Под колпаком пузыря: как хайп позволяет вырастить гигантов — и что происходит с теми, кто не успел вырасти

Недавно поймала себя на мысли: в любом хайп-цикле инвесторы и медиа смотрят туда, где максимальный коэффициент выигрыша. На самые громкие ставки, самые амбициозные обещания. А те, кто строит понятный бизнес с реальными клиентами и сходящейся экономикой, — просто работают.

Результат предсказуемый: компании с нормальной юнит-экономикой и живыми клиентами хронически недоинвестированы. Не потому что плохи — а потому что неинтересны на фоне тех, кто обещает изменить всё.

Это не новая история. Именно так выглядел рынок во время доткомов. Только мало кто тогда понимал, на что на самом деле стоит смотреть — и чьи акции покупать.

Попробовала разобраться. Получилось эссе про то, как пузыри работают изнутри, кто из них выходит победителем — и почему победители почти никогда не те, на кого все смотрели.

В начале XIX века английские ткачи ломали станки — не потому что не понимали технологию, а потому что понимали слишком хорошо. Два века спустя эта тревога возвращается.

Перевод статьи Why the Biggest Threat to Robotics Isn't Technical (Six Degrees of Robotics, Аарон Прейтер, май 2026) о том, почему главная угроза робототехнике сегодня — не техническая, с моими пояснениями для тех, кто следит за темой снаружи индустрии.

Первое погружение в незнакомый домен выглядит примерно так: темно, непонятно, и все вокруг явно что-то знают, чего не знаешь ты.

«Изучи конкурентов» и «eat your dog's food» — это само собой. Но что делать дальше, когда база пройдена, а понимание домена всё равно не складывается в рабочую картину?

Гайд для продактов, дизайнеров и исследователей, которые хотят за первые недели разобраться достаточно — чтобы принимать решения, а не кивать на встречах.

24 марта OpenAI объявила о закрытии Sora, и многие сразу записали это в доказательства того, что AI-пузырь начал сдуваться. Мол, хайп закончился, экономика не сошлась, и вот оно — начало конца.

А за неделю до этого Дженсен Хуанг, основатель и CEO NVIDIA, со сцены GTC 2026 бросил тезис, который рынок ещё долго будет переваривать: если инженер с зарплатой $500k тратит на токены меньше $250k в год — это тревожный сигнал. Если тратит $5k — вообще катастрофа.

На первый взгляд не очень понятно как это связано с закрытием Sora. Один из самых влиятельных людей в AI говорит: тратьте больше токенов, а OpenAI почти сразу после этого закрывает один из самых ресурсоёмких AI-продуктов.

Но на самом деле эти две новости говорят об одном и том же: токены надо тратить больше — но только туда, где они дают реальную отдачу. ☝️

Boston Dynamics сделали Atlas в 1992 году. За 30 лет он научился делать сальто, бегать по бездорожью и прыгать через препятствия.

Три разных владельца — Google, SoftBank, Hyundai — вкладывали деньги, восхищались и снимали вирусные ролики. Но заводским роботом он стал только у третьего.

Почему у двух предыдущих не получилось — и что именно сделала Hyundai, чего не сделали другие →

Маск говорит, что самое дешёвое место для размещения ИИ скоро будет в космосе. Звучит как очередной футуристический разгон, но за ним прячатся вполне земные проблемы: вычисления, память, энергия и пределы текущей инфраструктуры. В статье разбираю, какие из этих тезисов подтверждаются данными, а где футуризм уже начинает работать отделом продаж.

Короче, вот что я поняла за годы работы: в крупных цифровых продуктах UX‑исследования — это уже не «было бы круто», а must‑have. Без них ты просто не выживешь в конкурентной среде. Но вот между тем, чтобы сказать «ой, исследования важны 🤓» и реально построить работающую исследовательскую функцию — пропасть. Причём пропасть, полная организационных косяков, процессных дыр и культурных вызовов.

Как превратить разрозненные исследования в системную практику, которая реально приносит ценность бизнесу? Как выстроить команду, процессы и метрики так, чтобы исследования не просто проводились для галочки, но влияли на качество продукта и счастье пользователей? Об этом и поговорим.

Это не теоретическая статья — я делюсь реальным опытом разработки стратегии исследовательской лабы в крупной продуктовой IT‑компании. Разберём ключевые элементы: от формулирования миссии до внедрения конкретных процессов и метрик.