Новая обложка журнала The Economist. «Волшебник кремния»... Дженсен Хуанг, генеральный директор Nvidia ... с хрустальным шаром в руках, вокруг которого кружатся чипы Nvidia и долларовые купюры.
Когда финансовый журнал помещает на обложку актуальную инвестиционную тенденцию, это должно насторожить.
В моей профессиональной деятельности нередко возникает ситуация, когда в ИТ‑компанию поступает запрос от налоговой инспекции. На первый взгляд стандартные требования: просят предоставить договоры, сведения о разработчиках, техническое описание ПО и документы, подтверждающие права на ит‑продукт, пояснения по выручке. Бухгалтер формирует пакет документов, юрист проверяет договоры, CTO пишет общую справку про архитектуру продукта. Все отправляют в ФНС и думают, что инцидент исчерпан.
Однако спустя месяц приходит второй запрос. В нем вопросы касаются тех же разработчиков, но уже под другим углом: выясняют, кто ставил задачи, на чьих серверах крутится код, кто автор исходного кода.
К пятому кругу взаимодействия с ФНС становится очевидно, что инспекторам не нужны разрозненные бумаги. Они шаг за шагом воссоздают реальную картину вашего бизнеса. Но к этому моменту компания уже собственными руками передала в арсенал инспекции выписки, кадровые документы, доступы и переписку. Именно этот собранный массив данных превращается в настоящую проблему ИТ‑компаний.
Небольшое отступление. За годы работы в IT я видел очень много коммерческих предложений коллег: красивых, пестрых, прекрасных и ужасных. Максимально крутые — это сочетание контента, персонализации и дизайна.
Хотелось отдельно рассказать о структуре КП, которую мы используем, но в целом мы придерживаемся вечной классики — написанная давным-давно Андреем Тереховым, текст можно найти на Хабре. В целом мы придерживаемся этой структуры, пытаемся отказаться от PDF и перейти на цифровые носители. Туда можно и видео прикрутить и интерактив, но пока королями здесь остаются PDF и Эксель.
Но сегодня не об этом.
Элементом любого КП является смета. В целом они есть практически везде, без разницы, работает вы в продукте, агентстве, веб-студии и т.д.
У кого-то смета занимает одну страницу, у кого-то Excel растягивается на несколько десятков вкладок. Где-то заказчику показывают только итоговую сумму, а где-то можно найти часы аналитика, ставку программиста, загрузку дизайнера и чуть ли не количество созвонов.
У каждого подхода есть свои причины.
Но важнее всего то, что смета должна помочь заказчику сравнить предложения подрядчиков. По ней заказчик пытается понять сразу несколько вещей: что именно он покупает, из чего складывается бюджет, насколько предложение сопоставимо с другими подрядчиками и где могут появиться дополнительные расходы.
Допустим, у одного подрядчика проект стоит 7 млн, у другого — 10 млн. Кажется, что выбор очевиден. Но если в первой смете нет части интеграций и тестирования, то сравнивать 7 и 10 млн бессмысленно. Поэтому я бы смотрел сначала на состав работ.
Как сделать количественную торговлю эффективной? Не каждый аналитик может дать ответ на этот вопрос, но эффективная алгоритмическая торговля базируется на поиске структуры в зашумлённых рыночных данных. Это поиск закономерностей или областей предсказуемости. Например, если рынок растёт два дня подряд, то он обычно растёт и на третий день. Если такое происходит довольно часто, значит, мы нашли закономерность, которую искали. Далее следует торговая стратегия: если рынок растёт два дня подряд, покупайте на закрытии второго дня и продавайте на закрытии третьего. Однако не всё так просто.
Три года — именно на такую глубину может заглянуть выездная налоговая проверка. Пять лет — именно столько по закону обязаны храниться документы бухгалтерского учета. Если за эти годы в компании накопился провал — несведенные остатки, утраченная первичка, отчетность, которую сдавали «на глаз», — учет уже не бухгалтерская мелочь. Это риск, который прямо ложится на директора и на собственника, а в IT-компаниях он часто обостряется сменой юрлица, привлечением инвестора или структурной перестройкой группы.
В статье разберем в каких случаях учет действительно пора восстанавливать, чем грозит бездействие по нормам НК РФ и КоАП РФ, как проходит сама работа по этапам и почему разовое восстановление без периодического контроля почти всегда откатывается назад.
В мае 1999 года еженедельная деловая газета Barron’s вышла с печально известной обложкой «Amazon.bomb». На ней лицо Джеффа Безоса было изображено на мультяшной бомбе, готовой взорваться. «Мысль о том, что генеральный директор Amazon Джефф Безос создал новую бизнес-парадигму, нелепа, — говорилось в статье. — Он всего лишь очередной посредник, и фондовый рынок начинает это понимать».
В кризис ИТ-директор не может менять процессы и внедрять автоматизацию наугад: риск потратить бюджет впустую слишком велик. Когда в планах оптимизация сервисных процессов, обычно нужен бюджет на новое решение, например ESM-платформу. При защите бюджета финдир спросит про пользу и окупаемость, и цифра эффекта должна быть проверяемой.
Дальше в статье — методика расчета эффекта: сколько времени и денег экономит автоматизация сервисных процессов. ROI и срок окупаемости эта методика не считает: они складываются из эффекта и стоимости внедрения, а стоимость внедрения ИТ-директор получает отдельно, от вендора, на этапе коммерческого предложения. Эффект — числитель в формуле окупаемости, и в статье разберём именно его.
TL;DR. Собрал воркфлоу на языковой модели, который раз в сутки обходит 34 страницы условий у 12 российских банков, сравнивает их со вчерашним снимком и публикует сводку изменений с ссылкой на источник в каждой строке, а при изменении цены пишет разбор с расчётом. Модель вызывается в четырёх точках и ни в одной не решает, что делать дальше. Цитаты, числа и статистика проверяются кодом. Каждый выпуск оценивается по 14 бинарным проверкам, метрики публичные. Стоит от 3 центов до 70 в день. Ниже устройство, проверки, evals и что он нашёл за первую неделю.
Я работаю в розничных кредитных рисках банка. С языковыми моделями познакомился пару недель назад, начал собирать себе инструменты, и один из них за это время дорос до публичного продукта: Telegram-канал и сайт, где каждое утро в 09:00 выходит сводка изменений условий кредитных карт, рассрочки, кредитов наличными и автокредитов, а когда есть повод, короткий разбор одного изменения.
Мысль о заработке с помощью ИИ не даёт мне покоя уже три года. Когда слово “агентные” можно было услышать только в интервью Сергея Брина, а опенсорсные модели годились только для adult-ботов, я создал своего первого агента с помощью nerve-cli. Это утилита, которая запускает запросы модели в цикле с доступом к утилитам и промптом-целью. Агент сам писал скрэпер новостей, проводил анализ настроений и выдавал рекомендации по инвестициям. По сути, это был прототип News Sentiment Trading.
Эта система выдавала конечный результат 1 раз из 10, и лишь один из 10 конечных результатов я брал в работу.
Но в 2025-м году с рынком что-то случилось. Новостной анализ перестал приносить желаемый результат. Вооруженный нейросетями (Claude, DeepSeek, Qwen, и бесплатные от Opencode) я принялся искать рабочий подход.
Бестселлер «Легко не будет» (в оригинале The Hard Thing About Hard Things). Автор книги, Бен Хоровиц - один из самых уважаемых предпринимателей Кремниевой долины, сооснователь венчурного фонда Andreessen Horowitz и бывший генеральный директор Opsware.
В субботу, 12 сентября, Дарио Амодеи, глава Anthropic, одной из крупнейших компаний в сфере искусственного интеллекта, опубликовал пост, в котором призвал американских и мировых ИИ-лидеров замедлить развитие технологии из-за серьёзных рисков. Амодеи также предложил трёхэтапный план по замедлению прогресса передовых ИИ-моделей. Его уже поддержали главы других корпораций — Сэм Альтман из OpenAI и Илон Маск, владеющий стартапом xAI.
Однако далеко не все участники рынка и политики согласны с предложениями Амодеи по ограничению искусственного интеллекта и подозревают глав технологических корпораций в попытке манипулирования ради собственной выгоды.
Ровно 18 лет назад, 15 сентября 2008 года, обанкротился Lehman Brothers — крупнейшее банкротство в истории США. Банк не использовал стресс-тесты для коммерческой недвижимости, поэтому ответа на вопрос «а что, если офисы и торговые центры обесценятся» у него не было.
Сегодня стресс-тест доступен любой компании, а не только банку с отделом риска. «А что, если доставка вырастет на 3 дня», «конкурент снизит цену на 15%», «ставка по ипотеке поднимется на 3 пункта» — на каждый вопрос можно ответить числом, а не словами.
Далее — шаги, как посчитать на своих данных. Код движка и инструкция в опенсорсе.
Как человек, что все еще верит в возможности FIRE на рынке РФ, я задался вопросом: что будет с вашим рентным портфелем, если наступит затяжной рыночный кризис, а вы продолжите ежемесячно изымать деньги на жизнь? Исследование показало, что стандартные способы инвестиций имеют склонность к обнулению капитала со временем (иногда лишь ускоряя это обнуление). А значит, было бы неплохо придумать модель долгосрочного инвестирования, что и рассматривается в статье. Будет интересно, если: хотите увидеть, как математика побеждает рыночный хаос (обывателям); забрать готовые модули бэктестера к себе в продакшен (новичкам, как я); имеете собственное видение по теме/любителям подсказать словом (созидателям и/или действующим квантам).
Публике не доступны внутренние модели фронтиер лабораторий. Я не очень верю про конспирологию в духе «у OpenAI в подвале сидит настоящий AGI, а наружу выдают обрезанный ChatGPT». Модель, которой пользуются её собственные исследователи, и модель, которую она продает вам через API, не обязаны быть одной и той же. Фронтиер лаба создает не одну нейросеть, а фабрику моделей: research-чекпоинты > экспериментальные модели > reward-модели > модели-учителя > модели для генерации синтетических данных > модели-evaluators > дистиллированные студенты > production-модели, и наружу попадает только последний элемент цепочки.
Зачем нужна дистилляция
Допустим, вы обучили чудовищно дорогую модель, которая хорошо рассуждает, пишет код и решает математику, но каждый запрос к ней стоит огромных вычислений. Для исследователя внутри компании это рабочий инструмент, и он того стоит, если на кону триллионные рынки. Для продукта со 100 млн пользователей масштабировать доступ к таким моделям выгодно, поэтому вместо того чтобы гонять её на каждом запросе, её делают учителем: она генерирует качественные ответы, решения, траектории ризонинга, синтетические данные, иногда сами распределения вероятностей, а на этом поведении обучается студент поменьше, которому не нужно воспроизводить учителя целиком, достаточно перенести нужные возможности. Это одна из форм дистилляции знаний, и практика настолько распространенная, что OpenAI прямо предоставляет разработчикам официальный Model Distillation workflow: брать ответы более сильной модели, например GPT-4o или o1-preview, и обучать на них модель дешевле. Формулировка самой OpenAI довольно точная: взять продвинутую модель и получить сопоставимое качество на конкретной задаче при существенно меньшей стоимости. Из этого следует довольно простая вещь: лучшая research-модель и лучшая production-модель оптимизируются по разным функциям, потому что research-модель максимизирует возможности, а production-модель приходится одновременно вытягивать по intelligence, latency, стоимости GPU, throughput, reliability и safety.
Динамическое ценообразование — влажная фантазия каждого ритейла. Оно обещает сразу и рост маржинальности, и решение проблемы с нехваткой предложения, и с избытком спроса. Просто вжух — и все проблемы решены. Сегодня охвачу тему динамического ценообразования Ozon и WB: как это видит пользователь, какие негативные последствия могут понести компании, и почему они этого могут не замечать.
Привет! Меня зовут Маша, я Senior Product Manager и разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. Мои другие разборы: Цифровая медицина: разбор UX‑барьеров и точки роста и Тест‑драйв 2GIS: как завалить навигатор рекламой и потерять базовый UX
Привет, Хабр! (И тебе, IT-шник, который хочет узнать, что вообще происходит с наймом в 2026. Сейчас разберёмся, но легче тебе от этого не станет).
Две статьи с аналитикой позади (раз, два). 106 тысяч вакансий разобрали, графики посмотрели, узнали, что Python разработчики всего лишь на 18-м месте, а HR вообще на вершине. Цифры - это конечно круто, но статистика остаётся статистикой, пока мы не встречаем живого человека с конкретной историей…
Я решил, что стоит запустить сбор реальных историй найма в IT. И знаете что? Тут творится полнейшая жесть.
Сегодня без графиков. Только истории. И они честнее любой статистики.
«Какие планы на ближайшие несколько лет?»
На первый взгляд, хороший вопрос. Человек берет уже знакомые элементы — профессию, опыт, окружение, амбиции — и немного переставляет их местами: повышение, другая компания, свой бизнес, новый рынок, больше денег или ответственности.
Будущее кажется новым, но на самом деле это чаще всего слегка отредактированная версия настоящего.
Но самые интересные, асимметричные и неожиданные варианты будущего сегодня, скорее всего, вообще не видны. Для них еще не существует необходимого исходного материала.
Как тогда двигаться вперед, если будущее невозможно нормально спланировать?
Каждый вечер мне нужно ответить на один вопрос: на какие бумаги из примерно тринадцати тысяч имеет смысл потратить время сегодня. Не «какие вырастут» — этого никто не знает, — а на каких стоит нарисовать уровень и поставить заявку.
Год назад я написал под эту задачу программу и с тех пор работаю только через неё. Ниже — её устройство: как читаются 14,5 миллиона баров, как считается ранг относительной силы, как устроена воронка фильтров, какой из них год работал неправильно и почему, чем разбирается исход сделки и чем я проверяю, что отбор вообще чего-то стоит. Кода будет много: половина статьи именно про то, где решения оказались не такими, как выглядели на бумаге.
Стек, чтобы дальше не отвлекаться: .NET 10, C#, WinForms для окна, SQLite (Microsoft.Data.Sqlite) вместо сервера, ScottPlot для графиков, xUnit — 867 тестов на три проекта. Ни одного внешнего сервиса, кроме поставщика котировок, ключ к которому вводит пользователь.
Разрыв между «отлично работает на истории» и «сливает в реальности» — классика ML на временных рядах. В нашем случае модель заглядывала в будущее на 3.5 часа через некорректный ресемплинг 4-часовых свечей.
Разбираем анатомию утечки, математику позиционного теста для её детекции и делимся сниппетом защиты от подобных ошибок.
В компаниях регулярно повторяется один и тот же разговор: финансовое руководство спрашивает, почему ИТ-бюджет вырос. ИТ-директор садится собирать ответ, и тратит на это несколько дней, потому что ищет по перепискам, старым Excel-файлам, звонит коллегам. Цифры для ответа обычно есть, но они разбросаны по системам и не связаны друг с другом так, чтобы быстро ответить на вопрос.
Проблема редко в том, что данных нет вообще. Реестр техники существует, но в нём остаются активы уволившихся сотрудников. Закупки фиксируются в бухгалтерской системе, но без связи с тем, какому отделу и зачем ушло оборудование. Каждый вопрос руководства — «почему выросли расходы», «зачем именно сейчас», «нельзя ли обойтись меньшим» — требует своего среза данных, и на самом деле полной инфраструктурной картины для ответа не нужно.
Привет, мы команда SimpleOne ITAM. В статье разберём, какие данные закрывают каждый из трёх вопросов, почему расчет TCO на неточном реестре может подорвать доверие ко всей системе учета сильнее, чем отсутствие расчета, и когда компании достаточно базового набора цифр без сложной аналитики.
