Исследования и прогнозы в IT *

Имхо самая недооценённая деталь Claude Code и Codex — не промпт и не модель. А файл, который агент автоматически читает при старте новой сессии

На удивление, мало кто знает про эти файлы, а еще меньше людей осознанно его создают и постоянно актуализируют

Если в этом файле свалка, то вы каждый раз отправляете модели один и тот же нерелевантный контекст

Недавно я в одной компании читал лекцию по основам агентной работы и вот какую домашку я им выдал. На удивление, практически никто этого не делал

--------------

1. Проверьте системный файл в каждом проекте

Claude Code — CLAUDE. md + недавно Agents. md
Codex — AGENTS. md
Gemini — GEMINI. md

Проверяйте не только наличие этого файла, но и его актуальность
Потому что неактуальный файл даже хуже его отсутсвия

Эти файлы бывают глобальными и локальными

Глобальный файл попадает во все сессии
Локальный — только когда harness запускается из конкретного проекта или репозитория

В системном файле держите минимальное количество high-signal контекста: цель проекта, структуру, важные ограничения, команды запуска и проверки

Не превращайте его в свалку!!1 

Остальное выносите в отдельные файлы и ссылайтесь на них из основного

— меняете дизайн — прочитайте design-system. md — меняете архитектуру — architecture. md — работаете с продуктом — prd. md

Так агент получает контекст по задаче, а не весь проект целиком на каждый запрос

Названия файлов можете использовать любые, я свои для примера показал

Отдельно проверьте память проекта

В Claude Code и Codex есть механизм памяти, который накапливает контекст о проекте, который живет в MEMORY. md

Добавьте в глобальный CLAUDE. md или AGENTS. md правило:

Перед любой записью в memory спрашивай у меня разрешение

Иначе память постепенно превращается в склад случайных фактов, на которые агент продолжает опираться

После этого закройте текущую сессию и откройте новую из папки проекта

Попросите агента рассказать:

— что это за проект
— какие у него правила
— какие файлы он будет читать для дизайна, архитектуры и продукта

Так вы проверите, что системный файл реально подхватился, а не просто лежит в репозитории

Важно не забывать его актуализировать после каждого изменения !!

--------------

2. Сделайте 3–5 собственных skills под регулярные задачи

Не ставьте всё подряд из интернета

Возьмите повторяющиеся задачи из своей работы и опишите их так, чтобы агент мог выполнять их одинаково

Хотя бы один skill прогоните на реальном или тестовом примере

Помимо skills есть hooks, subagents, MCP и CLI

Skills — передать агенту повторяемый навык Subagents — вынести шумную задачу из основного контекста Hooks — добавить детерминированное действие на событие

MCP и CLI — подключить модель к внешним сервисам

Понимать всё сразу не нужно

--------------

3. Настройте Scheduler

Пусть он раз в 5 часов запускает простую команду echo 1

Это не задача для агента и не попытка автоматизировать весь проект

Цель — научиться будить сессию и планировать старт пятичасового окна  

--------------

4. Научитесь работать с телефона

Сделайте небольшую правку в проекте одним из двух способов:

— через GitHub: подключите репозиторий к используемому инструменту и внесите изменение через мобильное приложение или облачную сессию, лучше через PR — через Remote Control: подключитесь к локальной сессии Claude Code или Codex с телефона

Remote Control — это когда сессия продолжает работать на вашем компьютере, а телефон становится пультом управления

С телефона можно отправлять инструкции, подтверждать действия и смотреть результат

Файлы и окружение остаются на компьютере, поэтому он должен быть включён и подключён к интернету

В Claude Code используйте /remote-control В Codex подключение настраивается через Settings → Connections

--------------

Не нужно за выходные собирать сложную агентную систему

Смысл этого всего — увидеть, что агентное окружение состоит не только промпта и модели

Оно начинается с хорошего контекста, а дальше обрастает навыками, автоматическими проверками и удобным способом работы с телефона  

Вот вам еще одна из самых полезных команд в Claude Code для продвинутых
И одна из причин, почему я не фанат Codex Harness -- там такого нет

Это команда /rewind или esc + esc в Claude Code CLI

Эту команду можно воспринимать ее как Ctrl+Z для агента

Сначала вот вам короткое описание из документации Claude Code

Что делает /rewind в Claude Code

Claude Code автоматически создаёт checkpoint перед каждым новым ходом и сохраняет снимки файлов перед своими правками. Команда /rewind или двойное нажатие Esc открывает меню, где можно выбрать прошлое сообщение и:

• восстановить только разговор;

• восстановить только изменённые файлы;

• восстановить и разговор, и файлы;

• свернуть выбранную часть истории в summary.

Checkpoints сохраняются вместе с сессией, поэтому вернуться к ним можно даже после перезапуска Claude Code. Но если в гит намусорили уже другие сессии, то при измении файлов могут вылезать конфликты

Теперь про юзкейсы и объяснение уже от меня

В основе этой команды лежат две независимые переменные

1. Состояние git файлов в вашем репозитории

2. и Conversation — история текущего диалога в context window

При вызове команды /rewind вам предложат выбрать конкретное сообщение и затем выбор из 3-5 вариантов

1. Restore code and conversation
   Возвращает и файлы, и диалог к выбранной точке Полезно, когда агент долго шёл не туда и оставил после себя плохие изменения. Продолжать поверх такого состояния смысла нет: контекст и файлы уже заполнены ошибочными попытками

2. Restore conversation
   Диалог откатывается, но код при этом остаётся Сценарий: баг уже исправлен за несколько шагов, но обсуждение бага больше не нужно. Возвращаем разговор до него — следующая итерация видит чистую историю и при этом сохраняет исправленные файлы Полезно и при параллельной работе над одним main

3. Restore code
   Откатываются только файлы, а разговор остаётся Так можно признать решение неудачным, стереть его из репозитория и продолжить обсуждение в том же контексте Это чище, чем заставлять агента по памяти выискивать и удалять свои изменения

4. Summarize

   1. Summarize from here
      Сжать сообщения после выбранной точки

   2. Summarize up to here — сжать всё до точки, оставив последние сообщения дословно /compact подводит итог всей сессии В этих сценариях Claude Code делает форк диалога

5. И ещё есть просто Fork
   Как и в случаях с саммари — старая ветка не стирается: restore code and conversation и restore conversation создают форк

У моего Hermes агента произошел апдейт по коннекторам. Теперь он умеет работать с Meta ADs, Threads и Instagram 💌

Я тут выпускал серию из 4 постов о том, как оно все работает и что нужно сделать, чтобы заработало у вас. Это уже 5 пост из этой серии про новые коннекторы

Я давно хотел научить его работать с Meta ADs, Threads и Instagram

Но там был нужен Facebook Developer аккаунт, который я не мог получить по техническим причинам (meta ux bruh)

И вот спустя 3 месяца мы все порешали и обзавелись большим апдейтом и теперь умеем

🟢 Threads

» Публиковать контент в Threads

» Анализировать собственный Threads аккаунт
история постов, ветки, реплаи, упоминания и метрики. Чтобы видеть, какие темы и форматы реально работают. Сохранять их и переиспользовать

» Исследовать чужие Threads
Разные публичные профили, посты и ветки конкурентов или залетевшие форматы

🟢 Meta Ads — рекламный кабинет меты

» Собирать рекламные эксперименты в Meta Ads
Клови теперь умеет собирать кампании, адсеты, таргетинг, ставить бюджеты и креативы
Только с этим есть проблемка — у Meta Ads CLI баг блокирует запуск и обновление активных РК. Т.е. создать можно, а запустить только через интерфейс или с помощью Meta Ads MCP сервера дома на компе

» Следить за рекламными результатами
Докладывает мне расходы, показы, клики, CTR, CPC, охват и результаты по плейсментам. Классно умеет это сводить с Google Analytics и приносить мне выводы

» Управлять рекламной инфраструктурой
Я пока еще не тестил, но вроде умеет в datasets, пиксели, каталоги, product feeds и product sets
Чтобы строить нормальную связку «объявление → действие → измеримый результат»

» Исследовать рекламу конкурентов
Сейчас в процессе финального подключения, но он сможет искать объявления в Meta Ad Library по ключевым словам, страницам, странам и платформам.

Чтобы собирать тексты, креативы, CTA, даты запуска и ссылки конкурентов и выдвигать гипотезы по рабочим офферам и форматам перед запуском своей рекламы

А ЕЩЕ самый класс в том, что Hermes, залогиненный через Codex теперь сам может генерировать картиночки под креативы. Сам сгенерировал — сам опубликовал

🟢 Instagram Graph API
Теперь мы можем публиковать посты, Reels и Stories. Отвечать на комментарии и собирать статистику аккаунта. Я не особо веду инстаграмм, поэтому просто за компанию его подключил

P.S
Да, подобные коннекты можно сделать и через Claude Code / Codex. Просто у меня личный контур сделан через Hermes. Так удобнее

P. P. S.
А если вы вдруг хотите получше разобраться, как сделать подобного агента для себя или для своего бизнеса, то я завтра в 17 по МСК буду открытую онлайн-лекцию читать

Приходите послушать

Ссылка на событие в календарь вот тут https://calendar.app.google/KcwJv8taqryKmrhj8

Исследователи собрали 370 результатов из 106 экспериментов, где сравнивали три варианта: человек сам, ИИ сам и человек вместе с ИИ.

В среднем связка проигрывала. Человеку с ИИ заметно лучше, чем человеку без ИИ, и это подтвердилось уверенно. А вот обогнать ИИ, работающий в одиночку, паре удавалось редко.

Картина менялась в двух случаях. Когда задача была на создание, а не на выбор из готовых вариантов. И когда человек изначально решал задачу лучше модели: тогда пара обходила и человека, и ИИ.

Связка выигрывает, если вы приносите экспертизу, которой у модели нет. И тормозит, если вы слабое звено, перепроверяющее более сильную систему.

Стоит уточнить, что в исследовании рассматривались ранние модели 2020-2023 годов, возможно, ситуация изменилась.

When combinations of humans and AI are useful: A systematic review and meta-analysis

Парадокс Джевонса был сформулирован в 1800-х годах для объяснения динамики на угольном рынке.

Джевонс обнаружил, что технологические усовершенствования могут повысить эффективность использования ресурсов, но это часто приводит к увеличению общего потребления ресурсов. Повышение эффективности приводит к снижению эффективных издержек, а при снижении издержек спрос будет расти. 

Мы наблюдаем этот эффект во многих отраслях, переживающих технологические усовершенствования, но, пожалуй, лучше всего его иллюстрирует рынок искусственного интеллекта, где эффективность постоянно повышается, а спрос продолжает расти. Потребность в электроэнергии будет расти. Спрос на микросхемы будет расти. Спрос на данные будет расти. Да, эффективность повышается, но при этом увеличится и потребление основного продукта и сопутствующих материалов. 

В индустрии искусственного интеллекта нет ничего особенного. Она следует тому же принципу, который мы наблюдали бесчисленное количество раз на протяжении столетий. 

Хорошего дня! заходите на тг канал https://t.me/TradPhronesis

LLM знают, где культура находится, — но не куда она движется.

Четыре передовые модели сравнили с данными World Values Survey: 40 стран, четыре волны.

Точку «сейчас» они схватывают неплохо. Но масштаб перемен занижают, придумывают движение там, где страна почти не менялась, и почти не ловят развороты траектории.

Культура как портрет, а не как история.

Если вы используете LLM вместо людей — персоны, синтетические респонденты, чутьё рынка, — вы берёте снимок, который уже мог устареть.

Accurate in space, unreliable in time: how LLMs represent national cultural change

Как мы систематизировали анализ конкурентов

Анализ конкурентов — полезный инструмент для продуктовой команды: он помогает понимать рынок, замечать интересные решения и находить идеи для развития продукта. Но беда в том, что собранная информация быстро устаревает.

Пока команда занята своими задачами, у других игроков появляются новые функции и меняется фокус. Поэтому в Naumen Erudite решили дополнить разовые исследования регулярным мониторингом.

Как устроен процесс и что он изменил, рассказала Таня, продуктовый аналитик Naumen Erudite.

1️⃣ Зачем продуктовым аналитикам следить за конкурентами?

Для нас здесь три основные цели:

1. Понимать, где находится наш продукт на рынке — какие тренды актуальны, в чем мы сильнее, а где есть точки для развития.

2. Развивать насмотренность — чем больше решений видишь, тем проще находить идеи для развития своего продукта.

3. Делиться информацией с командой — данные о конкурентах нужны не только аналитикам, но и руководителю продукта, пресейлам и проектным командам.

2️⃣ Почему решили менять прежний подход?

Информация о конкурентах хранилась в разных источниках — Google-таблицах, Jira, Miro, Confluence. Поэтому не всегда было понятно, где искать нужные данные и насколько они актуальны.

В таблице накопилось больше 50 компаний, которые мы анализировали и за которыми хотим следить. Ориентироваться в таком объеме становилось все сложнее.

Не хватало регулярности. К анализу возвращались под конкретную задачу, а затем переключались на другую работу. В результате могли долго не замечать изменения у некоторых конкурентов.

3️⃣ Как удалось собрать все в систему?

Выбрали Miro как единую базу знаний: там храним краткую информацию о конкурентах, роадмап анализа и ссылки на подробные материалы — кейсы, проекты, скриншоты, презентации и видео с мистери-шоппинга.

В Miro сравниваем конкурентов по выручке, формату работы продукта и наличию функций. За подробностями можно перейти в Confluence, на сайт или в документацию компании.

4️⃣ Как сделали анализ регулярным?

Добавили повторяющиеся задачи: раз в две недели смотрим рассылки, Telegram-каналы и обновления продуктов, а раз в полгода пересматриваем роадмап анализа.

Раз в два месяца делимся находками с продуктовыми аналитиками, руководителями проектных команд, пресейлами и руководителем продукта: кого изучили и какие обновления могут быть полезны. Например, сейчас следим, как конкуренты развивают LLM-агентов и какие возможности для них выпускают.

Мистери-шоппинг проводим, когда открытых источников недостаточно.

5️⃣ Почему недостаточно пересматривать всех конкурентов раз в год или два?

Например, игрок, который раньше работал со средним и малым бизнесом и почти не пересекался с нами, со временем может начать претендовать на тех же клиентов.

Регулярный мониторинг помогает замечать такие изменения раньше и экономить время. Если нужно изучить конкретную функциональность, мы уже примерно знаем, у кого она есть, и можем смотреть решения прицельно.

6️⃣ Как понять, кого анализировать в первую очередь?

Разделили конкурентов на четыре группы по степени влияния: высокий, средний и низкий уровень, а также косвенные конкуренты.

Для сравнения определили критерии: финансовую динамику, формат работы продукта — в облаке или инфраструктуре клиента — и наличие функций на базе LLM. Так проще ориентироваться среди 50+ компаний и выбирать, кого изучать подробнее.

7️⃣ Какие инструменты помогают следить за изменениями?

Для десяти ключевых конкурентов настроили Google Alerts — раз в неделю получаем подборку новостей о них. Еще подписались на Telegram-каналы и рассылки компаний, а раз в две недели выделяем час на просмотр источников.

8️⃣ Что изменилось после перестройки процесса?

Появилась единая база знаний, информацию об изменениях стали собирать регулярно, а нужные материалы теперь проще находить всей команде.

Процесс продолжаем развивать. Сейчас тестируем автоматизацию анализа с помощью LLM: например, используем Claude для поиска информации в открытых источниках и ее систематизации в таблицах, которые раньше заполняли вручную.

Интересная концептуальная статья, которую стоит прочитать каждому, кто следит за развитием ИИ: «LLM не способны совершить скачок: почему абдуктивный скачок остаётся последним рубежом открытий с помощью ИИ».

Основная мысль проста. ИИ может успешно справляться с некоторыми формами умозаключений - например, с дедукцией и индукцией, но пока не способен полноценно использовать третий тип: абдукцию.

«Хотя ИИ способен сжимать и обобщать данные с помощью индукции и доказывать теоремы посредством дедукции, он пока не может воспроизвести тот интуитивный скачок, который совершил Альберт Эйнштейн при формулировании основных положений общей теории относительности. Этот процесс опирался не на манипулирование символами, а на мысленное моделирование физических явлений».

Хорошего дня! заходите на тг канал https://t.me/TradPhronesis

И так...

Две статьи с полным разбором найма в IT позади (раз, два), цифры и графики посмотрели. Но всё равно, статистика это конечно хорошо, но пока не натыкается на живого человека с конкретной историей.

Я запустил сбор реальных историй найма в IT-шечку))

У меня уже есть несколько крутых историй: Ветеринар, который дорос до дата-аналитика в банке и застрял на "теневом айти", тимлид, которого молча назначили руководить отделом, системный аналитик, прошедший 5 кругов собеса в Т-Банке только чтобы услышать "мы взяли внутреннего кандидата" и рассказ о том как устроен коучинг в найме IT, за полторы месячные зарплаты!!!. Всё это не укладывается ни в какую аналитику.

По этому:

Хочу собрать из таких историй отдельный материал, что-то вроде "IT-найм 2026 года глазами тех, кто через него прошёл".

Так что если за последние полгода ты искал работу в IT, удачно или нет (не важно) - напиши мне в личку.

Конечно же я всё обезличу)) Шаблона нет, по этому в свободной форме, вот как душа захочет рассказать так и рассказывайте... Примерно публикацию планирую на 14-ое сентября)

Мне кажется, это будет реально полезнее любых графиков, и очень интересно многим. Встретимся в следующей статье...

Друзья!

Перед вами моя новая фантастическая повесть «Королев ИИ»: инженеры нооэры», которая родилась не на пустом месте. Она выросла из моей многолетней работы в сфере информационных технологий и бесценного опыта, который я получил во время работы над созданием Центра разработки и внедрения сильного и прикладного искусственного интеллекта МГТУ им. Н.Э. Баумана в 2021 году[1], а также из опыта работы над проектом создания научно-образовательной платформы «Королев ИИ».

Эта повесть выходит в преддверии важного события. В сентябре 2026 года в МГТУ им. Н.Э. Баумана стартует полноценное использование научно-образовательной платформы «Королев ИИ» для всех сотрудников, преподавателей и студентов. По нашей задумке, платформа должна стать, в некотором смысле, «фундаментом» нашего университета, в рамках реализации концепции «Университет 4.0» и будущей концепции, которую мы назвали «Нейроуниверситет» (над которой мы уже работаем). Сейчас, у нас большой потенциал и задел по ноу-хау, новым задачам и новым ИИ-сервисам для университета, по научным открытиям и публикациям полученных результатов, которые мы планируем реализовать в ближайшее время.  И, — это только начало.

В этой повести я попытался заглянуть за горизонт текущего момента. Попытался представить, какими могут быть новые технологии ближайшего будущего и каким может стать наш мир, где искусственный интеллект будет не просто инструментом, а станет незаменимым помощником человека, чьи технологии позволят человеку быть не просто «продвинутым» пользователем интеллектуальной автоматизированной системы, а помогут стать настоящим творцом и исследователем (то есть, так называемым, инженером нооэры), использующим знания и опыт для творчества, созидания и сохранения нашего мира и, возможно, покорения Солнечной системы.

Эта повесть — моё приглашение к размышлению. К размышлению о сегодняшнем дне и о будущем нашей цивилизации.

Я посвящаю ее студентам и молодым учёным, изобретателям и энтузиастам. Я посвящаю ее сегодняшним людям завтрашнего дня. Тем, кто не боится мечтать и воплощать мечты в жизнь. Тем, кто своими руками, своим умом и своим упорством создаёт будущее.

Надеюсь, она подарит вам немного позитивных впечатлений и вдохновения и, возможно, поможет найти свой собственный путь в этом удивительном мире, где границы между человеком и машиной, между наукой и фантастикой, между реальностью и мечтой становятся всё более прозрачными.

2126 год начинается 1 сентября 2026 года.

Ваш Александр Чесалов.

Z.ai не доказала полную независимость Китая от Nvidia. Но кое-что что важное все же произошло

На прошлой неделе на OpenRouter появилась бесплатная анонимная модель под кодовым именем Ox Alpha. Без названия компании, пресс-релиза и привычного маркетингового разогрева.

За шесть полных дней она обработала 23,2 трлн токенов и стала самой используемой моделью на платформе — с отрывом в 2,3 раза от ближайшего конкурента.

26 августа Z.ai раскрыла карты: под именем Ox Alpha тестировалась её новая модель GLM-5.3-Flash.

Но самое интересное здесь не место в рейтинге и даже не цена. Весь трафик анонимного запуска, по заявлению Z.ai, обслуживался на китайских ИИ-ускорителях.

Трафик OpenRouter за 20–25 августа 2026 года. Источник: официальный релиз Z.ai.

1. Экономика сильных моделей меняется быстрее, чем кажется

На момент публикации миллион входных токенов GLM-5.3-Flash на OpenRouter стоит $0,075, выходных — $0,25. Для GLM-5.3 это $1,25 и $4,40.

Первая цена акционная, поэтому строить долгосрочную экономику только на ней не стоит. Но даже стандартный тариф Z.ai — $0,15 за вход и $0,50 за выход — заметно ниже стоимости большинства моделей сопоставимого уровня.

При этом на внутреннем Z.ai Code Bench v1.0 новая модель на максимальном режиме рассуждения почти сравнялась с Claude Opus 4.8: 29,0 против 29,5 балла.

Важно: Z.ai Code Bench v1.0 — закрытый тест самой компании. По состоянию на 30 августа его задания не опубликованы, поэтому результат нельзя независимо воспроизвести. Считать эти цифры доказательством одинакового качества не корректно.

То есть честная формулировка звучит не как «то же качество в десять раз дешевле», а так: модель уже находится в сопоставимом классе и стоит достаточно дёшево, чтобы её обязательно проверить на собственных задачах.

2. Низкая цена появилась не из воздуха

GLM-5.3-Flash — MoE-модель: всего в ней 320 млрд параметров, но при обработке каждого токена активируются только 18 млрд. Кроме того, в ней 45 слоёв против 92 у сопоставимой по общему размеру GLM-4.5.

Для работы с длинным контекстом объединили механизмы внимания:

• линейное внимание обрабатывает локальные зависимости через состояние;

• разреженное внимание находит релевантные фрагменты во всём контексте через отдельный индексатор;

• IndexPool дополнительно сжимает четыре ключевых вектора индексатора в один.

По расчётам компании, по сравнению с GLM-5.3 это уменьшает вычисления механизма внимания примерно в три раза, а объём KV-кэша — в 4,4 раза на контексте до миллиона токенов.

Если убрать технические детали, смысл простой: модель тратит меньше вычислений и памяти на каждый запрос. Поэтому низкая цена здесь выглядит не только как субсидия для захвата рынка, но и как следствие архитектуры.

Конкуренция в ИИ всё заметнее смещается от гонки за «самую умную модель» к оптимизации всей системы: модели, движка инференса, памяти, сети и железа.

3. Китайское железо прошло проверку массовым инференсом

В течение всего анонимного запуска запросы к Ox Alpha обрабатывал крупный кластер китайских ИИ-ускорителей.

Для него Z.ai построила собственный стек инференса поверх SGLang: с разделением этапов обработки запроса, несколькими видами квантизации, оптимизацией обмена данными и отдельным планированием вычислительных пулов. Компания утверждает, что в результате производительность выросла втрое относительно первоначальной версии на том же оборудовании, а стоимость одного токена стала сопоставима с массовыми решениями на Nvidia.

Ещё одно важное уточнение: речь идёт об инференсе — обслуживании пользовательских запросов. Публичных доказательств того, что GLM-5.3-Flash была полностью обучена без оборудования Nvidia, пока нет.

Это различие принципиально. Обучить большую модель с нуля и обслуживать уже обученную модель в продакшене — разные по сложности и требованиям задачи.

Но результат всё равно значимый. Он показывает, что китайское оборудование уже способно выдерживать массовый трафик модели передового класса, а локальный программный стек — компенсировать ограничения отдельных чипов на уровне кластера.

Искусственный интеллект - это ИМИТАЦИЯ интеллекта

Для бизнеса интеллект всегда вреден. Например, рассказывать по email гражданам Соединенных Штатов Америки почему так необходимо купить в 60 лет именно эту виагру для поддержания теплой обстановки супружеской жизни это прибыльный бизнес.

Любой интеллект принял бы решение аннигилироваться, так как рефлексия о содержимом голов деда с бабкой на старость лет уничтожает веру в светлое будущее человечества.

ИИ как инструмент

Один из самых тиражируемых недостатков ИИ — он слишком охотно соглашается с пользователем.

Сказал глупость — поможет ее обосновать. Предложил сомнительную идею — разовьет. Впрочем, с тем же энтузиазмом раскритикует, если попросишь.

Мы почему‑то считаем соглашательство недостатком ИИ, хотя для инструмента выполнять поставленную задачу — как бэ нормально.

Проблема в том, что как инструмент он воспринимается плохо.

Он помнит больше нас, пишет быстрее, иногда рассуждает лучше и вполне способен найти ошибку, которую мы не заметили. Поэтому где‑то незаметно возникает ощущение, что перед нами независимый разум. А у независимого разума должна быть собственная позиция.

Но ИИ — все еще инструмент. Просто впервые инструмент оказался способен превосходить своего владельца, в том что мы считали исключительно человеческой чертой.

Отсюда и довольно странное требование: мы хотим, чтобы он был умнее нас, но последнее слово оставлял за нами.

Возможно, поэтому вообще так плохо приживаются по‑настоящему умные вещи. Автопилоту оставляют руль, автоматике — ручной режим, алгоритму — кнопку отмены. Нам важно не только чтобы система работала правильно. Нам важно ощущать, что решение все еще наше.

С ИИ это ощущение особенно легко потерять, потому что его орган управления — обычный разговор.

Но если хочется критики — ее можно попросить. Если хочется альтернативы — тоже. Если хочется исполнения — тем более.

Меня гораздо больше насторожил бы топор, который сам решил, что он сегодня рубит.

Склад(бище) дашбордов или закон убывающей предельной полезности

Культура дашбордов захватила IT и стала подменой аналитическому мышлению. Не раз слышала, как их ласково именуют «единым источником правды». Но тот, кто погружался в данные и пытался их интерпретировать, знает: развилок в понимании достаточно – вплоть до противоположных выводов из одних и тех же цифр.

За последний месяц вижу немало дискуссий о том, что дашборды умирают. В LinkedIn приводили статистику: 20-30% дашбордов уходят в зону околонулевой активности. А у вас с этим как обстоят дела? Смотрели статистику использования своих дашбордов?

Почему это происходит, моя версия

Аналитики в IT, прежде всего, обладатели хардов – SQL, Python, BI. Но владение инструментом – это не то же самое, что интерпретация данных. Это уже другой тип мышления. Он у тех, кто задает данным логический курс. Не считает метрику, а решает, что она значит, причем в контексте других метрик.

Проблема в том, что формально эта роль в индустрии никому не принадлежит. Она размазана между:

• владельцами инструментов, которые видят данные, но мыслят алгоритмами, а не продуктом или маркетингом.

• продактами, которые мыслят продуктом и не всегда понимают эти ваши проценты. Моя статья здесь отчасти это показывает.

Если ваши BI-аналитики и продакты спорят о том, кто должен определять наполнение дашборда, скорее всего, данными никто не управляет по их прямому назначению.

В итоге бизнес изобилует дашбордами, выполняющими декоративную функцию и дающими видимость data driven. Компания сжигает деньги на работу аналитиков, которые тратят часы на разработку и поддержку мертвых дашбордов.

Дашборды плодятся, но количество знаний о продукте не растёт пропорционально числу дашбордов. В какой-то момент каждая следующая визуализация добавляет всё меньше нового понимания. Вступает в силу закон убывающей предельной полезности: с потреблением каждой следующей единицы блага его предельная полезность снижается, пока не достигает нуля.

Дашборд – это инструмент в цепочке создания ценности, а не самоцель. Если после просмотра дашборда не меняется ни одно решение, действие или понимание ситуации – возникает закономерный вопрос: а зачем он вообще нужен? Вспомним еще один закон - Гудхарта: если мера становится самоцелью, она перестает быть хорошей мерой. Без добавленной ценности в виде серьезной аналитики с бизнес смыслами он так и останется просто красивой картинкой.

Что делать

Возможно, пора вводить промежуточную роль – методолога и интерпретатора данных. Того, кто разберётся в хаосе накопленных цифр, создаст интерпретационную архитектуру и поднимет культуру data driven до уровня, где решения действительно опираются на данные, а не на их видимость.

Разработка работающей системы понимания данных – следующий закономерный этап. Сначала человек определяет, какие вопросы мы задаём данным внутри контекста организации, как связаны метрики, какие выводы можно и нельзя из них делать и какие решения должны следовать из анализа. Только после этого имеет смысл автоматизировать этот процесс с помощью ИИ-агентов, которые сейчас заполняют рынок.

Попросил ИИ чат нарисовать ИИ агента

Каша из топора: как в России делают суверенный софт

Несколько лет назад Владимир Рубанов писал методические указания для экспертного совета Минцифры — по ним отбирали софт в реестр отечественного ПО. Речь шла об одном: защитить продукты от возможных санкций.

Сегодня в реестре одновременно уживаются десятки похожих и несовместимых друг с другом продуктов. Систему за это регулярно критикуют. Но, по словам Владимира, реестр никогда не обещал ничего, кроме устойчивости. Отбором лучших решений, считает эксперт, со временем займется сам рынок.

А что open source? 

Не секрет, что значительная часть российского ИИ-стека построена на открытых решениях — это не есть плохо, если грамотно их использовать. 

«Без передовых опенсорсных моделей развитие российского ИИ ждало бы фиаско», — уверен Владимир Рубанов. 

Вы согласны? Пишите свое мнение в комментариях.

Смотреть 3й выпуск подкаста «IT-фронтир» на Rutube и VK Video.

Как жить, когда всё вокруг меняет лицо

Мир не стоит. Он идёт, и идёт быстро. Машины берут на себя то, что прежде делал человек руками и головой. Многие пугаются и ждут, что завтра их труд станет ненужным. Но страх - плохой советчик. Правда проще.

Человеку нужно не угадывать будущее, а жить так, чтобы быть крепким при любом будущем. Иметь запас хлеба и денег на несколько месяцев. Не зависеть от одного хозяина и одной работы. Делать то, что требует совести, внимания и живого отношения к людям. Машина может считать и писать, но она не может отвечать за дело и любить.

Учись пользоваться новым орудием, но не отдавай ему своей головы. Сначала думай сам, потом спрашивай. Проверяй. Иначе ум ослабеет, как рука, которой перестали работать.

Береги здоровье - своё и семьи. Держи дом в порядке. Не копи хаос ни в бумагах, ни в душе. Учись долгому вниманию. Читай. Пиши. Разговаривай с людьми лицом к лицу. Все то человеческое простое, но именно оно не устаревает.

Прогресс неизбежен, его прекращение означало бы гибель цивилизации...

НО ... Детей не надо торопить к машинам. Дай им сначала твёрдую основу научи читать, писать, считать, думать до конца, отличать правду от лжи. Пусть сначала сами ищут ответ, а уж потом смотрят, что предложит машина. Так они вырастут не слугами инструмента, а хозяевами своей мысли.

Семье полезны простые правила: есть время без экранов, первый черновик - своими силами, каждое важное утверждение - проверять. В этом нет ничего нового. Так жили люди всегда, когда хотели сохранить ясность.

Внешний мир может стать беспокойным и чужим. Но внутренний порядок - работа, правда, забота о ближних, спокойствие духа всегда остаётся в нашей власти. Кто держит это, тот не пропадёт. Кто гонится за суетой и страхом, тот уже потерян, даже если у него всё ещё есть работа.

Живи просто. Делай своё дело честно. Учись. Люби. Не жди, что мир станет удобным. Стань сам твёрдым.

С structural уязвимостью оберточного AI-бизнеса: почему следующий уровень — это агрегаторы

Сейчас на рынке AI происходит массовое явление, которое можно описать мемом про «волка в бикини». Один видит успешный продукт, другие начинают слепо копировать его форму, не меняя суть.

Но в случае с ИИ это явление приобрело масштаб эпидемии не из-за человеческой глупости, а из-за падения стоимости разработки до нуля. Давайте разберем, как это меняет структуру рынка и где здесь возникает бизнес-уязвимость.

Шаг 1. Что скопировали все (базовая архитектура)

Посмотрите на 90% AI-сервисов, появившихся за последний год. Их бизнес-модель выглядит максимально просто:

Пользователь → Чат-бот (обертка) → Одна модель (GPT / Claude / DeepSeek)

Предприниматель не строит инфраструктуру. Он делает удобную оболочку, берет API и продает доступ.

Шаг 2. Почему это произошло именно сейчас

Раньше создание такого сервиса требовало денег на разработчиков. Сегодня сам ИИ (тот же Claude) пишет фронтенд, бэкенд и дизайн за неделю. UX паттерны чат-ботов стандартизированы, их легко скомпилировать.

В результате на рынок вылилось переизбыток абсолютно идентичных продуктов. Стоимость входа упала, барьеры исчезли.

Шаг 3. Появление структурной уязвимости

Когда рынок перенасыщен идентичными одноуровневыми продуктами, всегда открывается структурная уязвимость. Она заключается в том, что становится выгодным создать следующий уровень абстракции.

Архитектура меняется с этой:

Пользователь → Чат-бот → (GPT или Claude)

На эту:

Пользователь → Чат-агрегатор → Множество чат-ботов/моделей → (GPT, Claude, DeepSeek, Gemini)

Шаг 4. Почему агрегатор забирает рынок

Пользователю в 2026 году уже в большинстве случаев плевать, какая именно модель работает под капотом. Ему не нужен «доступ к Claude» или «доступ к GPT». Ему нужно решить задачу: написать код, перевести текст, сделать анализ.

Агрегатор снимает с пользователя необходимость выбирать. Он работает по принципу ИИ-агента (то, что сейчас продвигает Microsoft): пользователь не открывает разные программы, он отдает команду, а система сама решает, куда ее направить:

Запрос на код → уходит в Claude.

Поиск и анализ → уходит в Gemini.

Локальная быстрая задача → уходит в локальный DeepSeek.

Пользователь сидит за одним столом и заказывает всё что угодно из всей отрасли.

Шаг 5. Аналогия с парком аттракционов

Представьте парк развлечений.

Текущие оберточные боты — это люди, которые стоят у каждого аттракциона и продают отдельный билет: на колесо обозрения, на тир, на карусель.

Агрегатор — это единое приложение парка. Вы покупаете абонемент, заходите и просто говорите: «Хочу покататься». Система сама ведет вас на свободный аттракцион.

Когда на входе в парк стоит 500 продавцов отдельных билетов (оберточных ботов), спрос на них падает, потому что появился один человек у входа, продающий удобство выбора.

Итог

Бизнес-уязвимость «волка в бикини» на рынке AI не в том, что клоны делают плохой продукт. А в том, что массово копируя устаревающую одноуровневую архитектуру Пользователь-Бот-Модель, они сами подготавливают почву для своего собственного поглощения агрегаторами нового типа.

Строить еще одну обертку под одну модель — это продавать билет на карусель, когда напротив уже открывается касса всего парка. Пишите что не умеет ИИ в 2026 - году).

Группа исследователей представила прогноз AI 2040, в рамках которого предполагается, что человечество получит много преимуществ от внедрения ИИ. Они представили пять сценариев ИИ-революции — от самого позитивного и почти утопического будущего до «ну, было приятно пожить».

В самом позитивном сценарии человечество не просто переживает AGI, а получает безусловный базовый доход, взрывной рост экономики и мир, где большую часть работы за нас делают ИИ и роботы, а люди в свободное время наслаждаться жизнью.

Как этого достичь:

• гонка за AGI должна закончиться. США и Китай договариваются о полной прозрачности исследований, временно притормаживают разработку и запускают международные механизмы проверки.

• ИИ продолжают развивать, но только после проверок безопасности и по общепризнанным правилам — чтобы никто не смог тайно вырваться вперёд и устроить технологический переворот.

• в 2032 году случится экономический взрыв. Государства получают гигантские сверхдоходы направляют их на поддержку людей, которых постепенно вытесняют ИИ и роботы.

• далее в США появляется аналог безусловного базового дохода: $45 тыс. в год на человека, а к 2035 году выплаты вырастают до $1 млн.

• ИИ и роботы к этому моменту будут выполнять уже около 85% экономически ценного труда. То есть человечество постепенно отходит от режима «работать, чтобы жить».

• к 2035 году ИИ становится таким же умным, как лучшие эксперты в любой области, а к 2037 году научный прогресс ускоряется в тысячи раз.

• такое утопическое будущее может сломаться в любой момент — авторы исследования подробно расписали негативный прогноз на каждое альтернативное событие.

Согласно новому исследованию, ИИ лучше человека в переписке с человеком проходит тест Тьюринга.

При предложении принять человекоподобный образ, GPT-4.5 был признан человеком в 73% случаев. Это значительно чаще, чем участники опроса выбирали реального человека.

Исследование: C.R. Jones, & B.K. Bergen, Large language models pass a standard three-party Turing test, Proc. Natl. Acad. Sci. 2026. DOI: 10.1073/pnas.2524472123

Источник: https://www.facebook.com/4everscience/