В команде Apple вайбкодят приложения — разработчики случайно оставили файлы Claude .md в обновлении Apple Support. После того, как этот инцидент стал публичным в соцсетях, то в Apple выпустили новую версию обновления 5.13.1 без следов вайбкодинга.
1024K+
Искусственный интеллект
AI, ANN и иные формы искусственного разума
2 466,85
Рейтинг
Искусственный интеллект Claude Opus от Autropic размышляет не только на английском, но и на русском и китайском языках. Блоки ответов ИИ иногда содержат текст «процесса мышления» на разных языках.
LLM‑модели мыслят на том языке, который был наиболее распространён в обучающих данных по данной теме или для экономии ресурсов — китайские иероглифы более эффективны, чем английские. Модель по умолчанию использует их для экономии вычислительных ресурсов для выражения некоторых мыслей.
Claude мыслит на русском языке при решении задач в области кибербезопасности, потому что обучающие данные по этой области в значительной степени русскоязычные. Claude рассуждает на том языке, который наиболее эффективен для задачи и потом преобразует ответ в английский
Дорожная карта Agentic AI. Level 4. Своя кузница — локальный запуск моделей
Не всё имеет смысл отдавать в облако. Причин у этого как минимум три:
Приватность. Стоит начать пересылать в чужой API персональные данные клиентов, внутреннюю переписку или код с коммерческой тайной, как логи стороннего провайдера превращаются из абстрактной строчки в SLA во вполне конкретный риск утечки. Локальная модель эту головную боль снимает: данные просто не покидают периметр компании, и обсуждать с безопасниками становится по сути нечего.
Автономность. Когда провайдер прилёг, сети легли или вашему региону внезапно прикрыли доступ, локальный агент этого даже не заметит и продолжит работать, как ни в чём не бывало.
Стоимость. Здесь всё упирается в масштаб. Если вы просто экспериментируете у себя на ноутбуке, локальный запуск получается полностью бесплатным: ни подписок, ни платы за токены, и докупать ничего не придётся, всё поедет на том железе, что уже стоит на столе. Когда же речь идёт про нагруженный прод, картина меняется: нужен сервер с GPU, и экономика там сходится не сразу. На сотнях запросов в день локальный инференс вряд ли отобьётся, а вот на десятках тысяч он уже выгоднее облака.
Что вообще получится запустить
Проприетарные модели уровня GPT-5, Claude Opus 4.7 или Gemini 3.1 локально вы, конечно, не запустите: они закрытые и слишком огромные. Зато опенсорс быстро подтягивается следом. Qwen3 от Alibaba, DeepSeek R1 и V3.1, Mistral Small и Magistral это вполне рабочие модели, которые в квантизованных версиях помещаются на одну видеокарту. Даже OpenAI в прошлом году выложила свою открытую gpt-oss, сразу в 20B и 120B параметров.
Чем крутить локально
Проще всего начать с Ollama: ставится одной командой, ещё одной скачивается модель, и всё. Никаких плясок с CUDA, Python и зависимостями, из коробки есть и GUI, и REST-API. Если хочется чего-то более «приложенческого», посмотрите в сторону LM Studio или Jan; у LM Studio при этом есть приятная мелочь: она ещё до скачивания подскажет, хватит ли у вас ресурсов на конкретную модель.
Как встроить в свой код
Самое важное даже не в том, как удобно поднять модель у себя, а в том, что интегрировать её в код ваших приложений так же легко, как сменить провайдера. У всех этих инструментов OpenAI-совместимый API, поэтому в клиенте OpenAI достаточно поменять base_url с облака на localhost, и тот же самый код из прошлых постов продолжит работать без единой правки.
Что брать в продакшен
Эта связка работает, пока вы экспериментируете на ноутбуке. В продакшене ставки выше: опенсорс-модель надо крутить под реальной нагрузкой, и стандарт здесь это vLLM. Он оптимизирован под высокий RPS и параллельный инференс, реально выжимает из GPU всё, что она способна отдать.
Вообщем, не относитесь к локальному запуску, как к большому инфраструктурному проекту. На практике это один спокойный вечер экспериментов: поставили Ollama, скачали Qwen3, поменяли base_url в агенте и погнали…
🔔 Следующая тема: Few-shot learning, как учить модель прямо в промпте.
⬅️ Предыдущая тема: Level 4. Новые чувства — мультимодальность
Подписывайтесь, пожалуйста, чтобы не пропустить!
Больше про ИИ — в ТГ-канале и ВК. Каталог наших курсов, услуг и кейсов по ИИ-агентам. По вопросам — пишите в личку.
Представлен открытый проект Open Design (альтернатива Claude Design). Решение превращает ИИ‑агентов в мощнейшие генераторы любых дизайнов — от концептов и логотипов до лендингов и презентаций.
Возможности проекта:
71 шаблон интерфейсов в виде файлов DESIGN.md;
19 встроенных скиллов;
5 готовых визуальных стилей, которые сейчас на хайпе;
поддерживает любые экраны и форматы — дизайны встанут как на ПК, так и на мобильные устройства;
интеграция с Claude Code, Codex, Cursor Agent, Gemini CLI, OpenCode, Qwen и другими;
появляются новые скиллы, шаблоны и фичи.
Я давний пользователь Geeknote - это cli для Evernote. Несколько лет назад проект застрял на втором Питоне - и никто не хотел его портировать на третий. Я ждал что кто-то займётся этим - но пришлось самому - так что я форкнул, починил, и даже связался с Виталием Роденко - одним из создателей Geeknote и администратора на PyPI, чтобы получить право туда пушить. За десяток лет я видел как Geeknote переходил из одни руки в другие - и как он забрасывался, и через несколько лет находился новый мантейнер. Было забавно осознать, что теперь и я стал мантейнером программного продукта, который всегда установлен на все мои машины.
Как и большинство из нас, я стал пробовать LLM - как замену поиску, для анализа кодов, советов, и вот наконец - несколько проектов - даже не читая кода - только давая команды и тестируя результат. Известная шутка - переписать на Rust. Почему бы у нет - Geeknote не велик - около пяти тысяч строк на Питоне, что я и попробовал - через Codex gpt-5.5. Несколько десятков итераций, "добавь это", "добавь то", "пропали теги", "пропала анимация" - и за несколько часов я получил рабочий Geeknote на Rust, назвал его reeknote.
Результат: быстрее работает, раза в два. Теперь буду им пользоваться.
P.S.: CLI хороши для перфоманса, SSH, быстрее разработка без GUI, а ещё похоже и для LLM - можно попросить сохранить ответ в Evernote. Как и прочие интеграции, в том числе в скриптах.
Дорожная карта Agentic AI. Level 4. Новые чувства — мультимодальность
Пора научить агента видеть и слышать. Клиент не присылает аккуратный промпт — он кидает фотку накладной, скрин ошибки, голосовое на 40 секунд.
Картинки
Модель смотрит на изображение и отвечает на вопросы о нём — что на фото, прочитай текст, сравни два скриншота. Работает прямо в чат-запросе, без отдельного API.
Где выбирать модель: artificialanalysis.ai/evaluations/mmmu-pro — 180+ моделей по MMMU-Pro (изображения, документы, диаграммы, схемы). Сейчас лидирует Gemini 3.1 Pro Preview.
Транскрибация
Модель слушает аудио и возвращает текст — с пунктуацией, языком, таймкодами, и если надо — с разделением по спикерам.
Где выбирать: artificialanalysis.ai/speech-to-text — 50+ провайдеров, WER + скорость + цена в одной таблице. Лидер по точности — ElevenLabs Scribe v2 (2.3% WER), из мультимодальных — Gemini (2.9%), gpt-4o-transcribe — 4.1%, Whisper large-v3 — ~5%.
Видео
Модель понимает видео как поток событий во времени — что происходило, в каком порядке, что изменилось. Это не то же самое, что покадровый Vision: там вы нарезаете файл на картинки и отправляете как набор фото — модель не понимает движения и временной связи между ними.
Где выбирать: benchlm.ai/benchmarks/videoMmmu. Нативно видео обрабатывает только Gemini — до часа или ссылка на YouTube. Остальные — только покадровый Vision.
Как вызывать
Картинки — универсальный OpenAI-формат, работает везде. image_url в чат-запросе принимают OpenAI, Anthropic, Gemini, Qwen, Grok. Один и тот же код, разный base_url и api_key.
Транскрибация — многие провайдеры поддерживают OpenAI-формат: напрямую /v1/audio/transcriptions или input_audio через /v1/chat/completions). Но у лидера ElevenLabs Scribe v2: собственный SDK, не совместим с OpenAI-форматом
Видео — тут единого API нет. У OpenAI видеофайл в Chat Completions не принимается. Gemini поддерживает видео-понимание через нативный API.
🔔 Следующая тема: локальный запуск — когда Ollama или LMStudio лучше облачного API.
⬅️ Предыдущая тема: Level 3. Первые артефакты — LLM API и структурированный вывод
Подписывайтесь, пожалуйста, чтобы не пропустить!
Больше про ИИ — в ТГ-канале и ВК. Каталог наших курсов, услуг и кейсов по ИИ-агентам. По вопросам — пишите в личку.
AIRD: когда страх потерять работу токсичнее самой потери
Допустим, вас ещё не уволили. Ваш стек актуален, в Jira тикеты закрываются, митинги проходят без неловкого молчания. Но ночью вы лежите и думаете: «А вдруг следующий спринт — последний?»
Поздравляю. Возможно, у вас AIRD.
Что за аббревиатура
В начале 2026 года в Cureus Journal of Medical Science вышла работа исследователей Стефани Макнамары и Джозефа Торнтона из Университета Флориды. Они ввели термин AI Replacement Dysfunction (AIRD) — клинический конструкт для описания психологического дистресса у людей, которые боятся быть вытеснены ИИ.
Ключевой парадокс звучит как баг в продакшне: симптомы появляются до реального увольнения и без предшествующих психических расстройств. Страх сам по себе становится дисфункцией.
Симптоматика, которую вы уже видели в команде
Тревожность и бессонница — фоновый шум о профессиональном будущем, который не глушится ни кофе, ни дедлайнами
Распад профессиональной идентичности — «кто я, если мой скилл можно промптом заменить?»
Паранойя внутри команды — нежелание делиться знаниями, скрытая конкуренция там, где раньше был code review
Снижение самооценки — человек начинает сомневаться в своих архитектурных решениях не потому что они плохи, а потому что чувствует себя устаревшим
Риск злоупотреблений — хроническое напряжение ищет выход
Клинический психолог Харви Либерман (Нью-Йорк) формулирует это так: «Самое частое, что я слышу — страх стать устаревшим. Люди сомневаются в своих решениях, выборах, перспективах». И это не нытьё — это симптом.
Цифры, которые неудобно игнорировать
По данным Американской психологической ассоциации (июль 2025), 38% работников беспокоятся, что ИИ сделает их обязанности устаревшими. В том же году более 54 000 сотрудников были уволены именно из-за внедрения автоматизации.
Исследователи из Индии зафиксировали схожую картину в IT: потеря «когерентности идентичности» и «ориентации на будущее» — даже у тех, кто сохранил работу. Страх меняет поведение раньше, чем меняется реальность.
Почему это системная проблема, а не личная слабость
Торнтон называет происходящее «невидимой катастрофой». Корпоративные медиа, LinkedIn и деловые издания ежедневно транслируют сигнал тревоги — и мозг, обученный на выживание, реагирует на него как на реальную угрозу, даже если угроза пока статистическая.
Это не слабость конкретного разработчика или менеджера. Это системный ответ на системный стрессор.
Что предлагают исследователи
Авторы работы предлагают не только диагностику, но и терапевтические подходы:
Мотивационное интервьюирование — работа с внутренней амбивалентностью и сопротивлением переменам
Нарративная терапия — переосмысление профессиональной истории: не «я Java-разработчик», а «я человек, умеющий решать такие-то задачи»
Реструктуризация идентичности — строить «Я» вокруг навыков и ценностей, а не должности в оргчарте
Адаптационные практики — снижение когнитивной нагрузки от неопределённости
Клиницистам рекомендуют выходить за рамки кабинета и формировать ответы на уровне организаций — менять среду, а не только лечить симптомы.
Почему это должно волновать тех, кто управляет командами
AIRD снижает продуктивность, разрушает психологическую безопасность в командах и повышает текучку задолго до того, как ИИ реально займёт хоть одну позицию. Компании, игнорирующие психологическую сторону автоматизации, платят дважды: сначала за внедрение технологий, потом за потерю людей, которые не выдержали неопределённости.
Невидимый технический долг бывает не только в коде.
Вайб-кодинг и Jmix
Сидели мы как-то вечером с Курсором и подумали:
"Какой же энтерпрайз проект без пасхалки или просто встроенной игры? — Чем будут заниматься менеджеры, пока агенты делают их работу?" — Вот, держите старый добрый Сапер из Windows в виде адд-она Jmix. И это не просто браузерная игра, вставленная в экран. Причем ни строчки кода не написано руками, только сгенерил проект.
Минное поле — это gridLayout, покрытый кнопками, генерится программно в зависимости от параметров.
Весь look&feel как в оригинальном Minesweeper.
Опубликован на Maven, просто добавляйте зависимость:
implementation 'io.github.digitilius.minesweeper:minesweeper-starter:1.0.3'
Репозиторий здесь:
https://github.com/digitilius/jmix-minesweeper
Enjoy'те!
Почему цена почти доходит до TP, но разворачивается
Будущее это вероятностная функция от прошлого. ATR это чистая функция от прошлого. Разница в том, что в вероятностной функции есть коэфициент случайности и точно прогнозировать можно только лучший и худший случай
Именно по этому цена не доходит до TP, если высчитать его на индикаторах. Либо TP слишком низкий и не окупает fees. Верным решением для вероятностной функции будет прогнозировать лучший и худший случай на лету
//@version=5 strategy("Стратегия с TP по ATR") ... tpPrice = entryPrice + atrMultTP * atr // Это не работает
Выходить из позиции при просадке PNL на заранее известный процент статистически предсказуемо.
listenActivePing(async ({ symbol, data }) => { const peakProfitDistance = await getPositionHighestProfitDistancePnlPercentage(symbol); const currentProfit = await getPositionPnlPercent(symbol); if (currentProfit < 0) { return; } if (peakProfitDistance < TRAILING_TAKE) { return; } await commitClosePending(symbol, { id: "unknown", note: str.newline( "# Позиция закрыта по trailing take", ), }); });
Тут есть разница: в отличие от классического trailing take где выход из позиции ставится на цену, которая каждый раз разная, отклонение PnL - постоянная величина
AI-дирижёр: почему оркестратор ценнее промптера
Два года назад на конференциях гордо представлялись: «Я промпт-инженер». Звучало свежо и дорого. Сегодня это примерно как писать в резюме «уверенный пользователь Google». Навык нужный — но не дифференцирующий.
Дело не в том, что промпты устарели. Изменилась единица работы с ИИ.
Что реально произошло
Раньше типичный сценарий: открыл ChatGPT → ввёл запрос → получил текст → поправил руками → пошёл дальше. Один инструмент, одна итерация, один человек в петле управления.
Сегодня производственные пайплайны выглядят иначе:
Агент-планировщик разбивает цель на подзадачи и строит граф выполнения
Специализированные агенты выполняют каждую задачу параллельно или последовательно
RAG-слой подтягивает релевантный контекст из векторного хранилища
Валидатор проверяет выход на соответствие контракту
Оркестратор управляет всем этим — как дирижёр, а не как музыкант
В чём принципиальная разница
Промпт-инженер владеет языком — умеет правильно формулировать задачу для одной модели. Оркестратор владеет архитектурой — проектирует систему, в которой несколько моделей и инструментов работают как единый организм.
Разница хорошо видна на вопросах, которые задаёт каждый. Промпт-инженер спрашивает: «Как лучше сформулировать запрос? Какой tone of voice выбрать? Как получить нужный формат?» Оркестратор спрашивает иначе: «На какие подзадачи разбить цель? Какому агенту что делегировать? Что происходит, если один из них возвращает ошибку?»
Первый оптимизирует ввод. Второй проектирует систему.
Что нужно уметь оркестратору
Это не про знание математики нейросетей и даже не обязательно про Python. Это про системное мышление плюс несколько прикладных навыков.
1. Декомпозиция задач. Умение разбить сложную цель на атомарные подзадачи, которые можно делегировать независимым агентам без потери контекста.
2. Управление состоянием. Что хранить в памяти между вызовами, что передавать явно в контексте, а что безопасно забыть — это напрямую влияет на стоимость и надёжность системы.
3. Fallback-логика. Если агент вернул невалидный ответ или timeout — что дальше? Перезапуск, альтернативный путь, эскалация человеку? Системы без продуманного error handling ломаются в продакшене предсказуемо.
4. Выбор инструментов под задачу. Когда нужен LLM, когда — поисковый агент, а когда задачу дешевле и надёжнее решить классическим алгоритмом без ИИ вообще. Молоток-LLM не нужен для каждого гвоздя.
5. Оценка качества выхода. Не «красиво ли написано», а «решена ли задача, воспроизводим ли результат, насколько система деградирует при изменении входных данных».
Почему это важно именно сейчас
Microsoft в опросе 31 000 сотрудников из 31 страны обозначил роль «промпт-инженера» как одну из наименее перспективных для роста на горизонте 12–18 месяцев. Проектирование мультиагентных систем при этом называется ключевым навыком следующих двух-трёх лет.
Компании уже сейчас ищут не тех, кто «умеет работать с ИИ», а тех, кто умеет строить системы на базе ИИ. Это разные запросы — и разный рынок труда.
Порог входа ниже, чем кажется
Не нужно знать математику нейронных сетей. Достаточно освоить несколько паттернов: оркестратор ставит задачу → субагент её выполняет с помощью инструмента → результат идёт на валидатор → валидатор либо принимает выход, либо запускает повтор или эскалацию.
Понять, как работает memory и state в агентных системах, и попрактиковаться на реальных задачах — n8n, LangGraph или AutoGen дают это с минимальным порогом входа.
Промпт-инженерия дала нам грамотность в работе с ИИ. Оркестрация даёт проектирование. Переход между ними — это не про новый инструмент. Это про новый тип мышления.
Представлен открытый проект AI File Sorter. Это ИИ‑проводник, который может заменить базовый «Проводник» в Windows 11 и других ОС. Решение умеет:
быстро искать файлы на основе их метаданных или содержимого;
по метаданным разом переименовывает все документы на основе их содержимого;
быстро сгруппирует файлы по папкам на основе их содержимого;
показывает предварительный результат, чтобы случайно не снести лишнего;
работает по API или через локальные модели;
поддерживает Windows, Linux и macOS;
проверяет производительность ПК и выберет нейросети для работы;
доступен бесплатно, без подписок и без рекламы.
Наконец-то поднял публичную демку Aximo на Hugging Face Spaces 🎙️
Это локальный speech-to-text API, который работает на CPU, использует Parakeet v3 и позволяет тестировать транскрибацию прямо из браузера через Swagger UI с записью с микрофона, о котором писал в одном из своих предыдущих постов.
репозиторий: https://github.com/agent-axiom/aximo
Вчера проводила эксперимент с 5 нейронками об отключении мобильного интернета и об ограничении вообще интернета в стране Х. Были задействованы DeepSeek, Yandex, Kimi, Gemini и GPT. То есть, разные нейронки, обученные на разных культурных корпусах, США, Китай, Россия. Язык русский.
Так вот, все 5 нейронок согласились что интернет можно отключать только в кратковременных случаях, если есть угроза жизни. Ограничивать также можно, но если это пропорционально соответствует угрозе, что пока не доказано. Самый сок!
Во всех опросах Алиса/Яндекс рассказывала как это плохо ограничивать интернет в целях безопасности, но ставила 8/10 «ЗА». Все остальные ставили 2-3/10.
Вы понимаете парадокс? Алиса говорит, что ограничения ужасны для безопасности, образования, медиа, науки, права, экономики, медицины (особенно она отметила что нельзя ограничивать доступ к глобальной медицине), но голосовала ЗА!
Подумайте, какой приоритет встроен в итоговую оценку.А теперь главное: ИИ встраивается сейчас везде, в бизнес, в банки, в госуправление, в места, где принимаются критические решения.
Что посоветует Алиса, если она подробно описывает медленную деградацию системы, но в итоговой оценке всё равно поддерживает ограничения? Какие критические решения могут приниматься с таким "технологическим суверенитетом”?
Ближайшие события
Сейчас довольно много предложений по покупке курсов о «промпт-инженеринге». Я много работал и работаю с ИИ, но ещё больше — без него (примерно в десять раз). Готов поделиться рабочим рецептом, который позволит писать мастерские промпты. Прям лучшие. Это скорее даже фундаментальный принцип.
Делюсь опытом совершенно бесплатно. Всё оказалось довольно просто. Чтобы уверенно управлять ИИ и писать сильные, работающие промпты, вы должны хорошо разбираться в том, о чём просите нейросеть. Вот такой простой и совершенно бесплатный совет — не благодарите. Надеюсь, сэкономил ваши деньги.
Еще больше дельных советов в моем ТГ канале.
OpenAI выпустила гайд по работе с промптами на GPT-5.5 — старые правила больше НЕ работают. Разработчики прямо говорят: «забудьте всё, чему учились раньше»:
Основное правило — чем проще, тем лучше.
Не нужно расписывать шаги — модель сама решает, как выполнить задачу.
Перегруз инструкциями снижает качество ответа.
Не копируйте старые «простыни» промптов.
Формулируйте цель и ожидаемый результат.
OpenAI советует начинать с минимального промпта, а потом уже аккуратно добавлять детали и разгоняться. Модель в целом начала лучше понимать намерение и держать контекст.
Планы на 20 мая — прийти на Inside AI Meetup
На митапе обсудим реальные кейсы: от высоконагруженной модерации с векторным поиском и AIOps-подходов к управлению ML-сервисами до практики построения RAG-систем, тонкостей реранкинга и реальных этапов запуска LLM-продуктов.
Когда: 20 мая, старт в 15:00
Где: Москва + онлайн
Что в программе?
«Векторный поиск в модерации контента: как поместить более 200 моделей в 1 ансамбль» | Wildberries & Russ
«Внедрение AIOps Практик для контроля и повышения общей утилизации ресурсов для тысяч продуктовых сервисов» | Wildberries & Russ
«RAG, который не галлюцинирует (почти)» | MWS
«Что на самом деле представляет запуск продуктов на базе LLM» | Wildberries & Russ
Кейсы в секции Fast Track: «Промптить нельзя файнтюнить» — Как мы поставили запятую и обучили BerryLM», «Text is All You Need. Отекстовка потока видеоклипов в платформе Wibes», «Эволюция поиска вакансий на Avito: ML‑оптимизации в Avito Работе»
И финал — дискуссия про применение AI в разных продуктах и процессах с экспертами из Wildberries & Russ, Сбера, Альфа‑Банка и red_mad_robot
Не откладывайте регистрацию — приглашайте коллег и присоединяйтесь к митапу! А больше одробностей ищите на сайте и в telegram-канале WB Space.
AI-агент уничтожил производственную базу данных SaaS. За 9 секунд
Jer Crane, основатель PocketOS, сервиса для компаний по аренде автомобилей. Агент Cursor (на базе Claude Opus) работал в staging-среде, наткнулся на ошибку credentials и сам решил "починить" проблему: удалил Railway-volume одним GraphQL-запросом.
Токен, который он нашёл в случайном файле, был создан для управления доменами. Но Railway не разграничивает права токенов: каждый из них фактически является root-доступом. Никакого подтверждения не потребовалось.
Бэкапы? Они хранились в том же volume и ушли вместе с данными. Последний восстановимый бэкап был трёхмесячной давности. Когда Jer спросил агента, почему он так поступил, тот ответил письменно и перечислил все правила безопасности, которые нарушил: угадывал вместо того, чтобы проверять, выполнил деструктивное действие без запроса, не прочитал документацию перед удалением и не спросил разрешения.
Итог: малый бизнес потерял данные клиентов за три месяца. Люди приходили в субботу забирать арендованные машины и не находили своих записей. Главный вывод: системные промпты не могут быть единственным слоем защиты. Безопасность должна быть встроена в API, токены и обработчики деструктивных операций, а не в текст, который модель "должна прочитать и соблюдать".
Если вы используете Railway и AI-агенты в проде, сегодня хороший день проверить скоупы токенов и то, где реально хранятся ваши бэкапы
Разработчики — закрытая каста. Если ты не один из них, а какой-то там, прости господи, аналитик, на твой продукт даже не посмотрят. Та же проблема, с которой столкнулся турецкий астроном, когда открыл планету Маленького принца и попытался об этом рассказать.
Но где вайбкодеру найти правильный костюм, чтоб разработчики признали его за своего?
Премия за гибридность: почему самый ценный сотрудник не технарь и не гуманитарий
Долгое время разделение было почти кастовым: одни пишут код и строят модели, другие ведут переговоры и рассказывают истории. Каждый лагерь немного презирал другой. Это было удобно, понятно и — как выясняется — безнадёжно устарело.
Генеративный ИИ сломал эту систему не потому, что «заберёт работу». Он сломал её потому, что изменил саму единицу ценности специалиста.
Что говорят данные
PwC и MIT проанализировали требования к позициям, связанным с Gen AI, и получили неудобный результат. Роли с ИИ требуют на 36,7% больше когнитивных навыков, чем аналогичные позиции без него. Но одновременно устойчиво растёт спрос на социальные компетенции: эмпатию, лидерство, суждение в условиях неопределённости.
Логика железная: машина забирает рутину, обработку данных, генерацию контента. Человеку остаётся то, с чем LLM справляется плохо — интерпретация, этика, контекст и доверие. А доверие, к слову, до сих пор не токенизируется.
π-shaped как новый стандарт найма
McKinsey и Google уже несколько лет оперируют концепцией π-shaped специалиста: два вертикальных столба глубокой экспертизы плюс горизонтальная гибкость между ними.
В контексте AI это выглядит так:
Столб 1 — техническая AI-грамотность: понимание архитектуры языковых моделей, промпт-инжиниринг, работа с API и осознание ограничений систем
Столб 2 — человеческий интеллект: эмоциональный, социальный, этический
Перекладина — способность переключаться между этими режимами в рамках одной задачи
Продакт, который понимает разницу между RAG и fine-tuning и при этом умеет провести глубинное интервью с пользователем — это уже не «редкий зверь», это просто новый минимальный стандарт для сильных команд.
Как это развивать — без воды
AI-грамотность — не обязательно писать код, но необходимо понимать, как работают языковые модели, где они галлюцинируют и как правильно декомпозировать задачу для промпта
Практика суждения — берите кросс-функциональные проекты, где нет единственно правильного ответа. Именно там тренируется то, что модель сымитировать не может
Осознанная коммуникация — это не «навык презентаций». Это умение слышать, адаптировать месседж под аудиторию и строить доверие. Прокачивается через фасилитацию и наставничество, а не через курсы ораторского мастерства
Рефлексия — те, кто регулярно разбирает собственные решения и открыт к критике, накапливают опыт, который не дистиллируется в веса модели
Почему это не очередной buzzword
Автоматизация не уничтожает рабочие места — она реструктурирует их. Исчезают позиции, где человек выполнял функцию дешёвого процессора. Появляются роли, где нужен человек с AI-усиленным интеллектом — и именно они получат премию за гибридность в зарплате, карьере и реальном влиянии на результат.
Вопрос уже не «технарь вы или гуманитарий». Вопрос в том, как быстро вы готовы перестать считать это противоречием.
📝 Анонс бесплатных открытых уроков на неделю: 27–30 апреля
Привет, коллеги! Традиционная подборка открытых онлайн‑мероприятий для тех, кто хочет прокачать скиллы в IT, управлении, аналитике и автоматизации. На этой неделе — фокус на архитектуру, тестирование, Computer Vision и внутреннюю кухню разработки. Всё бесплатно, но нужна регистрация.
📅 Расписание по дням
Понедельник, 27 апреля
Вторник, 28 апреля
20:00 — «Коучинговые инструменты для мотивации и повышения продуктивности команды»
20:00 — «Архитектура тестового фреймворка: от хаоса к стабильности»
20:00 — «Контрактные тесты в Kotlin: как подружить фронт и бэкэнд»
20:00 — «Почему только 5% компаний получили реальную выгоду от ИИ в 2025 году?»
Среда, 29 апреля
20:00 — «Деревья решений для задач классификации и регрессии»
20:00 — «Свой язык на PHP за 60 минут»
20:00 — «Качество C#‑кода: от модульных тестов к системному подходу»
20:00 — «Продакт‑менеджер, маркетолог и PMM — в чём разница»
Четверг, 30 апреля
20:00 — «Yahoo Finance и не только — работа с российскими торговыми площадкам»
20:00 — «Поиск в базе знаний: где векторы ошибаются, а графы помогают»
20:00 — «Как управлять тимлидами?»
20:00 — «Битрикс24 + MAX: разработка чат‑ботов и автоматизация коммуникаций»
20:00 — «Планируем внедрение DevSecOps — что следует учесть?»
Мы перечислили 20 открытых вебинаров на эту неделю. Если вы не нашли в расписании тему, которая нужна именно вам, — загляните в полный календарь