исторически всё упиралось в то, что человек может эффективно держать в управлении ограниченное число связей. из этого выросли уровни менеджмента и вся современная оргструктура

римская армия → прусский генштаб → железные дороги → тейлоризм → матричные организации → попытки тех-компаний уйти в плоские структуры. все это разные попытки решить одну и ту же проблему — как маршрутизировать информацию внутри большой системы

и все они упирались в одно ограничение: координация всегда завязана на людей, поэтому при росте компания снова становится иерархичной

ключевой тезис — сейчас впервые появляется технология, которая может заменить саму функцию иерархии

не «copilot для сотрудников», а система, которая понимает, что происходит в компании и координирует работу

для этого нужно две вещи

первая — company world model: вся работа компании должна оставлять цифровые следы (задачи, код, обсуждения, решения), из которых ai может собрать актуальную картину происходящего — где блокеры, что строится, куда уходят ресурсы

вторая — customer signal: нужен честный сигнал от пользователей. в их случае — деньги. транзакции дают максимально точное понимание поведения, в отличие от опросов или метрик вовлеченности

дальше из этого строится новая архитектура компании

— capabilities: базовые примитивы (платежи, кредиты и тд), без ui
— world model: модель компании и клиентов
— intelligence layer: слой, который собирает решения под конкретную ситуацию пользователя
— interfaces: поверхности доставки (cash app, square и тд)

roadmap в такой системе появляется не сверху, а снизу — если система не может решить задачу, значит не хватает capability

это и есть backlog

дальше меняется роль людей

интеллект — в системе, люди — на краю

они делают то, что модель пока не может: интуиция, контекст, сложные решения, ответственность

вместо классической структуры остаётся три роли
— ic (делают и принимают решения в своём слое)
— dri (владеют конкретной проблемой или результатом)
— player-coach (развивают людей, а не таскают статусы)

средний менеджмент как слой передачи информации просто исчезает

при этом авторы аккуратны: они прямо пишут, что это ранняя стадия, многое сломается, и это скорее эксперимент

но главный вопрос, который они формулируют:
что ваша компания реально понимает такого, что трудно понять другим?

если ответа нет — ai просто снизит косты и всё
если есть — ai станет не инструментом, а самой операционной системой компании

Архитектура строится на метафоре дворца: Wings (персон или проект), Halls (типы памяти: решения, события, предпочтения), Rooms (конкретные темы). Поиск с фильтрацией по Wing и Room даёт на 34% более высокую точность по сравнению с поиском по всему корпусу. Для сжатия контекста используется собственный диалект AAAK, позволяющий уместить критические факты в 120 токенов без потери информации.

Вот что это вам даёт:
→ Ваш ИИ знает, кто вы, до того как вы напечатаете первое слово — семья, проекты, предпочтения, загруженные примерно в 120 токенов
→ Дворцовая архитектура организует воспоминания по домену и типу — не плоский список фактов, а навигируемая структура
→ Семантический поиск по месяцам разговоров находит ответ на первой или второй позиции
→ AAAK-сжатие помещает весь контекст вашей жизни в 120 токенов — 30-кратное сжатие без потерь, которое любая языковая модель читает нативно
→ Детектор противоречий ловит неправильные имена, неправильные местоимения, неправильный возраст до того, как вы их увидите
Бенчмарки:
100% на LongMemEval — первый идеальный результат за всю историю. 500 из 500 вопросов. Каждый тип вопросов на 100%.
92,9% на ConvoMem — более чем вдвое выше результата Mem0.
100% на LoCoMo — каждая категория многошагового рассуждения, включая временной вывод, с которым большинство систем не справляется.
Никакого API-ключа. Никакого облака. Никакой подписки. Одна зависимость. Работает на вашей машине. Ваши воспоминания никуда не уходят.

набор идей. дать работникам голос в том, как ai внедряется на работе, чтобы рост эффективности не превращался в более жесткий контроль. помочь людям запускать маленькие ai-first бизнесы, где модель берет на себя бухгалтерию, маркетинг и закупки. считать доступ к ai почти базовым правом — как электричество, интернет или массовую грамотность. сделать так, чтобы школы, библиотеки, малый бизнес и бедные регионы не остались без доступа к базовому интеллекту, который станет новой нормой экономики. самый плотный блок — про деньги. если часть труда заменяется автоматизацией, а доля прибыли и капитала растет, старая налоговая база начинает плыть. openai поэтому предлагают сильнее опираться на capital gains, corporate income и даже обсуждать меры, связанные с automated labor. рядом лежит идея public wealth fund — общественного фонда, который инвестирует в рост ai-экономики и потом распределяет выгоду шире. дата-центры при этом не должны поднимать счета домохозяйствам за электричество: энергосеть нужно быстро расширять, но так, чтобы люди получали от этого рабочие места, налоги и более дешевую энергию.

выигрыш от ai они предлагают переводить не только в маржу, но и в benefits: больше пенсионных взносов, помощь с healthcare, childcare и eldercare, пилоты 32-часовой недели без снижения зарплаты. safety net тоже хотят сделать автоматическим: если в отрасли или регионе ai резко начинает выбивать занятость и зарплаты, расширенные пособия, кэш-поддержка, wage insurance и ваучеры на обучение должны включаться по триггерам. дальше логика идет в сторону portable benefits и human-centered work — childcare, eldercare, образование, медицина, community services — где ai может убрать бумажную рутину, но не заменяет человеческую связь. рядом еще один важный слой: если ai правда ускоряет науку, мало просто генерировать гипотезы. нужны ai-лаборатории, внедрение, региональные research-хабы, больницы, комьюнити-колледжи и люди, которые смогут все это запускать в реальном мире, а не только показывать в демо.

вторая половина текста уже про устойчивость. safety до релиза недостаточно: нужен пост-релизный слой из provenance, verification, audit trails, privacy-preserving logging, incident reporting, обмена данными о near-miss кейсах и международной координации по frontier-рискам. важный тезис: самые жесткие требования должны касаться не всего ai подряд, а узкого слоя самых мощных моделей, которые реально усиливают cyber, bio и другие high-consequence риски. плюс правила для использования ai государством, public input в alignment, защита от corporate capture и даже сценарии containment, если опасная модель уже утекла и вернуть ее назад нельзя. получился не столько policy paper, сколько заявка openai на роль архитектора будущего ai-порядка. они уже пишут не как lab с очередным исследованием, а как игрок, который хочет обсуждать налоги, соцконтракт, инфраструктуру, аудит, госуправление и международные правила. под это openai еще и открыли сбор фидбэка, программу fellowship/грантов до $100k и до $1 млн в api credits на исследования вокруг этой темы.

статья собирает его биографию как основу текущей роли. альтман — из y-combinator, где он научился мыслить масштабом и скоростью: делать ставки на будущее и быстро их раскручивать. в openai он перенёс ту же логику — строить не исследовательскую лабораторию, а систему, способную быстро довести технологию до массового использования

ключевой момент — как openai изменилась. изначально это была некоммерческая структура с миссией безопасного AGI. позже появилась «ограниченно прибыльная» модель, чтобы привлекать деньги. в итоге сейчас это гибрид: формально миссия про безопасность, фактически — компания, конкурирующая за рынок и ресурсы

это напряжение проходит через весь текст. openai публично говорит о рисках сверхинтеллекта — от потери контроля до системных угроз. при этом компания ускоряет релизы, расширяет доступ и активно встраивается в продукты через партнёрство с Microsoft. внутри описывается логика: если не мы, то другие — например Google или Anthropic

важный эпизод — кризис с увольнением альтмана. совет директоров пытался ограничить его влияние, ссылаясь на недостаточную прозрачность. но сотрудники и инвесторы фактически продавили его возвращение. итог — формально governance остался, но реальный центр силы сместился к альтману и тем, кто контролирует ресурсы и продукт

в тексте подчёркивается, что openai управляет не только моделями, но и инфраструктурой их распространения: API, партнёрства, интеграции. это создаёт эффект платформы — решения одной компании начинают определять, как тысячи других компаний строят свои продукты

альтман при этом позиционирует себя как рационального оптимиста. он признаёт, что AGI может быть опасен, но считает, что остановить развитие невозможно. из этого следует его стратегия: двигаться быстро, параллельно добавляя ограничения и механизмы безопасности. не сначала решить все риски, а учиться на ходу

критика в статье фокусируется на другом: такая модель требует высокого уровня доверия к конкретному человеку. при этом прозрачность ограничена, а решения принимаются внутри узкого круга. совет директоров показал, что даже формальные механизмы контроля могут не выдерживать давления сотрудников и инвесторов

отдельно поднимается вопрос концентрации власти. раньше технологические риски распределялись между многими игроками, сейчас же развитие сильных моделей сконцентрировано у нескольких компаний. это усиливает влияние их руководителей — и снижает роль внешних институтов