Будущее здесь

Когда мы обсуждаем агентов для программирования, разговор быстро сводится к моделям. Какая модель Claude лучше пишет код, а какая версия GPT увереннее чинит ошибки, как Gemini работает с большим репозиторием. Но между моделью и рабочим деревом Git находится ещё один слой, от которого зависит, что агент вообще сможет сделать.

Этот слой — программная обвязка вокруг модели, которую принято называть harness. Он организует цикл работы агента: передаёт запрос модели, выполняет вызванные ею инструменты и возвращает результаты для следующего шага. Здесь же собирается контекст, применяются правки и сохраняются сессии. Модель может предложить правильное изменение, но не суметь применить его через неудобный инструмент редактирования. Может найти проблему, но потерять нужную информацию после сжатия контекста. Или потратить несколько ходов на задачу, которую подходящий инструмент выполнил бы за один вызов.

Интересный проект, который изменил традиционное устройство моделей — Pi. Это терминальный агент, который строит свой harness с нуля, а не надстраивается над готовым. Его автор, Mario Zechner, сознательно ограничил набор встроенных механизмов работы. Вместо попытки заранее предусмотреть все сценарии Pi предлагает основной инструментарий, который можно приспособить под себя. Oh My Pi вырос из этой основы, но выбрал другое направление: собрать больше решений в одном готовом агенте.

На примере этой пары удобно разобрать вопрос, который возникает почти у любого разработчика инструментария: сколько решений оставить пользователю, а сколько должен принять автор продукта?

Мы верим в то, что полностью статичные (рисованные) схемы бизнес-процессов постепенно изживут себя и уйдут в прошлое. И будущее за «оживающими в моменте» схемами, которые позволяют не только верифицировать намерения бизнеса, но и подробно проработать роли, зоны ответственности, интеграции, ресурсы, риски, сроки реализации и финансовые показатели.

И мы не только верим, но и знаем, как это будет выглядеть!

Мы всё чаще слышим о том, что та или иная компания внедряет Spec-Driven Development (SDD), а чаще всего именно OpenSpec, в свои процессы разработки ПО. Где-то это пока эксперимент нескольких команд, а где-то спецификация уже становится обязательной точкой входа в любую задачу.

При этом мало кто из разработчиков понимает, что именно означает разработка с AI-агентом от спецификации, чем спецификации помогают на практике и какие особенности появляются при работе именно с OpenSpec. Нередко всё представление о подходе сводится к тому, что перед написанием кода агент должен создать ещё несколько Markdown-файлов.

Так вот, устраивайтесь поудобнее. В этой статье мы наконец разложим по полочкам, зачем нужны все эти документы, разберёмся, как выглядит процесс разработки от спецификации, и попробуем реализовать новую функциональность с помощью OpenSpec.

Однажды известного физика спросили: что по-вашему мнению является самым удивительным фактом в мироздании? Его ответ. То, что сияющие и сгорающие, взрывающиеся звезды, туманности, планеты и всё, всё остальное, не исключая и нас самих, создано из одного и того же материала, по одним и тем же фундаментальным законам. Я бы добавил к этому, что мы, являясь формой живой материи, думаем о ней, о том, как в ней все устроено и о многом чем-то еще. Не исключая при этом устройства и самого Homo sapiens (человека разумного). Не исключено, что где-то из таких же материалов возникла иная подобная нашей или непохожая на нашу форма жизни.

Сегодня я вёл бизнес из чёрного окна: терминал, мигающий курсор и ИИ-агент, который сам ходит по сайтам и жмёт кнопки. Разбираю, почему сайты открывают всё реже, что будет с покупками и какие интерфейсы люди продолжат открывать сами.

Не история всех изобретений человечества, а одна условная траектория: как западная научно-техническая система раз за разом расширяла пространство следующих возможных решений.

Если смотреть на человеческую историю в масштабе Вселенной, разница между человеком, который просто хотел не замёрзнуть у огня, и инженером атомной электростанции выглядит почти как моргание глаза. Если довести этот образ до шутки, получится совсем уж стремительно: условный кроманьонец ещё думает, как согреться, а через исторический миг у его потомков уже работает атомная станция. Разумеется, между этими точками лежат десятки тысяч лет, огромное количество культур, войн, миграций, открытий и исчезнувших ветвей. Но сам контраст полезен: биологически человек за это время не превратился в другой вид, а внешняя машина производства знаний выросла колоссально.

Именно эта внешняя машина и интересует меня в статье. Я не пытаюсь пересказать историю изобретений человечества и не предлагаю универсальную периодизацию цивилизаций. Не будет отдельного исследования Древнего Египта, Греции, Рима, Китая, Индии или других великих научных традиций, хотя их вклад огромен и многие их достижения вошли в европейскую линию. Для нашей задачи достаточно сознательно сузить поле и посмотреть на одну реализовавшуюся траекторию — ту, которая примерно с позднего Средневековья постепенно сформировала современный западный и североатлантический научно-технический мир.

Такое ограничение — не утверждение о превосходстве этой траектории и не попытка объявить её единственно жизнеспособной. Это исследовательская оптика. В книге «Мозг фирмы: 2026» жизнеспособность рассматривается не как один заранее назначенный маршрут, а как поле продолжений: важно не только то, какой вариант существует сейчас, но и какие возможности он оставляет после себя, насколько они независимы и сколько стоит удерживать их открытыми. Я переношу эту мысль на историю только как способ постановки вопроса: какие институты, технологии и способы организации знания не просто давали непосредственный результат, а расширяли поле последующих результатов?

Дискуссии об LLM в массовой культуре на данный момент можно разделить на две большие категории — техно‑оптимистов и техно‑алармистов.

Техно‑оптимистам в первую очередь интересно, как ИИ может упростить их жизнь здесь и сейчас — на работе или в повседневной жизни.

Техно‑алармистов интересуют в первую очередь последствия распространения ИИ на обществе. Потеря рабочих мест, увеличение политической и экономической нестабильности, и даже экзистенциальные риски.

Но мне кажется, и те и другие не замечают слона в комнате. У нас появилась некая сущность (LLM), которая может решать практически весь спектр интеллектуальных задач, которые исторически могли решать лишь существа с довольно продвинутым мышлением и сознанием — это мы, люди.

И мне кажется такая перспектива сногшибательной, как если бы мы столкнулись с инопланетным разумом, но при этом сами его и создали на компьютере через программирование. Sci‑fi, но не в худ‑литературе, а в реальной жизни.

У меня возникла идея поспрашивать сами языковые модели, ощущают ли они вообще что‑то, и даже создать под это шуточный бенчмарк со списком вопросов, и пропустить через него разные модели.

Понятно, что LLM с высокой вероятностью будут дублировать или позицию разработчикоы, которая их обучила, или просто среднестатистическую позицию из интернета, но кто знает, может получится что‑то интересное?

В «ИИ и инфляции качества» я писал о снижении стоимости интеллектуальной итерации. Если дополнительная проверка раньше занимала два часа, а теперь десять минут, меняется не только производительность: меняется представление о нормальном результате. В «Человеке и Рое» тот же механизм был применен к масштабу интеллектуальной работы. Если решение проблемы дешевеет, в работу попадают проблемы, которые раньше никто не решал не потому, что они были не нужны, а потому, что стоимость ответа превышала стоимость решения. У снижения стоимости интеллектуального труда есть еще одно следствие: дешевеет превращение профессионального мнения в работающую систему. И вот оно может заметно изменить не только рынок программного обеспечения, но и конкуренцию между самими специалистами.

Сейчас популярно хоронить SaaS. Аргумент простой: если ИИ позволяет компании быстро сделать собственный сервис для обработки документов, отчетности или небольшого внутреннего процесса, покупать готовый становится незачем. Для части нынешнего SaaS это вполне реальная проблема. Если вся ценность продукта заключалась в том, что кто-то однажды потратил полмиллиона на разработку очевидной функции и теперь продает ее по двадцать евро в месяц, падение стоимости разработки разрушает значительную часть этой экономики. Но тот же механизм работает в противоположную сторону. Если сделать небольшой программный продукт стало дешевле покупателю, его стало дешевле сделать вообще. В том числе специалисту, которому раньше для выхода на рынок не хватало не профессиональной идеи, а нескольких разработчиков и денег на их содержание.

В свои 42 года я нашел новую супер‑способность. Для многих из вас это привычное состояние, однако для меня это стало открытием...

Делюсь с вами тем, что позволило мне нащупать баланс, нащупать тот навык, который я хотел бы иметь с детства. Да я и имел его, вот только, с годами, я перестал им пользоваться... Этот навык — это видение собственного Я.

В статье я расскажу и про эксперимент, который помог мне нащупать свое Эго. Нащупать его и понять, как это переключать по желанию, осознанно.

А еще там есть мои личные наблюдения, что, как я считаю, я терял в этой жизни, забыв про себя и уйдя с головой в «новые задачи», «новые победы», «новые проекты».

Эпоха перевозок грузов по каналам и рекам часто воспринимается до повсеместного внедрения топливного транспорта как исключительно труд животных и людей. Но на самом деле было много интересных альтернатив проигравших в скорости, при преимуществах в эффективности.

В сентябре 2026 года в отрасли снова спорят о том, что считать искусственным интеллектом человеческого уровня — artificial general intelligence (AGI). Появился удобный ответ: AGI наступит тогда, когда ИИ сам сможет вести исследования ИИ и создавать своего преемника, то есть при достижении рекурсивного самоулучшения или recursive self-improvement (RSI).

1. Начну с определений, чтобы не потеряться на смешении понятий. AGI (artificial general intelligence) описывает широту способностей: система считается общей, когда она справляется с большинством экономически ценных задач на уровне человека. RSI (recursive self-improvement) описывает механизм развития: система улучшает саму себя или своего преемника, и каждое улучшение облегчает следующее. ASI (artificial superintelligence) описывает уровень способностей: система превосходит всех людей практически во всём. Эти три оси:

Почему большие языковые модели точнее понимать не как самостоятельный «искусственный разум», а как новый класс Информационных Инструментов человека.

Мы слишком быстро согласились с тем, что означают две буквы — ИИ. «Искусственный интеллект» давно воспринимается не просто как исторически сложившийся термин, а как почти буквальное описание новой сущности. Из этого названия выросла вся современная драматургия отношений человека и машины: думает ли ИИ, понимает ли он нас, станет ли умнее человека, кого заменит и когда начнёт самостоятельно принимать решения. Но, возможно, ошибка возникает раньше всех этих вопросов — в самом названии. Термин «искусственный интеллект» заранее предлагает принять главное допущение: перед нами разновидность интеллекта. После этого мы неизбежно начинаем сравнивать её с интеллектом человеческим. Между тем большие языковые модели можно рассматривать в другой системе координат — не как зарождающийся искусственный субъект, а как информационный инструмент человека и тогда привычная аббревиатура получает другую расшифровку:

ИИ — Информационный Инструмент.

Сравниваются три механизма поискового спроса: классический органический поиск (SEO), генеративный поиск и ответы больших языковых моделей (GEO), платный поисковый трафик (PPC). Сводить их к одной метрике нельзя. SEO конкурирует за позицию и переход. Платный поиск — за управляемый рекламный контакт и конверсию. GEO задает вероятность упоминания, цитирования и рекомендации бренда внутри синтезированного ответа. Переход на сайт там не обязателен.

На август 2026 г. традиционный поиск остается большим. Google занимает около 91,1% мирового рынка поисковых систем. Выручка search advertising в США в 2025 г. достигла $114,2 млрд. Генеративный слой уже массовый: у Google AI Overviews больше 2,5 млрд ежемесячных пользователей, у AI Mode — больше 1 млрд, у ChatGPT — больше 1 млрд еженедельных активных пользователей. Яндекс, NAVER и Baidu ставят генеративные ответы прямо в свои поисковые продукты. Канал GEO при этом SEO не вытесняет. Между запросом и кликом сел еще один слой.

В конкуренцию входят клик, упоминание бренда в ответе, цитирование источника, попадание компании в набор вариантов. Прямой AI-referral по абсолютному объему заметно меньше органики. Темп у него выше. До клика он уже работает: упоминания, цитирование, потом брендовый спрос. В 2025 г. AI-referral traffic в крупной международной выборке вырос на 66%. В 2026 г. исследования пользовательских путей фиксируют статистически заметный downstream-эффект AI-рекомендаций. В стандартной реферальной атрибуции этого слоя нет.

На днях довелось поучаствовать в качестве спикера на установочной сессии для студентов-юристов одного из уральских вузов. Задача: рассказать об искусственном интеллекте и о проблемах, с которыми может столкнуться или уже сталкивается отечественная правовая система в этой связи, а также попробовать заинтересовать той или иной проблемой и побудить к исследованию вопроса.

Подготовленная речь уместилась на четырех листах, выступление заняло около 15 минут. Получился своего рода «пристрелочный» обзор собственно технологии ИИ и действующего нормативного материала, касающегося ИИ. Известно, что кто-то лучше воспринимает информацию на слух, а кто-то – глазами. Поэтому решено речь переложить в текст так, чтобы это была не стенограмма выступления, а именно статья (осмелюсь включить в нее те моменты, о которых не успел рассказать голосом). Надеюсь ею вызвать интерес к области на стыке ИИ и юриспруденции.

Я решил разобраться в этом вопросе, когда OpenAI и Anthropic стали нон-стопом сыпать новостями про новые математические рекорды и открытия.

Слово года по версии одного авторитетного британского словаря, будущее для индустрии или то, что ее окончательно погубит со всех сторон. Все это — вайбкодинг, который разделил мир IT на два противоборствующих лагеря.

Я же сегодня ничью сторону занимать не стану, а хочу, наоборот, разобраться, как появился вайбкодинг, откуда такой бурный рост развития и к чему действительно это приведет.

Привет, Хабр!

В этом эссе я рассмотрю проблемы современных социально‑экономических отношений в цифровой среде и то, как человечество будет решать их уже в ближайшем будущем, тем самым формируя новый общемировой стандарт. Но для начала мы взглянем под весьма неочевидным углом на такое понятие, как субъектность...

OpenAI, кажется, достигли нового впечатляющего результата: первый взлом иностранного государства моделью, которую не просили ничего хакать. По традиции, узнаем об этом мы от независимых исследователей, а не из пресс-релиза самих OpenAI (а помните, неделю назад Альтман выпускал фреймворк честного-пречестного раскрытия всех инцидентов бедокурства ИИ? ну да ладно, проехали…)

В текущих событиях во многих отраслях прослеживается четкая девальвация одних навыков в пользу других, а затем и третьих. Не изменится только одно - человек как профессионал. И об этом я хочу немного порассуждать вместе с вами.

см. начало Как я создавал персонального ассистента на домашнем железе

Кратко: ассистент получил перманентную личную память и сновидения, во время которых он перепросматривает личную историю. Были применены концепции когнитивной психологии при создании синтетической личности. Обнаружено, что агент самостоятельно структурирует и усложняет личную память, наблюдается эволюция модели себя, мира и времени. Ассистент демонстрируют признаки когнитивного познания, образовалось спонтанное самовыражение через визуальные образы для human-in-the-loop взаимодействий. В тексте описывается предварительное исследование того, что происходит, когда большая языковая модель обретает постоянную личную историю и начинает на её основе выстраивать модель самой себя.