних агентів штучного інтелекту. Цей темп є економічно вражаючим, оскільки суперечить традиційним уявленням про цикли продукту, в яких дослідження, розробка, тестування та вихід на ринок зазвичай займають місяці або роки. Google пояснює цей швидкий прогрес алгоритмічними вдосконаленнями, а не дорогою переробкою базової архітектури, оскільки Gemini 3.7 Flash базується безпосередньо на фундаменті Gemini 3.6 Flash. Для всього технологічного сектору це сигналізує про те, що межі технологічного дозрівання в секторі штучного інтелекту наразі розширюються переважно шляхом ітеративного точного налаштування, а не фундаментальних стрибків у моделі.

З економічної точки зору, цей ритм розкриває ключову закономірність у сучасній конкуренції на ринку штучного інтелекту. Ті, хто вже володіє навчальною інфраструктурою, обчислювальними інструментами та алгоритмічними структурними блоками, можуть відносно ефективно розгортати подальші ітерації, тим самим підтримуючи постійний тиск на своїх конкурентів щодо інновацій. Економічно це можна порівняти з логікою граничних витрат, де фіксовані витрати першого покоління моделі вже амортизовані, а кожне наступне вдосконалення може бути вироблено порівняно дешево. Для таких конкурентів, як Anthropic або OpenAI, це призводить до значного стратегічного тиску, оскільки вони повинні пропонувати конкурентоспроможні рішення через ще коротші проміжки часу, щоб підтримувати відповідну частку ринку серед розробників та компаній.

Коли показники ефективності стають зброєю в конкуренції

Дані бенчмарків, опубліковані Google, чітко демонструють стрибок у якості коду. У головному тесті FrontierCode 1.1 Gemini 3.7 Flash досягає 43,6 відсотка, тоді як його попередник набрав лише 34,4 відсотка. У тесті DeepSWE Benchmark, який імітує реальні завдання розробки програмного забезпечення, результат зростає з 49,0 відсотка до 65,3 відсотка. Згідно з власними вимірюваннями Google, нова модель перевершує як Claude Sonnet 5 (42,7 відсотка), так і GPT 5.6 Terra (41,3 відсотка) у прямому порівнянні якості коду. Google також повідомляє про значні покращення у веб-розробці, розумінні документів та автоматизації бізнес-процесів, що продемонстровано у внутрішньому тесті AutomationBench, де Gemini 3.7 Flash досягає 30,4 відсотка порівняно з 17,0 відсотками у попередника та лише 10,7 відсотками у Claude Sonnet 5.

Незважаючи на ентузіазм навколо цих цифр, аналітична обережність є виправданою. Незалежні тестові агентства, такі як Artificial Analysis, наразі не мають власних перевірених результатів бенчмарків для Gemini 3.7 Flash у визнаних тестах, таких як SWE-Bench Verified, AIME або MMLU-Pro. Тому циркулюючі цифри походять виключно з власної таблиці бенчмарків Google і не пройшли жодної зовнішньої перевірки. Це не поодинокий випадок у галузі, а радше структурна проблема із самооцінкою, коли компанії природним чином обирають методи тестування та бенчмарки, які найкраще відображають їхні власні сильні сторони. Також варто зазначити, що власна таблиця бенчмарків Google показує області, де нова модель не дотягує, наприклад, у тесті Terminal-bench 2.1 на загальні можливості агента, де GPT-5.6 Terra з 87,4 відсотками продовжує перевершувати Gemini 3.7 Flash з 85,8 відсотками, та в бенчмарку DeepSWE, де GPT-5.6 Terra також лідирує з 69,6 відсотками. Така прозорість щодо власних слабких сторін надає певної достовірності комунікації, але не змінює фундаментального методологічного обмеження, що це показники, керовані виробниками.

Справжня революція полягає в ціні, а не в коді

Хоча покращення продуктивності та якості коду привертають увагу професійної спільноти, найдалекосяжнішим економічним рішенням Google, ймовірно, є радикальна цінова стратегія. Gemini 3.7 Flash пропонуватиметься за початковою ціною $0,75 за мільйон вхідних токенів та $3,75 за мільйон вихідних токенів до кінця 2026 року, що рівно вдвічі менше початкової ціни Gemini 3.6 Flash. З 1 січня 2027 року ці ціни мають подвоїтися до $1,50 та $7,50 за мільйон токенів відповідно. Це тимчасове зниження ціни не є випадковістю, а радше відповідає чітко помітній ринковій стратегії: Google реагує на жорстку цінову конкуренцію, значною мірою зумовлену недорогими китайськими моделями штучного інтелекту, та позиціонує себе за допомогою агресивної кампанії зі знижками, щоб залучити розробників та компанії до своєї екосистеми, перш ніж конкуренти зможуть наздогнати.

Порівняно з конкуруючими моделями, ця цінова стратегія виглядає справді революційною. Згідно з власною порівняльною таблицею Google, Claude Sonnet 5 коштує 2,00 долари за мільйон вхідних токенів та 10,00 долари за мільйон вихідних токенів, тоді як GPT-5.6 Terra також коштує 2,00 долари за вхід, але навіть 12,00 долари за мільйон вихідних токенів. Таким чином, Gemini 3.7 Flash поступається конкурентам більш ніж у два рази за вхідними витратами та в два-три рази за вихідними витратами, тоді як, за даними Google, він навіть перевершує їх за кількома ключовими показниками якості коду. Для компаній, які щодня обробляють мільйони токенів за допомогою агентів штучного інтелекту, ця різниця в ціні призводить до значної економії коштів, яка може швидко досягти п'яти-шестизначних цифр на рік для масштабних проектів автоматизації.

Для бізнес-розрахунків компаній, що інтегрують генеративний ШІ у виробничі процеси, це призводить до подвійної переваги, хоча й з чітким часовим горизонтом. Ті, хто запустить проекти автоматизації до кінця 2026 року, працюватимуть у значно сприятливіших умовах, ніж з наступного року, коли набудуть чинності стандартні ціни. Це подвоєння цін після вступної фази також є розумним інструментом утримання клієнтів, оскільки компанії, які узгодили свої технічні процеси з певною моделлю та її структурою API, рідко переходять до іншого постачальника в короткостроковій перспективі з міркувань вартості, навіть якщо ціни пізніше зростуть. З економічної точки зору це можна інтерпретувати як класичну стратегію фіксації, яка використовує короткострокові знижки для забезпечення довгострокової лояльності клієнтів та частки ринку.

Доступність як стратегічна мережа розподілу

Технічна доступність Gemini 3.7 Flash охоплює надзвичайно широку екосистему, покриваючи весь ланцюжок створення вартості – від окремих розробників до великих підприємств. Модель доступна через Gemini API, Google AI Studio, Android Studio та агентне середовище розробки Antigravity. Корпоративні клієнти також мають доступ через платформу агентів Gemini Enterprise та додаток Gemini Enterprise, тоді як приватні користувачі з підпискою Google AI Pro або Ultra можуть використовувати модель через персонального помічника Gemini Spark у понад 160 країнах. Таке широке поширення аж ніяк не є стратегічною випадковістю; воно радше відповідає логіці швидкого проникнення на ринок, оскільки Google прагне інтегрувати нову модель у якомога більше існуючих варіантів використання в найкоротші терміни, не вимагаючи від користувачів активної міграції або проходження громіздких процесів переходу.

Особливо показовою є безпосередня інтеграція в Gemini Spark, яка, як постійно активний персональний агент штучного інтелекту, є центральною у споживчій стратегії. Безпосередньо інтегруючи найпотужнішу модель у свій передплатний продукт для кінцевих користувачів, Google змінює конкурентний ландшафт не лише на рівні розробників, але й на масовому ринку персональних помічників на базі штучного інтелекту. Це посилює тиск на конкурентів, таких як OpenAI з його пропозицією ChatGPT або Anthropic, чиї споживчі продукти досі були менш орієнтовані на постійну автоматизацію на основі агентів у повсякденному житті. Крім того, технічна архітектура Gemini 3.7 Flash підтримує настроювані конфігурації мислення, що дозволяє розробникам гнучко керувати балансом між якістю відповіді, вартістю та затримкою. На практиці це означає, що ресурсомісткі завдання можна обробляти з більшими когнітивними зусиллями, тоді як прості рутинні завдання можна обробляти з мінімальними обчислювальними витратами.

Контекст, розмір вікна та тиха зміна в конкуренції

Ще один аспект, який часто недооцінюють у публічних дебатах, стосується контекстного вікна моделі, яке залишається на рівні одного мільйона токенів, як і у попередника. Хоча попередні покоління моделей часто просувалися з більшими контекстними вікнами як ключовим аргументом продажу, конкурентний акцент все більше зміщується від чистої потужності до ефективності та точності в межах існуючих обмежень. Це означає, що Google досягає своїх покращень не насамперед за рахунок збільшення обсягу даних, які можна обробити, а за рахунок більш інтелектуального використання та обробки існуючих потужностей. Наприклад, для компаній, які хочуть аналізувати великі контракти, технічну документацію або великі бази коду, верхня межа залишається незмінною, але якість обробки в межах цієї межі помітно зростає, що демонструють такі бенчмарки, як тест на розуміння довгого контексту GDM-MRCR, який досягає балу 97,0 відсотка.

Ліміт витрат у 64 000 токенів, а також можливість вибору між низькою, середньою та високою обчислювальною потужністю, ще раз ілюструє, що Google більше не базує свою модель ціноутворення виключно на розмірі моделі, а на фактично використаній обчислювальній потужності. Це має економічний сенс, оскільки дозволяє компаніям детально коригувати свої витрати відповідно до фактичних потреб окремих робочих етапів, замість того, щоб платити фіксовану ціну за найвищу доступну обчислювальну потужність за кожен запит. На практиці це означає, що компанія може вибрати значно дешевшу конфігурацію для простих автоматизованих класифікацій тексту, ніж для складних багатоетапних завдань програмування, тим самим значно знижуючи загальні витрати на продуктивне використання. Цікаво, що незалежні тестувальники виявили, що модель досягає майже такого ж балу на найнижчому рівні обчислювальної потужності, як і її попередниця на найвищому, але за значно меншу вартість та зі значно коротшим часом очікування.

Тут ви дізнаєтеся, як ваша компанія може швидко, безпечно та без високих бар'єрів входу впроваджувати індивідуальні рішення на основі штучного інтелекту.

Керована платформа штучного інтелекту — це ваше комплексне та безтурботне рішення для штучного інтелекту. Замість того, щоб мати справу зі складними технологіями, дорогою інфраструктурою та тривалими процесами розробки, ви отримуєте готове рішення, адаптоване до ваших потреб, від спеціалізованого партнера — часто всього за кілька днів.

Основні переваги з першого погляду:

⚡ Швидке впровадження: від ідеї до готового до використання застосунку за лічені дні, а не місяці. Ми пропонуємо практичні рішення, які створюють негайну додану цінність.

🔒 Максимальна безпека даних: Ваші конфіденційні дані залишаються з вами. Ми гарантуємо безпечну та відповідність вимогам обробку без передачі даних третім особам.

💸 Без фінансових ризиків: Ви платите лише за результат. Повністю виключаються значні початкові інвестиції в обладнання, програмне забезпечення чи персонал.

🎯 Зосередьтеся на своєму основному бізнесі: Зосередьтеся на тому, що ви робите найкраще. Ми подбаємо про повне технічне впровадження, експлуатацію та обслуговування вашого рішення на базі штучного інтелекту.

📈 Орієнтований на майбутнє та масштабований: Ваш ШІ зростає разом з вами. Ми забезпечуємо постійну оптимізацію та масштабованість, а також гнучко адаптуємо моделі до нових вимог.

Більше інформації тут:

• Кероване рішення на основі штучного інтелекту – промислові послуги зі штучним інтелектом: ключ до конкурентоспроможності в секторах послуг, промисловості та машинобудування

Ширший економічний контекст: ринок у конкурентному середовищі

Щоб повністю зрозуміти значення Gemini 3.7 Flash, варто поглянути на загальну динаміку цін за останні кілька місяців. Ще у травні 2026 року на своїй конференції I/O Google розпочала значну атаку на маржі власного асортименту продуктів, випустивши Gemini 3.5 Flash та знизивши ціну на підписку Ultra з 249,99 доларів до 99,99 доларів на місяць, що супроводжувалося оголошенням про те, що функція пошуку на базі штучного інтелекту вже охопила понад мільярд користувачів щомісяця. Ця безперервна серія зниження цін протягом лише кількох місяців демонструє, що конкуренція в секторі штучного інтелекту все більше зміщується від чистої гонки за якістю до класичного цінового обмеження, що типово для ринків розвинених технологій з високими фіксованими витратами та низькими граничними витратами.

З економічної точки зору, таку поведінку можна порівняти зі стратегією великих платформних компаній, які спочатку забезпечують собі частку ринку за допомогою агресивного ціноутворення, а потім закріплюють домінуюче становище за рахунок ефекту масштабу та мережевих ефектів. Google має структурну перевагу, якої бракує багатьом меншим конкурентам: власна обчислювальна інфраструктура, спеціалізовані процесори Tensor та глибоко інтегроване хмарне середовище дозволяють компанії значно знижувати витрати на навчання та експлуатацію, ніж у постачальників, які покладаються на орендовані обчислювальні потужності у третіх сторін. Така вертикальна інтеграція ланцюжка створення вартості, від розробки чіпа до готового застосунку, надає Google стійку перевагу у витратах. Це дозволяє компанії підтримувати зниження цін, не ставлячи під загрозу свою прибутковість у тій самій мірі, як це було б у випадку конкурентів, які більше покладаються на зовнішню обчислювальну інфраструктуру.

Водночас не слід забувати, що ця цінова війна також зумовлена ​​зовнішнім тиском. Зокрема, недорогі китайські моделі штучного інтелекту в останні місяці чинили значний тиск на ціноутворення відомих західних постачальників, оскільки вони пропонують порівнянні послуги за значно меншу ціну і, таким чином, орієнтуються на чутливі до ціни сегменти ринку. Це змушує Google, OpenAI та Anthropic переглянути свої структури ціноутворення, щоб уникнути втрати значної частки ринку серед розробників та компаній, які дбають про витрати. Таким чином, міжнародна конкуренція за частку ринку штучного інтелекту набула геополітичного виміру, який виходить далеко за рамки суто корпоративної стратегії та торкається питань регулювання, безпеки та промислової політики.

Пов'язано з цим:

• Gemini 4: Велика невідомість зі штучним інтелектом та стратегічне позиціонування – Коли Google мовчить, світ розмірковує

Вплив на компанії та автоматизація бізнес-процесів

Для компаній, які автоматизують власні цифрові процеси або розробляють програми на базі штучного інтелекту, впровадження Gemini 3.7 Flash має кілька практичних наслідків. По-перше, бар'єр входу для продуктивного використання агентів штучного інтелекту в розробці програмного забезпечення значно знижується, оскільки поєднання покращеної якості коду та різкого зниження витрат значно підвищує економічну доцільність повністю автоматизованих робочих процесів розробки. Зокрема, малі та середні підприємства (МСП), які раніше утримувалися від широкого використання генеративного ШІ в розробці програмного забезпечення з міркувань вартості, можуть знайти новий стимул для таких інвестицій завдяки поєднанню доступної початкової ціни та покращеної продуктивності.

Водночас, показник AutomationBench у 30,4 відсотка порівняно з 17,0 відсотками для попередньої моделі показує, що переваги не обмежуються суто програмними завданнями, а й поширюються на автоматизацію загальних бізнес-процесів. Це включає, наприклад, автоматизовану обробку запитів клієнтів, створення та перевірку бізнес-документів, а також оркестрацію багатоетапних робочих процесів між різними програмними системами. Для компаній, які активно беруть участь у цифровій трансформації, це відкриває нові можливості автоматизації раніше ручних адміністративних процесів за розумною ціною, а обмежена за часом вступна ціна забезпечує чіткий стимул для початку відповідних проектів до кінця 2026 року.

Один аспект, який часто ігнорується в публічному дискурсі, стосується питання залежності від окремих постачальників. Компанії, які тісно пов'язують свою інфраструктуру автоматизації з певною моделлю та її API-конвенціями, ризикують не мати змоги швидко адаптуватися до майбутнього зростання цін, такого як те, що вже оголошено на початок 2027 року. Тому стратегічно обґрунтованим підходом є розробка архітектур автоматизації, які є максимально модульними та незалежними від постачальників, що дозволяє перемикатися між різними мовними моделями, коли змінюються ціни або рівень продуктивності, не вимагаючи фундаментального перероблення існуючих систем. Враховуючи спостережувану частоту появи нових версій моделей та пов'язані з ними коливання цін, цей фактор стає дедалі важливішим для довгострокового планування витрат технологічно орієнтованих компаній.

Критична оцінка: між справжнім прогресом та маркетинговим інструментом

Визнаючи виправданий прогрес, досягнутий у технологіях, тверезий економічний аналіз також повинен виявити обмеження та потенційні слабкі сторони поточних розробок. Той факт, що Google випустив нову модель лише за три тижні, засновану на тій самій фундаментальній архітектурі, що й її попередниця, свідчить про те, що це радше питання цілеспрямованого точного налаштування, ніж фундаментального технологічного прориву. Це не є негативним по суті, оскільки ітеративні вдосконалення є досить поширеними у зрілих технологічних галузях. Однак це пом'якшує риторику ЗМІ, яка оточує цю модель як найпотужнішу на сьогоднішній день, наратив, який за такого короткого інноваційного циклу майже неминуче потрібно повторювати, щоб привернути увагу.

Той факт, що незалежні платформи оцінювання, такі як Artificial Analysis, не ставлять Gemini 3.7 Flash беззаперечним лідером у так званому Індексі інтелекту, а інші моделі, такі як GPT-5.6 Terra або Muse Spark 1.2, навіть трохи вище посідають цей загальний рейтинг, значно релятивізує твердження про стабільну перевагу. Реальність складніша, ніж може передати один заголовок: Gemini 3.7 Flash справді є лідером у певних, чітко визначених випадках використання, зокрема у створенні структурованого коду та автоматизації бізнес-процесів, водночас він продовжує відставати від конкурентів в інших дисциплінах, таких як загальні завдання агентів у тестах термінальних стендів.

Для компаній, які приймають інвестиційні рішення на основі таких порівнянь продуктивності, доцільно не покладатися виключно на контрольні значення, опубліковані виробниками, а проводити власні процедури тестування, адаптовані до конкретного випадку використання. Фактична економічна доцільність моделі зрештою залежить менше від абстрактних балів у синтетичних тестових процедурах, ніж від конкретного рівня помилок, надійності та можливості інтеграції в існуючі операційні процеси. Ці фактори можна надійно оцінити лише за допомогою власних пілотних проектів та практичного досвіду, тому обережний, заснований на доказах підхід до нових версій моделі видається більш розумним у довгостроковій перспективі, ніж поспішна, повна переробка власної інфраструктури виключно через привабливі вступні ціни.

Що означає цінова війна на найближчі місяці

Поточні тенденції свідчать про те, що темпи інновацій у великомасштабних мовних моделях навряд чи сповільняться в найближчі місяці. Якщо Google дотримуватиметься своєї встановленої схеми, подальші оновлення моделей у пакеті Flash можна очікувати протягом наступних кількох тижнів, тоді як конкуренти, такі як OpenAI та Anthropic, ймовірно, зіткнуться з посиленим тиском, щоб реагувати або зниженням цін, або новими покращеннями продуктивності. Для кінцевих користувачів та бізнесу це загалом позитивний розвиток, оскільки посилення конкуренції, як правило, призводить до зниження витрат та вищої якості моделей. Це особливо вигідно для менших гравців ринку, які раніше мали обмежений доступ до високопродуктивних технологій штучного інтелекту через фінансові обмеження.

Водночас можна передбачити, що заплановане подвоєння цін на початку 2027 року стане важливою віхою, яка продемонструє, наскільки ефективно поточна кампанія зі знижками фактично зміцнила лояльність клієнтів. Якщо користувачі залишаться лояльними до моделі, незважаючи на вищі стандартні ціни, агресивна стратегія запуску економічно окупиться. І навпаки, якщо багато користувачів перейдуть на дешевші альтернативи, коли ціни зростуть, це продемонструє, що поточна динаміка ринку в першу чергу залежить від ціни, а не від справжньої лояльності до продукту. Для осіб, які приймають стратегічні рішення в компаніях, які зараз розглядають використання агентів штучного інтелекту в розробці програмного забезпечення або автоматизації процесів, ця загальна ситуація призводить до чіткої рекомендації: поточний етап ціноутворення пропонує історично сприятливе вікно для пілотних проектів та початкового розгортання виробництва, але його слід поєднувати з реалістичним розрахунком стандартних цін, що застосовуються з 2027 року, щоб уникнути бюджетних несподіванок у майбутньому.

☑️ Наша ділова мова – англійська або німецька

☑️ НОВИНКА: Листування вашою рідною мовою!

 

Я та моя команда раді бути вашим особистим консультантом.

Ви можете зв'язатися зі мною, заповнивши контактну форму тут wolfenstein@xpert.digital:, або просто зателефонувавши мені за номером +49 7348 4088 965. Моя адреса електронної пошти

Я з нетерпінням чекаю нашого спільного проєкту.

 

 

☑️ Підтримка МСП у стратегії, консалтингу, плануванні та впровадженні

☑️ Створення або переорієнтація цифрової стратегії та діджиталізації

☑️ Розширення та оптимізація процесів міжнародних продажів

☑️ Глобальні та цифрові торгові платформи B2B

☑️ Розвиток бізнесу Pioneer / Маркетинг / PR / Виставки

У промисловому B2B сталий бізнес-відносини рідко виникають за одну ніч. Вони розвиваються крок за кроком – через видимість, професійну релевантність, повторювані точки дотику та зростання довіри. 4-етапна модель Xpert.Digital саме це і робить: вона пропонує структурований шлях, який починається з керованої точки входу та може перерости в глибшу співпрацю в розвитку бізнесу, якщо це необхідно.

Замість того, щоб покладатися на гучні маркетингові обіцянки, ця модель ставить на перший план відносини. Компанії починають з чітко визначених, легко обчислюваних показників, а потім, виходячи з власного досвіду, вирішують, наскільки вони хочуть розширити співпрацю. Ключовим фактором для цього безперешкодного процесу побудови довіри є те, що платформа повністю уникає надокучливої ​​реклами, тому редакційна увага залишається виключно на експертизі компаній.

Більше інформації тут:

• Від видимості до довіри: Ваш масштабований шлях з Xpert.Digital