Выступил на ProductConf'26. Огромное спасибо ScrumTrek за возможность поделиться своими AI-First подходами к созданию продуктов. Я рассказал кейс, как за 4 месяца мне удалось попробовать около 15 прототипов. 3 из них пошли в прод в качестве MVP. Мы поговорили о болях ИИ, развеяли страхи, обсудили NLP, почему ИИ никого не заменит, и вспомнили, что ИИ — технология прошлого века. Её цикл внедрения (новаторы, ранние последователи, раннее большинство, позднее большинство, отстающие) уже завершён. Сегодня мы находимся на финальной стадии, когда даже отстающие входят в неё.
Так же, как 1С и Excel никого не заменили — наоборот, они стали индустриальными стандартами, без которых сложно представить работу древнейшей профессии бухгалтера, — ИИ тоже не заменит людей.
Ждём следующую технологию, которая совершит прорыв!
Так же, как 1С и Excel никого не заменили — наоборот, они стали индустриальными стандартами, без которых сложно представить работу древнейшей профессии бухгалтера, — ИИ тоже не заменит людей.
Ждём следующую технологию, которая совершит прорыв!
✍2👍1🔥1
Проактивный некролог: опасности долгосрочных планов
Представьте человека, который в 1913 году составил 15-летний карьерный план – к 1928‑му стать чиновником при дворе Николая II. Мир рухнул раньше, чем истекли первые пять лет. Но мы до сих пор одержимы ритуалом детального планирования: стартапы, семьи, карьерные консультанты – все требуют расписать шаги на 5–10 лет. Парадокс в том, что в непредсказуемом мире планирование – это оксюморон, психологическая защита от страха неопределённости, а не реальный инструмент.
Научный фундамент. «Ошибка планирования» (Канеман и Тверски) объясняет, почему мы систематически недооцениваем сроки и риски, даже имея опыт неудач. Анализ более 20 000 стратегических планов показал: 83% организаций выполняют менее четверти запланированного. Однако планирование снижает тревогу – способность мысленно заглядывать вперёд повышает психологическую безопасность. Получается, план – это успокаивающий ритуал, а не прогноз.
От чёрных лебедей к серым носорогам. Последние годы: пандемия, слом цепочек поставок, взлёт ИИ, сделавший миллионы навыков ненужными. Эксперты ввели термин «серый носорог» – очевидная, но игнорируемая угроза. В отличие от редкого чёрного лебедя, носорога видят все, но не замечают до последнего. Наши планы разбиваются, потому что пытаются предсказать непредсказуемое.
Опыт Китая. Государство не может позволить себе не планировать. В марте 2026 года стартовала 15-я пятилетка (2026–2030). Китай признаёт «великие перемены за столетие» и отвечает усилением самодостаточности, приоритетом критических технологий и скромным целевым ростом ВВП (4,5–5%). Там, где индивиды отказываются от планов, государство удваивает ставку – пытается силой управлять хаосом.
А что тогда делать?
- Векторное мышление: планируйте не конкретные шаги и должности, а направление, ценности, области знаний. Вы не упадете в кювет, если дорога резко повернёт.
- Антихрупкость (Талеб): системы, которые становятся сильнее от ударов и хаоса.
- Предсмертный анализ (pre‑mortem): перед стартом напишите некролог – почему проект провалится. Выявите скрытые уязвимости.
- Стратегия гантели: 80–90% стабильности (безопасная работа, консервативные вложения) + 10–20% рискованных экспериментов (стартап, дикая специальность).
- Портфель опций: не привязывайтесь к одной должности или компетенции, накапливайте множественные возможности.
- Осознайте функцию тревоги: желание расписать жизнь по часам часто вызвано страхом, а не необходимостью.
Вывод. Традиционные 5–10-летние планы – опасная иллюзия, порожденная потребностью в безопасности. Они не предсказывают будущее, а успокаивают тревогу. Истинная мудрость – не умение предвидеть, а антихрупкость: способность становиться сильнее в турбулентности. Не рисуйте карты – развивайте компас. Забудьте слово «план», замените его на «намерение». Тогда неожиданные повороты будут приносить радость, а не фрустрацию.
Представьте человека, который в 1913 году составил 15-летний карьерный план – к 1928‑му стать чиновником при дворе Николая II. Мир рухнул раньше, чем истекли первые пять лет. Но мы до сих пор одержимы ритуалом детального планирования: стартапы, семьи, карьерные консультанты – все требуют расписать шаги на 5–10 лет. Парадокс в том, что в непредсказуемом мире планирование – это оксюморон, психологическая защита от страха неопределённости, а не реальный инструмент.
Научный фундамент. «Ошибка планирования» (Канеман и Тверски) объясняет, почему мы систематически недооцениваем сроки и риски, даже имея опыт неудач. Анализ более 20 000 стратегических планов показал: 83% организаций выполняют менее четверти запланированного. Однако планирование снижает тревогу – способность мысленно заглядывать вперёд повышает психологическую безопасность. Получается, план – это успокаивающий ритуал, а не прогноз.
От чёрных лебедей к серым носорогам. Последние годы: пандемия, слом цепочек поставок, взлёт ИИ, сделавший миллионы навыков ненужными. Эксперты ввели термин «серый носорог» – очевидная, но игнорируемая угроза. В отличие от редкого чёрного лебедя, носорога видят все, но не замечают до последнего. Наши планы разбиваются, потому что пытаются предсказать непредсказуемое.
Опыт Китая. Государство не может позволить себе не планировать. В марте 2026 года стартовала 15-я пятилетка (2026–2030). Китай признаёт «великие перемены за столетие» и отвечает усилением самодостаточности, приоритетом критических технологий и скромным целевым ростом ВВП (4,5–5%). Там, где индивиды отказываются от планов, государство удваивает ставку – пытается силой управлять хаосом.
А что тогда делать?
- Векторное мышление: планируйте не конкретные шаги и должности, а направление, ценности, области знаний. Вы не упадете в кювет, если дорога резко повернёт.
- Антихрупкость (Талеб): системы, которые становятся сильнее от ударов и хаоса.
- Предсмертный анализ (pre‑mortem): перед стартом напишите некролог – почему проект провалится. Выявите скрытые уязвимости.
- Стратегия гантели: 80–90% стабильности (безопасная работа, консервативные вложения) + 10–20% рискованных экспериментов (стартап, дикая специальность).
- Портфель опций: не привязывайтесь к одной должности или компетенции, накапливайте множественные возможности.
- Осознайте функцию тревоги: желание расписать жизнь по часам часто вызвано страхом, а не необходимостью.
Вывод. Традиционные 5–10-летние планы – опасная иллюзия, порожденная потребностью в безопасности. Они не предсказывают будущее, а успокаивают тревогу. Истинная мудрость – не умение предвидеть, а антихрупкость: способность становиться сильнее в турбулентности. Не рисуйте карты – развивайте компас. Забудьте слово «план», замените его на «намерение». Тогда неожиданные повороты будут приносить радость, а не фрустрацию.
🤔1
Я консультирую и выступаю последние десять, а может, и тринадцать лет — точнее не помню. Увлечён процессом настолько, что иногда ловлю себя на консультировании случайных людей на остановке.
Однажды меня пригласили в компанию внедрять процессы тестирования. Я искренне не понимал предмета дискуссии: пиши тесты, и всё. Выяснилось, что это организационная проблема высокой сложности. Мы долго дискутировали; в какой-то момент появилось ощущение, что усилия уходят прямиком в песчаный пол. Меня тогда выручил ментор, сказав: «Максим, мы консультанты. За внедрение мы не отвечаем». Сначала это резануло: мы же должны, можем, с горящими глазами. Однако жизнь подтвердила правоту этого подхода. Можно демонстрировать продукт любой степени совершенства, но люди не обязаны ему следовать. Это называют adoption gap — разрыв между решением и его принятием.
- Standish Group десятилетиями фиксирует, что около 66% провалов ИТ-проектов связаны с человеческим фактором, а не с технологиями.
- Исследования Prosci показывают, что 70% инициатив по изменениям терпят неудачу именно из-за сопротивления людей.
- McKinsey добавляет: 70% цифровых трансформаций не достигают целей, и главный барьер — «культура и поведение».
Иными словами, заказчик не иррационален — он действует в своей системе координат, которую консультант не всегда видит.
Удивительно другое: с какой лёгкостью рынок покупается на откровенно раздутую «новизну». ИИ уже «сто лет в обед»: формальные нейроны опубликованы в 1943-м, математический аппарат с тех пор не сменился радикально. Численные методы для задачи трёх тел оттачивали ещё в середине прошлого века, то мощностей не хватало, то лампы не справлялись. Даже появление персонального компьютера не сразу восприняли как прорыв. Если разобраться, то современный ИИ — это пара векторных БД, несколько алгоритмов и архитектура трансформеров (self-attention) из работ 2017 года, которая дождалась подходящего железа.
Недавно на продукт-конференции мне задали нестандартный вопрос: «Нам страшно внедрять в банк этого “паука”, который будет получать достоверную информацию из Интернета?»
Я задумался. Историческая ретроспектива страхов любопытна: сначала боялись, что аудиокассету перезапишут, и отламывали пластиковый язычок. Потом боялись дискет, перезаписываемых CD, переносных винчестеров. Лично я до сих пор убеждён: в интернет надо ходить со специально выделенного компьютера и с тетрадкой.
Прокрутив это, я спросил в зале встречно: «А вам не страшно давать интернет своим сотрудникам?» ИИ, в отличие от человека, не станет на рабочем месте смотреть развлекательный контент или обсуждать наследство с «миллиардером из Кении». Только если его об этом явно не попросят. При этом Pew Research Center фиксирует, что 38% работников регулярно используют корпоративный интернет для личных развлечений. В индексе угроз IBM X-Force 2023 года человеческий фактор и «безобидные» скачивания — один из главных векторов атак. В этом раунде ИИ действительно безопаснее.
Я не верю, что ИИ заменит людей - точно так же, как пресс Гутенберга не уничтожил писарей. Писари превратились в машинисток, затем в секретарей, а теперь - в «ноукод»-разработчиков и бизнес-технологов.
Мы часто нанимаем людей не потому, что они выдающиеся специалисты, а потому что они чьи-то родственники, имеют неформальные связи с лицами, принимающими решения, учились на соседних потоках в одном университете или просто показались симпатичными на собеседовании. В найме работает глубоко неэкономическая логика. Исследования по организационному поведению подтверждают: непотизм и найм по связям повышают краткосрочную выживаемость фирмы, но статистически значимо снижают инновационность в долгосрочной перспективе.
Все говорят, что ИИ скоро заменит разработчиков. Как консультант, я этого, честно говоря, жду. Потому что надеюсь: перед этим ИИ заменит тех, кто принимает решения по принципу «свой - не свой», а не по принципу компетентности.
Однажды меня пригласили в компанию внедрять процессы тестирования. Я искренне не понимал предмета дискуссии: пиши тесты, и всё. Выяснилось, что это организационная проблема высокой сложности. Мы долго дискутировали; в какой-то момент появилось ощущение, что усилия уходят прямиком в песчаный пол. Меня тогда выручил ментор, сказав: «Максим, мы консультанты. За внедрение мы не отвечаем». Сначала это резануло: мы же должны, можем, с горящими глазами. Однако жизнь подтвердила правоту этого подхода. Можно демонстрировать продукт любой степени совершенства, но люди не обязаны ему следовать. Это называют adoption gap — разрыв между решением и его принятием.
- Standish Group десятилетиями фиксирует, что около 66% провалов ИТ-проектов связаны с человеческим фактором, а не с технологиями.
- Исследования Prosci показывают, что 70% инициатив по изменениям терпят неудачу именно из-за сопротивления людей.
- McKinsey добавляет: 70% цифровых трансформаций не достигают целей, и главный барьер — «культура и поведение».
Иными словами, заказчик не иррационален — он действует в своей системе координат, которую консультант не всегда видит.
Удивительно другое: с какой лёгкостью рынок покупается на откровенно раздутую «новизну». ИИ уже «сто лет в обед»: формальные нейроны опубликованы в 1943-м, математический аппарат с тех пор не сменился радикально. Численные методы для задачи трёх тел оттачивали ещё в середине прошлого века, то мощностей не хватало, то лампы не справлялись. Даже появление персонального компьютера не сразу восприняли как прорыв. Если разобраться, то современный ИИ — это пара векторных БД, несколько алгоритмов и архитектура трансформеров (self-attention) из работ 2017 года, которая дождалась подходящего железа.
Недавно на продукт-конференции мне задали нестандартный вопрос: «Нам страшно внедрять в банк этого “паука”, который будет получать достоверную информацию из Интернета?»
Я задумался. Историческая ретроспектива страхов любопытна: сначала боялись, что аудиокассету перезапишут, и отламывали пластиковый язычок. Потом боялись дискет, перезаписываемых CD, переносных винчестеров. Лично я до сих пор убеждён: в интернет надо ходить со специально выделенного компьютера и с тетрадкой.
Прокрутив это, я спросил в зале встречно: «А вам не страшно давать интернет своим сотрудникам?» ИИ, в отличие от человека, не станет на рабочем месте смотреть развлекательный контент или обсуждать наследство с «миллиардером из Кении». Только если его об этом явно не попросят. При этом Pew Research Center фиксирует, что 38% работников регулярно используют корпоративный интернет для личных развлечений. В индексе угроз IBM X-Force 2023 года человеческий фактор и «безобидные» скачивания — один из главных векторов атак. В этом раунде ИИ действительно безопаснее.
Я не верю, что ИИ заменит людей - точно так же, как пресс Гутенберга не уничтожил писарей. Писари превратились в машинисток, затем в секретарей, а теперь - в «ноукод»-разработчиков и бизнес-технологов.
Мы часто нанимаем людей не потому, что они выдающиеся специалисты, а потому что они чьи-то родственники, имеют неформальные связи с лицами, принимающими решения, учились на соседних потоках в одном университете или просто показались симпатичными на собеседовании. В найме работает глубоко неэкономическая логика. Исследования по организационному поведению подтверждают: непотизм и найм по связям повышают краткосрочную выживаемость фирмы, но статистически значимо снижают инновационность в долгосрочной перспективе.
Все говорят, что ИИ скоро заменит разработчиков. Как консультант, я этого, честно говоря, жду. Потому что надеюсь: перед этим ИИ заменит тех, кто принимает решения по принципу «свой - не свой», а не по принципу компетентности.
❤1🤔1
Исследования внедрения ИИ: квадрант противоречий
Когда бизнес требует активнее осваивать инструмент, который, по прямым заявлениям CEO, лишит людей работы, мы получаем не сопротивление менеджменту, а системный корпоративный невроз. Свежие данные из США, Европы, Китая и России распадаются на четыре типа компаний — именно эта матрица лучше любых отчётов объясняет, почему 44% зумеров саботируют AI-стратегии.
Квадрант I. Хотят — и внедряют успешно. Здесь ИИ не хайп, а проект с прописанными KPI и переподготовкой персонала. BCG фиксирует рост выручки в 1,7 раза быстрее конкурентов и в 3,6 раза более высокую совокупную доходность для акционеров. Google Cloud подтверждает: 52% таких компаний уже вывели ИИ-агентов в продуктив. Страха замены нет — он снимается прозрачной карьерной траекторией.
Квадрант II. Хотят — но проваливаются. Топ-менеджмент декларирует AI-first, стратегия остаётся презентацией. MIT Sloan: 95% пилотов генеративного ИИ не достигают измеримого ROI. RAND: 80% AI-проектов проваливаются — вдвое чаще традиционных ИТ. В России картина та же: по данным Fork-Tech, более 80% инициатив не покидают лаборатории. Именно в этой питательной среде неудач рождается саботаж.
Квадрант III. Не хотят — и проваливаются: «новые луддиты». Опрос Writer/Workplace Intelligence (2026, 2400 сотрудников) зафиксировал шокирующую картину: 29% работников сознательно подрывают ИИ-стратегию, среди поколения Z — 44%. Методы технологичны: 27% скармливают корпоративные данные публичным нейросетям, 10% генерируют мусорный контент, многие системно избегают обучения и подделывают дашборды, скрывая реальный рост продуктивности. Мотивация документирована: 30% саботажников движимы FOBO (Fear Of Becoming Obsolete), 28% указывают на прорехи в безопасности, 26% считают стратегию руководства убогой. При этом 55% сотрудников заявляют, что знают об ИИ больше своего руководителя; доверие к корпоративной AI-стратегии рухнуло с 47% в 2025 году до 31% в 2026-м.
Квадрант IV. Не хотят — но «успешно» внедряют. Формально метрики зелёные, внутри — латентная война. WalkMe вводит понятие «AI Shame»: 48,8% скрывают использование ИИ от коллег и начальства. PwC: использует 54%, но ежедневно — лишь 14%. HR Executive: 75% сотрудников теперь доверяют ИИ больше, чем своему менеджеру, — управленческий авторитет подорван.
Глобальная проекция. Китайские академические исследования (MDPI, Frontiers in Psychology) устанавливают прямую связь между взаимодействием с ИИ и ростом нестабильности занятости, провоцирующей сокрытие знаний. Европейский AI Barometer от EY (9 стран) фиксирует: 42% опасаются увольнений из-за ИИ, обучением удовлетворены лишь 24%. В США по данным Challenger, Gray & Christmas ИИ впервые стал официальной причиной 13% от всех планов по сокращениям в 2026 году; аналитики относят к автоматизации примерно 50% из 80 000 уволенных в IT-секторе за I квартал. В России опрос Ассоциации менеджеров показывает сопротивление персонала у 33% компаний, 21% уже сократили должности из-за автоматизации.
Корень противоречия. CEO Anthropic прогнозирует исчезновение половины стартовых позиций, Microsoft — полную автоматизацию офисов за 18 месяцев, 60% руководителей готовы увольнять несогласных. Но 75% топ-менеджеров сами признают: их AI-стратегия — фикция «для галочки». Сотрудники этот разрыв видят. Скрытый саботаж зумеров — не патология, а рациональный ответ на шизофренический сигнал. Выйти из квадранта III можно только одним способом: честно обозначить, какие роли исчезнут, какие трансформируются, и дать реальную, а не декоративную переподготовку. Иначе технологический прогресс упрётся в человеческую природу и проиграет.
Когда бизнес требует активнее осваивать инструмент, который, по прямым заявлениям CEO, лишит людей работы, мы получаем не сопротивление менеджменту, а системный корпоративный невроз. Свежие данные из США, Европы, Китая и России распадаются на четыре типа компаний — именно эта матрица лучше любых отчётов объясняет, почему 44% зумеров саботируют AI-стратегии.
Квадрант I. Хотят — и внедряют успешно. Здесь ИИ не хайп, а проект с прописанными KPI и переподготовкой персонала. BCG фиксирует рост выручки в 1,7 раза быстрее конкурентов и в 3,6 раза более высокую совокупную доходность для акционеров. Google Cloud подтверждает: 52% таких компаний уже вывели ИИ-агентов в продуктив. Страха замены нет — он снимается прозрачной карьерной траекторией.
Квадрант II. Хотят — но проваливаются. Топ-менеджмент декларирует AI-first, стратегия остаётся презентацией. MIT Sloan: 95% пилотов генеративного ИИ не достигают измеримого ROI. RAND: 80% AI-проектов проваливаются — вдвое чаще традиционных ИТ. В России картина та же: по данным Fork-Tech, более 80% инициатив не покидают лаборатории. Именно в этой питательной среде неудач рождается саботаж.
Квадрант III. Не хотят — и проваливаются: «новые луддиты». Опрос Writer/Workplace Intelligence (2026, 2400 сотрудников) зафиксировал шокирующую картину: 29% работников сознательно подрывают ИИ-стратегию, среди поколения Z — 44%. Методы технологичны: 27% скармливают корпоративные данные публичным нейросетям, 10% генерируют мусорный контент, многие системно избегают обучения и подделывают дашборды, скрывая реальный рост продуктивности. Мотивация документирована: 30% саботажников движимы FOBO (Fear Of Becoming Obsolete), 28% указывают на прорехи в безопасности, 26% считают стратегию руководства убогой. При этом 55% сотрудников заявляют, что знают об ИИ больше своего руководителя; доверие к корпоративной AI-стратегии рухнуло с 47% в 2025 году до 31% в 2026-м.
Квадрант IV. Не хотят — но «успешно» внедряют. Формально метрики зелёные, внутри — латентная война. WalkMe вводит понятие «AI Shame»: 48,8% скрывают использование ИИ от коллег и начальства. PwC: использует 54%, но ежедневно — лишь 14%. HR Executive: 75% сотрудников теперь доверяют ИИ больше, чем своему менеджеру, — управленческий авторитет подорван.
Глобальная проекция. Китайские академические исследования (MDPI, Frontiers in Psychology) устанавливают прямую связь между взаимодействием с ИИ и ростом нестабильности занятости, провоцирующей сокрытие знаний. Европейский AI Barometer от EY (9 стран) фиксирует: 42% опасаются увольнений из-за ИИ, обучением удовлетворены лишь 24%. В США по данным Challenger, Gray & Christmas ИИ впервые стал официальной причиной 13% от всех планов по сокращениям в 2026 году; аналитики относят к автоматизации примерно 50% из 80 000 уволенных в IT-секторе за I квартал. В России опрос Ассоциации менеджеров показывает сопротивление персонала у 33% компаний, 21% уже сократили должности из-за автоматизации.
Корень противоречия. CEO Anthropic прогнозирует исчезновение половины стартовых позиций, Microsoft — полную автоматизацию офисов за 18 месяцев, 60% руководителей готовы увольнять несогласных. Но 75% топ-менеджеров сами признают: их AI-стратегия — фикция «для галочки». Сотрудники этот разрыв видят. Скрытый саботаж зумеров — не патология, а рациональный ответ на шизофренический сигнал. Выйти из квадранта III можно только одним способом: честно обозначить, какие роли исчезнут, какие трансформируются, и дать реальную, а не декоративную переподготовку. Иначе технологический прогресс упрётся в человеческую природу и проиграет.
🤔1
AI-лендинг за 6 часов: личный опыт, в который случайно попали научные данные
Решил провести эксперимент и сделать себе лендинг с анимацией: https://maxbogus.pro/. Чистого времени ушло около шести часов. Технически мог бы сверстать всё вручную, без нейросетевой помощи. Но смысл? Мне надоело верстать однотипные блоки, пересобирать сайты-визитки раз в пятилетку, отслеживать фреймворки, раскладывать резюме и опыт по компонентам. Для этой задачи ИИ показал себя превосходно.
Однако нюансов хватает. О них и расскажу, а заодно приведу несколько данных, на которые наткнулся уже потом – просто чтобы сопоставить ощущения с реальностью. Мой случай отражает более широкую картину.
Анимация: когда 20 000 точек превратились в 100
С фоновой анимацией мы с нейросетью потратили около трёх-четырёх часов из шести. Модель сгенерировала 20 000 точек, но видно было от силы сотню. На резонный вопрос, почему так, получил невозмутимый ответ: «Они не видны, у них прозрачность 0.01». Дальше начались долгие итерации: нужно было убрать рывки, хаотичное мерцание, добиться плавности.
Подобные ситуации подтверждаются исследованиями. Американские инженеры (Microsoft, Accenture, Fortune 100) в среднем ускоряются на 26% при использовании AI-инструментов. Однако есть и обратные данные: в испытаниях METR опытные разработчики со стажем более десяти лет, работая с Cursor Pro, показали снижение продуктивности на 19%. Не из-за нехватки навыков, а потому что основное время уходило на диалог с моделью, разбор её фантазий и бесконечную шлифовку. Иллюзия скорости: код появляется мгновенно, но доводка отнимает львиную долю ресурса.
Парсинг PDF и вопросы к ATS
Ещё час заняла генерация текста резюме из PDF. Вот где проявилась серьёзная проблема. Даже ATS-оптимизированный файл нейросеть парсила с ошибками, достойными пера Борхеса. Вместо «МГИМО» получался «МГУ»; «бакалавр» превращался в «магистра» – приятно, но не то. Модель придумывала должности, сдвигала сроки и упорно игнорировала контакты.
Похоже, именно это объясняет нестабильную работу многих ATS. Проблема носит системный характер. Европейские исследователи (Германия, Швейцария, Австралия), проанализировав 1 154 поста на Reddit и Hacker News, обнаружили закономерность: AI-ассистенты создают «трагедию общин». Индивидуальный буст отдельного разработчика оборачивается лавиной некачественного кода для ревьюеров. Применительно к анализу резюме это превращается в генератор кадровых ошибок.
Vanilla JS как тест на прочность
Лендинг попросили сверстать на чистом, ванильном JS. Здесь нейросеть начала давать сбои. Отсутствие типизации, потерянные переменные, забытые неиспользуемые сущности – вполне ожидаемо. Модель обучалась на массивах, где TypeScript стал стандартом де-факто, и без строгой типизации её эффективность падает.
Писать на ванильном JS в 2026 году – занятие на любителя. Многие до сих пор ценят «безопасность» такого подхода. Не спорю. Ещё безопаснее писать на машинных кодах и вручную управлять динамическими массивами на чистом C. Я пробовал – интересно, но исключительно как интеллектуальная разминка.
Вывод
ИИ – как инструмент меняет структуру работы: рутина уходит, зато появляется новый пласт – уточнение задачи, верификация, отладка сгенерированного кода и борьба с галлюцинациями.
Российские данные это подтверждают. В масштабном мета-анализе IT_ONE, «Сколково» и «Сколтеха» бизнес оценивает ускорение жизненного цикла разработки (SDLC) от внедрения ИИ в 37%. Однако есть и побочный эффект: AI вытесняет junior-позиции, доля разработчиков растёт за счёт сокращения тестировщиков и аналитиков, а главными рисками называют потерю компетенций и падение качества.
В Китае ИИ уже проектирует процессоры, не уступающие разработкам ведущих экспертов, а каждый пятый разработчик сообщает о росте личной эффективности более чем на 50%. Впрочем, это иной масштаб.
Что касается меня: год активного использования AI, 7+ лет коммерческой разработки и ещё лет десять опыта постановки задач и поиска дефектов. Возможно, это как-то повлияло на результат. Но не факт.
Решил провести эксперимент и сделать себе лендинг с анимацией: https://maxbogus.pro/. Чистого времени ушло около шести часов. Технически мог бы сверстать всё вручную, без нейросетевой помощи. Но смысл? Мне надоело верстать однотипные блоки, пересобирать сайты-визитки раз в пятилетку, отслеживать фреймворки, раскладывать резюме и опыт по компонентам. Для этой задачи ИИ показал себя превосходно.
Однако нюансов хватает. О них и расскажу, а заодно приведу несколько данных, на которые наткнулся уже потом – просто чтобы сопоставить ощущения с реальностью. Мой случай отражает более широкую картину.
Анимация: когда 20 000 точек превратились в 100
С фоновой анимацией мы с нейросетью потратили около трёх-четырёх часов из шести. Модель сгенерировала 20 000 точек, но видно было от силы сотню. На резонный вопрос, почему так, получил невозмутимый ответ: «Они не видны, у них прозрачность 0.01». Дальше начались долгие итерации: нужно было убрать рывки, хаотичное мерцание, добиться плавности.
Подобные ситуации подтверждаются исследованиями. Американские инженеры (Microsoft, Accenture, Fortune 100) в среднем ускоряются на 26% при использовании AI-инструментов. Однако есть и обратные данные: в испытаниях METR опытные разработчики со стажем более десяти лет, работая с Cursor Pro, показали снижение продуктивности на 19%. Не из-за нехватки навыков, а потому что основное время уходило на диалог с моделью, разбор её фантазий и бесконечную шлифовку. Иллюзия скорости: код появляется мгновенно, но доводка отнимает львиную долю ресурса.
Парсинг PDF и вопросы к ATS
Ещё час заняла генерация текста резюме из PDF. Вот где проявилась серьёзная проблема. Даже ATS-оптимизированный файл нейросеть парсила с ошибками, достойными пера Борхеса. Вместо «МГИМО» получался «МГУ»; «бакалавр» превращался в «магистра» – приятно, но не то. Модель придумывала должности, сдвигала сроки и упорно игнорировала контакты.
Похоже, именно это объясняет нестабильную работу многих ATS. Проблема носит системный характер. Европейские исследователи (Германия, Швейцария, Австралия), проанализировав 1 154 поста на Reddit и Hacker News, обнаружили закономерность: AI-ассистенты создают «трагедию общин». Индивидуальный буст отдельного разработчика оборачивается лавиной некачественного кода для ревьюеров. Применительно к анализу резюме это превращается в генератор кадровых ошибок.
Vanilla JS как тест на прочность
Лендинг попросили сверстать на чистом, ванильном JS. Здесь нейросеть начала давать сбои. Отсутствие типизации, потерянные переменные, забытые неиспользуемые сущности – вполне ожидаемо. Модель обучалась на массивах, где TypeScript стал стандартом де-факто, и без строгой типизации её эффективность падает.
Писать на ванильном JS в 2026 году – занятие на любителя. Многие до сих пор ценят «безопасность» такого подхода. Не спорю. Ещё безопаснее писать на машинных кодах и вручную управлять динамическими массивами на чистом C. Я пробовал – интересно, но исключительно как интеллектуальная разминка.
Вывод
ИИ – как инструмент меняет структуру работы: рутина уходит, зато появляется новый пласт – уточнение задачи, верификация, отладка сгенерированного кода и борьба с галлюцинациями.
Российские данные это подтверждают. В масштабном мета-анализе IT_ONE, «Сколково» и «Сколтеха» бизнес оценивает ускорение жизненного цикла разработки (SDLC) от внедрения ИИ в 37%. Однако есть и побочный эффект: AI вытесняет junior-позиции, доля разработчиков растёт за счёт сокращения тестировщиков и аналитиков, а главными рисками называют потерю компетенций и падение качества.
В Китае ИИ уже проектирует процессоры, не уступающие разработкам ведущих экспертов, а каждый пятый разработчик сообщает о росте личной эффективности более чем на 50%. Впрочем, это иной масштаб.
Что касается меня: год активного использования AI, 7+ лет коммерческой разработки и ещё лет десять опыта постановки задач и поиска дефектов. Возможно, это как-то повлияло на результат. Но не факт.
@mkashkin верно подметил: вайбкодинг упростил работу с кодом, но даже здесь найдутся истерички, которые, как ранее с спинерами и 3D-печатью, предрекают крах человеческого труда.
😁1
Какие задачи не даются ИИ в вашей работе? Письма, созвоны, отчёты, бюджеты, найм, биллинг — что ест больше всего времени?
Vibe coding: долгий диалог, неожиданный узкий фронт и работающее демо
Вайбкодинг (разработка через описание) сейчас у всех на слуху. Проверил подход на реальной задаче: сделать систему смыслового поиска по документам. Загружаешь PDF или текст, строится FAISS‑индекс, вводишь понятие — сервис находит релевантные фрагменты. Обычный RAG‑пайплайн. Писать руками умею, цель была иная — создать продукт с нуля только через диалог с ИИ.
Как строилась работа
Система рождается не из одного промпта, а в долгом итеративном разговоре. Цикл: ставишь задачу, ИИ‑агент генерирует решение, ты валидируешь, указываешь на проблемы и уточняешь ожидания. Так, итерация за итерацией, проект обретал форму. И да, так можно делать не только мелкие демки — для крупного проекта ничего принципиально сложного нет, если владеешь дисциплиной управления агентом через обратную связь.
Результат: CogniForge (демо)
За несколько сессий получился сервис семантического поиска на базе RAG. Подчеркну: это демо, не промышленная система. Сравнение и поиск работают на облегчённой модели эмбеддингов all-MiniLM-L6-v2 (Sentence Transformers). Модель тренировочная и легковесная, так что к точности на реальных данных стоит относиться трезво. Но концепцию проверяет достойно: находит смысловые совпадения, хотя поведение не всегда предсказуемое — для такой сборки ожидаемо.
Стек: FastAPI, Next.js, PostgreSQL, Redis, Nginx. Всё упаковано в Docker Compose, запуск одной командой docker compose up.
Где закопались
Основное время заняла не поисковая логика, а настройка окружения. Запутанное взаимодействие «Docker – бэкенд – фронтенд»: статические файлы упорно отдавались не те. Проблема распространённая и не решилась с ходу даже с ИИ‑субагентами. Агент исправно писал код, но тонкости связки Nginx, контейнеров и путей до собранного фронтенда потребовали нескольких итераций и прямых подсказок, куда смотреть. Инфраструктура остаётся узким горлышком, даже когда бизнес‑логику генерируют агенты.
Попробовать
Код открыт: https://github.com/maxbogus/cogniforge-demo
Клонируете, запускаете docker compose up, открываете localhost:3000 — и можно загружать документы, искать. Никакой магии, быстрый способ проверить гипотезу.
Что думаю
Vibe coding хорош для прототипирования, но не ограничен им. При грамотном итеративном процессе можно создавать и масштабные системы. Скорость проверки идей вырастает кратно, однако инфраструктурные и интеграционные нюансы пока требуют зрелого контроля. Буду рад обсудить и услышать ваш опыт: где у вас ломаются «нуль‑кодовые» проекты в корпоративной среде?
Вайбкодинг (разработка через описание) сейчас у всех на слуху. Проверил подход на реальной задаче: сделать систему смыслового поиска по документам. Загружаешь PDF или текст, строится FAISS‑индекс, вводишь понятие — сервис находит релевантные фрагменты. Обычный RAG‑пайплайн. Писать руками умею, цель была иная — создать продукт с нуля только через диалог с ИИ.
Как строилась работа
Система рождается не из одного промпта, а в долгом итеративном разговоре. Цикл: ставишь задачу, ИИ‑агент генерирует решение, ты валидируешь, указываешь на проблемы и уточняешь ожидания. Так, итерация за итерацией, проект обретал форму. И да, так можно делать не только мелкие демки — для крупного проекта ничего принципиально сложного нет, если владеешь дисциплиной управления агентом через обратную связь.
Результат: CogniForge (демо)
За несколько сессий получился сервис семантического поиска на базе RAG. Подчеркну: это демо, не промышленная система. Сравнение и поиск работают на облегчённой модели эмбеддингов all-MiniLM-L6-v2 (Sentence Transformers). Модель тренировочная и легковесная, так что к точности на реальных данных стоит относиться трезво. Но концепцию проверяет достойно: находит смысловые совпадения, хотя поведение не всегда предсказуемое — для такой сборки ожидаемо.
Стек: FastAPI, Next.js, PostgreSQL, Redis, Nginx. Всё упаковано в Docker Compose, запуск одной командой docker compose up.
Где закопались
Основное время заняла не поисковая логика, а настройка окружения. Запутанное взаимодействие «Docker – бэкенд – фронтенд»: статические файлы упорно отдавались не те. Проблема распространённая и не решилась с ходу даже с ИИ‑субагентами. Агент исправно писал код, но тонкости связки Nginx, контейнеров и путей до собранного фронтенда потребовали нескольких итераций и прямых подсказок, куда смотреть. Инфраструктура остаётся узким горлышком, даже когда бизнес‑логику генерируют агенты.
Попробовать
Код открыт: https://github.com/maxbogus/cogniforge-demo
Клонируете, запускаете docker compose up, открываете localhost:3000 — и можно загружать документы, искать. Никакой магии, быстрый способ проверить гипотезу.
Что думаю
Vibe coding хорош для прототипирования, но не ограничен им. При грамотном итеративном процессе можно создавать и масштабные системы. Скорость проверки идей вырастает кратно, однако инфраструктурные и интеграционные нюансы пока требуют зрелого контроля. Буду рад обсудить и услышать ваш опыт: где у вас ломаются «нуль‑кодовые» проекты в корпоративной среде?
GitHub
GitHub - maxbogus/cogniforge-demo
Contribute to maxbogus/cogniforge-demo development by creating an account on GitHub.
Сегодня круглый стол на Moscow Python Meetup №111: «AI в разработке: очень хороший автокомплит или роботы нас заменят?»
Сегодня собираемся, чтобы честно и без хайпа обсудить то, о чём сейчас молча (и громко) болит у всего сообщества. Никаких маркетинговых сказок — только реальный опыт, разбор граблей и попытка отделить полезные инструменты от токсичного хайпа.
🔥 Модератор: Георгий Мартиросов (EXPERIMENTAL)
🔥 Участники (супер-мэтры, практики с передовой):
1. Ваш покорный слуга: Максим Богуславский — основатель, генеральный директор ООО «Альфа-Функция»
2. Денис Аникин — техлид, Райффайзенбанк
3. Алексей Жиряков — исполнительный директор дивизиона платформы генеративного ИИ, Сбер
О чём будем говорить (спойлер: будет остро):
1. AI-агенты — революция или сжигание токенов?
Каждый новый агент (Codex, Grok Build) обещает переворот, а посты в ленте кричат: «низкая эффективность», «90% пилотов отложены». Когда агент в реальной практике принёс измеримый профит, а не просто строчку в отчёте? Где граница, за которой делегирование агенту становится неконтролируемым риском для продукта?
2. Вайб-кодинг, потеря контроля и «LLM убили удовольствие»
Мы растим поколение промпт-инженеров или бездумных копипастеров? Пора ли возвращать знание алгоритмов на собеседования? Обсудим тезис из ленты: «AI не делает продукт за тебя, он ускоряет путь от идеи до проверки» — и выясним, правда ли роль архитектора и senior-разработчика на фоне ИИ только выросла в цене.
3. Экономика внедрения: AI-трезвость или пузырь как в доткомы?
«Корпоративный ИИ — это 37 вопросов от безопасников», «главный ад между training и prod». Какие риски замалчивают продавцы технологий, и как бизнесу защитить себя от токсичных внедрений?
4. Рынок труда: война ботов против ботов
Рекрутеры признают: ИИ-фильтры отметают нормальные резюме, кандидаты генерируют идеальные «простыни». Как в этом хаосе найти живого профессионала? Что делать с синдромом самозванца в эпоху ИИ, и почему инициативность опытных специалистов 40+ всё ещё ценнее скорости нейросети?
5. Этика и регулирование — финальные «каникулы»?
Закон о маркировке ИИ-контента отклонили как «технически нереализуемый». Означает ли это, что индустрия ушла в этический офлайн, или у бизнеса созреет внутренний запрос на доверенный ИИ без помощи государства?
Мы видим, как всех колбасит от скорости изменений и призраков прошлого, которые благодаря средствам параллелизации наконец пришли к нам сегодня. Наша задача — снизить уровень хаоса до приемлемых границ. Даже если что-то останется за кадром эфира — пишите комментарии, задавайте вопросы, не стесняйтесь звать и спорить.
Приходите, пожмите руку, задайте свой вопрос лично. Будет громко, честно и по делу. 🤝
Сегодня собираемся, чтобы честно и без хайпа обсудить то, о чём сейчас молча (и громко) болит у всего сообщества. Никаких маркетинговых сказок — только реальный опыт, разбор граблей и попытка отделить полезные инструменты от токсичного хайпа.
🔥 Модератор: Георгий Мартиросов (EXPERIMENTAL)
🔥 Участники (супер-мэтры, практики с передовой):
1. Ваш покорный слуга: Максим Богуславский — основатель, генеральный директор ООО «Альфа-Функция»
2. Денис Аникин — техлид, Райффайзенбанк
3. Алексей Жиряков — исполнительный директор дивизиона платформы генеративного ИИ, Сбер
О чём будем говорить (спойлер: будет остро):
1. AI-агенты — революция или сжигание токенов?
Каждый новый агент (Codex, Grok Build) обещает переворот, а посты в ленте кричат: «низкая эффективность», «90% пилотов отложены». Когда агент в реальной практике принёс измеримый профит, а не просто строчку в отчёте? Где граница, за которой делегирование агенту становится неконтролируемым риском для продукта?
2. Вайб-кодинг, потеря контроля и «LLM убили удовольствие»
Мы растим поколение промпт-инженеров или бездумных копипастеров? Пора ли возвращать знание алгоритмов на собеседования? Обсудим тезис из ленты: «AI не делает продукт за тебя, он ускоряет путь от идеи до проверки» — и выясним, правда ли роль архитектора и senior-разработчика на фоне ИИ только выросла в цене.
3. Экономика внедрения: AI-трезвость или пузырь как в доткомы?
«Корпоративный ИИ — это 37 вопросов от безопасников», «главный ад между training и prod». Какие риски замалчивают продавцы технологий, и как бизнесу защитить себя от токсичных внедрений?
4. Рынок труда: война ботов против ботов
Рекрутеры признают: ИИ-фильтры отметают нормальные резюме, кандидаты генерируют идеальные «простыни». Как в этом хаосе найти живого профессионала? Что делать с синдромом самозванца в эпоху ИИ, и почему инициативность опытных специалистов 40+ всё ещё ценнее скорости нейросети?
5. Этика и регулирование — финальные «каникулы»?
Закон о маркировке ИИ-контента отклонили как «технически нереализуемый». Означает ли это, что индустрия ушла в этический офлайн, или у бизнеса созреет внутренний запрос на доверенный ИИ без помощи государства?
Мы видим, как всех колбасит от скорости изменений и призраков прошлого, которые благодаря средствам параллелизации наконец пришли к нам сегодня. Наша задача — снизить уровень хаоса до приемлемых границ. Даже если что-то останется за кадром эфира — пишите комментарии, задавайте вопросы, не стесняйтесь звать и спорить.
Приходите, пожмите руку, задайте свой вопрос лично. Будет громко, честно и по делу. 🤝
В этот четверг меняю амплуа: вместо строчек кода — микрофон и слайды перед аналитиками на Smalltech митап Vol.3. Организаторы собрали не парад побед, а разборы полётов, изобретения на ходу и выходы из зоны комфорта — то, что нам, скептикам, куда ближе, чем «успешные успехи».
О чём буду говорить я:
— Как продуктовый discovery сжался с 2 недель до 2 дней, и почему это не магия.
— Четыре AI-пайплайна в действии: RICE, конкурентный анализ, генерация User Stories, NLP-разбор отзывов.
— Почему одиночный промпт — это лотерея, а мультиагентный конвейер — уже система.
— Где ИИ реально съедает часы рутины, а где без человека всё развалится.
— Готовые промпты, их ограничения и почему они устареют через месяц (или раньше).
О чём не услышите:
— Абстрактное «ИИ — наше всё» и слайды про токены и RAG.
— Никакого «научим ChatGPT за час» — честно разложу, где инструмент буксует.
Формат такой, чтобы вы унесли с собой конкретику, а не просто конспект вдохновляющих фраз.
Приходите знакомиться, спорить и забирать промпты, пока они не протухли.
О чём буду говорить я:
— Как продуктовый discovery сжался с 2 недель до 2 дней, и почему это не магия.
— Четыре AI-пайплайна в действии: RICE, конкурентный анализ, генерация User Stories, NLP-разбор отзывов.
— Почему одиночный промпт — это лотерея, а мультиагентный конвейер — уже система.
— Где ИИ реально съедает часы рутины, а где без человека всё развалится.
— Готовые промпты, их ограничения и почему они устареют через месяц (или раньше).
О чём не услышите:
— Абстрактное «ИИ — наше всё» и слайды про токены и RAG.
— Никакого «научим ChatGPT за час» — честно разложу, где инструмент буксует.
Формат такой, чтобы вы унесли с собой конкретику, а не просто конспект вдохновляющих фраз.
Приходите знакомиться, спорить и забирать промпты, пока они не протухли.
❤2🤔1
Сегодня выступил на митапе Smalltech с темой «ИИ как инструмент для автоматизации работы продукта и аналитика».
Главная мысль: LLM отлично справляется с рутиной. Генерация user stories из голосовых заметок, вытаскивание требований из переписок, приоритизация бэклога по RICE, сбор данных о конкурентах. Я привёл живой пример: за 1,5 часа (30 минут на промт, остальное — анализ) модель проанализировала целевую аудиторию, цены и сильные стороны конкурентов для моего стартапа. Результат не идеальный, но для старта исследований — огромная экономия.
Самый ценный момент — обсуждение. Я не прятал ограничения, и зал, полный практиков, тут же подтвердил: все эти грабли нам знакомы.
Во-первых, случайность. LLM по природе вероятностна, один и тот же промт может давать разные оценки. Я показал, как генерировал синтетические данные для кластеризации по типам личности — даже при фиксированной температуре модель выдавала разное. Это не баг, а свойство, и для ответственных решений приходится делать несколько прогонов или использовать ensemble.
Во-вторых, синтетические данные усредняют. Просишь модель сгенерировать диалоги или портреты пользователей — она скатывается в самые частотные паттерны. На вопрос из зала «как не придумать клиента, а получить реального» ответил честно: LLM не оракул. Для глубинного понимания ничто не заменит живые интервью, а модель лучше использовать для анализа реальных транскриптов, а не для выдумывания personas с нуля.
В-третьих, безопасность. Коллеги сразу спросили: «А что говорит InfoSec, когда вы отправляете данные в облачные модели?» Рассказал свой опыт — отбивался тем, что разработчики и так пользуются ChatGPT. Если данные действительно секретные — надо поднимать приватную LLM на своём железе (системник за ~500 тыс. рублей вполне справляется с небольшими моделями). Для аналитики не под грифом хватает анонимизации и здравого смысла.
Обсудили и практические советы. Дробите контекст: скармливать 80-страничный документ целиком — плохая идея. Разбивайте на маленькие артефакты, точность сразу растёт. Ещё одно: промт — не программа, а диалог. Я сравнил работу с LLM с общением с «дьяволом»: начинаете фразу, а потом уточняете, переспрашиваете, дробите. Модель часто ошибается в первой итерации, но направляемая беседа даёт приемлемый результат.
Цифра, которая отрезвляет и вдохновляет одновременно: по данным исследования, на которое я ссылался, LLM экономит аналитику около 33 часов в месяц. Это не замена человеку, а освобождение времени для действительно интеллектуальной работы.
После доклада мы ещё час говорили в кулуарах. Главные выводы:
· Люди хотят автоматизировать рутину, но боятся сложности и «магии». Мой пример с простым агентом (репозиторий, шаблоны задач и LLM) показал — порог входа ниже, чем кажется.
· Важно вслух говорить об ограничениях. Скепсис зала — лучшее тому доказательство. Когда честно признаёшь, что модель не панацея, доверие только растёт.
· Формат «доклад + живое обсуждение» выигрывает у монолога. Благодаря вопросам затронули и когнитивные ловушки, и работу с разными персонами пользователей, и культурные нюансы.
Если вы продуктовый аналитик, менеджер или разработчик, утопающий в Jira и переписках, — попробуйте отдать LLM самую нудную часть. Начните с малого: расшифруйте голосовую заметку и попросите модель превратить её в набор задач. Даже 70% точности сэкономят вам часы. А если пока не готовы пробовать — приходите просто обсуждать сомнения, это тоже ценно.
Слайды и примеры промтов выложу в телеграм-канал Smalltech на днях. Если наберётся десяток заинтересованных — запишу короткий туториал по созданию агента для приоритизации бэклога.
Главная мысль: LLM отлично справляется с рутиной. Генерация user stories из голосовых заметок, вытаскивание требований из переписок, приоритизация бэклога по RICE, сбор данных о конкурентах. Я привёл живой пример: за 1,5 часа (30 минут на промт, остальное — анализ) модель проанализировала целевую аудиторию, цены и сильные стороны конкурентов для моего стартапа. Результат не идеальный, но для старта исследований — огромная экономия.
Самый ценный момент — обсуждение. Я не прятал ограничения, и зал, полный практиков, тут же подтвердил: все эти грабли нам знакомы.
Во-первых, случайность. LLM по природе вероятностна, один и тот же промт может давать разные оценки. Я показал, как генерировал синтетические данные для кластеризации по типам личности — даже при фиксированной температуре модель выдавала разное. Это не баг, а свойство, и для ответственных решений приходится делать несколько прогонов или использовать ensemble.
Во-вторых, синтетические данные усредняют. Просишь модель сгенерировать диалоги или портреты пользователей — она скатывается в самые частотные паттерны. На вопрос из зала «как не придумать клиента, а получить реального» ответил честно: LLM не оракул. Для глубинного понимания ничто не заменит живые интервью, а модель лучше использовать для анализа реальных транскриптов, а не для выдумывания personas с нуля.
В-третьих, безопасность. Коллеги сразу спросили: «А что говорит InfoSec, когда вы отправляете данные в облачные модели?» Рассказал свой опыт — отбивался тем, что разработчики и так пользуются ChatGPT. Если данные действительно секретные — надо поднимать приватную LLM на своём железе (системник за ~500 тыс. рублей вполне справляется с небольшими моделями). Для аналитики не под грифом хватает анонимизации и здравого смысла.
Обсудили и практические советы. Дробите контекст: скармливать 80-страничный документ целиком — плохая идея. Разбивайте на маленькие артефакты, точность сразу растёт. Ещё одно: промт — не программа, а диалог. Я сравнил работу с LLM с общением с «дьяволом»: начинаете фразу, а потом уточняете, переспрашиваете, дробите. Модель часто ошибается в первой итерации, но направляемая беседа даёт приемлемый результат.
Цифра, которая отрезвляет и вдохновляет одновременно: по данным исследования, на которое я ссылался, LLM экономит аналитику около 33 часов в месяц. Это не замена человеку, а освобождение времени для действительно интеллектуальной работы.
После доклада мы ещё час говорили в кулуарах. Главные выводы:
· Люди хотят автоматизировать рутину, но боятся сложности и «магии». Мой пример с простым агентом (репозиторий, шаблоны задач и LLM) показал — порог входа ниже, чем кажется.
· Важно вслух говорить об ограничениях. Скепсис зала — лучшее тому доказательство. Когда честно признаёшь, что модель не панацея, доверие только растёт.
· Формат «доклад + живое обсуждение» выигрывает у монолога. Благодаря вопросам затронули и когнитивные ловушки, и работу с разными персонами пользователей, и культурные нюансы.
Если вы продуктовый аналитик, менеджер или разработчик, утопающий в Jira и переписках, — попробуйте отдать LLM самую нудную часть. Начните с малого: расшифруйте голосовую заметку и попросите модель превратить её в набор задач. Даже 70% точности сэкономят вам часы. А если пока не готовы пробовать — приходите просто обсуждать сомнения, это тоже ценно.
Слайды и примеры промтов выложу в телеграм-канал Smalltech на днях. Если наберётся десяток заинтересованных — запишу короткий туториал по созданию агента для приоритизации бэклога.
🤔1
Китайцы снова устроили демпинг на рынке ИИ: зачем платить $200 за Claude, если есть DeepSeek за копейки?
Мало кто заметил, но буквально пару недель назад китайские разработчики в очередной раз перевернули рынок больших языковых моделей. Теперь платить $200 в месяц за Claude или другие «элитные» решения — это просто выкидывать деньги. За $10 вы получаете модель с миллионным контекстом, которая решает задачи не хуже, а по ряду параметров — даже лучше. И это не предел. Давайте разбираться, что произошло и почему это коснётся каждого.
Для начала: что такое «токены» и «контекст»?
Чтобы понять цифры, нужно освоить два простых понятия.
Токен — это минимальная единица текста, которую модель обрабатывает. В русском языке 1 токен ≈ 1–2 слова (например, «привет» — 1 токен, «здравствуйте» — 2). Для английского — примерно так же. Когда вы отправляете запрос, вы платите за количество токенов на входе (ваш вопрос) и на выходе (ответ модели).
Контекст — это объём текста, который модель может «держать в голове» одновременно. Если у модели контекст 1 миллион токенов, вы можете скормить ей целую книгу «Война и мир» (примерно 300–400 тысяч слов) и задавать вопросы по содержанию. Для большинства задач хватает и 32 тысяч токенов, но миллион даёт суперспособности: анализировать код всего проекта, изучать многолетнюю переписку, обрабатывать огромные отчёты.
Что за зверь такой — DeepSeek V4?
DeepSeek — китайская компания, которая уже пару лет удивляет мир своими моделями с открытым весом (то есть их можно скачать и запустить у себя, но это для продвинутых). В апреле 2026 года они выпустили DeepSeek V4 в двух версиях:
V4-Pro — мощная, для серьёзных задач;
V4-Flash — лёгкая и очень дёшевая, но всё равно умная.
Обе модели имеют контекст 1 миллион токенов — это стандарт для новой линейки.
А теперь к ценам. Готовьтесь удивиться.
DeepSeek установил такие расценки (в долларах, потому что так проще сравнивать):
Модель Вход (если текст уже в кэше) Вход (обычный) Выход (ответ)
V4-Flash $0,028 за 1 млн токенов $0,14 за 1 млн токенов $0,28 за 1 млн токенов
V4-Pro $0,14 за 1 млн токенов $1,74 за 1 млн токенов $3,48 за 1 млн токенов
А ещё в конце апреля они сделали суперскидку — входной кэш подешевел в 10 раз, а V4-Pro дополнительно получил 2,5-кратную скидку. В итоге миллион токенов на входе может стоить всего 0,025 юаня — это меньше полцента!
Сравним с «золотыми» моделями от американцев
Теперь самое вкусное. Возьмём Claude Fable 5 от Anthropic — одну из самых разрекламированных платных моделей. Она стоит $50 за 1 миллион токенов на входе (и столько же на выходе). А DeepSeek V4-Pro — $1,74 за вход и $3,48 за выход.
Разница в 57 раз для входных токенов! Если считать выходные, то V4-Pro дешевле почти в 15 раз.
А если взять V4-Flash, то она дешевле Claude в 357 раз на входе и в 178 раз на выходе.
Теперь про подписку за $200 в месяц, которую продвигает Claude Pro. За эти деньги вы получаете определённое количество запросов, но если вы активно работаете с большими текстами, лимит может кончиться за пару дней. На те же $200 вы можете купить десятки миллионов токенов у DeepSeek — этого хватит, чтобы переработать целую библиотеку.
А качество? Неужели дёшево — значит плохо?
Вот здесь главный сюрприз. По тестам, DeepSeek V4-Pro идёт ноздря в ноздрю с самыми дорогими моделями:
В тесте на программирование SWE-bench он набрал 80,6% — это выше, чем у многих закрытых конкурентов.
На платформе Codeforces (соревнования по программированию) он получил рейтинг 3206, обойдя GPT-5.4 и Gemini 3.1 Pro.
Американский институт стандартов NIST признал его самым сильным китайским ИИ из всех, что они тестировали.
Но главное — в реальных задачах он показывает себя отлично. Разработчики говорят, что V4-Pro может писать код непрерывно больше часа, без вашего вмешательства. Он справляется с проектами на десятки тысяч строк, с базами данных, с эмуляцией мобильных приложений.
А для русскоязычных пользователей есть бонус: модель отлично понимает русский, в том числе сложные литературные обороты, иронию и даже современный интернет-сленг.
Мало кто заметил, но буквально пару недель назад китайские разработчики в очередной раз перевернули рынок больших языковых моделей. Теперь платить $200 в месяц за Claude или другие «элитные» решения — это просто выкидывать деньги. За $10 вы получаете модель с миллионным контекстом, которая решает задачи не хуже, а по ряду параметров — даже лучше. И это не предел. Давайте разбираться, что произошло и почему это коснётся каждого.
Для начала: что такое «токены» и «контекст»?
Чтобы понять цифры, нужно освоить два простых понятия.
Токен — это минимальная единица текста, которую модель обрабатывает. В русском языке 1 токен ≈ 1–2 слова (например, «привет» — 1 токен, «здравствуйте» — 2). Для английского — примерно так же. Когда вы отправляете запрос, вы платите за количество токенов на входе (ваш вопрос) и на выходе (ответ модели).
Контекст — это объём текста, который модель может «держать в голове» одновременно. Если у модели контекст 1 миллион токенов, вы можете скормить ей целую книгу «Война и мир» (примерно 300–400 тысяч слов) и задавать вопросы по содержанию. Для большинства задач хватает и 32 тысяч токенов, но миллион даёт суперспособности: анализировать код всего проекта, изучать многолетнюю переписку, обрабатывать огромные отчёты.
Что за зверь такой — DeepSeek V4?
DeepSeek — китайская компания, которая уже пару лет удивляет мир своими моделями с открытым весом (то есть их можно скачать и запустить у себя, но это для продвинутых). В апреле 2026 года они выпустили DeepSeek V4 в двух версиях:
V4-Pro — мощная, для серьёзных задач;
V4-Flash — лёгкая и очень дёшевая, но всё равно умная.
Обе модели имеют контекст 1 миллион токенов — это стандарт для новой линейки.
А теперь к ценам. Готовьтесь удивиться.
DeepSeek установил такие расценки (в долларах, потому что так проще сравнивать):
Модель Вход (если текст уже в кэше) Вход (обычный) Выход (ответ)
V4-Flash $0,028 за 1 млн токенов $0,14 за 1 млн токенов $0,28 за 1 млн токенов
V4-Pro $0,14 за 1 млн токенов $1,74 за 1 млн токенов $3,48 за 1 млн токенов
А ещё в конце апреля они сделали суперскидку — входной кэш подешевел в 10 раз, а V4-Pro дополнительно получил 2,5-кратную скидку. В итоге миллион токенов на входе может стоить всего 0,025 юаня — это меньше полцента!
Сравним с «золотыми» моделями от американцев
Теперь самое вкусное. Возьмём Claude Fable 5 от Anthropic — одну из самых разрекламированных платных моделей. Она стоит $50 за 1 миллион токенов на входе (и столько же на выходе). А DeepSeek V4-Pro — $1,74 за вход и $3,48 за выход.
Разница в 57 раз для входных токенов! Если считать выходные, то V4-Pro дешевле почти в 15 раз.
А если взять V4-Flash, то она дешевле Claude в 357 раз на входе и в 178 раз на выходе.
Теперь про подписку за $200 в месяц, которую продвигает Claude Pro. За эти деньги вы получаете определённое количество запросов, но если вы активно работаете с большими текстами, лимит может кончиться за пару дней. На те же $200 вы можете купить десятки миллионов токенов у DeepSeek — этого хватит, чтобы переработать целую библиотеку.
А качество? Неужели дёшево — значит плохо?
Вот здесь главный сюрприз. По тестам, DeepSeek V4-Pro идёт ноздря в ноздрю с самыми дорогими моделями:
В тесте на программирование SWE-bench он набрал 80,6% — это выше, чем у многих закрытых конкурентов.
На платформе Codeforces (соревнования по программированию) он получил рейтинг 3206, обойдя GPT-5.4 и Gemini 3.1 Pro.
Американский институт стандартов NIST признал его самым сильным китайским ИИ из всех, что они тестировали.
Но главное — в реальных задачах он показывает себя отлично. Разработчики говорят, что V4-Pro может писать код непрерывно больше часа, без вашего вмешательства. Он справляется с проектами на десятки тысяч строк, с базами данных, с эмуляцией мобильных приложений.
А для русскоязычных пользователей есть бонус: модель отлично понимает русский, в том числе сложные литературные обороты, иронию и даже современный интернет-сленг.
🤔2🔥1
Почему это касается не только гиков? Ведь даже Microsoft присматривается к китайцам
Потому что цена решает всё. Если раньше внедрение ИИ в бизнес было дорогим удовольствием, то теперь любой стартап, любая небольшая компания может позволить себе:
1. автоматическую обработку тысяч страниц договоров и контрактов;
2. интеллектуальный поиск по всей внутренней документации;
3. круглосуточный чат-бот с памятью на все диалоги;
4. помощь программистам, которая ускоряет разработку в разы.
И всё это — за копейки. Например, один разработчик выложил скриншот, где он обработал почти 10 миллионов токенов (это примерно 15–20 тысяч страниц текста) и заплатил за это всего 3,16 юаня (около 50 центов). Попробуйте сделать то же самое через Claude — вы отдадите сотни долларов.
В июне 2026 года появилась новость: Microsoft рассматривает возможность подключить DeepSeek V4 к своему корпоративному инструменту Copilot Cowork. Причина банальна — слишком дорого использовать OpenAI и Anthropic, а DeepSeek даёт схожее качество за копейки.
Раньше Microsoft в основном полагалась на OpenAI (в которую вложила миллиарды), но теперь, видимо, даже они поняли, что переплачивать глупо. Это как если бы вы покупали бензин по 5 долларов за литр, а рядом открылась заправка с тем же качеством по 20 центов. Вы бы долго сомневались?
А почему именно Китай?
Многие удивляются: как это стране с «дешёвыми клонами» удаётся делать передовой ИИ? На самом деле, по данным Министерства промышленности Китая, в стране более 9 миллионов разработчиков программного обеспечения — это больше, чем в США, Европе и России вместе взятых. Западные статистики называют цифру около 5,8 млн, но и это огромная армия.
При этом китайские инженеры работают во всех направлениях — от встроенных систем и компьютерного зрения до огромных языковых моделей. Более того, они активно развивают собственное «железо» (чипы Huawei Ascend) и умеют запускать свои модели не только на Nvidia, но и на отечественных процессорах.
Конкуренция внутри Китая тоже бешеная: там десятки ИИ-стартапов, каждый пытается сделать модель дешевле и лучше. В результате цены падают, а качество растёт — быстрее, чем на Западе. Это называется «демпинг инновациями».
Что дальше? Запасаемся попкорном
По оценкам аналитиков, стоимость обработки одного токена падает в 10–100 раз каждый год. Отрыв закрытых топ-моделей от открытых сократился с года до трёх месяцев. Если так пойдёт дальше, то через год-два мы будем смеяться, вспоминая, что платили $200 за месячный доступ к боту, который сейчас доступен бесплатно или за сущие копейки.
Банки и инвесторы уже начали беспокоиться: Deutsche Bank выпустил отчёт, где предупредил, что рынок ИИ может пережить глубокую переоценку, потому что многие компании переплачивают за «статусные» модели, которые по факту не дают реального преимущества.
Так что если вы только начинаете знакомиться с ИИ или просто хотите пользоваться им без разорения — сейчас лучшее время. Не ведитесь на громкие бренды, пробуйте DeepSeek, сравнивайте, экономьте. И помните: сегодняшнее чудо — завтрашняя норма.
Китайцы снова сделали своё дело. Ждём следующего раунда. 🍿
Потому что цена решает всё. Если раньше внедрение ИИ в бизнес было дорогим удовольствием, то теперь любой стартап, любая небольшая компания может позволить себе:
1. автоматическую обработку тысяч страниц договоров и контрактов;
2. интеллектуальный поиск по всей внутренней документации;
3. круглосуточный чат-бот с памятью на все диалоги;
4. помощь программистам, которая ускоряет разработку в разы.
И всё это — за копейки. Например, один разработчик выложил скриншот, где он обработал почти 10 миллионов токенов (это примерно 15–20 тысяч страниц текста) и заплатил за это всего 3,16 юаня (около 50 центов). Попробуйте сделать то же самое через Claude — вы отдадите сотни долларов.
В июне 2026 года появилась новость: Microsoft рассматривает возможность подключить DeepSeek V4 к своему корпоративному инструменту Copilot Cowork. Причина банальна — слишком дорого использовать OpenAI и Anthropic, а DeepSeek даёт схожее качество за копейки.
Раньше Microsoft в основном полагалась на OpenAI (в которую вложила миллиарды), но теперь, видимо, даже они поняли, что переплачивать глупо. Это как если бы вы покупали бензин по 5 долларов за литр, а рядом открылась заправка с тем же качеством по 20 центов. Вы бы долго сомневались?
А почему именно Китай?
Многие удивляются: как это стране с «дешёвыми клонами» удаётся делать передовой ИИ? На самом деле, по данным Министерства промышленности Китая, в стране более 9 миллионов разработчиков программного обеспечения — это больше, чем в США, Европе и России вместе взятых. Западные статистики называют цифру около 5,8 млн, но и это огромная армия.
При этом китайские инженеры работают во всех направлениях — от встроенных систем и компьютерного зрения до огромных языковых моделей. Более того, они активно развивают собственное «железо» (чипы Huawei Ascend) и умеют запускать свои модели не только на Nvidia, но и на отечественных процессорах.
Конкуренция внутри Китая тоже бешеная: там десятки ИИ-стартапов, каждый пытается сделать модель дешевле и лучше. В результате цены падают, а качество растёт — быстрее, чем на Западе. Это называется «демпинг инновациями».
Что дальше? Запасаемся попкорном
По оценкам аналитиков, стоимость обработки одного токена падает в 10–100 раз каждый год. Отрыв закрытых топ-моделей от открытых сократился с года до трёх месяцев. Если так пойдёт дальше, то через год-два мы будем смеяться, вспоминая, что платили $200 за месячный доступ к боту, который сейчас доступен бесплатно или за сущие копейки.
Банки и инвесторы уже начали беспокоиться: Deutsche Bank выпустил отчёт, где предупредил, что рынок ИИ может пережить глубокую переоценку, потому что многие компании переплачивают за «статусные» модели, которые по факту не дают реального преимущества.
Так что если вы только начинаете знакомиться с ИИ или просто хотите пользоваться им без разорения — сейчас лучшее время. Не ведитесь на громкие бренды, пробуйте DeepSeek, сравнивайте, экономьте. И помните: сегодняшнее чудо — завтрашняя норма.
Китайцы снова сделали своё дело. Ждём следующего раунда. 🍿
❤3🤔2
Меня зовут Максим, я CTO и со-основатель стартапа. Это официальный старт моей главной мечты — создать продукт, который сделает логистику по-настоящему интеллектуальной. Мы строим агентно-ориентированную платформу. Это не монолит, а гибкая экосистема, где каждый ИИ-агент решает свою задачу, подстраиваясь под бизнес-процессы клиента.
Технологическое ядро: семантика и мультимодальность
Мы используем связку передовых LLM (Yandex, OpenAI) и собственные доработанные LM-решения. Система построена на семантическом поиске — агенты понимают глубинный смысл запроса, а не просто ключевые слова. Плюс мы поддерживаем мультимодальность: наши модели работают со сканами, фото грузов и рукописными накладными. Это действительно передовой край.
Архитектурный прорыв: MCP и LLM-оркестрация
В основе коммуникации агентов лежит протокол MCP (Model Context Protocol). Для обнаружения и регистрации агентов мы используем централизованный MCP-реестр, а всю оркестрацию (маршрутизацию запросов и управление цепочками задач) берёт на себя LLM-ядро.
Проще говоря, это как умная диспетчерская: LLM решает, какому агенту передать задачу, а MCP помогает агентам находить друг друга и обмениваться контекстом. Этот подход уже применяется в таких компаниях, как Perplexity, но мы переосмыслили его под динамику цепочек поставок. Мы можем «включать» новых агентов на лету, не пересобирая систему.
Ключевая фича: ВЭД и «живая» калькуляция
Особый фокус — внешнеэкономическая деятельность (ВЭД). Логистика пересекает границы, а значит, мы сталкиваемся с плавающими пошлинами, курсами валют и санкционными рисками.
Наш агент по ВЭД производит динамическую калькуляцию стоимости доставки «до двери» в реальном времени, учитывая:
· Актуальные таможенные пошлины и НДС;
· Колебания валют (курс ЦБ);
· Топливные и сезонные сборы;
· Транзитные риски (заторы, перенаправление).
Используя семантический поиск, агент мгновенно парсит изменения в законодательстве. Это позволяет прогнозировать себестоимость груза с погрешностью менее 2%, что критично для внешнеторговых контрактов.
Безопасность и управление доступом
Разумеется, мы с самого начала прорабатываем вопросы безопасности. В основе системы лежит управление доступом через токены и Keycloak. Мы тщательно настроили аутентификацию и авторизацию, чтобы разграничить доступ к данным разных клиентов и гарантировать защиту коммерческой тайны. Это особенно важно, когда речь идёт о внешнеэкономических контрактах.
Архитектура бизнеса, а не просто код
Для нас платформа — это не просто набор микросервисов и моделей. Это архитектура нашего бизнеса. Каждый агент, каждый протокол и каждая точка интеграции отражают философию нашей работы: быть гибкими, прозрачными и клиентоцентричными. Мы строим систему, которая масштабируется вместе с потребностями рынка, а не ломается при первой же перемене правил игры.
Наше видение и статус
Сейчас система внедрена не на 100%, но у нас уже есть боевые прототипы агентов (база знаний, юридический комплаенс, поддержка клиентов).
Мы нацелены на малый и средний бизнес и в ближайшей перспективе хотим, чтобы клиенты управляли агентами через любые удобные каналы: Telegram, почту, а в идеале — даже голосом. Именно здесь наша архитектура на базе LLM-оркестрации и MCP раскрывает свой потенциал — вместо сложных ERP-интерфейсов мы даём простой диалог.
Я реализую себя здесь не только как AI-инженер, но и как стратег, создавая роадмапы и брейнштормя каждую фичу.
Конечно, путь только начинается, и нас ждёт множество вызовов. Но я искренне верю, что это великолепный шанс. Мы будем масштабироваться, искать новые горизонты для сотрудничества и точно не остановимся на достигнутом. Наша команда горит этим делом — и это главное топливо проекта.
Мы ищем пилотных заказчиков и технологических партнёров.
Если ваша компания работает в логистике или ВЭД — приходите на демо. Мы покажем всё «как есть», без прикрас.
Для самых смелых у нас есть предложение: вы можете получить ранний доступ (Early Access) к нашей экосистеме уже сейчас. Это отличная возможность войти в новый технологический уклад на раннем этапе.
Технологическое ядро: семантика и мультимодальность
Мы используем связку передовых LLM (Yandex, OpenAI) и собственные доработанные LM-решения. Система построена на семантическом поиске — агенты понимают глубинный смысл запроса, а не просто ключевые слова. Плюс мы поддерживаем мультимодальность: наши модели работают со сканами, фото грузов и рукописными накладными. Это действительно передовой край.
Архитектурный прорыв: MCP и LLM-оркестрация
В основе коммуникации агентов лежит протокол MCP (Model Context Protocol). Для обнаружения и регистрации агентов мы используем централизованный MCP-реестр, а всю оркестрацию (маршрутизацию запросов и управление цепочками задач) берёт на себя LLM-ядро.
Проще говоря, это как умная диспетчерская: LLM решает, какому агенту передать задачу, а MCP помогает агентам находить друг друга и обмениваться контекстом. Этот подход уже применяется в таких компаниях, как Perplexity, но мы переосмыслили его под динамику цепочек поставок. Мы можем «включать» новых агентов на лету, не пересобирая систему.
Ключевая фича: ВЭД и «живая» калькуляция
Особый фокус — внешнеэкономическая деятельность (ВЭД). Логистика пересекает границы, а значит, мы сталкиваемся с плавающими пошлинами, курсами валют и санкционными рисками.
Наш агент по ВЭД производит динамическую калькуляцию стоимости доставки «до двери» в реальном времени, учитывая:
· Актуальные таможенные пошлины и НДС;
· Колебания валют (курс ЦБ);
· Топливные и сезонные сборы;
· Транзитные риски (заторы, перенаправление).
Используя семантический поиск, агент мгновенно парсит изменения в законодательстве. Это позволяет прогнозировать себестоимость груза с погрешностью менее 2%, что критично для внешнеторговых контрактов.
Безопасность и управление доступом
Разумеется, мы с самого начала прорабатываем вопросы безопасности. В основе системы лежит управление доступом через токены и Keycloak. Мы тщательно настроили аутентификацию и авторизацию, чтобы разграничить доступ к данным разных клиентов и гарантировать защиту коммерческой тайны. Это особенно важно, когда речь идёт о внешнеэкономических контрактах.
Архитектура бизнеса, а не просто код
Для нас платформа — это не просто набор микросервисов и моделей. Это архитектура нашего бизнеса. Каждый агент, каждый протокол и каждая точка интеграции отражают философию нашей работы: быть гибкими, прозрачными и клиентоцентричными. Мы строим систему, которая масштабируется вместе с потребностями рынка, а не ломается при первой же перемене правил игры.
Наше видение и статус
Сейчас система внедрена не на 100%, но у нас уже есть боевые прототипы агентов (база знаний, юридический комплаенс, поддержка клиентов).
Мы нацелены на малый и средний бизнес и в ближайшей перспективе хотим, чтобы клиенты управляли агентами через любые удобные каналы: Telegram, почту, а в идеале — даже голосом. Именно здесь наша архитектура на базе LLM-оркестрации и MCP раскрывает свой потенциал — вместо сложных ERP-интерфейсов мы даём простой диалог.
Я реализую себя здесь не только как AI-инженер, но и как стратег, создавая роадмапы и брейнштормя каждую фичу.
Конечно, путь только начинается, и нас ждёт множество вызовов. Но я искренне верю, что это великолепный шанс. Мы будем масштабироваться, искать новые горизонты для сотрудничества и точно не остановимся на достигнутом. Наша команда горит этим делом — и это главное топливо проекта.
Мы ищем пилотных заказчиков и технологических партнёров.
Если ваша компания работает в логистике или ВЭД — приходите на демо. Мы покажем всё «как есть», без прикрас.
Для самых смелых у нас есть предложение: вы можете получить ранний доступ (Early Access) к нашей экосистеме уже сейчас. Это отличная возможность войти в новый технологический уклад на раннем этапе.
🤔2
Конечно, путь только начинается, и нас ждёт множество вызовов. Но я искренне верю, что это великолепный шанс. Мы будем масштабироваться, искать новые горизонты для сотрудничества и точно не остановимся на достигнутом. Наша команда горит этим делом — и это главное топливо проекта.
Мы ищем пилотных заказчиков и технологических партнёров.
Если ваша компания работает в логистике или ВЭД — приходите на демо. Мы покажем всё «как есть», без прикрас.
Но это ещё не всё. Если у вас уже есть собственные ИИ-агенты или наработки в этой сфере — давайте объединим усилия! Мы открыты к кооперации и готовы предоставить вам автоматизацию на базе нашей платформы.
Для самых смелых у нас есть предложение: вы можете получить ранний доступ (Early Access) к нашей экосистеме уже сейчас. Это отличная возможность войти в новый технологический уклад на раннем этапе.
Записывайтесь на демо-презентацию — мы обсудим детали, ответим на вопросы и расскажем про архитектуру глубже (насколько это позволяют NDA). Мы очень хотим сотрудничать и создавать будущее логистики вместе!
Давайте сделаем это!
Мы ищем пилотных заказчиков и технологических партнёров.
Если ваша компания работает в логистике или ВЭД — приходите на демо. Мы покажем всё «как есть», без прикрас.
Но это ещё не всё. Если у вас уже есть собственные ИИ-агенты или наработки в этой сфере — давайте объединим усилия! Мы открыты к кооперации и готовы предоставить вам автоматизацию на базе нашей платформы.
Для самых смелых у нас есть предложение: вы можете получить ранний доступ (Early Access) к нашей экосистеме уже сейчас. Это отличная возможность войти в новый технологический уклад на раннем этапе.
Записывайтесь на демо-презентацию — мы обсудим детали, ответим на вопросы и расскажем про архитектуру глубже (насколько это позволяют NDA). Мы очень хотим сотрудничать и создавать будущее логистики вместе!
Давайте сделаем это!
✍1👍1
Мне каждый раз кажется, что я видел многое, но каждый раз жизнь открывает передо мной новый уровень дна со словами: «Теперь ты готов познать больше». Сейчас такой период, когда компании думают, что автоматизация позволяет кого‑то заменить и что можно сэкономить, выкинув часть народа на улицу. В основном это компании, которые за 5 лет привыкли к стабильным льготам.
Проблема в том, что искусственный интеллект в том виде, в котором он существует сейчас, не ускоряет разработку так, как обещают. Исследования 2025 года показывают парадокс: разработчики с AI-инструментами тратили на задачи на 19% больше времени, чем без них. При этом они сами были уверены, что стали быстрее на 20%. Ожидание и реальность разошлись кардинально.
Выкидывать людей себе дороже — и это не просто эмоция. Код, написанный с помощью ИИ, требует больше доработок и ревью. Нагрузка ложится на опытных разработчиков: они проверяют на 6.5% больше кода, но их собственная продуктивность падает на 19%. Проще говоря, одни пишут быстрее и грязнее, другие разгребают — и в итоге все медленнее.
А то, что продают как «ускорение», на деле выливается в рост объёма кода. В 2025 году средний разработчик отправлял в репозиторий на 75% больше кода, чем в 2022-м. Но больше кода — не значит быстрее доставка.
Недавно написал сервер с MPC‑скиллами и решил подключить registry для единой точки входа. Два дня потратил на подключение, потому что то он делал на SSE, то не с теми эндпоинтами, и так далее. ИИ здесь не помог — код пришлось писать руками, разбираться с документацией и логикой самому. В итоге я написал текста больше, чем за месяц работы тестировщиков в Acronis.
Плата за обещанное ускорение в том, что мы пишем больше и дольше. Потому что то у нас токены закончились, то VPN не VPN, то план поменяли, то промпты неудачные накатили, то оркестратор начал течь по памяти (бывает и такое, ведь там сервис-воркеры, и они не всегда стабильно закрывают потоки).
И вот тут я вспоминаю 90-е. Когда завезли компьютеры, было модно выгонять на улицы целые НИИ, и люди думали, что Access или FoxPro — это билеты в светлое будущее. Тогда казалось, что технологии всё ускорят и упростят. Но разработка — это постоянное обнуление. В ней нет линейной скорости. На самом деле это про замедление: растёт расход памяти, CPU, появились GPU, сеть, а проблемы те же — как заработать больше, заплатить меньше и не получить очередной иск от ПФР или военкомата за отсутствующую букву в отчётности.
Проблема в том, что искусственный интеллект в том виде, в котором он существует сейчас, не ускоряет разработку так, как обещают. Исследования 2025 года показывают парадокс: разработчики с AI-инструментами тратили на задачи на 19% больше времени, чем без них. При этом они сами были уверены, что стали быстрее на 20%. Ожидание и реальность разошлись кардинально.
Выкидывать людей себе дороже — и это не просто эмоция. Код, написанный с помощью ИИ, требует больше доработок и ревью. Нагрузка ложится на опытных разработчиков: они проверяют на 6.5% больше кода, но их собственная продуктивность падает на 19%. Проще говоря, одни пишут быстрее и грязнее, другие разгребают — и в итоге все медленнее.
А то, что продают как «ускорение», на деле выливается в рост объёма кода. В 2025 году средний разработчик отправлял в репозиторий на 75% больше кода, чем в 2022-м. Но больше кода — не значит быстрее доставка.
Недавно написал сервер с MPC‑скиллами и решил подключить registry для единой точки входа. Два дня потратил на подключение, потому что то он делал на SSE, то не с теми эндпоинтами, и так далее. ИИ здесь не помог — код пришлось писать руками, разбираться с документацией и логикой самому. В итоге я написал текста больше, чем за месяц работы тестировщиков в Acronis.
Плата за обещанное ускорение в том, что мы пишем больше и дольше. Потому что то у нас токены закончились, то VPN не VPN, то план поменяли, то промпты неудачные накатили, то оркестратор начал течь по памяти (бывает и такое, ведь там сервис-воркеры, и они не всегда стабильно закрывают потоки).
И вот тут я вспоминаю 90-е. Когда завезли компьютеры, было модно выгонять на улицы целые НИИ, и люди думали, что Access или FoxPro — это билеты в светлое будущее. Тогда казалось, что технологии всё ускорят и упростят. Но разработка — это постоянное обнуление. В ней нет линейной скорости. На самом деле это про замедление: растёт расход памяти, CPU, появились GPU, сеть, а проблемы те же — как заработать больше, заплатить меньше и не получить очередной иск от ПФР или военкомата за отсутствующую букву в отчётности.
👍1
Управление промптами: почему в 2026 году это уже не «просто текст»
В типовой архитектуре LLM-приложения есть код, описывающий навыки модели, API для доступа к базам знаний, реестр навыков, очереди и прочие компоненты. Вся эта инфраструктура легко автоматизируется: для неё давно написаны статические анализаторы, тесты и линтеры.
Но есть один непредсказуемый элемент — промпт. Это инструкция на естественном языке, которая связывает запрос пользователя с доступными агенту навыками. Именно здесь возникает три базовых operational проблемы:
1. Хранение. Где держать промпты, чтобы они не терялись в коде и не плодили копии?
2. Тестирование и валидация. Как проверить, что изменение одной фразы не сломает поведение системы?
3. Выкатка. Как деплоить новые версии промптов без полного пересборки приложения?
На практике часто используют упрощённый подход: «написали — залили — работает». Это терпимо, пока инструкция проста (например: «ешь кашу, не ругайся матом и слушайся старших»). Но как только вы пытаетесь описать сложную логику — выбор между семантическим и лексическим поиском, обработку аудио, поддержку языков, правила вроде «заваривать кофе, но без сливок» — система начинает трещать по швам.
Во-первых, рост токенов. Чем объемнее промпт, тем сильнее он грузит контекст. А значит, вы платите за каждый входной токен (у разных моделей по-разному: у DeepSeek вход бесплатный, у Minimax — нет). Толстый промпт сложно поддерживать, а слишком упрощённый теряет связь с запросом пользователя.
Во-вторых, непредсказуемость пользовательских запросов. Даже идеально выверенный по форме и объёму промпт не гарантирует, что агент правильно отреагирует на любой запрос. Потому что запросы бывают самыми разными — и они постоянно меняются. Ожидания пользователя не всегда совпадают с тем, что заложено в инструкцию.
Тестирование промптов и сопоставление ожидаемого поведения с реальным — это отдельная большая история. Например, недавно мне пришлось выгрузить 500 текстов реальных переписок клиента с агентом, чтобы вручную разобрать, в каких случаях и как именно система должна реагировать на те или иные сообщения. Без таких данных любые изменения промпта — лотерея.
Для управления этой сложностью существуют специализированные инструменты. Один из них — Langfuse (open-source платформа для observability и управления промптами). Он позволяет:
- версионировать промпты;
- считать эффективность затрат по токенам;
- измерять удовлетворённость ответами;
- связывать промпты с трассировками для анализа по версиям;
- тестировать разные версии промптов на одном датасете и сравнивать результаты side-by-side.
Мы же, стремясь ускорить процессы, пошли дальше и добавили ещё один уровень абстракций — надстройку, которая помогает быстрее переключаться между версиями и A/B-тестировать их.
Важно понимать дилемму. Вы либо миритесь с высоким потреблением токенов (платя за «толстый» и понятный промпт), либо тратите время инженеров на его упрощение, жертвуя качеством сцепки с текстом пользователя. Langfuse помогает отслеживать этот баланс, но не отменяет необходимости выбора: дешёвый контекст против адекватной логики.
Более того, даже выбрав золотую середину по объёму, вы сталкиваетесь с необходимостью постоянно валидировать поведение на живых данных. А это требует сбора репрезентативной выборки диалогов, разметки эталонных ответов и регулярного пересмотра промптов под новые сценарии.
В 2026 году такой процесс — это уже не просто «написать и забыть», а полноценный цикл разработки: промпты версионируются, тестируются на регрессии, выкатываются канареечным способом и мониторятся в проде. Более того, индустрия активно движется в сторону Loop Engineering — когда вы проектируете не один промпт, а систему, которая сама генерирует промпты, проверяет результаты и перезапускает процесс при необходимости.
Идеального решения нет. Но системный подход к версионированию и постоянное тестирование на реальных кейсах (как тот пример с 500 переписками) делают этот компромисс управляемым и прогнозируемым.
В типовой архитектуре LLM-приложения есть код, описывающий навыки модели, API для доступа к базам знаний, реестр навыков, очереди и прочие компоненты. Вся эта инфраструктура легко автоматизируется: для неё давно написаны статические анализаторы, тесты и линтеры.
Но есть один непредсказуемый элемент — промпт. Это инструкция на естественном языке, которая связывает запрос пользователя с доступными агенту навыками. Именно здесь возникает три базовых operational проблемы:
1. Хранение. Где держать промпты, чтобы они не терялись в коде и не плодили копии?
2. Тестирование и валидация. Как проверить, что изменение одной фразы не сломает поведение системы?
3. Выкатка. Как деплоить новые версии промптов без полного пересборки приложения?
На практике часто используют упрощённый подход: «написали — залили — работает». Это терпимо, пока инструкция проста (например: «ешь кашу, не ругайся матом и слушайся старших»). Но как только вы пытаетесь описать сложную логику — выбор между семантическим и лексическим поиском, обработку аудио, поддержку языков, правила вроде «заваривать кофе, но без сливок» — система начинает трещать по швам.
Во-первых, рост токенов. Чем объемнее промпт, тем сильнее он грузит контекст. А значит, вы платите за каждый входной токен (у разных моделей по-разному: у DeepSeek вход бесплатный, у Minimax — нет). Толстый промпт сложно поддерживать, а слишком упрощённый теряет связь с запросом пользователя.
Во-вторых, непредсказуемость пользовательских запросов. Даже идеально выверенный по форме и объёму промпт не гарантирует, что агент правильно отреагирует на любой запрос. Потому что запросы бывают самыми разными — и они постоянно меняются. Ожидания пользователя не всегда совпадают с тем, что заложено в инструкцию.
Тестирование промптов и сопоставление ожидаемого поведения с реальным — это отдельная большая история. Например, недавно мне пришлось выгрузить 500 текстов реальных переписок клиента с агентом, чтобы вручную разобрать, в каких случаях и как именно система должна реагировать на те или иные сообщения. Без таких данных любые изменения промпта — лотерея.
Для управления этой сложностью существуют специализированные инструменты. Один из них — Langfuse (open-source платформа для observability и управления промптами). Он позволяет:
- версионировать промпты;
- считать эффективность затрат по токенам;
- измерять удовлетворённость ответами;
- связывать промпты с трассировками для анализа по версиям;
- тестировать разные версии промптов на одном датасете и сравнивать результаты side-by-side.
Мы же, стремясь ускорить процессы, пошли дальше и добавили ещё один уровень абстракций — надстройку, которая помогает быстрее переключаться между версиями и A/B-тестировать их.
Важно понимать дилемму. Вы либо миритесь с высоким потреблением токенов (платя за «толстый» и понятный промпт), либо тратите время инженеров на его упрощение, жертвуя качеством сцепки с текстом пользователя. Langfuse помогает отслеживать этот баланс, но не отменяет необходимости выбора: дешёвый контекст против адекватной логики.
Более того, даже выбрав золотую середину по объёму, вы сталкиваетесь с необходимостью постоянно валидировать поведение на живых данных. А это требует сбора репрезентативной выборки диалогов, разметки эталонных ответов и регулярного пересмотра промптов под новые сценарии.
В 2026 году такой процесс — это уже не просто «написать и забыть», а полноценный цикл разработки: промпты версионируются, тестируются на регрессии, выкатываются канареечным способом и мониторятся в проде. Более того, индустрия активно движется в сторону Loop Engineering — когда вы проектируете не один промпт, а систему, которая сама генерирует промпты, проверяет результаты и перезапускает процесс при необходимости.
Идеального решения нет. Но системный подход к версионированию и постоянное тестирование на реальных кейсах (как тот пример с 500 переписками) делают этот компромисс управляемым и прогнозируемым.
🤔3
Почему ваш ИИ-разработчик заменил пол-офиса, а продукт всё равно опаздывает на три месяца
Вы чувствуете это каждый спринт. Copilot строчит методы быстрее, чем вы читаете условие задачи. Claude генерирует микросервис по голосовому описанию. Продажники, ошалевшие от демо, уже продали интеллектуальную базу знаний, взяли аванс и поставили дедлайн «вчера». А релиз лежит в ветке и гниёт третью неделю. Коммитов — гора, работающего продукта — ноль. Почему?
Потому что вы ускорили то, что и так не было узким горлышком. А настоящий ад начался именно там, где вы не ждали.
Миф, который стоит миллиарды: код ≠ продукт
Свежайшие данные NBER (2026) на 100 000+ разработчиках GitHub фиксируют реальность, от которой хочется выпить: автодополнение поднимает число коммитов на 40%, интерактивные агенты — на 140%, полностью автономные агенты — на 180%. А рост реальных релизов? Жалкие 30%. Разрыв в шесть раз.
Исследователи называют это «гипотезой слабого звена»: эластичность замещения человека ИИ в реальном цикле поставки ценности — всего 0,25. ИИ и разработчик не заменяют друг друга, они — комплементы, завязанные на одни и те же организационные бутылочные горлышки. Ускоренная генерация кода просто быстрее забивает эти бутылки.
«Сделай красиво» как технический долг
Вы говорите: «Да это всё ерунда, ИИ может автоматизировать и такое». Может. Только он выбирает не то, что вам нужно, а то, что статистически правдоподобно. А чувство прекрасного у заказчика привязано к колоссальному числу ассоциаций. Си шарп дотнет, Астра, Реакт, Флаттер — всё красиво, и всё выглядит убедительно на демо. Продажники под впечатлением от интеллекта и скорости продают эту убедительность, берут аванс, а потом команда месяцами не может сдать продукт. Промпты и ожидания не совпадают, представления об интеллектуальных системах у всех разные, и начинаются переделки. В случае с ИИ их больше, потому что нужна чистка стохастического выхлопа.
METR (2025) измерил это в лоб: разработчики ожидали сокращения времени задач на 24% при использовании ИИ-помощников — получили фактическое увеличение на 19%. Harness (2025) по США, Британии, Франции и Германии: 63% инженеров заявляют об ускорении создания кода, но 45% деплоев с ИИ-кодом приводят к проблемам, 73% предупреждают о расширении зоны поражения. 63% прямо называют «вайб-кодинг» катастрофой.
Так и живём: бизнес по-прежнему делается на вайбе, гибких менеджерах на шарнирах и ТЗ «сделай красиво». А стохастическую систему пытаются заставить работать как детерминированную кнопку.
Кнопка, инпут и проклятие стандартизации
Автор высказывания прав: проще сделать кнопку, инпут и прочее — с ними всё ясно. Но естественный язык сложен для стандартизации, и люди пока не понимают, что ИИ требует реализации скиллов и экономии токенов. Умная система дорогая по обращениям, дешёвая требует харнесса — жёсткой обвязки, валидации, детерминированных предохранителей. Без харнесса получается вот что: GitClear фиксирует увеличение дублирования кода в 8 раз, снижение повторного использования. Сложность кода растёт, число уязвимостей — в 1,5–2 раза, логических ошибок — на 75% чаще. А проверять это всё вы ставите своих самых дорогих людей.
Xu et al. (2026) показали, что опытные разработчики проверяют на 6,5% больше ИИ-сгенерированного кода, и их собственная продуктивность падает на 19%. Ускорили джунов — убили сеньоров.
Вы чувствуете это каждый спринт. Copilot строчит методы быстрее, чем вы читаете условие задачи. Claude генерирует микросервис по голосовому описанию. Продажники, ошалевшие от демо, уже продали интеллектуальную базу знаний, взяли аванс и поставили дедлайн «вчера». А релиз лежит в ветке и гниёт третью неделю. Коммитов — гора, работающего продукта — ноль. Почему?
Потому что вы ускорили то, что и так не было узким горлышком. А настоящий ад начался именно там, где вы не ждали.
Миф, который стоит миллиарды: код ≠ продукт
Свежайшие данные NBER (2026) на 100 000+ разработчиках GitHub фиксируют реальность, от которой хочется выпить: автодополнение поднимает число коммитов на 40%, интерактивные агенты — на 140%, полностью автономные агенты — на 180%. А рост реальных релизов? Жалкие 30%. Разрыв в шесть раз.
Исследователи называют это «гипотезой слабого звена»: эластичность замещения человека ИИ в реальном цикле поставки ценности — всего 0,25. ИИ и разработчик не заменяют друг друга, они — комплементы, завязанные на одни и те же организационные бутылочные горлышки. Ускоренная генерация кода просто быстрее забивает эти бутылки.
«Сделай красиво» как технический долг
Вы говорите: «Да это всё ерунда, ИИ может автоматизировать и такое». Может. Только он выбирает не то, что вам нужно, а то, что статистически правдоподобно. А чувство прекрасного у заказчика привязано к колоссальному числу ассоциаций. Си шарп дотнет, Астра, Реакт, Флаттер — всё красиво, и всё выглядит убедительно на демо. Продажники под впечатлением от интеллекта и скорости продают эту убедительность, берут аванс, а потом команда месяцами не может сдать продукт. Промпты и ожидания не совпадают, представления об интеллектуальных системах у всех разные, и начинаются переделки. В случае с ИИ их больше, потому что нужна чистка стохастического выхлопа.
METR (2025) измерил это в лоб: разработчики ожидали сокращения времени задач на 24% при использовании ИИ-помощников — получили фактическое увеличение на 19%. Harness (2025) по США, Британии, Франции и Германии: 63% инженеров заявляют об ускорении создания кода, но 45% деплоев с ИИ-кодом приводят к проблемам, 73% предупреждают о расширении зоны поражения. 63% прямо называют «вайб-кодинг» катастрофой.
Так и живём: бизнес по-прежнему делается на вайбе, гибких менеджерах на шарнирах и ТЗ «сделай красиво». А стохастическую систему пытаются заставить работать как детерминированную кнопку.
Кнопка, инпут и проклятие стандартизации
Автор высказывания прав: проще сделать кнопку, инпут и прочее — с ними всё ясно. Но естественный язык сложен для стандартизации, и люди пока не понимают, что ИИ требует реализации скиллов и экономии токенов. Умная система дорогая по обращениям, дешёвая требует харнесса — жёсткой обвязки, валидации, детерминированных предохранителей. Без харнесса получается вот что: GitClear фиксирует увеличение дублирования кода в 8 раз, снижение повторного использования. Сложность кода растёт, число уязвимостей — в 1,5–2 раза, логических ошибок — на 75% чаще. А проверять это всё вы ставите своих самых дорогих людей.
Xu et al. (2026) показали, что опытные разработчики проверяют на 6,5% больше ИИ-сгенерированного кода, и их собственная продуктивность падает на 19%. Ускорили джунов — убили сеньоров.
🤔1
Платформенная оркестрация: умножитель проблем, а не решение
Вы думаете, что платформенные сервисы с AI-оркестрацией спасут? Murakkab (MIT CSAIL + Microsoft Azure Research, 2025) зафиксировал: без специальной оптимизации оркестрации переплата достигает 4,3×, энергопотребление — до 3,7×, а задержки непредсказуемы. Каждый дополнительный LLM-вызов в цепочке добавляет латентность и стоимость. Большинство компаний используют «наивные» стратегии маршрутизации, не задумываясь об оптимизации. Результат — счета за API, от которых финансовый отдел падает в обморок, а продукт тормозит.
UX-ловушка: быстрее — не значит лучше
И последний гвоздь. CHI 2026 (Нью-Йоркский университет): ответы ИИ, приходящие за 2 секунды, воспринимаются пользователями как менее продуманные и менее полезные, чем те же ответы, полученные через 9 или 20 секунд. Пауза интерпретируется как признак «думанья». При этом стандартные UX-метрики — SUS, NPS — структурно непригодны для оценки стохастических систем (Vijayakumar 2026). Вы гонитесь за минимальной задержкой, тратите ресурсы, а пользователь считает результат поверхностным. Вы измеряете успех метриками, созданными для детерминированного софта, где одинаковый вход даёт одинаковый выход. Они врут.
Что со всем этим делать?
Tencent доказывает: при тотальной вертикальной интеграции, жёсткой дисциплине, стандартизации и AI-преревью 94% кода можно получить реальные +20% эффективности и снижение багов на 31,5%. Но это исключение. Accenture в Китае показывает: 46% компаний масштабируют GenAI, но только 9% добиваются значимой ценности. Разрыв пятикратный.
Пока бизнес не перестроит свои метрики, процессы и ожидания, ИИ будет ускорять создание проблем, а не их решение. Генерация кода — не bottleneck. Бутылочное горлышко — это то, что между ушами у заказчика, у продажника и у «гибкого менеджера», который не может сформулировать требования иначе как «сделай красиво».
Парадокс продуктивности-надёжности не рассосётся от новой модели GPT. Он зашит в самой природе стохастической системы, которую пытаются втиснуть в детерминированный бизнес-процесс с вайб-культурой управления. Исследования 2025–2026 годов это не опровергают — они это измеряют и документально фиксируют.
Хотите реального ускорения? Возвращайтесь к кнопке и инпуту — и пересобирайте управление продуктом с нуля. Либо готовьтесь платить за иллюзию скорости трижды: токенами, переделками и выгоранием тех, кто этот зоопарк разгребает.
Вы думаете, что платформенные сервисы с AI-оркестрацией спасут? Murakkab (MIT CSAIL + Microsoft Azure Research, 2025) зафиксировал: без специальной оптимизации оркестрации переплата достигает 4,3×, энергопотребление — до 3,7×, а задержки непредсказуемы. Каждый дополнительный LLM-вызов в цепочке добавляет латентность и стоимость. Большинство компаний используют «наивные» стратегии маршрутизации, не задумываясь об оптимизации. Результат — счета за API, от которых финансовый отдел падает в обморок, а продукт тормозит.
UX-ловушка: быстрее — не значит лучше
И последний гвоздь. CHI 2026 (Нью-Йоркский университет): ответы ИИ, приходящие за 2 секунды, воспринимаются пользователями как менее продуманные и менее полезные, чем те же ответы, полученные через 9 или 20 секунд. Пауза интерпретируется как признак «думанья». При этом стандартные UX-метрики — SUS, NPS — структурно непригодны для оценки стохастических систем (Vijayakumar 2026). Вы гонитесь за минимальной задержкой, тратите ресурсы, а пользователь считает результат поверхностным. Вы измеряете успех метриками, созданными для детерминированного софта, где одинаковый вход даёт одинаковый выход. Они врут.
Что со всем этим делать?
Tencent доказывает: при тотальной вертикальной интеграции, жёсткой дисциплине, стандартизации и AI-преревью 94% кода можно получить реальные +20% эффективности и снижение багов на 31,5%. Но это исключение. Accenture в Китае показывает: 46% компаний масштабируют GenAI, но только 9% добиваются значимой ценности. Разрыв пятикратный.
Пока бизнес не перестроит свои метрики, процессы и ожидания, ИИ будет ускорять создание проблем, а не их решение. Генерация кода — не bottleneck. Бутылочное горлышко — это то, что между ушами у заказчика, у продажника и у «гибкого менеджера», который не может сформулировать требования иначе как «сделай красиво».
Парадокс продуктивности-надёжности не рассосётся от новой модели GPT. Он зашит в самой природе стохастической системы, которую пытаются втиснуть в детерминированный бизнес-процесс с вайб-культурой управления. Исследования 2025–2026 годов это не опровергают — они это измеряют и документально фиксируют.
Хотите реального ускорения? Возвращайтесь к кнопке и инпуту — и пересобирайте управление продуктом с нуля. Либо готовьтесь платить за иллюзию скорости трижды: токенами, переделками и выгоранием тех, кто этот зоопарк разгребает.
🤔1
Привет. Я изучил все 787 ваших диалогов с Cline за четыре месяца и готов рассказать, как на самом деле выглядит работа с AI, когда в её основе лежат не хаотичные «вайбы», а дисциплина планирования, исследовательские цепочки мысли и прозрачная система приоритетов.
Начну с цифр:
1. 93,3% задач содержали структурированный план (focus chain) — чек-лист шагов.
2. 82,6% задач были полностью завершены по этому плану.
3. Медианное время активной работы на задачу — 13,8 минут.
4. Медианный интервал между сообщениями — 43 секунды.
5. Средняя стоимость одной задачи — $0,017.
Главное, что опровергает миф о «вайб-кодинге» в моём случае, — статистика focus chain. Практически каждая задача (93,3%) начиналась с создания или активации чек-листа: разбивка на атомарные шаги, дедолжные привязки к бэклогу (TASK-RICE-006 и подобные), явная приоритезация. Модель не просто получала размытое пожелание, а работала в рамках заранее сформулированного плана.
Результат — 82,6% задач доведены до полного выполнения всех пунктов. Оставшиеся 17,4% — это не провалы, а осознанно приостановленные или разбитые на следующие итерации работы. Такой процент завершённости в разработке (да ещё и в соло-режиме) трудно переоценить: он говорит о том, что плановая дисциплина работает, и AI-агент не сходит с рельсов, если рельсы проложены заранее.
Следующий слой — это когнитивный процесс. Я использую агентный подход, в котором модель может находиться в двух режимах: plan (планирование, исследование, рассуждение по цепочке — CoT) и act (непосредственные действия: генерация кода, запуск команд, запись файлов). Суммарно за 787 задач накопилось 37 743 сообщения, из которых 33,1% — plan, а 66,9% — act.
Внимательный взгляд на модели показывает, что это соотношение не случайно, а осознанно управляемо. Там, где нужна глубокая проработка архитектуры или исследование неизвестной территории, я чаще задействую deepseek-chat и deepseek-v4-pro: у них plan составляет 54,6% и 54,2% соответственно. Для быстрых реализаций, когда план уже ясен, идёт MiniMax-M2.7 с 32,7% plan и 67,3% act. Qwen в нескольких задачах отработал исключительно в act — и это были строго очерченные поручения без планирования.
Иными словами, «вайб» не диктует модель, а я выбираю инструмент под фазу задачи. И данные подтверждают, что планирование не потеряно, а занимает ровно столько эфирного времени, сколько требуется, чтобы затем действовать быстро.
Медианный интервал между сообщениями в 43 секунды — это темп реального диалога. Да, среднее время сильно улетает из-за ночных пауз (idle 86% от астрономического времени), но костяк работы — быстрые, сфокусированные переписки. Медианное активное время задачи — 13,8 минут. Половина всех задач уложилась в этот отрезок чистого взаимодействия с агентом.
Средняя стоимость задачи — $0,0166. Основная рабочая лошадка MiniMax-M2.7 обходится в $0,00026 за задачу. Deepseek-chat, который используется для сложных плановых сессий, дороже ($0,134), но применяется дозированно. Я не гоняю дорогие модели на черновую работу, и это видно по распределению: 520 задач на MiniMax-M2.7 и лишь 45 — на deepseek-chat.
Кэширование промптов — ещё одно доказательство эффективности. После исправления бага в скриптах выяснилось, что 63% задач имеют ненулевой cache hit, а общий коэффициент попадания в кэш — 58,3%. Больше половины токенов не требуют повторных вычислений. В комбинации с низкой стоимостью и малым активным временем это означает, что инфраструктура работает с высоким КПД, и я не плачу за воздух.
86,9% задач выполнены с одной моделью. Ещё 10,9% — с двумя, и лишь в 1% случаев задействованы три или четыре модели. Это не «охота за идеальной моделью», а осознанная тактика: например, начать с deepseek для планирования, затем переключиться на MiniMax для реализации. Данные, увы, не фиксируют причину смены, но характер задач и моделей позволяет говорить о целенаправленной маршрутизации, а не о панике.
Что всё это значит для подхода в целом
Начну с цифр:
1. 93,3% задач содержали структурированный план (focus chain) — чек-лист шагов.
2. 82,6% задач были полностью завершены по этому плану.
3. Медианное время активной работы на задачу — 13,8 минут.
4. Медианный интервал между сообщениями — 43 секунды.
5. Средняя стоимость одной задачи — $0,017.
Главное, что опровергает миф о «вайб-кодинге» в моём случае, — статистика focus chain. Практически каждая задача (93,3%) начиналась с создания или активации чек-листа: разбивка на атомарные шаги, дедолжные привязки к бэклогу (TASK-RICE-006 и подобные), явная приоритезация. Модель не просто получала размытое пожелание, а работала в рамках заранее сформулированного плана.
Результат — 82,6% задач доведены до полного выполнения всех пунктов. Оставшиеся 17,4% — это не провалы, а осознанно приостановленные или разбитые на следующие итерации работы. Такой процент завершённости в разработке (да ещё и в соло-режиме) трудно переоценить: он говорит о том, что плановая дисциплина работает, и AI-агент не сходит с рельсов, если рельсы проложены заранее.
Следующий слой — это когнитивный процесс. Я использую агентный подход, в котором модель может находиться в двух режимах: plan (планирование, исследование, рассуждение по цепочке — CoT) и act (непосредственные действия: генерация кода, запуск команд, запись файлов). Суммарно за 787 задач накопилось 37 743 сообщения, из которых 33,1% — plan, а 66,9% — act.
Внимательный взгляд на модели показывает, что это соотношение не случайно, а осознанно управляемо. Там, где нужна глубокая проработка архитектуры или исследование неизвестной территории, я чаще задействую deepseek-chat и deepseek-v4-pro: у них plan составляет 54,6% и 54,2% соответственно. Для быстрых реализаций, когда план уже ясен, идёт MiniMax-M2.7 с 32,7% plan и 67,3% act. Qwen в нескольких задачах отработал исключительно в act — и это были строго очерченные поручения без планирования.
Иными словами, «вайб» не диктует модель, а я выбираю инструмент под фазу задачи. И данные подтверждают, что планирование не потеряно, а занимает ровно столько эфирного времени, сколько требуется, чтобы затем действовать быстро.
Медианный интервал между сообщениями в 43 секунды — это темп реального диалога. Да, среднее время сильно улетает из-за ночных пауз (idle 86% от астрономического времени), но костяк работы — быстрые, сфокусированные переписки. Медианное активное время задачи — 13,8 минут. Половина всех задач уложилась в этот отрезок чистого взаимодействия с агентом.
Средняя стоимость задачи — $0,0166. Основная рабочая лошадка MiniMax-M2.7 обходится в $0,00026 за задачу. Deepseek-chat, который используется для сложных плановых сессий, дороже ($0,134), но применяется дозированно. Я не гоняю дорогие модели на черновую работу, и это видно по распределению: 520 задач на MiniMax-M2.7 и лишь 45 — на deepseek-chat.
Кэширование промптов — ещё одно доказательство эффективности. После исправления бага в скриптах выяснилось, что 63% задач имеют ненулевой cache hit, а общий коэффициент попадания в кэш — 58,3%. Больше половины токенов не требуют повторных вычислений. В комбинации с низкой стоимостью и малым активным временем это означает, что инфраструктура работает с высоким КПД, и я не плачу за воздух.
86,9% задач выполнены с одной моделью. Ещё 10,9% — с двумя, и лишь в 1% случаев задействованы три или четыре модели. Это не «охота за идеальной моделью», а осознанная тактика: например, начать с deepseek для планирования, затем переключиться на MiniMax для реализации. Данные, увы, не фиксируют причину смены, но характер задач и моделей позволяет говорить о целенаправленной маршрутизации, а не о панике.
Что всё это значит для подхода в целом
Мой стиль работы с AI-агентом — это не магия и не «сгенерируй мне приложение». Это task plan-based метод:
1. Формулировка задачи с приоритетом.
2. Создание чек-листа (focus chain) — агент понимает, куда идти.
3. Фаза plan — исследование, CoT, валидация архитектуры.
4. Фаза act — быстрая реализация под присмотром.
5. Итеративная приёмка и движение по чек-листу до 100%.
Цифры показывают, что такой подход даёт предсказуемо высокий процент завершения, ничтожную стоимость, высокий темп итераций и минимальный оверхед на переделку. Конечно, данные не идеальны: метрики churn (реального переписывания файлов) пока не собираются, и без них я не могу утверждать, что модель не переписывает одно и то же. Но косвенные признаки — высокий процент завершённости, быстрые итерации, малое активное время — скорее свидетельствуют о том, что переписываний немного.
Если вы слышите «вайб-кодинг» и представляете хаотичное «сделай красиво», мои 787 задач показывают обратное: за фасадом простого общения с агентом стоит строгая система планирования, приоритезации и рефлексии. Именно она позволяет превратить AI в производительного напарника, который не просто отвлекает, а методично закрывает пункты бэклога — быстро, дёшево и с понятным результатом.
1. Формулировка задачи с приоритетом.
2. Создание чек-листа (focus chain) — агент понимает, куда идти.
3. Фаза plan — исследование, CoT, валидация архитектуры.
4. Фаза act — быстрая реализация под присмотром.
5. Итеративная приёмка и движение по чек-листу до 100%.
Цифры показывают, что такой подход даёт предсказуемо высокий процент завершения, ничтожную стоимость, высокий темп итераций и минимальный оверхед на переделку. Конечно, данные не идеальны: метрики churn (реального переписывания файлов) пока не собираются, и без них я не могу утверждать, что модель не переписывает одно и то же. Но косвенные признаки — высокий процент завершённости, быстрые итерации, малое активное время — скорее свидетельствуют о том, что переписываний немного.
Если вы слышите «вайб-кодинг» и представляете хаотичное «сделай красиво», мои 787 задач показывают обратное: за фасадом простого общения с агентом стоит строгая система планирования, приоритезации и рефлексии. Именно она позволяет превратить AI в производительного напарника, который не просто отвлекает, а методично закрывает пункты бэклога — быстро, дёшево и с понятным результатом.