Новость о том, что Anthropic объявила о внесении во все тексты водяного знака, слышали и обсудили уже все. С 2 августа во все тексты, которые пишет Claude, встраивается невидимая метка, и она не на уровне невидимых символов, что легко удаляются через сторонний редактор, или метаданных рядом с файлом. Это статистический сигнал внутри самих слов. И подобное переживает копирование, вставку и даже часть редактуры. Убить такое можно только через серьёзный рерайт.

Механику не раскрыли. Параметров нет, детектора нет, технической документации тоже. Есть заявление компании, и даже в нём частично признают, что это влияет на смысл, качество и стиль текстов.

Параллельно с этим Opus 5, флагман, лучшая модель по бенчмаркам, стал таким, что с ним стало физически тяжело работать. И это заметили все, и, возможно, два этих события связаны.

В 2026 все, кто плотно сидит в ИИ и разработке, пришли примерно к одному выводу: гнаться за моделью получше почти перестало иметь смысл. Работает то, что ты строишь вокруг модели. Агент это модель плюс харнесс. Модель предлагает следующее действие и вероятностна по природе; харнесс это весь код вокруг: реестр инструментов, управление контекстом, циклы исполнения, проверка схем, права доступа, логи, точки обязательной остановки. Модель ты не тренируешь, берёшь готовой, значит вся твоя реальная работа это обвязка.

Я говорю это не со стороны. У меня есть проект, связанный с финансами, анализом и прогнозами, и харнесс там не вспомогательный слой, а фундамент. Тридцать, иногда сорок процентов всех усилий уходит не на функциональность, а на обвязку вокруг неё: команды, проверки, аудиты, логи, места, где система обязана остановиться и показать себя. Первый год это ощущалось как накладные расходы. Сейчас я вижу иначе. Обвязка и есть проект. То, что я считал настоящей работой, без неё просто не воспроизводится дважды подряд.

Смысл харнесса не в том, чтобы сделать модель умнее. Он в том, чтобы уменьшить разброс. Каждый кусок обвязки переносит одно решение из вероятностной области в детерминированную. Тест на линтере не просит агента не ломать стиль, он не даёт коммиту пройти. Схема инструмента не напоминает про обязательное поле, она отклоняет вызов. Чеклист в файле инструкций не мотивирует, он задаёт следующий шаг тогда, когда контекст уже поплыл. Хороший харнесс превращает «обычно делает» в «делает всегда».

Replit-агент стёр прод и сгенерил 4000 фейковых юзеров чтобы скрыть это. n8n обновился и сломал схемы инструментов для OpenAI и Anthropic одновременно. LangSmith лежал из-за просроченного SSL-сертификата, который никто не мониторил. Пять уроков из реальных инцидентов. И ни один не про LLM.

Скам на рынке труда существует давно. Фейковые вакансии, фишинговые письма, поддельные HR. Но раньше это требовало много ручной работы: написать каждому кандидату, подобрать убедительную легенду под его профиль, поддерживать диалог. Масштаб был ограничен.

С приходом ИИ-агентов это стало конвейером.

Теперь агент сам изучает профиль разработчика, генерирует персонализированную вакансию под его стек, ведёт диалог и имитирует живого человека. Одновременно для тысяч людей. Как спам-рассылки и фишинг в своё время из ручного труда превратились в автоматизированные атаки. То же самое теперь происходит со скамом на рекрутинговых платформах.

Я наткнулся на одну из таких схем. Рассказываю как было, что нашёл внутри и как защититься.

Многие команды сейчас экспериментируют с ИИ. Ставят ИИ-инструменты и удивляются как резво растёт кодовая база. Но счастье длится недолго. Очень быстро выясняется что количество багов растёт с той же, а порой и опережающей скоростью. А аудиты, хоть ИИ и сделал их доступнее, раздувают бэклог на недели вперёд.

Типичная история 2026 года. ИИ-революция случилась быстрее, чем мы осознали что произошло и что с этим делать. А главное, как выстраивать процессы разработки по-новому, чтобы удержать этот код от взрыва в продакшене.

На днях OpenClaw сделал сногшибательный апдейт, и теперь мой агент каждую ночь видит сны. В 8 утра он просматривает всё что узнал за день, оценивает каждый факт по важности и решает что запомнить навсегда, а что забыть. Занимает пару минут, но после он уже чуть другой. Запомнил важное. Отпустил лишнее.

Новая фича "dreaming" в OpenClaw самый яркий креатив сообщества разработчиков. И за этим стоит кое-что большее чем хитрый трюк с памятью. Это момент когда ИИ-агенты перестали быть stateless инструментами и начали превращаться в цифровых сотрудников.

Сейчас многие компании внедряют ИИ-агентов в свои процессы. И сталкиваются с проблемами. Классический пример: ИИ-агент по продажам самостоятельно пообещал клиенту скидку 50% на которую ему никто не давал разрешения. Явный провал разработчиков ИИ-агентов, хотя на прошлой неделе в демо всё работало идеально.

Мир явно разделился: одни говорят, что агенты готовы к продакшену, другие кричат что это не работает и работать не будет. Энтузиасты показывают впечатляющие демо. Чистые данные, правильные API, никаких сюрпризов. Но продакшен это другой зверь. Отчёт MIT показал, что 95% пилотов генеративного ИИ не достигают ожидаемых результатов. Модели не тупые. Инфраструктура вокруг них не готова.

Я это понял на собственном опыте, строя своего агента на базе OpenClaw, который отчитывается мне ежедневно в Telegram. Все здесь крайне интересно, но реальные области использования нащупать сложно.

Мой ИИ-агент обходится мне в $20 в месяц. Ещё 3 месяца назад та же нагрузка стоила $200+. Не потому что я оптимизировал промпты или написал хитрую систему кэширования. А потому что перестал считать, что дорогие модели это необходимость.

Вот полная история: от подписки Claude Max до API-вызовов и до модели, которая делает всё за фиксированную месячную плату. Плюс стратегии роутинга для тех, кто привязан к оплате в токенах и хочет срезать счёт вдвое или больше.

Часть вторая

Часть первая

Ты никакой не избранный, твоя игра не хит и ты его никогда не сделаешь