Продолжаю делиться небольшими решениями для умного дома, которые спасают не столько время, сколько технику и нервы.
Левое верхнее фото – датчик. Правое нижнее – умная розетка. Скриншот слева: автоматизация с оповещением, что мало воды. Скриншот справа: отключение насоса при минимуме воды (у меня на 10% от ёмкости для безопасности).
В доме у меня стоит накопитель для воды. Вода сначала поступает в него, а уже потом распределяется по системе. Это помогает пережить отключения: даже если подачу временно перекрыли, в запасе остаётся некоторый объём.
После накопителя установлена насосная система, которая поддерживает нормальное давление в доме.
Я столкнулся с проблемой: если воды долго нет, запас в накопителе постепенно заканчивается. Насос при этом продолжает гонять воздух и работать всухую. Соответственно, возникает риск: насос перегревается и в какой-то момент может просто напросто сгореть.
Чтобы не следить за уровнем воды вручную, я поставил на накопитель датчик. А насос подключил через умную розетку.
Получился довольно простой сценарий:
– датчик следит за уровнем воды; – когда вода опускается ниже минимальной отметки, система получает сигнал; – умная розетка отключает насос; – когда вода возвращается, насос можно снова включить.
Правда, без небольшого креатива не обошлось.. Закрепить датчик прямо на накопителе не получилось, потому что крышка была неровной. В итоге установил его на кусок ламината и уже эту конструкцию разместил сверху.
Выглядит, конечно, не как заводское решение, но зато работает)
Больше интересных постов можно найти в моём телеграм-канале. Там я пишу про управление знаниями и делюсь разными ИИ-находками для дома и не только. Подписывайтесь, чтобы не пропустить новые тексты.
В конце июля 2026 года Google выкатила возможность генерировать по промпту с помощью ИИ для генерации изображений Nano Banana разные объекты на картах Google Earth. Инструмент позволял приблизить любую точку на карте и создать там новый снимок по текстовому запросу. В Google предлагали использовать эту опцию для визуализации исторических событий, инфографики, архитектуры и планирования строительства. Инструмент был доступен пользователям по всему миру.
Пользователи сразу начали создавать на картах взрывы ядерных бомб в разных местах и различные разрушения. После этого в Google через пару часов поняли, что натворили и быстро убрали опцию из общего доступа.
В Google подчеркнули, что сгенерированные изображения были помечены как созданные ИИ и не отображались в основной версии Google Earth для других пользователей. Однако после волны критики компания решила временно полностью отключить эту функцию.
Прикрепить карту. С карты ничего не спишут, а дадут подписку бесплатно на целый год. Изначально акцию сделали для студентов, но пользователи утверждают, что она активируется и на обычных аккаунтах.
Ресурс построен как единая точка, где можно учиться просто всему, что есть в интерпретируемости. От классических методов, до геометрии и математики в моделях.
Сейчас в нем: ⁃ 2 трека. XAI Practitioner — объяснять поведение моделей руками, от классики до LLM. Math of LLMs — математика и mechanistic interpretability изнутри модели, на уровне весов и схем. ⁃ 17 тематических блоков — сквозняком от линейной регрессии до Sparse Autoencoders. ⁃ 50+ методов интерпретируемости в одной программе.
Мы (t.me/MrsWallbreaker и t.me/jdata_blog, спасибо ей еще и за этот текст) открываем ресурс и открываем первые два (часть ресурса будет бесплатной и такие блоки будут открываться первыми сейчас).
Открытые с сегодня блоки погружают в термины и мир интерпретируемых моделей. После модулей вы никогда больше не сможете смотреть на них прежними глазами)
Это только начало галактики — и новые модули будем докатывать. Для понимания апдейтов можно завести аккаунт: https://open-xai-platform.web.app/register (письмо-подтверждение может упасть в спам — гляньте туда, если не пришло).
Привет, Хабр! Я Дмитрий Емец, тимлид отельного поиска в Островке.
Как и многие, до какого-то момента я воспринимал локальные LLM как «свои»: модель скачана, компьютер уже куплен, API-ключ не нужен. Запустил — и работаешь.
Но с чем я сравниваю локальный запуск — с API или с нулём?
Решил прикинуть: привести оба варианта к одной метрике — стоимости 1 млн выходных токенов.
Сразу оговорюсь: это не сравнение качества моделей. Одинаковый объём генерации не означает одинаковое число решённых задач.
Розетка — не главное
Для расчёта беру домашнюю сборку с RTX 5080. Заявленное потребление видеокарты — 360 Вт, поэтому для грубой оценки закладываю 500 Вт на всю систему под нагрузкой.
Тариф — 10,4 ₽ за кВт·ч, верхняя граница из моих московских тарифов.
0,5 кВт × 10,4 ₽/кВт·ч = 5,2 ₽ в час.
Электричество стоит меньше шести рублей в час. Но API продаёт токены, поэтому важна скорость генерации.
Возьмём три условных сценария: 10, 20 и 40 токенов в секунду. Конкретная скорость зависит от модели, квантизации, размера контекста и движка.
Один миллион токенов при таких скоростях генерируется примерно за 28, 14 и 7 часов. Значит, электричество обойдётся в:
145 ₽ при 10 ток/с;
72 ₽ при 20 ток/с;
36 ₽ при 40 ток/с.
И это всё ещё не основная статья расходов.
Железо меняет картину
Моя сборка стоит около 370 тыс. ₽. Чтобы оценить её стоимость, предположим, что она куплена преимущественно ради локального инференса и амортизируется три года без учёта остаточной стоимости: 250 рабочих дней в году по восемь часов.
370 000 / 3 / 250 / 8 ≈ 62 ₽ в час.
При полной полезной загрузке амортизация на 1 млн выходных токенов составит:
около 1710 ₽ при 10 ток/с;
около 860 ₽ при 20 ток/с;
около 430 ₽ при 40 ток/с.
С учётом электричества получаем примерно 1860, 930 и 460 ₽ соответственно.
Расчёт предполагает, что все учтённые часы GPU действительно генерирует полезные токены. Если система простаивает, фактическая цена токена растёт. Если компьютер уже был куплен для других задач, наоборот, полную стоимость сборки относить на LLM некорректно: тогда имеет смысл считать только дополнительные расходы и стоимость занятого GPU-времени.
С чем сравнивать API
У провайдеров входные и выходные токены обычно оплачиваются отдельно. Для сопоставимости я беру только выходные токены. Время обработки входного контекста локально тоже не учитываю, поэтому для длинных запросов этот расчёт будет нижней оценкой.
По открытым тарифам порядок цен такой:
бюджетный сегмент (GPT-5.4 nano, Gemini 3.1 Flash-Lite) — 50–150 ₽ за 1 млн выходных токенов;
средний сегмент (GPT-5.6 Terra, Gemini 3.5 Flash) — 450–1000 ₽;
верхний сегмент (Claude Opus 5, GPT-5.6 Sol) — 1500–3000 ₽.
Цены округлены по официальным тарифам и курсу на 31 июля 2026 года.
Получается:
при 10 ток/с локальный запуск по цене попадает в верхний сегмент API — 1860 ₽;
при 20 ток/с он сопоставим со средним — 930 ₽;
при 40 ток/с начинает выглядеть конкурентно — 460 ₽, но только при высокой загрузке и без учёта различий в качестве моделей.
Когда локальный запуск оправдан
Локальная LLM не становится бесплатной только потому, что счёт за API не приходит. Главные параметры — стоимость железа, скорость генерации и загрузка.
Экономика может сойтись, если GPU уже куплен, регулярно используется и локальная модель решает нужную задачу не хуже доступной альтернативы. Если железо приобретено специально и большую часть времени простаивает, «свои токены» просто скрывают расходы внутри покупки.
Но цена — не единственный критерий. Приватность, офлайн-работа, предсказуемость и полный контроль могут оправдать локальный запуск даже без выигрыша в рублях.
Для ряда моих задач локальные LLM пока не выстрелили. В сложной разработке с большим контекстом быстро упираешься в объём памяти, а подходящее железо стоит несопоставимо дороже подписки за условные $20 в месяц.
А для вас локальная LLM уже стала рабочим инструментом — или пока остаётся дорогим хобби? Расскажите в комментариях.
Подключайся к онлайн-митапу MWS — эксперты поделятся опытом организации стабильных Go-сервисов ⚙️
MTC Web Services (MWS) приглашает на митап для Go-разработчиков. Подключайтесь онлайн к встрече 11 августа в 15:00, чтобы узнать, как эксперты из MWS и Cloud.ru строят высоконагруженные системы. Спикеры разберут три ключевых слоя Go-сервисов на реальных кейсах и продакшн-опыте.
Вас ждет три технических доклада:
1. «Построение агентов на A2A с изолированным исполнением на Go»
Go-разработчик Вера Касьяненко из MWS расскажет, как построить ИИ-агентов с выполнением потенциально опасных действий в изолированной среде, используя A2A и Client-go, и какие ограничения необходимы для этой изоляции. Она разберет модель угроз, жизненный цикл задачи и ограничения для безопасного исполнения.
2. «Как разрабатывать эффективные и экономичные Kubernetes-операторы на Go»
Алексей Ковалев из Cloud.ru на примере реального cluster-wide оператора покажет, как снизить потребление памяти с 7,5 ГБ до 400 МБ, а P95 цикла согласования —- со 150 до 40 мс. Он расскажет о кешировании, индексации и балансе между производительностью и стоимостью.
3. «Точный Rate Limiting на API Gateway в мульти-ЦОД инфраструктуре»
Андрей Пушкарев из MWS Octapi расскажет, почему готовые решения Redis, In-Memory Data Grid и Gossip-протокол — не выдерживают требований по нагрузке и латентности в их инфраструктуре, и как они написали собственную систему шеринга состояния и алгоритм ограничения нагрузки на бэкенд.
📅 Когда: 11 августа (вторник) в 15:00, онлайн
👉 Регистрируйся, чтобы послушать про опыт инженеров, задать вопросы и обсудить собственные кейсы.
Как подключить брокерский счёт к ChatGPT и другим ИИ-сервисам?
«Финам» интегрировал платформу FinamTrade с искусственным интеллектом через стандарт MCP (Model Context Protocol). Теперь любой пользователь может “подружить” свой брокерский счёт с ИИ-ассистентом — ChatGPT, Claude или любым другим сервисом, который поддерживает MCP. Всё настраивается за пару минут через веб-версию FinamTrade: выпускаете токен, подключаете — и можно получать аналитику и ответы на свои инвестиционные вопросы обычными текстовыми запросами, прямо в чате.
Что умеет Finam MCP уже сейчас:
Моментально показывает состояние всех счетов, баланс, актуальные котировки, структуру портфеля.
Принимает текстовые запросы вроде «Покажи список моих позиций», «Какая сейчас цена GAZP?» или «Что у меня в секторе “Технологии”?».
Помогает анализировать портфель: выделяет риски, концентрацию, динамику изменений.
Поддерживает работу с несколькими токенами и ИИ одновременно, всё под контролем пользователя.
Интеграция возможна не только с популярными чат-ботами, но и с любыми приложениями, работающие со стандартом MCP.
На данный момент сервис предоставляет быстрый и удобный доступ ко всей ключевой информации по инвестициям, а также позволяет работать со списками избранного и заметками через ИИ-интерфейс. В ближайших обновлениях команда планирует добавить возможность просмотра истории операций и расширить инструменты для управления алертами.
Где узнать больше?
30 июля в 18:00 (мск) состоится бесплатный вебинар, на котором команда FinamTrade продемонстрирует:
Как быстро получать аналитику по счёту, позициям и котировкам через обычные текстовые запросы.
Как вести списки наблюдения и делать персональные заметки, не тратя время на рутину.
Как формулировать запросы к ИИ и получать мгновенные, понятные ответы.
Как использовать фильтры по портфелю, искать прибыльные и убыточные бумаги, сравнивать результаты, управлять наблюдением за инструментами.
AI-Иллюзия: Фейковый успех в NYT и надувающийся пузырь на Уолл-стрит
Мы живем в эпоху AI-помешательства. С одной стороны, СМИ рисуют сказки о миллиардных империях, построенных одним человеком за ночь. С другой крупнейшие аналитики бьют тревогу: индустрия превратилась в финансовый пузырь, обреченный на коллапс. Две стороны одной медали: отсутствие проверок ради хайпа.
Сказка про $1.8 миллиарда
В апреле The New York Times опубликовала вдохновляющий текст о MEDVi: телехелс-стартап с двумя сотрудниками и кучей нейросетей якобы сделал $401 млн выручки с прогнозом в $1.8 млрд. Подача живое подтверждение слов Сэма Альтмана про «компанию на миллиард от одного основателя».
Проблема в том, что NYT забыла погуглить факты. За шесть недель до публикации FDA пригрозило MEDVi конфискацией за незаконный маркетинг лекарств. За 13 дней подали коллективный иск за спам-рассылки. А тысячи рекламных объявлений компании велись от имени вымышленных врачей (включая «Professor Dongledore»).
Более того, $1.8 млрд — это не оценка компании (valuation), а самозваный прогноз выручки без единого аудита. NYT намеренно утопила эту оговорку в конце текста ради кликабельного заголовка.
Опасный миф «один человек заменил команду»
История MEDVi идеальная иллюстрация того, как СМИ не понимают суть технологий. ИИ это мультипликатор. В MEDVi он умножил не эффективность, а хаос: чатбот выдумывал цены на лекарства, нейросети генерировали фейковых врачей, автоматизация стала спам-машиной.
Галлахер не заменил врачей или юристов он просто отключил контроль качества. Это не новая бизнес-модель, а классический обман, масштабированный ИИ. Точно так же, как "вайб-кодинг" дает приложение без тестов, которое развалится при первых ста пользователях.
От микро-обмана к макро-пузырю
Эта микро-история симптоматична для макро-рынка. Goldman Sachs, McKinsey и Gartner уже признают: AI-пузырь — надвигающаяся катастрофа.
Факты сухи: по данным BCG, лишь 5% компаний получают от ИИ реальную выгоду, половина GenAI-проектов проваливается. Возникла круговая схема: инвесторы дают деньги Big Tech те инвестируют в стартапы (OpenAI) стартапы покупают мощности у Big Tech акции растут. Конечного потребителя, готового окупить эти триллионы, в цепочке нет.
Индустрия села на иглу долгов. Oracle влезла в дата-центры на сотни миллиардов и потеряла половину капитализации. OpenAI рапортует о $20 млрд выручки, но скрывает хроническую убыточность. Участники гонки не могут остановиться: чтобы оплачивать старые долги, нужно брать новые, убеждая инвесторов, что «завтра всё окупится». Аналитики открыто сравнивают это с ипотечным кризисом 2008 года.
Скучное будущее
Первая волна любой революции токсична. Pets.com обанкротилась, но пришел Amazon. Настоящие успешные AI-компании не попадут на обложки NYT. Они будут скучными: с жестким комплаенсом, кросс-модельными проверками, тестами и независимым аудитом.
Итог один: авось не стратегия. AI мощный инструмент, но без контроля он становится не магией, а ускорителем катастрофы. Проверяйте факты, даже если источник — The New York Times.
Инференс трансформеров на чистой Java без Python и JNI
Запуск нейросетей на Java часто воспринимается как компромисс: либо JNI-обвязки, либо Python-стек, либо готовые рантаймы. Но современные JDK уже позволяют строить полноценный пайплайн инференса внутри JVM — без Python, без JNI-слоя и без лишней магии.
Хочу провести технический вебинар и показать, как на чистой Java реализовать инференс трансформеров и оптимизировать его под CPU, используя:
Foreign Function & Memory API (FFM) — для безопасной работы с нативной памятью и маппинга весов моделей без лишнего оверхеда и давления на GC;
Vector API — для SIMD-ускорения матричных операций на CPU.
И это не только про LLM.
На вебинаре разберём, как на Java можно запускать и оптимизировать разные классы трансформеров (encoder-only, encoder-decoder, decoder-only):
RoBERTa — для классификации и NLP-задач;
MiniLM — для эмбеддингов и семантического поиска;
T5 — для seq2seq-сценариев и генерации;
Qwen — для современных LLM-сценариев и практического инференса.
То есть цель вебинара — не показать ещё один способ вызвать llama.cpp по API, а разобраться, как устроен сам Java-слой инференса для трансформеров и где он реально полезен.
Если наберём 20+ заинтересованных, я подготовлю программу и разошлю приглашения с датой.
UPD: Всем, кто заполнит форму предрегистрации, я сразу после вебинара (или даже чуть раньше) скину ссылку на приватный репозиторий с базовым PoC/бенчмарком инференса Qwen на Vector API, чтобы вы могли покрутить код сами.
Время тупых и смелых пришло, остальное сделает chatGPT
Суммарная производительность всех GPU в AI-датацентрах достигла некоторой оценки FLOPS человеческого мозга. То есть AI-вычисления сейчас = мозговым вычислениям всех людей на планете.
Почему тогда мировой ВВП не вырос в два раза? Он вырос на 10–15%, что по сути 0% с учетом инфляции с 2022 года.
Раньше определенный bottleneck был в анализе/сборе данных и создании продукта. Сейчас это стоит копейки. Bottleneck сместился в область принятия решения и действия. И если помочь выбрать из 100 вариантов, сгенерированных AI, сам же AI тоже может, то вот реально действовать пока не везде.
Поэтому приходит время полностью автономных ИИ-агентов, где единственным ограничением будет бюджет, выданный агенту под мета-задачу.
Тут есть несколько проблем:
👉 Люди боятся выдать ИИ-агенту полные права на действия (я сам боюсь — а вдруг че?)
👉 Доступ к реальному миру ограничен, хотя и уже решается (роботы и meat layer)
👉 Ответственность — тут единственный вариант это ментальное списание бюджета при передаче ИИ-агенту (то есть, по сути, бизнес-ангельский подход) и страховка рисков в рельном мире.
Первое поколение ИИ продавало интеллект 🧠, второе уже начинает продавать выполнение задач ✅
Мультиагентность — эффективный подход или просто красивый фантик?
Каждый, кто гонял задачи через субагентов, знает: это дольше, чем работа в одной сессии. Субагент сперва въезжает в контекст — заново собирает картину, что у основной сессии уже в голове. Плюс оркестрация. Работник ценный, да всякий раз с чистого листа.
Вопрос закономерный: оправдано ли это?
У нас есть приём, обычно зашитый прямо в claude.md: никакого «сам написал — сам и проверил».
Агент, проверяющий собственный код, находит лишь те баги, которые готов за собой признать: он смотрит на задачу из того же замысла, в котором её решал. Оно и понятно — всё равно что просить студента перепроверить контрольную по своему же решению. Спишет у самого себя, да ещё и уверенно.
Поэтому без независимого аудита мёрдж не предлагаем. После любой нетривиальной доработки запускается отдельный агент, не видевший хода решения. Ему на вход — только код диффа и явный чек-лист:
Полнота — покрыты все места вызова, а не одно.
Нерегрессия — не сломаны ли смежные пути.
Тесты — есть ли проверка на изменение и проходит ли.
Скрытые баги — edge-кейсы, null, гонки, ошибки внешних сервисов.
Слои — не уехала ли логика не туда.
Секреты — не утекли ли ключи в код или логи.
Ключевое: аудитору не показывают авторскую версию событий — он судит по коду, а не по рассказу о нём. Нашёл проблему — возвращает автору; чинит автор, аудитор перепроверяет.
И тут «потеря контекста», что обычно мешает, оборачивается главной ценностью: аудитор дорог именно тем, что не видел решения и не заражён замыслом. Он и ловит то, чего у автора глаз уже не берёт: замылен.
Аудитом дело не ограничивается. Та же логика — когда нужно независимое мнение на архитектурной развилке или когда объёмную побочную задачу (длинный лог, незнакомая библиотека) уводишь в отдельную сессию, чтоб не сорить в основном контексте. Словом, субагент хорош там, где отдельный контекст или свежий взгляд дают то, чего одна сессия не может.
Даже там, где субагент оправдан, не обязательно брать самую сильную модель. Механические проверки из чек-листа — не утёк ли ключ, есть ли тест, не уехал ли слой — прекрасно закрывает Sonnet: вопрос узкий, ответ проверяемый. А поймать то, чего не заметил автор, — гонку, хитрый edge-кейс, неочевидное архитектурное последствие — лучше попросить Opus: чтобы увидеть то, что упустил умный, нужен как минимум не менее умный. Дешёвой модели при этом ставим планку приёма: уверена — принимаем, сомневается — поднимает флаг и отдаёт выше.
Отсюда и ответ: мультиагентность — не фантик тогда, когда второго агента поднимают не «чтобы было», а там, где его независимость работает на результат. Иначе — красивая обёртка, а под ней, как водится, пусто.
Я же лучше собаки? Именно этот метафорический вопрос встал передо мной, когда я, будучи тимлидом команды ИИ, решил впустить (разумеется, в разумных пределах) в свою рабочую деятельность популярные модели.
Вместе с искусственным интеллектом мы активно планировали, рассчитывали загрузку ресурсов, анализировали работу команды и т.д. и т.п. С виду, конечно, все весело, учитывая ориентацию моделей на позитивные и заумные ответы, которые должны удовлетворить пытливые умы юзеров. На какой-то момент я даже подумал, что все - конец карьеры руководителей не только неизбежен, но и невероятно близок. На практике же все оказалось куда менее прозаично.
Оказалось, что модели всегда выдают что-то новенькое. На одну и ту же задачу сначала рекомендует 20 часов занятости топового сеньора команды, при точно таком же запросе далее - уже 10. Разницу чувствуете? Бюджет команды - несомненно ощутил бы эффект. Еще интересней, что на практике на ту таску он потратил бы часов 8.
Не хотелось бы уходить в какие дебри, а спросить именно у вас, дорогие товарищи, как вы считаете, способна ли ИИ-шка полностью заменить руководителей на местах, забрав на себя всю управленческую рутину или все-таки это направление по-прежнему будет нуждаться в грамотных специалистах, которые пусть и не будут всегда правы в своих решениях, но все же будут решать вопросы с присущей человеку логикой?
Привет, Хабр! Меня зовут Никита Устриков. В марте я присоединился к команде БКС в роли Head of AI. За это время мы с командой разработали стратегию развития ИИ в компании при поддержке руководства, и я хочу поделиться с вами главным.
🎯 Цель
Амбициозная, но конкретная: снизить операционные расходы на 30% к 2027 году. Не абстрактное «внедрить ИИ», а измеримая цифра с понятным механизмом достижения. Главная ставка — агентизация: там, где сегодня задачу выполняет человек по повторяемому алгоритму, завтра это делает агент — быстрее и дешевле.
🧩 Методы
Агентизация в масштабах большой компании — это не технологический вопрос. Технология — лишь один из слоёв, которые нужно выстроить одновременно.
Первый — технологическая и продуктовая платформа. Единая среда для разработки и запуска агентов, которая даёт командам возможность работать быстро, не изобретая колесо каждый раз.
Второй — R&D и обучение. Рынок меняется каждый день, и мы хотим успевать. Отдельная команда мониторит новые решения, проводит эксперименты и быстро переносит работающее в платформу.
Плюс Data Science внутри: файн-тюнинг, бенчмарки, качество моделей.
Плюс образование — от базовой грамотности для всех до умения считать ROI для руководителей. Потому что хайповать на ИИ легко, а получать от него эффект — нет.
Третий — внедрение. Центры компетенций, инженеры агентизации и специально спроектированная роль AI Business Partner — человек, который работает внутри бизнес-подразделения и является живым мостом между тем, чего хочет бизнес, и тем, что реально умеет ИИ.
Четвёртый — управление. Единые политики и стандарты работы с ИИ по всей компании. Без этого слоя трансформация быстро превращается в набор несвязанных экспериментов.
Я внимательно это всё прочитал и кажется, что риторически Китай выигрывает:
Китай предлагает поставить ИИ на пользу всего человечества, а Запад - на пользу США. Оба эти утверждения встречаются в тексте многократно (удивительно, что европейские компании тоже подписывают американское заявление).
Китай предлагает открытую международную коллаборацию, США - игнорирует остальной мир.
Все топят за модели с открытыми весами, но только Китай их действительно открывает. Как понимать подпись OpenAI под письмом - не понятно. Они собираются открыть веса GPT-5?
Ни одна из сторон даже не заикается об открытых моделях по стандарту OSAID (т.е. с кодом для обучения, датасетом и всем таким). Насколько мне известно, самая сильная модель по такому стандарту вообще немецкая Soofi на 30B параметров. Но это очень слабо.
Мне конечно возразят, что Китаю верить нельзя. А OpenAI точно можно? Или может быть американскому президенту?
Мне одному кажется, что Китайская позиция намного более последовательная и жизнеспособная?
Представлен исследовательский проект STOLEN COMPUTE. Это каталог обнаруженных в сети открытых ИИ-серверов, часть из которых по разным причинам оказалась оставлена без защиты, включая ресурсы с ИИ-моделями Kimi 1T и DeepSeek V4.
А кто может объяснить почему ЛЛМ, агенты и тд не заменят программистов и прочих? С одной стороны, я смотрю на сверхуверенных в себе экспертов, которые говорят что агенты это просто инструмент, изобретение уровня IDE. Но с другой стороны, все буквально идет по сценарию ai2027.
🤖 Первые 80% с ИИ делаются пугающе быстро. И именно поэтому велик соблазн поверить, что и последние 20% будут такими же.
Но увы. Нет!
Почти любой текст, презентация, ТЗ, письмо или отчёт сначала выглядят почти готовыми. ИИ действительно снимает самый психологически дорогой барьер: пустой лист.
Но потом начинается то, чего модель пока не умеет делать:
• проверить логику;
• найти противоречия;
• сверить нормы и ограничения;
• проверить привязки и цифры;
• учесть ответственность конкретных людей;
• адаптировать под реальную ситуацию, а не среднюю по интернету.
Именно здесь заканчивается магия и начинается профессия.
Получить черновик можно за 20% времени. Довести его до документа, за который не стыдно отвечать: оставшимеся 80%.
Поэтому главный навык ближайших лет, скорее всего, будет не «уметь пользоваться ИИ», а уметь профессионально проверять, дорабатывать и принимать его результат.
Но и в последнем случае стоимость ошибки никто не отменял. Именно там обычно и живут репутация, деньги и судебные иски.
P.S. в комментариях идеальная иллюстрация этого тезиса: черновики графика показанного выше.
