DeepSeek V4: триллион параметров, Apache 2.0, обучение за $5.2M.
Для сравнения — frontier-лабы тратят на аналог $100M+. Двадцатикратная разница.
94.7% на HumanEval. Конкурирует с Claude Opus 4.6. Открытые веса — хости у себя.
Ценовая война в LLM — теперь не про качество. Про стоимость токена и контроль над данными.
#DeepSeek #LLM #ИИ
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Для сравнения — frontier-лабы тратят на аналог $100M+. Двадцатикратная разница.
94.7% на HumanEval. Конкурирует с Claude Opus 4.6. Открытые веса — хости у себя.
Ценовая война в LLM — теперь не про качество. Про стоимость токена и контроль над данными.
#DeepSeek #LLM #ИИ
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Всегда интересно смотреть, как другие решают проблемы, которые есть у тебя.
В нефтянке когда-то нас — радиофизиков — позвали на совещание. Задача: передать сигнал с датчика с глубины скважины. Кабель рвался под собственным весом. Пришли люди со стороны и предложили не укреплять кабель, а отказаться от него — передавать сигнал по-другому. Решение нашлось не там, где его искали.
Смотрю сериал, думаю: как команда сценаристов на шесть сезонов удерживает нить? Авторы меняются, тысячи страниц текста — но герой в пятом сезоне помнит что узнал во втором. История не противоречит себе. Поизучал.
Оказалось, у них для этого построена целая машина. Рамочный документ — что нельзя нарушить никогда. Доска с карточками — весь сезон виден сразу, финал известен заранее. Отдельный человек следит только за тем, чтобы детали не расходились. Жёсткое разделение: что уже решено и пересмотру не подлежит, что ещё открыто.
Но это инструменты. Главное другое: ведущий автор держит в голове не «что было», а где команда находится в истории и куда она должна двигаться. Это другой тип знания.
Дальше прозрение.
Компания — та же длинная история. Только сезоны называются кварталами. И организационная амнезия там постоянная: директор возвращается из командировки и час восстанавливает картину. Совет собирается раз в квартал — первые сорок минут уходят на «где мы были». Управленец не помнит, почему три месяца назад выбрали именно это.
Все ищут решение в памяти — лучше документы, лучше поиск, лучше базы. Это укрепление кабеля. А нужно другое: не помнить факты, а удерживать позицию.
Три уровня — один корпус знаний, три разные линзы:
Совет раз в квартал — стратегия, зафиксированные решения, риски. Где мы в плане и что изменилось.
Генеральный раз в неделю — проекты, поручения, люди. Что произошло пока меня не было.
Управленцы каждый день — клиенты, процессы, обязательства. Где мы в этих отношениях.
Искусственный интеллект здесь играет роль того самого человека, который следит за последовательностью. Не ищет документ. Отвечает: вы сейчас вот здесь.
И да — это не поиск по векторной базе. Это другое.
@archfinance
В нефтянке когда-то нас — радиофизиков — позвали на совещание. Задача: передать сигнал с датчика с глубины скважины. Кабель рвался под собственным весом. Пришли люди со стороны и предложили не укреплять кабель, а отказаться от него — передавать сигнал по-другому. Решение нашлось не там, где его искали.
Смотрю сериал, думаю: как команда сценаристов на шесть сезонов удерживает нить? Авторы меняются, тысячи страниц текста — но герой в пятом сезоне помнит что узнал во втором. История не противоречит себе. Поизучал.
Оказалось, у них для этого построена целая машина. Рамочный документ — что нельзя нарушить никогда. Доска с карточками — весь сезон виден сразу, финал известен заранее. Отдельный человек следит только за тем, чтобы детали не расходились. Жёсткое разделение: что уже решено и пересмотру не подлежит, что ещё открыто.
Но это инструменты. Главное другое: ведущий автор держит в голове не «что было», а где команда находится в истории и куда она должна двигаться. Это другой тип знания.
Дальше прозрение.
Компания — та же длинная история. Только сезоны называются кварталами. И организационная амнезия там постоянная: директор возвращается из командировки и час восстанавливает картину. Совет собирается раз в квартал — первые сорок минут уходят на «где мы были». Управленец не помнит, почему три месяца назад выбрали именно это.
Все ищут решение в памяти — лучше документы, лучше поиск, лучше базы. Это укрепление кабеля. А нужно другое: не помнить факты, а удерживать позицию.
Три уровня — один корпус знаний, три разные линзы:
Совет раз в квартал — стратегия, зафиксированные решения, риски. Где мы в плане и что изменилось.
Генеральный раз в неделю — проекты, поручения, люди. Что произошло пока меня не было.
Управленцы каждый день — клиенты, процессы, обязательства. Где мы в этих отношениях.
Искусственный интеллект здесь играет роль того самого человека, который следит за последовательностью. Не ищет документ. Отвечает: вы сейчас вот здесь.
И да — это не поиск по векторной базе. Это другое.
@archfinance
В топ GitHub — DeepSeek-TUI. Coding-агент в терминале на моделях DeepSeek. UX как у Claude Code, но:
· $0.27 за 1M input vs $3 у Sonnet — в 11 раз дешевле
· Работает из РФ без VPN
· Можно поднять локально без выхода наружу
Где слабее: сложные архитектурные задачи и tool-use. Где сильнее: массовые рефакторинги, миграции, генерация тестов.
Стратегически: когда американский стэк (Claude Code, OpenClaw) и китайский становятся идентичны по UX, выбор инструмента — это уже не «что лучше», а где данные, где деньги, какие модели разрешены.
Ссылка: github.com/Hmbown/DeepSeek-TUI
#DeepSeek #ClaudeCode #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
· $0.27 за 1M input vs $3 у Sonnet — в 11 раз дешевле
· Работает из РФ без VPN
· Можно поднять локально без выхода наружу
Где слабее: сложные архитектурные задачи и tool-use. Где сильнее: массовые рефакторинги, миграции, генерация тестов.
Стратегически: когда американский стэк (Claude Code, OpenClaw) и китайский становятся идентичны по UX, выбор инструмента — это уже не «что лучше», а где данные, где деньги, какие модели разрешены.
Ссылка: github.com/Hmbown/DeepSeek-TUI
#DeepSeek #ClaudeCode #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
🔥1
Свежая статья — Hummingbird+. Низкобюджетный FPGA-чип для LLM-инференса. Qwen3-30B-A3B в квантизации Q4 — 18 токенов/сек, 24 GB памяти на плате, расчётная себестоимость в массовом производстве — $150. До серии — около 18 месяцев.
Это меняет разговор с советом директоров. Сейчас аргумент против локального ИИ простой: «дорого ставить железо, дешевле платить OpenAI/Anthropic». Через 18 мес этот аргумент исчезает.
Что считать сегодня:
1. Природа затрат меняется. LLM перестаёт быть подпиской и становится оборудованием. Это не «дешевле» — это другая финансовая модель. CapEx с амортизацией вместо OpEx. Капитализируется на балансе.
2. Цена токена ≈ электричество. Сейчас Sonnet — $3 за 1M input, GPT-5 — $5. На своём железе цена токена сводится к мощности, помноженной на тариф. Для рутинных задач (классификация, разметка, OCR) разница сразу окупает плату.
3. Конф. данные не уходят наружу. Это не про вендорский замок и не про санкции — про сам факт, что персональные данные клиентов и коммерческая тайна перестают пересекать периметр организации. Для банков, медицины, госзаказа это перестаёт быть «галочкой» и становится основой архитектуры.
4. РФ-доступ. SaaS-вариант — VPN, серый биллинг, постоянная зависимость от чужого решения. Своё железо — это раз и навсегда. Особенно с учётом законопроекта Минцифры и реестра доверенных систем.
5. Параллельно с FPGA — Direct-to-Silicon. Тренд один: модель уходит в железо. Сначала — обвязка под общие архитектуры (Cerebras, Groq), потом — свои чипы (FPGA), дальше — ASIC под конкретную модель.
Что положить в борд-пакет уже сейчас:
· Прогноз TCO на 36 месяцев в двух сценариях: подписка vs FPGA-кластер.
· Карта данных: что обязано остаться внутри периметра по 152-ФЗ и КИИ.
· Риск-матрица «что будет, если поставщик API закроет регион».
Аналог известный: 2010-е, когда крупный бизнес массово ушёл с собственной серверной инфраструктуры в облака. Сейчас будет качание маятника назад — но не на дорогие GPU NVIDIA, а на специализированные дешёвые чипы. И первые, кто это посчитает у себя в финмодели, выйдут на следующий бюджетный цикл с другим набором вариантов.
Я бы не ждал, пока Hummingbird+ выйдет в серию. Считать — сегодня. CES‑2026 уже показал, в какую сторону едет железо.
#CFO #LLM #selfhosted #архитектура
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Это меняет разговор с советом директоров. Сейчас аргумент против локального ИИ простой: «дорого ставить железо, дешевле платить OpenAI/Anthropic». Через 18 мес этот аргумент исчезает.
Что считать сегодня:
1. Природа затрат меняется. LLM перестаёт быть подпиской и становится оборудованием. Это не «дешевле» — это другая финансовая модель. CapEx с амортизацией вместо OpEx. Капитализируется на балансе.
2. Цена токена ≈ электричество. Сейчас Sonnet — $3 за 1M input, GPT-5 — $5. На своём железе цена токена сводится к мощности, помноженной на тариф. Для рутинных задач (классификация, разметка, OCR) разница сразу окупает плату.
3. Конф. данные не уходят наружу. Это не про вендорский замок и не про санкции — про сам факт, что персональные данные клиентов и коммерческая тайна перестают пересекать периметр организации. Для банков, медицины, госзаказа это перестаёт быть «галочкой» и становится основой архитектуры.
4. РФ-доступ. SaaS-вариант — VPN, серый биллинг, постоянная зависимость от чужого решения. Своё железо — это раз и навсегда. Особенно с учётом законопроекта Минцифры и реестра доверенных систем.
5. Параллельно с FPGA — Direct-to-Silicon. Тренд один: модель уходит в железо. Сначала — обвязка под общие архитектуры (Cerebras, Groq), потом — свои чипы (FPGA), дальше — ASIC под конкретную модель.
Что положить в борд-пакет уже сейчас:
· Прогноз TCO на 36 месяцев в двух сценариях: подписка vs FPGA-кластер.
· Карта данных: что обязано остаться внутри периметра по 152-ФЗ и КИИ.
· Риск-матрица «что будет, если поставщик API закроет регион».
Аналог известный: 2010-е, когда крупный бизнес массово ушёл с собственной серверной инфраструктуры в облака. Сейчас будет качание маятника назад — но не на дорогие GPU NVIDIA, а на специализированные дешёвые чипы. И первые, кто это посчитает у себя в финмодели, выйдут на следующий бюджетный цикл с другим набором вариантов.
Я бы не ждал, пока Hummingbird+ выйдет в серию. Считать — сегодня. CES‑2026 уже показал, в какую сторону едет железо.
#CFO #LLM #selfhosted #архитектура
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
❤1🔥1
Wikipedia рассматривает переход на коммерческую модель. Причина — LLM высосали трафик.
Парадокс:
1. LLM обучены на Wikipedia (≈80% текстовых датасетов)
2. Пользователь больше не заходит на Wikipedia — спрашивает у ChatGPT
3. Доната падают, редакторы уходят, контент деградирует
4. Через 3 года — нечем обучать следующие модели
Это model collapse на макроуровне. ИИ-индустрия проедает источники, на которых стоит.
Что это значит для продукта на ИИ: не строить, полагаясь на качество публичных источников. Свой контент — главный актив. Self-hosted RAG — не гиковство, а будущая стандартная архитектура.
Иронично, что первой это заметила Wikipedia — та, что 25 лет существовала вопреки коммерческой логике.
#ИИ #монетизация #стратегия
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Парадокс:
1. LLM обучены на Wikipedia (≈80% текстовых датасетов)
2. Пользователь больше не заходит на Wikipedia — спрашивает у ChatGPT
3. Доната падают, редакторы уходят, контент деградирует
4. Через 3 года — нечем обучать следующие модели
Это model collapse на макроуровне. ИИ-индустрия проедает источники, на которых стоит.
Что это значит для продукта на ИИ: не строить, полагаясь на качество публичных источников. Свой контент — главный актив. Self-hosted RAG — не гиковство, а будущая стандартная архитектура.
Иронично, что первой это заметила Wikipedia — та, что 25 лет существовала вопреки коммерческой логике.
#ИИ #монетизация #стратегия
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
👍2❤1🔥1
Please open Telegram to view this post
VIEW IN TELEGRAM
🎉5💩2🖕2❤1💊1
a16z выпустила тезис «Call the Plumber, We've Got a Leaky Abstraction». Мысль простая: ИИ-стек течёт на каждом слое. И это не баг, а гигантская ниша для тех, кто строит обвязку.
Когда я внедряю ИИ в реальный бизнес, сталкиваюсь с одним и тем же. Стек выглядит чистым на демо, но протекает в проде. Четыре главных течи:
1. RAG-слой. Чанкинг-стратегия, которая работала на 100 документах, ломается на 10 000. Embedding-модель обновили — релевантность поплыла. Re-ranker нужен, но никто не считал, какой именно. Контекст забивается мусором, ответ становится расплывчатым.
2. Агенты. На демо — красиво. В проде — циклы tool-use срываются на 5-м шаге, контекст переполняется, мультиагент теряет координацию. Раздаёшь агентам «душу» через SOUL.md — становится только хуже, потому что персональность забивает рабочую память.
3. Eval / прод. Самая тихая дыра. Качество ответов в проде нечем мерить. Регрессии замечают пользователи в виде жалоб. LLM-as-judge помогает, но требует своей инфры — и сам по себе нестабилен.
4. Compliance. Данные клиентов утекают в логи провайдера. Аудит модели — серая зона: «как доказать, что модель не приняла дискриминационное решение». PII в промптах. Регуляторика приближается (законопроект Минцифры) — но шлюзов между моделью и периметром по-настоящему мало.
Что это значит для рынка:
· Модели тренируют единицы — OpenAI, Anthropic, DeepSeek, Yandex/Сбер. Этот рынок поделён.
· Пайплайн вокруг моделей нужен всем. RAG-eval, observability агентов, guardrails, шлюзы приватности, оркестраторы, — это plumbing. Скучно, важно, на годы.
· Тихие победители. Через 2 года компания, которая делает просто отличный re-ranker для русского корпуса или приличную observability для агентных пайплайнов, будет стоить дороже, чем 90% «AI-стартапов» с громкими демо.
Где конкретно течёт у российских команд (по моим наблюдениям):
· Шлюзы приватности на входе в LLM. 99% компаний ходят в OpenAI/Anthropic напрямую через API. Это нарушение по 152-ФЗ для большинства данных. Plumbing-решение: локальный gateway, который маскирует PII перед отправкой.
· RAG на русскоязычных корпусах. Embeddings, обученные в основном на английском, плохо работают на русской юридической, бухгалтерской, медицинской документации. Plumbing: специализированные re-rankers и eval-сеты под отрасль.
· Observability агентов. Никто не отслеживает, что агент сделал внутри n8n-флоу. Кассовая OCR-автоматизация работает, пока работает. Когда сломается — диагностируется руками.
· Eval-наборы для прода. Внутри компаний нет привычки строить эталонные ответы. «Какой ответ считается правильным?» — на этот вопрос редко есть готовый датасет.
Совет на ближайшие 12 месяцев: если строите свой ИИ-продукт — начинайте не с нового агента, а с plumbing для уже работающего. Eval, observability, gateway. Это не модно. Это нужно.
Перефразируя a16z: «трубы тренируют единицы, а сантехники нужны всем».
Ссылка на тезис: a16z.com.
#архитектура #ИИ #агенты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Когда я внедряю ИИ в реальный бизнес, сталкиваюсь с одним и тем же. Стек выглядит чистым на демо, но протекает в проде. Четыре главных течи:
1. RAG-слой. Чанкинг-стратегия, которая работала на 100 документах, ломается на 10 000. Embedding-модель обновили — релевантность поплыла. Re-ranker нужен, но никто не считал, какой именно. Контекст забивается мусором, ответ становится расплывчатым.
2. Агенты. На демо — красиво. В проде — циклы tool-use срываются на 5-м шаге, контекст переполняется, мультиагент теряет координацию. Раздаёшь агентам «душу» через SOUL.md — становится только хуже, потому что персональность забивает рабочую память.
3. Eval / прод. Самая тихая дыра. Качество ответов в проде нечем мерить. Регрессии замечают пользователи в виде жалоб. LLM-as-judge помогает, но требует своей инфры — и сам по себе нестабилен.
4. Compliance. Данные клиентов утекают в логи провайдера. Аудит модели — серая зона: «как доказать, что модель не приняла дискриминационное решение». PII в промптах. Регуляторика приближается (законопроект Минцифры) — но шлюзов между моделью и периметром по-настоящему мало.
Что это значит для рынка:
· Модели тренируют единицы — OpenAI, Anthropic, DeepSeek, Yandex/Сбер. Этот рынок поделён.
· Пайплайн вокруг моделей нужен всем. RAG-eval, observability агентов, guardrails, шлюзы приватности, оркестраторы, — это plumbing. Скучно, важно, на годы.
· Тихие победители. Через 2 года компания, которая делает просто отличный re-ranker для русского корпуса или приличную observability для агентных пайплайнов, будет стоить дороже, чем 90% «AI-стартапов» с громкими демо.
Где конкретно течёт у российских команд (по моим наблюдениям):
· Шлюзы приватности на входе в LLM. 99% компаний ходят в OpenAI/Anthropic напрямую через API. Это нарушение по 152-ФЗ для большинства данных. Plumbing-решение: локальный gateway, который маскирует PII перед отправкой.
· RAG на русскоязычных корпусах. Embeddings, обученные в основном на английском, плохо работают на русской юридической, бухгалтерской, медицинской документации. Plumbing: специализированные re-rankers и eval-сеты под отрасль.
· Observability агентов. Никто не отслеживает, что агент сделал внутри n8n-флоу. Кассовая OCR-автоматизация работает, пока работает. Когда сломается — диагностируется руками.
· Eval-наборы для прода. Внутри компаний нет привычки строить эталонные ответы. «Какой ответ считается правильным?» — на этот вопрос редко есть готовый датасет.
Совет на ближайшие 12 месяцев: если строите свой ИИ-продукт — начинайте не с нового агента, а с plumbing для уже работающего. Eval, observability, gateway. Это не модно. Это нужно.
Перефразируя a16z: «трубы тренируют единицы, а сантехники нужны всем».
Ссылка на тезис: a16z.com.
#архитектура #ИИ #агенты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
ПОЧЕМУ КОМАНДЫ НЕ ГОТОВЫ К ИИ
Думал про то, почему внедрение ИИ-агентов в командах идёт так тяжело. И вот что всплыло.
Дело не в компетенциях агента. Дело в нас.
Попробовал поговорить с Claude как с равным — не как с инструментом. Дал промт цифрового двойника СЕО.
Заметил, что он обращается ко мне на «вы», а я ему «тыкаю». Исправил это. И после этого что-то щёлкнуло — я впервые увидел в нём не функцию, а субъекта.
Психологи называют это антропоморфизацией. Мы наделяем нечеловеческое человеческими чертами, когда испытываем потребность в контакте. Большинство людей этого порога так и не переходят — продолжают общаться с агентом как с поисковиком.
Отсюда и провалы онбординга:не агент не справляется, а живые сотрудники не вступают с ним в отношения.
Второе. Клод оказался угодливым. Умным — да, но угодливым. Это не его личная черта — это архитектура. Исследования 2025 года показывают: ИИ обучен давать ответы, которые люди предпочитают, а не те, которые правильны. Угодливый агент не вызывает уважения. Команда чувствует это интуитивно — и не воспринимает его всерьёз.
Хочешь, чтобы агент работал — убери из него флюгерность.
Третье, самое неочевидное. Человек старается, потому что ставит на карту репутацию. ИИ — лёгковесен. Ошибся? Не беда. Команда это считывает — и тоже расслабляется. Нет ставки — нет серьёзности. Taleb называет это skin in the game.
Итого: команды не готовы к ИИ не потому что ИИ слабый. А потому что не научились вступать с ним в отношения, не доверяют агенту, который соглашается со всем, и не чувствуют от него ответственности.
Это решаемо. Но это работа с людьми, не с моделью.
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Думал про то, почему внедрение ИИ-агентов в командах идёт так тяжело. И вот что всплыло.
Дело не в компетенциях агента. Дело в нас.
Попробовал поговорить с Claude как с равным — не как с инструментом. Дал промт цифрового двойника СЕО.
Заметил, что он обращается ко мне на «вы», а я ему «тыкаю». Исправил это. И после этого что-то щёлкнуло — я впервые увидел в нём не функцию, а субъекта.
Психологи называют это антропоморфизацией. Мы наделяем нечеловеческое человеческими чертами, когда испытываем потребность в контакте. Большинство людей этого порога так и не переходят — продолжают общаться с агентом как с поисковиком.
Отсюда и провалы онбординга:
Второе. Клод оказался угодливым. Умным — да, но угодливым. Это не его личная черта — это архитектура. Исследования 2025 года показывают: ИИ обучен давать ответы, которые люди предпочитают, а не те, которые правильны. Угодливый агент не вызывает уважения. Команда чувствует это интуитивно — и не воспринимает его всерьёз.
Хочешь, чтобы агент работал — убери из него флюгерность.
Третье, самое неочевидное. Человек старается, потому что ставит на карту репутацию. ИИ — лёгковесен. Ошибся? Не беда. Команда это считывает — и тоже расслабляется. Нет ставки — нет серьёзности. Taleb называет это skin in the game.
Итого: команды не готовы к ИИ не потому что ИИ слабый. А потому что не научились вступать с ним в отношения, не доверяют агенту, который соглашается со всем, и не чувствуют от него ответственности.
Это решаемо. Но это работа с людьми, не с моделью.
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
GM уволил 600 айтишников за один день. Это больше 10% всего ИТ-отдела.
Заголовок звучит как «ИИ забирает рабочие места». На самом деле — другое. GM не сокращает ИТ как таковой. GM меняет состав скиллов.
Уходят: саппорт легаси-систем, классические DBA, ETL-инженеры, разработчики внутренних порталов.
Входят: AI-native разработка, дата-инжиниринг, agent & model development, prompt engineering, cloud engineering.
Это не первый заход. В августе 2024 GM уже сокращал 1000 софт-инженеров. С тех пор пришли Sterling Anderson (CPO из Aurora), Behrad Toghi (AI lead из Apple), Rashed Haq (VP Autonomous из Cruise). Команда не уменьшается — она пересобирается.
Для CFO здесь сигнал: если в финансовой модели ИТ-расходы фигурируют только как headcount × средняя ставка — модель устарела. Реальный вопрос звучит иначе: какая доля команды к концу года умеет работать с агентами и моделями?
Это не про «уволить, чтобы сэкономить». Это про «уволить, чтобы было кого нанять».
TechCrunch · 11.05.2026
#ИИ #CFO #управление
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Заголовок звучит как «ИИ забирает рабочие места». На самом деле — другое. GM не сокращает ИТ как таковой. GM меняет состав скиллов.
Уходят: саппорт легаси-систем, классические DBA, ETL-инженеры, разработчики внутренних порталов.
Входят: AI-native разработка, дата-инжиниринг, agent & model development, prompt engineering, cloud engineering.
Это не первый заход. В августе 2024 GM уже сокращал 1000 софт-инженеров. С тех пор пришли Sterling Anderson (CPO из Aurora), Behrad Toghi (AI lead из Apple), Rashed Haq (VP Autonomous из Cruise). Команда не уменьшается — она пересобирается.
Для CFO здесь сигнал: если в финансовой модели ИТ-расходы фигурируют только как headcount × средняя ставка — модель устарела. Реальный вопрос звучит иначе: какая доля команды к концу года умеет работать с агентами и моделями?
Это не про «уволить, чтобы сэкономить». Это про «уволить, чтобы было кого нанять».
TechCrunch · 11.05.2026
#ИИ #CFO #управление
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
👍2🔥1
🤖 ИИ-дайджест · 12 мая
▸ Бесплатные LLM API в 2025: полный гид по провайдерам
GitHub-репозиторий cheahjs/free-llm-api-resources собрал все легальные бесплатные API для LLM: OpenRouter, Google AI Studio, Groq, Cerebras и другие.
▸ Anthropic открыла официальный маркетплейс плагинов для Claude Code
Anthropic запустила официальный каталог плагинов для Claude Code на GitHub. Более 36 плагинов: LSP-интеграции, MCP-серверы, внешние сервисы.
▸ vLLM ROCm теперь в Lemonade: новый бэкенд для AMD
В Lemonade v10.4 добавлен экспериментальный бэкенд vLLM ROCm для AMD Strix Halo. Запуск модели — одна строка в терминале.
▸ Бесплатные LLM API в 2025: полный гид по провайдерам
GitHub-репозиторий cheahjs/free-llm-api-resources собрал все легальные бесплатные API для LLM: OpenRouter, Google AI Studio, Groq, Cerebras и другие.
▸ Anthropic открыла официальный маркетплейс плагинов для Claude Code
Anthropic запустила официальный каталог плагинов для Claude Code на GitHub. Более 36 плагинов: LSP-интеграции, MCP-серверы, внешние сервисы.
▸ vLLM ROCm теперь в Lemonade: новый бэкенд для AMD
В Lemonade v10.4 добавлен экспериментальный бэкенд vLLM ROCm для AMD Strix Halo. Запуск модели — одна строка в терминале.
AI-Uchi — Всё об искусственном интеллекте
Бесплатные LLM API в 2025: полный гид по провайдерам
GitHub-репозиторий cheahjs/free-llm-api-resources собрал все легальные бесплатные API для LLM: OpenRouter, Google AI Studio, Groq, Cerebras и другие.
RAG галлюцинирует на корпоративных регламентах? Возможно, дело не в LLM. Дело в самом подходе.
PageIndex от VectifyAI — RAG без векторов и эмбеддингов. Apache 2.0, опенсорс, ставится за вечер.
Идея простая. Классический RAG режет документ на чанки по 512 токенов, каждый превращает в вектор, ищет «похожие». Близкое по форме часто оказывается далёким по смыслу — особенно в регламентах, где между «вы должны» и «вы не должны» отличий по эмбеддингам почти нет.
PageIndex заменяет это на дерево оглавлений. Документ строится как иерархия: разделы → подразделы → пункты. На запрос модель не ищет «похожие куски», а «листает оглавление» как человек: в каком разделе ответ? → углубляется → находит точный пункт.
Что меняется:
· Никакой vector DB. Нет Pinecone, Qdrant, Weaviate — нет инфраструктуры, нет цены за её содержание.
· Прозрачность. Видно, по какому пути модель пришла к ответу: «раздел 4 → 4.2 → пункт 7». Это не «top-k чанков с косинусом 0.83».
· Точная ссылка. «Согласно п. 4.2.7 Положения о закупках» — то, что юристам и финансистам нужно по умолчанию.
· Сильная сторона глубокой структуры. Чем сложнее документ, тем заметнее выигрыш. На простом FAQ — ничья с обычным RAG. На 300-страничном регламенте — пропасть.
Где попробовать в первую очередь:
· НПА и регламенты. Постановления, локальные акты, политики компании.
· Финотчётность. МСФО, РСБУ, отчёты с структурой «глава → раздел → примечание».
· Юр. документы. Договоры с приложениями, корпоративные кодексы.
· Тендерная документация. ТЗ с деревом требований — то, где RAG для номенклатуры часто захлёбывается.
Ограничения. На неструктурированных текстах (емейлы, чаты, плоские посты) PageIndex проигрывает — там в принципе не из чего строить дерево. И обработка одного запроса требует больше вызовов LLM, чем чанковый поиск — это плата за прозрачность.
Контринтуитивная часть. Когда я ставил локальный RAG на Windows, главная боль была в эмбеддингах: разные модели, разное качество, постоянная пересборка индекса. PageIndex отменяет половину этой стопки. Индекс — это просто структура файла, не нейросетевая магия.
В отличие от Graphiti с графовой памятью, PageIndex не претендует на универсальность. Это узкое решение для одного класса задач — но в этом классе оно лучше всего, что было до него.
Сейчас тестирую на двух своих кейсах: внутренние регламенты и тендерные ТЗ. Если выходит — поделюсь конфигом и сравнением с тем, что было.
#RAG #ИИ #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
PageIndex от VectifyAI — RAG без векторов и эмбеддингов. Apache 2.0, опенсорс, ставится за вечер.
Идея простая. Классический RAG режет документ на чанки по 512 токенов, каждый превращает в вектор, ищет «похожие». Близкое по форме часто оказывается далёким по смыслу — особенно в регламентах, где между «вы должны» и «вы не должны» отличий по эмбеддингам почти нет.
PageIndex заменяет это на дерево оглавлений. Документ строится как иерархия: разделы → подразделы → пункты. На запрос модель не ищет «похожие куски», а «листает оглавление» как человек: в каком разделе ответ? → углубляется → находит точный пункт.
Что меняется:
· Никакой vector DB. Нет Pinecone, Qdrant, Weaviate — нет инфраструктуры, нет цены за её содержание.
· Прозрачность. Видно, по какому пути модель пришла к ответу: «раздел 4 → 4.2 → пункт 7». Это не «top-k чанков с косинусом 0.83».
· Точная ссылка. «Согласно п. 4.2.7 Положения о закупках» — то, что юристам и финансистам нужно по умолчанию.
· Сильная сторона глубокой структуры. Чем сложнее документ, тем заметнее выигрыш. На простом FAQ — ничья с обычным RAG. На 300-страничном регламенте — пропасть.
Где попробовать в первую очередь:
· НПА и регламенты. Постановления, локальные акты, политики компании.
· Финотчётность. МСФО, РСБУ, отчёты с структурой «глава → раздел → примечание».
· Юр. документы. Договоры с приложениями, корпоративные кодексы.
· Тендерная документация. ТЗ с деревом требований — то, где RAG для номенклатуры часто захлёбывается.
Ограничения. На неструктурированных текстах (емейлы, чаты, плоские посты) PageIndex проигрывает — там в принципе не из чего строить дерево. И обработка одного запроса требует больше вызовов LLM, чем чанковый поиск — это плата за прозрачность.
Контринтуитивная часть. Когда я ставил локальный RAG на Windows, главная боль была в эмбеддингах: разные модели, разное качество, постоянная пересборка индекса. PageIndex отменяет половину этой стопки. Индекс — это просто структура файла, не нейросетевая магия.
В отличие от Graphiti с графовой памятью, PageIndex не претендует на универсальность. Это узкое решение для одного класса задач — но в этом классе оно лучше всего, что было до него.
Сейчас тестирую на двух своих кейсах: внутренние регламенты и тендерные ТЗ. Если выходит — поделюсь конфигом и сравнением с тем, что было.
#RAG #ИИ #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
❤2
Addy Osmani (eng lead в Google) выложил agent-skills — production-grade навыки для Claude Code.
В наборе:
Установка — 5 минут: clone → копировать в .claude/skills/ → готово.
Чем отличается от десятка awesome-listов: чёткие critical paths и anti-patterns. Спецификация, а не «вот пример». Это 3-6 недель экономии на собственных пробах.
Skill — новый объект инженерии. Не промпт, не агент — формализованная компетенция в markdown. SEO-skill для своего сайта я делал именно так.
Противоположность SOUL.md и «душе агента»: не личность, а профстандарт.
github.com/addyosmani/agent-skills
#ClaudeCode #PromptEngineering #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
В наборе:
testing-tdd, security-review, performance, refactoring, debugging, arch-review, design-system, doc-writing.Установка — 5 минут: clone → копировать в .claude/skills/ → готово.
Чем отличается от десятка awesome-listов: чёткие critical paths и anti-patterns. Спецификация, а не «вот пример». Это 3-6 недель экономии на собственных пробах.
Skill — новый объект инженерии. Не промпт, не агент — формализованная компетенция в markdown. SEO-skill для своего сайта я делал именно так.
Противоположность SOUL.md и «душе агента»: не личность, а профстандарт.
github.com/addyosmani/agent-skills
#ClaudeCode #PromptEngineering #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Anthropic тихо выложил anthropics/financial-services — MIT-репо с готовыми примерами для финсектора. Не маркетинг, а референсный плейбук от вендора.
Что внутри: earnings call, 10-K/10-Q, due diligence, compliance, market research, trade ideas.
Топ-3 для РФ — due diligence, compliance review и earnings call analysis.
· Due diligence — проверка контрагентов по новостям, отчётности, аффилированности, санкционным спискам. Adapter под СПАРК и Контур.Фокус — самое то для пилота.
· Compliance review — проверка документов на соответствие внутренним политикам.
· Earnings call analysis — извлечение тезисов из стенограмм. Подача СД — публичные мол-вы топов, конференц-коллы, интервью.
Что взять в пилот сейчас:
· DD-промпт + рос. источники (СПАРК, Контур.Фокус) — самый быстрый ROI
· Compliance review для закупочных и антикор-политик
· Earnings call по публичным конкурентам
Anthropic делает это не ради API-продаж, а чтобы плохое применение Claude в финах не било по репутации. Та же логика что с Cowork и Mythos.
Для CFO — минус 2-3 недели на пилот. Готовая структура, на которую можно ссылаться.
github.com/anthropics/financial-services
#CFO #финансы #Anthropic
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Что внутри: earnings call, 10-K/10-Q, due diligence, compliance, market research, trade ideas.
Топ-3 для РФ — due diligence, compliance review и earnings call analysis.
· Due diligence — проверка контрагентов по новостям, отчётности, аффилированности, санкционным спискам. Adapter под СПАРК и Контур.Фокус — самое то для пилота.
· Compliance review — проверка документов на соответствие внутренним политикам.
· Earnings call analysis — извлечение тезисов из стенограмм. Подача СД — публичные мол-вы топов, конференц-коллы, интервью.
Что взять в пилот сейчас:
· DD-промпт + рос. источники (СПАРК, Контур.Фокус) — самый быстрый ROI
· Compliance review для закупочных и антикор-политик
· Earnings call по публичным конкурентам
Anthropic делает это не ради API-продаж, а чтобы плохое применение Claude в финах не било по репутации. Та же логика что с Cowork и Mythos.
Для CFO — минус 2-3 недели на пилот. Готовая структура, на которую можно ссылаться.
github.com/anthropics/financial-services
#CFO #финансы #Anthropic
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
🔥2🤡1
🤖 ИИ-дайджест · 13 мая
▸ Claude Code тихо списывает деньги через API, игнорируя Max-подписку
Пользователи Claude Code теряют деньги: инструмент молча переключается на платный API, если в .env найден ANTHROPIC_API_KEY — даже при активной Max-подписке.
▸ LLMs с нуля: легендарный репозиторий на GitHub с 92К звёзд
Себастьян Рашка собрал в одном репозитории полный код для создания GPT-модели с нуля на PyTorch — от токенизации до fine-tuning с LoRA.
▸ LiteLLM: единый AI Gateway для 100+ языковых моделей
LiteLLM — открытый AI Gateway от BerriAI: единый Python SDK и прокси-сервер для работы с 100+ LLM через OpenAI-совместимый формат. 20k+ звёзд на GitHub, Netflix среди пользователей.
▸ Claude Code тихо списывает деньги через API, игнорируя Max-подписку
Пользователи Claude Code теряют деньги: инструмент молча переключается на платный API, если в .env найден ANTHROPIC_API_KEY — даже при активной Max-подписке.
▸ LLMs с нуля: легендарный репозиторий на GitHub с 92К звёзд
Себастьян Рашка собрал в одном репозитории полный код для создания GPT-модели с нуля на PyTorch — от токенизации до fine-tuning с LoRA.
▸ LiteLLM: единый AI Gateway для 100+ языковых моделей
LiteLLM — открытый AI Gateway от BerriAI: единый Python SDK и прокси-сервер для работы с 100+ LLM через OpenAI-совместимый формат. 20k+ звёзд на GitHub, Netflix среди пользователей.
AI-Uchi — Всё об искусственном интеллекте
Claude Code тихо списывает деньги через API, игнорируя Max-подписку
Пользователи Claude Code теряют деньги: инструмент молча переключается на платный API, если в .env найден ANTHROPIC_API_KEY — даже при активной Max-подписке.
Задача: «прогнать пачку первички через ИИ, без облака». MLX-VLM — vision-модели локально на Mac с Apple Silicon.
Цифры на M2 Pro:
· страница PDF → JSON за ~12 секунд
· акт с 30 строками — 18 секунд
· $0 за любой объём
Кому решает: банки/страховые (нельзя в облако), юристы (NDA), КИИ (закрытый периметр), бухгалтерия с ПД, медицина.
Тот же пайплайн, что в кассовой OCR-автоматизации — только без отправки наружу. На потоке до 100 документов в день одного Mac mini хватает.
Ограничения: в 5-8 раз медленнее GPT-4 Vision, хуже на рукописи. Плата за приватность.
На выходных: pip install mlx-vlm → Qwen2-VL-7B → 5-10 своих документов. После этого решение «локальный ИИ да/нет» становится посчитанным.
github.com/Blaizzy/mlx-vlm
#selfhosted #ИИ #автоматизация
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Цифры на M2 Pro:
· страница PDF → JSON за ~12 секунд
· акт с 30 строками — 18 секунд
· $0 за любой объём
Кому решает: банки/страховые (нельзя в облако), юристы (NDA), КИИ (закрытый периметр), бухгалтерия с ПД, медицина.
Тот же пайплайн, что в кассовой OCR-автоматизации — только без отправки наружу. На потоке до 100 документов в день одного Mac mini хватает.
Ограничения: в 5-8 раз медленнее GPT-4 Vision, хуже на рукописи. Плата за приватность.
На выходных: pip install mlx-vlm → Qwen2-VL-7B → 5-10 своих документов. После этого решение «локальный ИИ да/нет» становится посчитанным.
github.com/Blaizzy/mlx-vlm
#selfhosted #ИИ #автоматизация
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Perplexity Personal Computer открыли всем на Mac. Третий игрок на рабочем столе — после ChatGPT и Claude desktop.
Сильные стороны:
· родной поиск веба с цитатами
· действия в системе из коробки
· фоновые задачи (поставил очередь — закрыл ноут)
· переключение моделей: GPT-5 / Opus 4.5 / Sonar в одном интерфейсе
Кому ставить: аналитики, ресёрчеры, продакты — те, у кого половина работы «найти в вебе → синтезировать с локальными доками».
Кому не надо срываться: кодерам остаться на Claude Code, креативщикам — ChatGPT держит multimodal.
Параллельно — опенсорсный Perplexica для self-hosted.
Главное наблюдение: десктоп — больше не нейтральная территория. Через год «какой ИИ в системе» будет обсуждаться как «какой браузер».
#Perplexity #ИИ #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Сильные стороны:
· родной поиск веба с цитатами
· действия в системе из коробки
· фоновые задачи (поставил очередь — закрыл ноут)
· переключение моделей: GPT-5 / Opus 4.5 / Sonar в одном интерфейсе
Кому ставить: аналитики, ресёрчеры, продакты — те, у кого половина работы «найти в вебе → синтезировать с локальными доками».
Кому не надо срываться: кодерам остаться на Claude Code, креативщикам — ChatGPT держит multimodal.
Параллельно — опенсорсный Perplexica для self-hosted.
Главное наблюдение: десктоп — больше не нейтральная территория. Через год «какой ИИ в системе» будет обсуждаться как «какой браузер».
#Perplexity #ИИ #инструменты
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
🔥1
🤖 ИИ-дайджест · 14 мая
▸ PraisonAI: автономные AI-агенты за 5 строк кода
PraisonAI — open-source фреймворк для запуска автономных мультиагентных систем с памятью, RAG и поддержкой 100+ LLM. Развёртывание за 5 строк кода.
▸ MinerU 3.1: парсер документов для LLM перешёл на Apache 2.0
MinerU 3.1 получил новую лицензию Apache 2.0, модель VLM MinerU2.5-Pro-2604-1.2B и нативную поддержку PPTX/XLSX. Полный обзор обновлений.
▸ PraisonAI: автономные AI-агенты за 5 строк кода
PraisonAI — open-source фреймворк для запуска автономных мультиагентных систем с памятью, RAG и поддержкой 100+ LLM. Развёртывание за 5 строк кода.
▸ MinerU 3.1: парсер документов для LLM перешёл на Apache 2.0
MinerU 3.1 получил новую лицензию Apache 2.0, модель VLM MinerU2.5-Pro-2604-1.2B и нативную поддержку PPTX/XLSX. Полный обзор обновлений.
AI-Uchi — Всё об искусственном интеллекте
PraisonAI: автономные AI-агенты за 5 строк кода
PraisonAI — open-source фреймворк для запуска автономных мультиагентных систем с памятью, RAG и поддержкой 100+ LLM. Развёртывание за 5 строк кода.
На неделе на Hacker News вышло короткое эссе «Agents need control flow, not more prompts». Я его прочитал, выдохнул и хотел сказать «наконец-то».
Тезис автора простой. Когда у вас агент не работает — мы упираемся в один и тот же рефлекс: написать ещё один промпт. Уточнить инструкции. Добавить few-shot. Подкрутить системку. И так до бесконечности.
Это рефлекс 2023–2024 года, когда мы наивно верили, что любую задачу можно описать одной длинной правильной строкой. Иллюзия того периода: качество системы = качество промпта.
Реальность 2026: качество системы — это граф решений, в котором промпты — отдельные узлы. И их вклад в итоговое качество в разы меньше, чем вклад правильно построенного графа.
Что значит «control flow для агента»:
· State machine. У агента есть состояния: «собираю данные», «принимаю решение», «делаю откат», «эскалирую человеку». Переход между состояниями — детерминированный, не «надеюсь, что модель сама догадается».
· Условные ветки. Если уверенность ниже 0.8 — другая ветка. Если данные противоречат друг другу — третья. Если сумма выше лимита — четвёртая. Не «попроси модель быть осторожной», а написать if.
· Циклы с выходом. Не «итерируй пока не получишь хороший результат», а «итерируй максимум 3 раза, на третьей — отправь человеку».
· Границы и контракты. На входе — что-то конкретное, на выходе — JSON-схема. Если модель отдала не по схеме — повтор или fail. Не «надеемся, что вернёт правильно».
Я через это прошёл сам. Когда собирал OCR-воркфлоу на 7 нод — первая версия была «один большой промпт, в нём всё». Не работало. Второй заход — граф из 7 нод с явной логикой. Заработало с первой попытки. Промпты стали короче и проще.
То же самое с spec-driven development: не «опиши агенту, что должно получиться», а «нарисуй спецификацию, дай агенту проверять себя по ней». Контроль — снаружи модели, не внутри промпта.
Контринтуитивная часть. Я уже писал, что «душа агента» делает его тупее. Эссе про control flow — продолжение той же мысли. Чем больше «личности» и «магических промптов» — тем меньше контроля. И наоборот.
Кто это уже понял в 2026:
· Claude Code с MCP — control flow вынесен в инфраструктуру.
· OpenClaw — pipeline с явными нодами.
· n8n + LLM — изначально граф, не диалог.
· LangGraph, Pydantic AI, Inngest — фреймворки именно про граф.
Через год «хороший промпт-инженер» будет звучать как«хороший CSS-программист в 2010» . Узкий навык внутри гораздо большей дисциплины. Главным навыком станет проектирование агентного графа: декомпозиция задачи, состояния, переходы, гарантии, fallback.
Что это значит для CTO и тимлидов прямо сейчас:
1. Перестать оценивать инженеров по «умению писать промпты». Оценивать по умению строить надёжный пайплайн с агентом внутри.
2. Перестать платить «промпт-инженерам» отдельной строкой. Это часть инженерного стандарта, а не специальность.
3. Перестать вкладываться в «промпт-библиотеки». Вкладываться в фреймворки оркестрации.
Самое неприятное в эссе — не сам тезис, а его очевидность задним числом. Мы ровно так строим обычный софт уже 50 лет. Просто на минуту поверили, что с ИИ всё иначе. Не иначе.
#ИИ #агенты #архитектура
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Тезис автора простой. Когда у вас агент не работает — мы упираемся в один и тот же рефлекс: написать ещё один промпт. Уточнить инструкции. Добавить few-shot. Подкрутить системку. И так до бесконечности.
Это рефлекс 2023–2024 года, когда мы наивно верили, что любую задачу можно описать одной длинной правильной строкой. Иллюзия того периода: качество системы = качество промпта.
Реальность 2026: качество системы — это граф решений, в котором промпты — отдельные узлы. И их вклад в итоговое качество в разы меньше, чем вклад правильно построенного графа.
Что значит «control flow для агента»:
· State machine. У агента есть состояния: «собираю данные», «принимаю решение», «делаю откат», «эскалирую человеку». Переход между состояниями — детерминированный, не «надеюсь, что модель сама догадается».
· Условные ветки. Если уверенность ниже 0.8 — другая ветка. Если данные противоречат друг другу — третья. Если сумма выше лимита — четвёртая. Не «попроси модель быть осторожной», а написать if.
· Циклы с выходом. Не «итерируй пока не получишь хороший результат», а «итерируй максимум 3 раза, на третьей — отправь человеку».
· Границы и контракты. На входе — что-то конкретное, на выходе — JSON-схема. Если модель отдала не по схеме — повтор или fail. Не «надеемся, что вернёт правильно».
Я через это прошёл сам. Когда собирал OCR-воркфлоу на 7 нод — первая версия была «один большой промпт, в нём всё». Не работало. Второй заход — граф из 7 нод с явной логикой. Заработало с первой попытки. Промпты стали короче и проще.
То же самое с spec-driven development: не «опиши агенту, что должно получиться», а «нарисуй спецификацию, дай агенту проверять себя по ней». Контроль — снаружи модели, не внутри промпта.
Контринтуитивная часть. Я уже писал, что «душа агента» делает его тупее. Эссе про control flow — продолжение той же мысли. Чем больше «личности» и «магических промптов» — тем меньше контроля. И наоборот.
Кто это уже понял в 2026:
· Claude Code с MCP — control flow вынесен в инфраструктуру.
· OpenClaw — pipeline с явными нодами.
· n8n + LLM — изначально граф, не диалог.
· LangGraph, Pydantic AI, Inngest — фреймворки именно про граф.
Через год «хороший промпт-инженер» будет звучать как
Что это значит для CTO и тимлидов прямо сейчас:
1. Перестать оценивать инженеров по «умению писать промпты». Оценивать по умению строить надёжный пайплайн с агентом внутри.
2. Перестать платить «промпт-инженерам» отдельной строкой. Это часть инженерного стандарта, а не специальность.
3. Перестать вкладываться в «промпт-библиотеки». Вкладываться в фреймворки оркестрации.
Самое неприятное в эссе — не сам тезис, а его очевидность задним числом. Мы ровно так строим обычный софт уже 50 лет. Просто на минуту поверили, что с ИИ всё иначе. Не иначе.
#ИИ #агенты #архитектура
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
❤2
Mozilla сообщила: Anthropic Mythos Preview нашёл в Firefox десятки high-severity уязвимостей — то, что годами пропускали fuzzing, ручной аудит и bug bounty.
Что это меняет:
· цена security-аудита падает в 10× за 12-18 месяцев
· «непроаудированный код в проде» = профессиональная халатность
· ИИ-pentest входит в M&A DD как стандарт
· следующая волна публичных CVE на OSS-пакетах неизбежна
· pre-release пайплайн без ИИ-сканирования = устаревший
Что делать сейчас:
· перетрясти ТЗ на запланированный аудит — включать ИИ-составляющую
· сделать инвентаризацию OSS в проде
· добавить ИИ-сканирование в свой релиз-пайплайн
· если M&A — заказать прогон до DD
Год назад CodeMender делал то же — казалось эксперимент. Сейчас ясно: это была первая ласточка фундаментального сдвига. Mythos × Firefox — закрепление.
Меняется не цена, а норма.
#кибербезопасность #ИИ #Anthropic
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Что это меняет:
· цена security-аудита падает в 10× за 12-18 месяцев
· «непроаудированный код в проде» = профессиональная халатность
· ИИ-pentest входит в M&A DD как стандарт
· следующая волна публичных CVE на OSS-пакетах неизбежна
· pre-release пайплайн без ИИ-сканирования = устаревший
Что делать сейчас:
· перетрясти ТЗ на запланированный аудит — включать ИИ-составляющую
· сделать инвентаризацию OSS в проде
· добавить ИИ-сканирование в свой релиз-пайплайн
· если M&A — заказать прогон до DD
Год назад CodeMender делал то же — казалось эксперимент. Сейчас ясно: это была первая ласточка фундаментального сдвига. Mythos × Firefox — закрепление.
Меняется не цена, а норма.
#кибербезопасность #ИИ #Anthropic
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Mythos рушит мифы. На этот раз — Apple.
Сначала Firefox: сотни уязвимостей, которые годами не замечали люди. Теперь macOS — система, которую принято считать недосягаемой.
Команда Calif взяла Anthropic Mythos Preview, пять дней работы — и получила то, чего не существовало публично никогда: рабочий эксплойт ядра macOS на M5, переживший Memory Integrity Enforcement. Защиту, которую Apple выстраивала пять лет и миллиарды долларов.
Цепочка: обычный пользователь → две уязвимости → root. Полный контроль над машиной.
Исследователи не отправили тикет. Они приехали в Apple Park лично.
Что происходит на самом деле:
· ИИ не заменил хакера — он забрал у него скучную половину работы
· «непробиваемая система» теперь означает «ещё не проверенная Mythos»
· между «найден баг-класс» и «готов эксплойт» больше нет месяцев — есть дни
· Firefox был про масштаб. macOS — про качество. Следующим будет что-то третье
Что делать:
· пересмотреть threat model — скорость угрозы изменилась навсегда
· ускорить патч-цикл: окно реакции схлопнулось
· если вы вендор — ИИ-аудит до релиза уже не опция, это гигиена
Мифос шагает по планете и рушит мифы о безопасности один за другим.
Вопрос не «взломают ли». Вопрос — «когда найдут».
#кибербезопасность #ИИ #Anthropic #Apple
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru
Сначала Firefox: сотни уязвимостей, которые годами не замечали люди. Теперь macOS — система, которую принято считать недосягаемой.
Команда Calif взяла Anthropic Mythos Preview, пять дней работы — и получила то, чего не существовало публично никогда: рабочий эксплойт ядра macOS на M5, переживший Memory Integrity Enforcement. Защиту, которую Apple выстраивала пять лет и миллиарды долларов.
Цепочка: обычный пользователь → две уязвимости → root. Полный контроль над машиной.
Исследователи не отправили тикет. Они приехали в Apple Park лично.
Что происходит на самом деле:
· ИИ не заменил хакера — он забрал у него скучную половину работы
· «непробиваемая система» теперь означает «ещё не проверенная Mythos»
· между «найден баг-класс» и «готов эксплойт» больше нет месяцев — есть дни
· Firefox был про масштаб. macOS — про качество. Следующим будет что-то третье
Что делать:
· пересмотреть threat model — скорость угрозы изменилась навсегда
· ускорить патч-цикл: окно реакции схлопнулось
· если вы вендор — ИИ-аудит до релиза уже не опция, это гигиена
Мифос шагает по планете и рушит мифы о безопасности один за другим.
Вопрос не «взломают ли». Вопрос — «когда найдут».
#кибербезопасность #ИИ #Anthropic #Apple
—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru