[2/2] Communication Patterns: A Guide for Developers and Architects (Паттерны коммуникации: руководство для ИТ-разработчиков и архитекторов) (Рубрика #Management)

Продолжая рассказ о паттернах коммуникации, расскажу про вторую половину книги, в которой речь идет про передачу знаний и эффективную удаленную работу.

3️⃣ Передача знаний (Communicating Knowledge) - как управлять знаниями в команде и организации.
- Глава 10. Принципы управления знаниями (Knowledge Management Principles). Разница между данными, информацией и знаниями. Почему wiki-системы превращаются в свалку и как этого избежать.
- Глава 11. Знания и люди (Knowledge and People). Как люди усваивают информацию и почему "шаринг знаний" часто не работает. Психология обучения взрослых применительно к инженерным командам.
- Глава 12. Эффективные практики (Effective Practices). Конкретные инструменты: от ведения ADR (Architectural Decision Records) до проведения воркшопов и сессий совместного моделирования.

4️⃣ Удаленная работа (Remote Communication) - специфика общения в распределенных командах.
- Глава 13. Фактор времени при удаленной работе (Remote Time). Паттерны для асинхронной коммуникации и работы в разных часовых поясах. Как сохранить контекст и темп работы, когда команда разбросана по миру.
- Глава 14. Принципы дистанционного общения (Remote Principles). Здесь речь про создание четких коммуникационных каналов, протоколов, а также про адаптацию стиля общения в зависимости от нужд команды. На эту тему есть хорошая книга "Remote Team Interactions Workbook" (о которой я уже рассказывал) от авторов книги "Team Topologoies".
- Глава 15. Методы дистанционного общения (Remote Channels). Здесь автор рассказывает про установление культуры открытой и честной обратной связи, а также использование технологий для улучшения коммуникации и поддержания связи между членами команды. Кстати, про открытую и честную обратную связь можно почитать в книге "Radical Candor: Be a Kick-Ass Boss Without Losing Your Humanity", о которой я уже рассказывал.

#Thinking #Writing #Leadership #Management #DistributedSystems #Architecture #SoftwareArchitecture #SystemDesign #Software #Writing #Speaking

[2/2] Китайский взгляд на мир (China's World View) (Рубрика #Economics)

Но нельзя рассказать про эту книгу, не упомянув и про критику

- Российский рецензент Валерий Фёдоров охарактеризовал тон автора как "голубиный клекот" (голос голубя мира) – мол, в эпоху «ястребов» такая миролюбивость выглядит наивно. Фёдоров указывает, что Ли Даокуй принадлежит к старшему поколению китайцев, воспитанных в уважении к западной цивилизации, и его взгляды заметно мягче, чем у многих молодых китайских аналитиков, гораздо более критично настроенных к Западу
- С западной стороны тоже есть скепсис: обозреватели отмечают, что книга Ли фактически отражает официальную точку зрения Пекина.
- Автор уделяет мало внимания военным аспектам (например, не обсуждает напрямую проблему Тайваня) и социальным издержкам китайской модели
- Экономические аргументы приведены однобоко - Ли восхваляет выгоды дешёвого китайского производства для американских потребителей, но почти не говорит о том, что "обратная сторона" - потеря рабочих мест и рост раздражения в США по поводу дисбаланса в торговле

В общем, Ли Даокуй нарочно обходит острые углы и подаёт весьма селективную картину, выгодную имиджу Китая. Но книга ценна как база по китайской системе - в ней из первых рук описано, как устроено управление в КНР, как там учитываются разные мнения в отсутствие демократии, как функционируют государственные и рыночные механизмы. В этом смысле, несмотря на идеализацию, работа Ли Даокуя даёт западному читателю полезное понимание логики китайского мировоззрения, пусть и изложенного глазами самого Китая.

#Economics #Strategy #Processes #History #PopularScience

[2/2] Сравнение книг "Китайский взгляд на мир" и "Китайская модель: ретроспектива и перспектива"

Продолжая сравнение книг, нельзя не рассказать об отличиях в подходах авторов

1️⃣ Инсайдер vs аналитик со стороны
Ли Даокуй - китайский инсайдер, пишущий для внешней аудитории. Его книга носит характер объяснения и отчасти оправдания позиции Китая. Попов - внешний наблюдатель, хоть и благожелательно настроенный к Китаю. Он изучает китайскую модель сравнительно, соотнося её с другими странами (Японией, Кореей, СССР, Западом). Поэтому у Ли тон более апологетический, у Попова - аналитический. Например, Попов прямо говорит о недостатках Запада и преимуществах Востока в цифрах и теориях, а Ли старается не противопоставлять, а уверять, что все могут выиграть вместе. В этом смысле Попов менее дипломатичен: он фактически утверждает, что либеральный Запад утратил былую эффективность, пока Китай и Азия рвутся вперёд. Ли же избегает деклараций о чьём-то упадке, он мягко намекает, что Западу пора перестать бояться Китая.

2️⃣ Фокус на экономике vs политике
Попова интересует: почему и как Китай вырос, а Ли - что этот рост значит для мира. Например, Попов разбирает, почему Китай отстал в XIX веке (колониализм, опиумные войны) и догнал в XX (индустриализация, реформы Дэн Сяопина). Ли эти детали затрагивает лишь в контексте влияния истории на современность, но не углубляется в статистику прошлого. Зато Ли больше внимания уделяет внутриполитическим механизмам (роль КПК, борьба с коррупцией, региональное управление), тогда как у Попова эти темы второстепенны. Таким образом, Попов строит макроисторическую теорию, а Ли пишет политико-экономическое эссе.

3️⃣ Оценка возмлжности экспорта модели
Попов рассматривает вопрос, станет ли китайская модель доминирующей глобально. У него сквозит мысль, что если она объективно эффективнее, то другие страны могут перенимать элементы (и некоторые уже перенимают, например, авторитарный капитализм в Юго-Восточной Азии). Ли наоборот подчёркивает уникальность и непересаживаемость китайской системы. Он даже успокаивает: мол, Китай никого не учит жить, каждый народ сам выберет путь. Здесь видна разница цели: Попов пишет для тех, кто ищет уроки развития (в том числе, возможно, для России, какой путь выбрать), а Ли - для тех, кто опасается китайской экспансии. Поэтому Попов более открыто говорит о конкуренции моделей, а Ли избегает этого термина, предпочитая говорить о взаимодополняемости.

4️⃣ Значение для России
У Попова тема России присутствует косвенно - он скорее сравнивает модели, но, конечно, между строк читается, что Россия могла бы извлечь урок из восточноазиатского опыта (например, сильное государство + рыночная экономика). Ли Даокуй про Россию упоминает лишь бегло (когда говорит, что в XIX веке Китай отставал даже от Российской империи), но для России его книга ценна именно взглядом китайца на мир, где Россия - часть не Запада, а евразийского пространства, и потенциальный партнер.

Подводя итог, обе книги взаимно дополняют друг друга. Дэвид Ли Даокуй дает «китайский взгляд» изнутри – эмоционально окрашенный, убедительный, но местами односторонний, отражающий официальную позицию Пекина. Владимир Попов дает «взгляд со стороны» – более критичный и теоретически выверенный, стремящийся объяснить феномен Китая с научной точки зрения и спрогнозировать глобальные изменения. Если сравнить выводы: Ли верит в гармонию, Попов констатирует смену баланса сил.

#Economics #Strategy #Processes #History #PopularScience

The Thinking Game (Рубрика #AI)

Я очень люблю смотреть документальные фильмы про технологии и ученых, поэтому с большим интересом посмотрел этот фильм режиссёра Greg Kohs про AGI, DeepMind и персонально Demis Hassabis. На самом деле "The Thinking Game" создавался на протяжении пяти лет той же самой командой, которая ранее получила признание за документальный фильм "AlphaGo", о котором я уже рассказывал. Фильм показывали на фестивалях в 2024 году, а в конце ноября 2025 года он вышел на Youtube.

Для меня название этого фильма перекликается с фильмом "The imitation game" про Алана Тьюринга и его классическим whitepaper "Computing machinery and intelligence", про который я уже рассказывал. Но если фильм про Алана только основан на реальных событиях, то фильм про Демиса документальныйы и погружает нас в реальную атмосферу лондонской лаборатории DeepMind и показывает, как команда работает над AGI. Фильм сочетает повествование о научных прорывах DeepMind с элементами биографии самого Хассабиса. Мы узнаём о ранних годах Демиса: его детском увлечении шахматами и видеоиграми, победах в турнирах и становлении как одарённого программиста. Эти личные истории переплетены с историей компании, демонстрируя, как юношеская страсть Хассабиса к играм и интерес к работе мозга переросли в амбициозный проект по созданию разумных алгоритмов.

В документальной ленте задействованы реальные люди
- Демис Хассабис - сооснователь и генеральный директор DeepMind, вокруг которого крутится сюжет
- Шейн Легг (Shane Legg) – сооснователь DeepMind и давний коллега Хассабиса, который вспоминает о старте компании
- Ведущие ученые: David Silver - ведущий разработчик программы AlphaGo, Корай Кавуккуоглу (Koray Kavukcuoglu) - один из руководителей исследований DeepMind, Рая Хадселл (Raia Hadsell) - специалиста по робототехнике, Джон Джампер - лид проекта AlphaFold, что разделил с Демисом Нобелевскую премию по химии за 2024 год.
- Эрик Шмидт (Eric Schmidt) - бывший генеральный директор Google, который освещает связь Google с DeepMind и значение их разработок
- Стюарт Рассел (Stuart J. Russell), известный эксперт по ИИ и соавтор классического учебника по AI (в этом учебнике его соавтором был Питер Норвиг, экс director of research and search quality в Google, автор статьи 2012 года "Google's Hybrid Approach to Research", которую я разбирал )

В фильме рассматривались следующие ключевые моменты
- Создание DeepMind в 2010 году совместно Демисом Хассабисом, Шейном Леггом и Мустафой Сулейманом
- Google в 2014 покупает компанию за 400 млн долларов. С этого момента DeepMind стала частью Google (ныне Google DeepMind), получив доступ к огромным вычислительным ресурсам для своих исследований
- Прорывы в играх: AlphaGo и AlphaZero. AlphaGo обыграла легендарного чемпиона мира Ли Седоля в 2016 году, а в 2017 году и китайского чемпиона Кэ Цзе, сильнейшего в мире игрока в го. Матч транслировался в Китае в прямом эфире, но дальше эфир был прерван, когда компьютер победил. Дальше был уход в сторону от партий людей и улучшенная версию AlphaGo Zero уже обучалась играть самостоятельно без данных от человеческих партий.
- Прорывы в науке: AlphaFold и другие проекты. Фильм подробно освещает проект AlphaFold, направленный на предсказание пространственной структуры белка по его аминокислотной последовательности - проблему, над которой учёные безуспешно бились десятилетиями. Кстати, про эту проблему есть интересная научно-популярная книга "От оргазма до бессмертия. Записки драг-дизайнера", о которой я уже рассказывал. Именно за AlphaFold Демис и Джон Джампер получили Нобелевку, кстати, выступление Джона "Next-Gen AI for Science" я уже разбирал раньше.

Кстати, фильм вышел на экраны кинофестивалей в 2024 году, поэтому дальнейшая история в нем не упоминается. Но уже в 2025 году вышло продолжение исследований команды в виде AlphaEvolve - агента для решения оптимизационных задач через написание кода. Я рассказывал об этом прорыве раньше.

Итого, фильм мне понравился, рекомендую его к просмотру.

#AI #Software #Engineering #Architecture #Agents #Math #Software #ML #Documentary

Разработка софта в 2030 году: гипотезы о (не)светлом будущем (Рубрика #AI)

В воскресенье буду выступать на конференции для студентов и выпускников ИТМО с таким докладом. Анонс от меня звучит примерно так

С 2022 года с нами технология, которая стремительно изменяет мир вокруг нас. И если раньше мы на стороне IT высутпали как драйверы изменений, цифровизируя все вокруг, то теперь и само IT трансформируется с внедрением AI. В этом докладе я хотел обсудить, а что нас ждет в будущем и как будет выглядеть разработка через пять лет. Доклад будет продолжать мысли из моих выступлений
- Интегрируем AI в процессы разработки в большой компании летом на на CTO Conf
- AI в SDLC: путь от ассистентов к агентам осенью на AI Boost Conf

После возвращения из Питера планирую как обычно записать расширенную версию этого выступления для своего канала и опубликовать его здесь:)

#AI #PlatformEngineering #Engineering #Software #Processes #Productivity

No Vibes Allowed: Solving Hard Problems in Complex Codebases (Рубрика #AI)

Интересное выступление от Dex Horthy, основателя компании HumanLayer, разрабатывающей инструменты для AI-assisted разработки. Его предыдущий доклад "12 Factor Agents: Patterns of reliable LLM applications" (см. мой разбор) в июне 2025 стал одним из самых популярных на конференции. Именно ему приписывают популяризацию термина "context engineering".

Исследование Stanford показало неприятную правду об AI-инструментах для кодинга (это было в выступлении "Does AI Actually Boost Developer Productivity?" от Yegor Denisov-Blanch, про которое я уже рассказывал)
- Большая часть "дополнительного кода", написанного с помощью AI - это переработка slop'а, который был написан до этого
- Агенты отлично работают на новых проектах, но в больших legacy-кодовых базах часто делают разработчиков менее продуктивными

Для решения этих проблем автор рассказывает про context engineering
- LLM - это stateless системы. Единственный способ получить лучший результат - подать лучший контекст на вход. При каждом вызове модель выбирает следующий шаг исключительно на основе того, что находится в текущем контексте.​
- "Dumb Zone". У контекстного окна есть практический предел. После ~40% заполнения начинается деградация качества ответов. Если у вас подключено много MCP-инструментов, которые забивают контекст JSON'ами и UUID'ами - вы постоянно работаете в dumb zone.​
- Методология: Research → Plan → Implement. Вместо наивного подхода "попросил → получил slop → поругался → попросил снова" команда Dex'а использует частую намеренную компактизацию контекста:
-- Research - понимание системы, поиск нужных файлов. Результат сжимается в markdown с конкретными файлами и номерами строк.​
-- Plan - детальный план с code snippets того, что именно будет изменено. Чем конкретнее план, тем надёжнее выполнение.​
-- Implement - выполнение плана. Если план хороший, даже "тупая" модель справится.​
- Напоследок автор рассказывает про практические результаты вида: за 7 часов субботней сессии отправили 35,000 строк кода в проект BAML (300k LOC Rust) - обычно это была работа на 1-2 недели​

Практические советы от автора
- Sub-agents - не для ролей, а для контроля контекста. Не создавайте "frontend agent" и "backend agent". Используйте sub-agents для изоляции тяжёлых операций чтения кодовой базы, возвращая только сжатый результат.​
- Прогрессивное раскрытие контекста. Вместо одного огромного файла документации в корне репозитория - размещайте контекстные файлы на каждом уровне, подгружая только релевантное.​
- On-demand сжатый контекст лучше статичной документации. Документация устаревает и врёт. Код - источник истины. Генерируйте research-документы на лету из реального кода.​
- Trajectory matters. Если вы 5 раз поругали модель в одном контексте - она "научилась", что следующий шаг = ошибка + ругань. Лучше начать новый контекст.​
- Культурные изменения должны идти сверху. Если вы технический лидер - выберите один инструмент и набивайте практику. Не прыгайте между Claude Code, Cursor и Codex

Главный вывод из выступления примерно такой

AI cannot replace thinking. It can only amplify the thinking you have done - or the lack of thinking you have done.

#Engineering #AI #Metrics #Software #DevEx #Productivity

[1/2] Defying Gravity (Рубрика #AI)

Это интересное выступление про новую IDE "Antigravity" от Кевина Хоу, руководителя продуктовой инженерии Google Antigravity в Google DeepMind. До лета 2025 года Кевин возглавлял продуктовую инженерию в Windsurf (бывший Codeium), а потом Google приобрёл команду Windsurf за $2,4 млрд именно для создания Antigravity.​​ В этом выступлении Хоу описывает эволюцию AI-инструментов для разработчиков как последовательность скачков, каждый из которых был связан с улучшением моделей:​
1️⃣ Автокомплит (GitHub Copilot)
2️⃣ Чат (ChatGPT с RLHF)
3️⃣ Агенты (Antigravity)

Antigravity запущен 18 ноября 2025 года вместе с Gemini 3 Pro и позиционируется не просто как редактор с AI-функциями, а "агент-ориентированная платформа", где автономные агенты становятся полноценными партнёрами по разработке.​​ В этой IDE есть три составляющие
1️⃣ Agent Manager - центральный хаб управления агентами. Это inbox для задач, требующих внимания (например, подтверждение команд терминала), с OS-уведомлениями и возможностью управлять несколькими агентами параллельно.
2️⃣ AI Editor - форк VS Code с быстрым автокомплитом и агентской боковой панелью. Переключение между Editor и Agent Manager занимает <100 мс (Cmd/Ctrl+E).
3️⃣ Agent-Controlled Browser - автоматизированный Chrome, который агент использует для:
- Получения контекста (доступ к Google Docs, GitHub dashboards с вашей аутентификацией)
- Верификации результатов (клики, скроллинг, выполнение JavaScript для тестирования приложений)
- Записи видео действий вместо показа diff'ов кода

IDE предлагает новый паттерн для взаимодействия посредством концепции Artifacts - это динамические визуальные представления работы агента:
- Типы артефактов: планы реализации (как PRD, product requirement definitions), task-листы, архитектурные диаграммы Mermaid, скриншоты, видеозаписи браузера, walkthrough'ы (финальные отчёты как PR description)
- Динамичность: модель сама решает, нужен ли артефакт, какого типа, кто должен его видеть (другие агенты, conversations, база знаний)
- Feedback-система: можно оставлять комментарии в стиле Google Docs / Figma - выделять текст или области на изображениях, батчить правки и отправлять агенту, не прерывая выполнение задачи​

Раньше для отслеживания за роботой агентов надо было читать простыню chain-of-thoughts, что было тяжеловато. А вот артефакты дают визуальное представление прогресса - это похоже на PowerPoint для презентаций.

Продукт построен на возможнотях Gemini 3 Pro и предлагает четыре категории улучшений
1️⃣ Интеллект и reasoning: лучше следует инструкциям, понимает нюансы использования инструментов, справляется с долгими задачами
2️⃣ Multimodal: обработка текста, изображений, аудио, видео, кода одновременно. Image Generation (Nano Banana Pro) интегрирована для итераций по дизайну прямо в редакторе​​
3️⃣ Computer Use: вариант Gemini для управления браузером - клики, DOM-инспекция, JavaScript. Результат - не diff, а видеозапись действий для верификации​
4️⃣ Долгоживущие задачи: агенты работают в фоне, уведомляя о необходимости вмешательства

По мнению Хоу ключевым преимуществом новой IDE является симбиоз с DeepMind
- Команда Antigravity сидит "в паре десятков метров" от команды Computer Use
- Ранний доступ к Gemini 3 за несколько месяцев до релиза позволил найти слабые места модели и исправить их в продукте
- Antigravity используется внутри Google инженерами и исследователями DeepMind - это пример dog fooding
- Такой симбиоз создаёт цикл обратной связи: продукт показывает пробелы модели → исследователи улучшают модель → продукт интегрирует улучшения
Например, Computer Use изначально работал плохо, пока команды не синхронизировали data distribution и agent harness, а концепция artifacts потребовала доработки модели, чтобы понимать концепцию ревью.​

В продолжении мы обудим какие выводы можно сделать из появления такой IDE.

#Engineering #AI #Metrics #Software #DevEx #Productivity #IDE

[2/2] Defying Gravity (Рубрика #AI)

Рассказ об интересной IDE хотелось бы закончить анализом того, а что этот выпуск значит для инженеров

1️⃣ Повышение планки амбиций
Antigravity - это ставка на «raising the ceiling»: агенты должны брать на себя не только написание кода (это уже умеют LLM), но и части «что строить» и «как строить». Инженерам нужно учиться делегировать сложные задачи агентам, работая на уровне задач, а не строк кода.​

2️⃣ Работа на разных поверхностях
Разработка уже не ограничена редактором. Browser automation открывает возможности:
- Тестирование UI/UX агентом в реальном браузере
- Автоматическая верификация по дизайну
- Доступ к institutional knowledge (bug trackers, внутренние документы с аутентификацией)

3️⃣ Визуальная коммуникация вместо текстовой
Артефакты меняют парадигму review: вместо чтения длинных chain-of-thought смотрите планы, диаграммы, видеозаписи. Для инженеров это означает необходимость учиться давать обратную связь в мультимодальном формате (комментарии на изображениях, выделение текста в планах).​

4️⃣ Параллельная оркестрация
Antigravity поддерживает параллельную работу нескольких агентов на одном проекте (например, дизайн мокапа + исследование API + реализация фичи одновременно). Инженерам нужно научиться декомпозировать задачи для параллельного выполнения агентами.​

5️⃣Аварийный люк (escape hatch) всегда доступен
Хоу честен: агентам пока нельзя доверять на 100%. Поэтому всегда можно вернуться в редактор (Cmd+E) для ручной доработки последних 20% задачи. Но тренд - будущее за agent manager'ом.​

6️⃣ Модель = продукт
Главный урок от DeepMind: "продукт настолько хорош, насколько хороша модель". Antigravity опередит конкурентов, потому что имеет ранний доступ к Gemini и прямую связь с исследователями. Для инженеров это сигнал: выбирайте инструменты, у которых есть плотная интеграция с моделью (не просто API-обёртки).​

7️⃣ Бесплатный доступ к frontier-моделям
Antigravity в public preview бесплатен с unlimited AI completions и доступом к Gemini 3 Pro, Claude Sonnet 4.5, GPT-OSS. Это шанс экспериментировать с агентскими workflow без финансовых барьеров.​

В общем, Antigravity - это ставка Google на то, что будущее разработки за агентами, которые работают не внутри редактора, а над ним, оркестрируя задачи через редактор, терминал и браузер. Для инженеров это означает переход от написания кода к управлению агентами через визуальные артефакты и мультимодальный feedback.

#Engineering #AI #Metrics #Software #DevEx #Productivity #IDE

[2/2] Тренд-репорт: рынок GenAI в 2025 году - Применение, кадры, инвестиции, сценарии роста (Рубрика #AI)

Продолжая рассказ про этот отчет, надо скзать, что GenAI технологии переходят в фазу практического внедрения. По данным Сбера, 40% российских IT-компаний уже запустили полнофункциональные GenAI-проекты, и лишь 8% совсем не опробовали ИИ. Бизнес больше не относится к генеративным моделям как к диковинке - их закрепляют в стратегиях и создают под них команды: у 45% компаний появились отдельные отделы или центры компетенций по ИИ. GenAI стал неотъемлемым элементом цифровой трансформации.

Генеративные модели оказались универсальным инструментом, и уже сейчас выделилось несколько основных кейсов. Вот ключевые области, где российский бизнес использует GenAI на практике:
- Создание контента (тексты, код, изображения). Автоматизация рутинного творчества - от написания статей, описаний и маркетинговых материалов до генерации исходного кода по техзаданию.
- "Умный" поиск и работа с базами знаний. LLM в сочетании с RAG позволяют реализовать интеллектуальный поиск по внутренним документам, справочникам, технической документации. Пользователь спрашивает на естественном языке, а система находит и генерирует ответ на основе внутренних данных.
- Чат-боты и голосовые ассистенты для клиентов. Сейчас 59% компаний используют AI-ассистентов для общения с пользователями. Генеративный ИИ придал ботам гибкость: они понимают более сложные вопросы и могут формулировать естественные ответы, а не выбирать из заготовок.
- Речевая аналитика и мониторинг. GenAI используется для анализа звонков на предмет эмоций или мошенничества: модели распознают текст диалога и выявляют подозрительные признаки. Другой пример - расшифровка созвонов и собраний с последующим автосоставлением протокола и списка задач.
- Анализ данных и генерация отчётов. LLM способны проглотить массив сырых данных и выдать человеческий отчёт: будь то сводка продаж, аналитическая записка или ответ на Ad hoc запрос.

Ускоренный рост применения вскрыл дефицит квалифицированных специалистов. Конкуренция за таланты приводит к росту зарплат, компании создают внутренние обучающие программы. С другой стороны, многие организации уже вложились в собственную экспертизу и начали готовить кадры "под себя", растить продуктовые команды с AI-навыками.

Финансирование GenAI-проектов в России сосредоточено вокруг крупнейших игроков. По оценкам, основные вливания делают экосистемы Сбера и Российского фонда прямых инвестиций (РФПИ). Объём рынка продуктов на базе LLM в 2024 году оценивается всего в ~35 млрд руб

Авторы отчета выделяют несколько вариантов развития российского рынка GenAI к 2030 году.
- Пессимистичный сценарий (стагнация): строгие ограничения сохраняются, бизнес разочаровывается из-за единичных инцидентов (неточных ответов, утечек), регуляторы вводят жёсткие барьеры. В таком случае компании сворачивают активность после пилотов, а рост рынка составляет порядка 10–15% в год и GenAI остаётся нишевым
- Реалистичный сценарий (эволюционный рост): крупные игроки продолжают инвестировать, постепенно появляются успешные кейсы, доверие бизнеса увеличивается. Рынок тогда растёт примерно на 25% ежегодно (с оценкой $4 млрд к 2030 году). GenAI прочно занимает своё место в отдельных отраслях (финансы, ритейл, производство), но отставание от мировых лидеров по-прежнему ощутимо.
- Оптимистичный сценарий (прорыв и масштабирование): требуется смягчение технологических ограничений, а также подготовка кадров и появление громких успехов, которые подтолкнут средний бизнес к массовому внедрению. Рост порядка 35–40% в год, а российская динамика близка к мировой. GenAI-проекты стали бы обыденностью в большинстве компаний, оценка рынка 5–6 млрд долларов к 2030 г.

В итооге, мы видим как GenAI переходит в позицию привычного инструмента, но его развитие может дальше идти по разным трекам в зависимости от игроков внутри России, а также общемировой политической обстановки.

#Engineering #AI #Software #Management #Economics