ИИ-инструменты не спасут лоу-перформеров.

В последнее время, с развитием больших моделей, все чаще наблюдаю дискурс о том, что применение ИИ-тулов будет размывать границу между лоу-перформерами и топ-перформерами и сопряженные с этим общественные опасения. Чуть другим боком, но фактически тот же дискурс идет и в области искусства: "творчество моделей вытесняет творчество людей". И самое забавное, что ситуация, которую я наблюдаю в своей работе, показывает скорее совершенно обратное. Лоу-перформеры, обложенные ИИ-тулами, не то что не приближаются к топ-перформерам, но наличие ИИ-тулов у тех и других скорее работает как лупа и болезненно выкристаллизовывает пропасть между первыми и вторыми.

Питер Уоттс в своем рассказе Test 4 Echo подкинул классную метафору, которая помогает мне объяснить себе, почему так получается. В этом рассказе один из персонажей упоминает метрику Ф(phi) из интегрированной теории информации, разработанной Джулио Тонони. Ф измеряет собственно количество интегрированной информации в системе, если проще, то насколько система как целое знает больше, чем знает сумма ее частей. По мнению Тонони, этот параметр является измеримой характеристикой наличия у системы сознания. Высокое значение Ф требует интеграции информации через рекуррентные обратные связи, именно такие петли позволяют системе быть больше суммы своих частей. Наш мозг ими пронизан, например, именно так работает зрительная кора: фактически наши высшие слои обработки постоянно посылают обратную связь нижним, к источнику сигнала, корректируя поток входящей информации (что-то типа "кажется, я вижу собаку, поправь чувствительность здесь и контраст здесь"). Такую постоянную замкнутую цепь обработки Тонони ассоциирует с наличием сознания. А теперь к нейросетям: те инструменты, которые мы используем в повседневной жизни и работе, в большинстве своем под капотом - это трансформеры, трансформеры при инференсе строго последовательны, это так называемая feedforward-архитектура, то есть данные идут через слои обработки вперед без рекуррентности (ну упрощенно при одном прогоне). Такие инструменты позволяют очень эффективно собирать вместе и последовательно обрабатывать ОЧЕНЬ много информации, однако общая сумма информации в системе (хоть и гигантская) не превышает ее слагаемых.

Соответственно, чтобы действительно получить какую-то информационную дельту и произвести что-то новое, нам нужно встроить в систему человека с его бесконечными петлями обратной связи и саму систему замкнуть. И вот эта самая характеристика лоу- и топ-перформера как раз сводится к интеграционной способности каждого конкретного человека, к тому, насколько хорошо он дает обратную связь и насколько много новой информации привносит. Да, Ф фактически характеризует наличие сознания, а не его качество, но сам принцип, что ценность системы определяется не количеством данных, а способностью их интегрировать, здесь применим. Мы с коллегами проводим много собеседований на позиции ML-продактов и, учитывая специфику позиции, имеем маленький, но стабильный поток кандидатов, которые пытаются пройти эти интервью при помощи AI-ассистентов. Так вот, кроме того, что это всегда очевидно, это всегда плохо при оценке, даже если отбросить факт читинга. Дело в том, что вся информация в наших кейсах уже есть, не нужно ничего гуглить или исследовать, они проверяют ровно интеграционную способность мозга кандидата структурировать эту информацию, сделать из нее правильные выводы и синтезировать новое решение. Ключевые преимущества, которые дает AI-ассистент, здесь не будут каким-либо дифференциатором. И вот здесь получается, что топ-перформер с AI-тулами дает несколько иксов к своей производительности, потому что он становится способен работать с кратно бОльшим потоком информации, тогда как лоу-перформер выдает неструктурированный дамп старой информации. Теперь можете брать это утверждение и масштабировать на все сферы, которые топит AI-слоп. О чем это говорит? О применимости ИИ в конкретных сферах или все же о способности людей производить долю интегрированной информации?

Самая сложная часть в AI-продуктах — последняя миля. Разрыв между демкой и боевым решением не просто большой, он катастрофический. И большинство людей, которые не делают такие продукты руками, этого вообще не понимают.

Карпаты в интервью Дваркешу хорошо это сформулировал: «march of nines». Демка работает в 90% случаев — это первая девятка. Потом нужна вторая (99%), третья (99.9%), четвёртая. Каждая следующая девятка — тот же объём работы в лучшем случае, что и предыдущая, а скорее всего усилия будут экспоненциально расти.

Но Карпаты говорит про селф-драйвинг, где, если утрировать, метрика бинарная: машина доехала или нет. В консьюмерских AI-продуктах всё хуже. Модель может ответить на 70%, на 30%, может уверенно соврать — и пользователь не отличит одно от другого. Весь UX приходится строить вокруг факта, что система врёт с покерфейсом, и тебе надо как-то дать человеку понять, когда ей верить, а когда нет. Ни на одной демке этой проблемы не существует.

По сути, в AI-продуктах работает принцип Парето курильщика: 20% усилий дают 80% вау-эффекта, а 80% усилий — 80% продакшн-эффекта. На этом месте ломаются ожидания всех, кто видел только демку.

Куда уходят эти 80% усилий? Эдж-кейсы, где модель галлюцинирует, молчит или ломает даунстрим-системы. Лэтенси, которое на реальных запросах в разы больше, чем на подготовленных. Стоимость инференса, которая при масштабе убивает юнит-экономику. Гардрейлы, контент-фильтрация, детекция персональных данных — каждый слой отдельный проект со своими эдж-кейсами.

Эвалы — это вообще отдельная история. Платформа, методология, аналитика, квалифицированная и неквалифицированная разметка, LLM as judge — целая инфраструктура с кучей процессов и людей, чтобы понимать, работает ли то, что ты выкатил.

И ни один из этих слоёв не нужен на стадии демки.

Когда кто-то говорит «мы за неделю собрали AI-продукт», я всегда уточняю: демку или продакшн? Демку за неделю соберёт стажёр с кредитами у провайдера LLM. Продакшн — это месяцы, если не годы, работы команды, где 90% времени уходит на то, что никогда не покажешь на презе.

Всё чаще замечаю, как кандидаты используют LLM прямо во время собеса и думают, что незаметно.

Задаёшь вопрос, человек говорит «мне нужно минуту подумать», отводит глаза, начинает стучать по клаве. На лице пляшет свет от второго экрана. Или другой вариант — LLM слушает стрим звонка и сама пишет ответы поверх экрана, но на генерацию нужно время, поэтому человек берёт паузу и ждёт, пока текст появится. Потом гладко и структурировано выдает «важно учитывать множество факторов» с симметричным списком из трёх пунктов.

Перебиваешь, просишь уточнить конкретный момент — теряются. Уточнений то в ответе ллмки не было.

Когда человек реально понимает тему — это чувствуется. Он ссылается на конкретику, применяет фреймворк к задаче, может поспорить с постановкой вопроса. Копни на уровень глубже — и он туда спокойно идёт. А когда за ответом ничего нет, копнёшь — и человек буксует. Просит ещё минуту «подумать». Снова стучит по клаве.

Я не запрещаю LLM, было бы странно в 2026. Но если единственный навык кандидата — копировать ответы из чата и озвучивать, ну зачем он нужен, если я и сам могу отправить промпт?

Команда выкатила бомбу.

Продактов на рынке полно. А вот тех, кто умеет делать AI/ML продукты — мало. Потому что мест, где это вообще делают, тоже немного.

Мы делаем. Умеем. И решили научить.

Бесплатный курс для PM’ов, которые хотят стать AI/ML продакт менеджерами. Формат stage-gate на реальных кейсах — проходишь полный цикл от постановки задачи до запуска, как в настоящем продукте.

А он был уже в Forbes 30 under 30? Отличный кандидат, если нет
https://t.me/vcnews/60103

Крайне забавно, что для агентов создают такие же тулы как для людей. Все думали, что агентам не нужны будут таск-трекеры, процессы и прочее, они полностью поменяют принципы разработки софта, а по факту координировать работу нескольких агентов — та же менеджерская проблема. Скоро придумают скрам для агентов с дейли стендапами, где они будут по очереди рассказывать что делали вчера и что блокирует.

Дальше по логике — performance review. Агент-тимлид ставит своему агенту-исполнителю exceeds, выносит на калибровку, а там другие агенты-тимлиды не согласны и режут до meets. Агент-исполнитель уходит в бесконечный цикл рефлексии, токены горят, лэтенси растёт — выгорание. Нанимают ещё одного агента-коуча, который советует «переосмыслить цели и сделать паузу», а параллельно ищут ему замену на рынке агентов.

Начал слезать с эсциталопрама (антидепрессант, SSRI/СИОЗС). Хочу рассказать про весь этот опыт, потому что тема до сих пор стигматизирована, а зря.

Сел на него год назад, хотя до этого почти год сопротивлялся. В научной среде до сих пор идёт дискурс о том, работают ли антидепрессанты вообще или это дорогое плацебо, и меня это останавливало. Но в какой-то момент, изучив всю доступную мне научную литературу и исследования с обеих сторон, пришёл к выводу, что скорее работают, чем нет — особенно при тревожных расстройствах. Решил таки попробовать.

Эсциталопрам — это SSRI, селективный ингибитор обратного захвата серотонина. Препарат не «добавляет» серотонин в мозг, а замедляет его обратный захват нейронами, из-за чего он дольше остаётся в синаптической щели и дольше действует на рецепторы. С серотонином там не совсем очевидная связь, но это тема для отдельного разговора.

Всю жизнь казалось, что постоянный поток мыслей в голове — это норма. Тревога, планы, экзистенциальные вопросы, рефлексия, идеи, снова тревога — бесконечная карусель, которая не выключается ни на минуту. Иногда даже кажется, что не карусель, а броуновское движение. Было стойкое убеждение, что так устроены все думающие люди, что это просто цена за то, чтобы быть включённым в реальность.

И вот я начал принимать фарму (в начале там еще был Буспирон для разгона). Значит четвёртый или пятый день приёма, ложусь вечером в кровать и понимаю, что в голове тихо. Впервые в жизни. Нет потока мыслей, нет фонового гула тревоги, нет навязчивых вопросов — просто тишина. Тело расслаблено, мозг расслаблен, как будто вышел из спа. Спокойно заснул и в тот момент осознал, что жизнь может быть устроена совершенно иначе, чем привык считать.

Жизнь буквально разделилась на до и после того вечера.

Сейчас слезаю. Между дозой и занятостью серотонинового транспортера гиперболическая зависимость — нельзя просто резать дозу пополам, как советуют в классических схемах. С 10мг на 5мг занятость SERT падает примерно с 80% до 70%, всего на 10 процентных пунктов. А вот с 5мг до нуля — это уже падение с 70% до нуля. Поэтому снижаю очень медленно, план на полгода, вплоть до растворения таблеток в воде и дозирования шприцом — звучит странно, но фармакокинетика говорит, что это единственный разумный способ.

Текущие ощущения на меньших дозах даже лучше, чем на полной — меньше заторможенности, больше ясности, но тревожные мысли вернулись. Тот самый фоновый поток обо всём и ни о чём, с которым прошла вся предыдущая жизнь. Только сейчас по-настоящему осознаёшь, насколько это было изматывающим — когда появляется с чем сравнивать.

Спасает терапия. МКТ и КПТ дали конкретные инструменты: замечаешь тревожную мысль, не вступаешь с ней в диалог, не уходишь в руминацию, а если провалился — вытаскиваешь себя обратно достаточно быстро. Без препарата это было невозможно освоить: ты просто варишься в тревоге непрерывно, нет ни дистанции, ни сил что-то с этим делать. Препарат расчистил голову и дал время наработать эти навыки в спокойном состоянии. А теперь, когда навыки есть, они работают и при сниженной дозе — тревога возвращается, но ты уже умеешь с ней обращаться.

В этом, по сути, вся связка: SSRI дал увидеть, как выглядит жизнь без шума в голове, а терапия научила в ней оставаться.

В Love, Death & Robots есть эпизод Zima Blue — про робота-художника, который прошёл путь от чистильщика бассейнов до величайшего творца галактики. Ему наращивали сенсоры, расширяли интеллект, давали способность воспринимать вещи, недоступные людям. На пике славы он собрал последнюю выставку, прыгнул в бассейн и разобрал себя до исходного состояния. Вернулся к голубой плитке, которую чистил в начале.

Я часто думаю про этот эпизод, когда наблюдаю за карьерами вокруг — включая свою. Человек приходит в профессию, потому что ему нравится конкретная штука: придумывать продукт, писать код, проектировать систему. Он хорош в этом, растёт, берёт на себя больше. Через несколько повышений обнаруживает, что 80% дня — совещания, согласования, политика, эскалации. Та штука, ради которой всё начиналось, где-то на периферии. Если вообще осталась.

Patty Azzarello в Rise описывает это как свойство системы, не баг: с каждым уровнем карьеры доля неприятных задач растёт. Чем выше — тем больше времени на то, что ты не хочешь делать, и тем меньше на то, что умеешь лучше всех. По сути, каждое повышение отдаляет тебя от причины, по которой ты вообще оказался в этой профессии. Как Зиму — каждая модификация отдаляла от плитки.

При этом мало кто останавливается и спрашивает: а мне вообще нужен следующий уровень? Карьерный рост стал настолько дефолтной ценностью, что сам вопрос звучит подозрительно. Не растёшь — значит стагнируешь.

У Шунрю Судзуки есть концепция shoshin — ум начинающего. В уме начинающего много возможностей, в уме эксперта их мало. Это не про обесценивание экспертизы. Это про то, что состояние «я не знаю» — не стартовая точка, которую нужно преодолеть и забыть. Это состояние, в которое стоит возвращаться осознанно, чтобы не закостенеть в собственном статусе.

Зима не мог бы выбрать возврат к плитке, если бы не прошёл весь путь. Весь опыт был нужен — но не для того, чтобы остаться на вершине, а чтобы понять, где ему на самом деле хорошо.

Воссоединение с тем, что тебе по-настоящему хорошо — это не просто приятно. Это фундамент устойчивости, и у этого есть конкретная механика.

Большинство людей зациклены на результате. Промоушен, запуск, цифра в дашборде. Часто можно услышать обьяснения через дофамин и его природу «гормона удовольствия», но это не так. Это система предсказаний. Мозг сравнивает ожидание с реальностью — reward prediction error. Получил больше, чем ждал, и дофамин взлетает. Не получил, и активность проваливается ниже базы. А если ждал и получил ровно то, что ждал — ошибка около нуля, кайфа почти нет.

Жить от результата к результату — игра с отрицательным матожиданием. Достиг цель, а кайф минимальный, а если не достиг, то больно. При этом в работе, особенно в продакт-менеджменте, недостижение цели скорее норма: проекты не идут по плану, гипотезы не подтверждаются. Система, завязанная на результат, будет в минусе чаще, чем в плюсе.

Но дофамин работает в двух режимах. Фазический — те самые спайки и провалы. И тонический — фоновая активация, ровный кайф от самого процесса. То, что Чиксентмихайи назвал «потоком», отчасти про это. У всех есть оба режима, вопрос в пропорции.

Если тебе кайфово разбираться в задаче, крутить её, искать подход — reward размазан по всему пути, как диверсифицированный портфель. Финиш приятен, но не единственный источник. Не случился финиш — потерял хвост, а не весь портфель.

Зима был тоническим существом. Его кайф был в чистке плитки, в ровном фоне простого процесса. Каждый апгрейд давал новые фазические спайки и отдалял от источника фона. Его финальный перформанс был не про отказ от прогресса, а про возврат к источнику устойчивости.

В реальности разбирать себя на запчасти не обязательно. Можно расти так, чтобы процесс не терялся, а защищался, но об этом уже в следующий раз.

Два предыдущих поста про Зиму описали две позиции. Первая: система отдаляет тебя от того, ради чего ты пришёл в профессию, и это свойство системы, не баг. Вторая: можно вернуться к плитке, к источнику тонического кайфа, к процессу ради процесса. Смириться с системой или разобрать себя обратно.

Это классическая диалектическая битва по Гегелю. У него есть конструкция: тезис → антитезис → синтез. Тезис утверждает, антитезис оспаривает. Синтез — не компромисс и не среднее арифметическое, а снятие противоречия: Aufhebung. Одновременно отмена, сохранение и подъём на новый уровень.

Тезис: расти в карьере, брать больше ответственности, принимать правила игры. Антитезис: отказаться от роста, вернуться к тому, что приносило кайф. Это ложная дихотомия: первый путь ведёт к выгоранию, второй романтичен, но игнорирует реальность и ее структурную сложность и ограничения.

Синтез — расти, но инженерить защиту процесса. Patty Azzarello в Rise описывает, как это работает на практике.

Чистка плитки тонет под операционкой, когда человек застревает в том, что Аззарелло называет workhorse mode — берёшь всё, делаешь всё лично, растёшь в должности, но не меняешь модель. Был тимлидом — писал код и ревьюил. Стал директором — всё ещё пишет код и ревьюит, только теперь ещё ходит на десять совещаний. Система это поощряет — ты надёжный, ты вывозишь. Но в действительности переработки — это mismanagement. Не подвиг, не лояльность, а управленческая ошибка. Если ты завален тактикой на 120%, у тебя не остаётся места на то, что приносит настоящую ценность — ни бизнесу, ни тебе.

Выход — то, что она называет ruthless priorities. Не «приоритизация» в мягком корпоративном смысле, а жёсткий отсев. Catch all the work, but don't do all the work. Ловить всё, что прилетает, — да. Делать всё — нет. Переопределить входящую работу через призму бизнес-результата, а не принимать её в том виде, в котором она упала на стол. Половина задач, которые кажутся обязательными, при пересборке оказываются чужими приоритетами, инерцией или политическим шумом. Практически — забронировать меньше 100% времени под текущие задачи и оставить пространство для той штуки, которая приносит настоящую ценность.

При этом рост — не только цена, но и средство. Аззарелло говорит, что идеальной позиции не бывает — ты её лепишь сам, скульптурируешь роль под свои сильные стороны, но на нижних уровнях у тебя для этого нет рычагов. Ты не выбираешь проекты, не формируешь команду, не отказываешься от задач. С ростом появляется автономия: влияние на то, чем ты занимаешься, с кем работаешь, какие задачи берёшь, а какие делегируешь. Рост даёт ресурсы для защиты процесса — но только если ты их используешь, а не тонешь в workhorse mode.

В терминах Зимы: плитка никуда не делась. Она не в ежедневной чистке бассейна руками — она в понимании, как должен работать бассейн. Процесс масштабируется, если выбираешь, на каком уровне абстракции его сохранять. Зима не мог этого сделать — его модифицировали извне, у него не было agency над собственными апгрейдами. У нас — есть.

Защита процесса — это не пассивное «стараться не терять». Это архитектурное решение, которое нужно проектировать и поддерживать. Как любую систему.

Зиме пришлось пройти весь путь, чтобы понять, где ему хорошо. Три поста этой серии были про то же: рост отдаляет от процесса, кайф в процессе, защищай процесс при росте. В первом я спросил — а нужен ли вообще следующий уровень? Но так и не ответил. Что если не входить в этот конфликт вовсе?

Индустрия построена вокруг логики роста: лестница, грейды, performance review с вопросом «куда ты хочешь расти». Не получил промоушен — застрял. Сидишь на одной позиции три года — что-то не так. Не хочешь управлять людьми — значит потолок. Самого вопроса «а хочешь ли ты расти» в этой системе нет.

Kim Scott в Radical Candor вводит различие, которое большинство менеджеров игнорирует: rock stars и superstars. И это не про уровень перформанса, ибо обе категории делают отличную работу. Разница в траектории. Superstars на крутом подъёме — им нужны новые вызовы, новые роли, следующий уровень. Rock stars на пологой траектории — они нашли своё место, углубляют экспертизу и не хотят, чтобы их куда-то двигали.

Rock в rock star — это не рок-музыка, а скала: стабильность, глубина, надёжность. Скотт пишет, что за годы в Google она систематически недооценивала таких людей. Вся система вознаграждения была заточена под superstars: промоушены, stretch goals, видимость. Rock stars при этом держали на себе команды, передавали знания, держали контекст — и получали за это ощутимо меньше признания.

Проблема не в том, что superstars получают много, а в том, что единственный признанный путь — это их путь. Если ты rock star, система постоянно подталкивает: давай менеджерить, давай на грейд выше, давай расширяй скоуп. Не потому что тебе это нужно, а потому что у системы нет другого языка ценности.

А теперь представим команду из одних superstars. Все хотят расти, никто не хочет делать текущую работу. Все смотрят на следующую ступеньку, никто не углубляется. Нет людей, которые помнят, почему архитектура устроена именно так, почему этот процесс работает, что случилось в прошлый раз, когда попробовали иначе. Память команды обнуляется каждые полтора года.

При этом это не постоянные категории, а режимы. Человек может быть superstar пять лет, а потом перейти в rock star mode — потому что родился ребёнок, нашёл область, которую хочет копать вглубь, или просто понял, что ему хорошо здесь. Проблема начинается, когда rock star притворяется superstar, потому что боится, что иначе его спишут.

Вся история Зимы — это история возврата. Он ушёл от чистки плитки, дошёл до края галактики и разобрал себя, чтобы вернуться. Красиво, но это путь superstar, который однажды остановился. Rock star никуда не уходил, ибо он чистит свой бассейн, углубляет экспертизу, и ему не нужен перформанс с саморазборкой — потому что разбирать нечего.

Долго ждать не пришлось

https://x.com/roundtablespace/status/2032052734460125475?s=46

Бен Томпсон сегодня выкатил статью, в которой заявляет: мы не в пузыре.

Выделяются три парадигмы LLM. ChatGPT в 2022 — демонстрация возможностей, но с галлюцинациями и требованием agency от пользователя: ты сам должен понимать, зачем тебе модель, и верифицировать каждый выход. o1 в 2024 — ризонинг-модели начали итерировать над ответом самостоятельно, надёжность выросла, нагрузка на пользователя снизилась. А дальше — агенты в конце 2025: Claude Code с Opus 4.5, GPT-5.2-Codex.

И вот тут самое интересное. Прорыв оказался не в модели. Opus 4.5 вышел в ноябре 2025, и никто не заметил. А потом изменился harness в виде обвязки Claude Code и всё заработало совсем иначе. Агент управляет моделью, дёргает детерминистические инструменты, верифицирует результат без человека. По сути, все слабости первой парадигмы закрыты. Особенно, для верифицируемых юз кейсов типа кода.

Отсюда Томпсон вытаскивает два тезиса. Первый: агенты меняют экономику agency. Раньше для роста потребления компьюта нужен был массовый адопшн — каждый пользователь должен был проявить инициативу, но теперь один человек управляет десятком агентов. Для взрывного спроса на вычисления достаточно сравнительно небольшого числа людей, которые умеют формулировать задачи.

Второй — разбор value chain. Дедью из Asymco недавно написал, что Apple гениально поставила на коммодитизацию моделей: лицензировала Gemini за $1B/год вместо того чтобы тратить $100B на свою. Появится модель лучше — просто сменит поставщика. Побеждает тот, кто владеет клиентом.

Томпсон разбивает это по парадигмам. В эпоху чатботов Дедью был прав — базовые модели быстро стали достаточно хорошими и их можно было гонять локально. Ризонинг-модели уже создали проблему: им нужен быстрый компьют и огромные контекстные окна, Apple Silicon не конкурирует с облаком, но агенты ломают коммодити-тезис окончательно. Дифференциация теперь не в модели, а в интеграции модели и harness. Это не модульные компоненты, которые можно менять по отдельности.

А прибыль в value chain всегда течёт от модульных звеньев к интегрированным. Если агенты = интеграция модель+harness, то Anthropic и OpenAI — точки интеграции, а не взаимозаменяемые API-поставщики. Microsoft тому пример: заявляли model-agnostic стратегию с Core AI, но для Copilot Cowork были вынуждены интегрироваться с конкретной моделью и продавать это в бандле E7 за $99/seat.

https://stratechery.com/2026/agents-over-bubbles/

Прочитал Platform Revolution (Parker, Van Alstyne, Choudary). Книга 2016 года, но ядро не устарело — это, пожалуй, лучшая систематизация платформенной модели, что читал.

Мысль простая. Есть pipeline-бизнесы — линейная цепочка от ресурса к потребителю. Фабрика купила сырьё, произвела товар, продала через дистрибуцию. Платформа устроена иначе: она не создаёт ценность сама, а оркестрирует создание ценности другими. Uber не возит людей, Airbnb не сдаёт квартиры. Они соединяют тех, кто возит и сдаёт, с теми, кому это нужно.

Главное оружие платформы — network effects. Каждый новый участник увеличивает ценность для всех остальных. В pipeline-мире масштаб снижает себестоимость (supply-side economies of scale). В платформенном мире масштаб увеличивает сам продукт (demand-side economies of scale). Принципиально другая экономика.

Но network effects бывают отрицательными. Больше пользователей — больше шума, спама, хуже matching. Myspace рос как бешеный, но без курации качество деградировало, и платформа умерла. Рост без контроля качества — это не network effect, это network collapse.

Самое полезное в книге — фреймворк core interaction. Любая платформа сводится к одному: кто участвует, чем обмениваются, как происходит matching. Если ты не можешь описать свою core interaction в одном предложении, у тебя нет платформы, а фича-сет с надеждой на сетевой эффект.

И классификация launch-стратегий и гайд решения проблемы яйца и курицы: от piggyback (PayPal вырос на eBay) до micromarket (Facebook начал с одного кампуса Гарварда). Полезно как введение в тему, но если интересует именно холодный старт — лучше читать The Cold Start Problem Эндрю Чена. Книга свежее (2021), написана бывшим GP a16z, и раскрывает тему на порядок глубже: от atomic network до escape velocity.

Книга местами устарела — примеры из 2016, много про Uber до IPO, регуляторная часть наивна по сравнению с тем, что случилось после (GDPR, DMA, антимонопольные кейсы), но базовые фреймворки работают. Если строишь продукт, где ценность создаётся взаимодействием участников, а не внутри компании — стоит прочитать.

Забурился вчера вечером разобраться, как на самом деле устроено выгорание с точки зрения науки (у меня его нет, без паники!). Думал, за 50 лет исследований там давно всё ясно. Оказалось, что нет.

В литературе зафиксировано 88 разных определений выгорания. Учёные до сих пор не договорились, что именно они изучают.

Самая известная модель состоит из трёх компонент: эмоциональное истощение, цинизм и ощущение что ты неэффективен. Может звучать логично, пока не узнаёшь, что автор запрещает складывать три шкалы в один балл. То есть единого показателя «выгорания» в этой модели нет — есть три отдельных измерения, которые живут своей жизнью. Опросник, который это измеряет (MBI — его используют в большинстве исследований), критикуют ещё жёстче: он создавался не из теории, а из статистической обработки случайного набора вопросов. У него нет клинических порогов и он платный (никакого подвоха, конечно).

Главная объяснительная модель JD-R (Job Demands-Resources) построена вокруг баланса требований и ресурсов. Есть требования работы (нагрузка, дедлайны, конфликты) и ресурсы (автономия, поддержка, обратная связь). Когда требования хронически превышают ресурсы — истощение. Когда ресурсов мало — цинизм и отстранённость. Это подтверждено мета-анализами и в целом работает как рабочая модель. Позже к ней добавили шесть зон несоответствия между человеком и работой, одна из которых — ценности: когда то, что ты делаешь, расходится с тем, что для тебя имеет смысл. Потеря смысла в работе — отдельный путь к выгоранию, который работает даже при нормальной нагрузке.

Есть ещё теория сохранения ресурсов (COR) и её идея про спирали потерь. Потеря ресурса бьёт сильнее, чем эквивалентное приобретение радует, и потери создают каскад: одна потеря делает тебя уязвимее к следующей, процесс ускоряется. Это объясняет, почему выгорание так сложно остановить, когда оно уже началось. Ушёл руководитель, на тебя повесили его задачи, времени на восстановление нет, начинаешь хуже работать, получаешь негативную обратную связь и понеслась.

Отдельная история — роль личности. Склонность к тревожности как черта характера предсказывает выгорание с силой, сопоставимой с рабочими факторами. Два человека в одинаковых условиях будут гореть по-разному базово из-за разниц в нейробиологии.

Теперь к самому интересному. ВОЗ включила выгорание в международную классификацию болезней, но не как диагноз, а как «профессиональный феномен». Код есть, а лечить по нему нельзя. В американской классификации (DSM-5) выгорания вообще нет. Формально это не болезнь.

И тут начинается главный спор: а выгорание — это вообще отдельная штука, или просто депрессия, привязанная к работе? Мета-анализ на 12 тысяч голов показал корреляцию между истощением и депрессией 0.80 — это очень много. 86% людей с серьёзными симптомами выгорания попадают под критерии депрессии.

Есть противники такой оптики. По их мнению выгорание — многомерный синдром, нельзя сводить его к одному истощению. Данные показывают пять разных паттернов: полностью выгоревшие (всё сразу), только истощённые, только циничные, только чувствующие неэффективность и вовлечённые (противоположный полюс). У каждого паттерна строго свои причины, но депрессия же так не работает.

Нейробиология частично поддерживает различие: при выгорании стрессовая система скорее заторможена — мало кортизола, при депрессии — перевозбуждена. Правда, выборки маленькие, долгосрочных исследований всего два, и ни один биомаркер не валидирован для диагностики.

Консенсуса нет, споров много, но есть вещи, которые уже можно забирать. Если чувствуешь что горишь — первый вопрос не «что со мной не так», а «где дисбаланс»: нагрузка выросла, автономия упала, поддержка исчезла, смысл потерялся? Отключаться от работы в нерабочее время — не лайфхак из инстаграма, а один из самых устойчивых протекторов в данных. А если «просто усталость» не проходит неделями — стоит провериться на депрессию, потому что граница между ними тоньше, чем кажется.

Потыкал новый Dispatch режим в Claude — по сути управление Cowork с телефона/планшета.

Главное, что зацепило: мне не надо ничего настраивать с нуля. Все коннекторы, скилы, плагины, память, инструкции и доступ к файлам, которые уже настроены в Cowork, сразу доступны через телефон. Просто открыл Dispatch, нажал пару кнопок в красивом онбординге, и всё. Не надо отдельно поднимать агента, прокидывать ключи, пересобирать окружение.

В этом принципиальная разница с OpenClaw и подобными. Там свой агент, своя настройка, оплата за токены и дыры в безопасности на сдачу. Тут же уже расширение того, что работает, в рамках одной подписки.

Технически это один постоянный тред, который не сбрасывается между задачами. Пишешь с телефона, Claude выполняет на компьютере спауня сессии коворка — работает с локальными файлами, браузером, почтой, Google Drive через те же коннекторы. Все четко!

По фичам пока не все готово: нельзя прикрепить файл, нет голоса, нет пушей, компьютер должен быть включён с открытым Claude Desktop, один тред, нет расписания. Обещают докрутить.

Но, самое важное, Claude сейчас закрывает все мои сценарии где нужна LLM — чат, десктопные задачи в Cowork, код в Claude Code, удалённое управление через Dispatch. Одна подписка на всё. Для тех, кто уже глубоко в экосистеме Claude, как я, стоимость перехода на что-то другое растёт с каждым таким релизом.

Самый важный релиз года

https://x.com/notionhq/status/2034319575345774830?s=46

Раньше вечером после работы я читал посты и статьи, которые закидывал себе в закладки в течении дня на почитать. Заметил, что сейчас большая часть такого «на почитать» это дип ресерчи, которые запустил с утра. То есть по факту контент на чтение я генерирую с помощью ллмок под себя проактивно, а не довольствуюсь тем, что попадает мне в поле зрения