ОБЖОРЛИВЫЕ ДАТА-ЦЕНТРЫ, ИЛИ ЧТО СТОИТ ЗА ИИ?

Расследование Bloomberg в 2024 году раскрывает масштабы энергопотребления дата-центрами, поддерживающими искусственный интеллект (AI) по всему миру. Прогнозы Сэма Альтмана о колоссальных энергозатратах подтвердились. Для обеспечения работы AI могут потребоваться даже термоядерные источники энергии, и специальные места для ее хранения. Прикольно, что стартап Oklo, занимающийся строительством атомной электростанции для нужд AI, уже оценен в $850 млн. Альтман, инвестировавший в этот проект, ожидает значительных результатов.

↗️Цифры и факты

На сегодняшний день в мире насчитывается более 7 000 дата-центров на разных этапах разработки, что вдвое больше по сравнению с 2015 годом. При текущих темпах роста некоторые AI серверы скоро будут потреблять более 85 тераватт-часов электроэнергии ежегодно — это больше, чем производят две атомные станции.

💫 Один современный центр потребляет столько же энергии, сколько нужно для 30 тысяч американских домов.

💫 Во многих регионах мира энергопотребление дата-центрами превышает доступные ресурсы, что приводит к задержкам и сбоям в электросети, а также росту цен на электричество.

💫 В странах, таких как Саудовская Аравия, Ирландия и Малайзия, запланированные дата-центры потребуют больше энергии, чем могут предоставить доступные возобновляемые источники.

💫В Великобритании ожидается рост энергопотребления AI дата-центрами на 500% в течение следующего десятилетия. В США к 2030 году они будут использовать 8% всей электроэнергии.

💫 Сегодня AI дата-центры потребляют 508 тераватт-часов в год, что превышает годовое производство электроэнергии в таких странах, как Италия или Австралия.

💫Только 16 стран, включая США и Китай, потребляют больше электроэнергии, чем все AI дата-центры вместе взятые.

💫 К 2034 году дата-центры будут потреблять более 1 580 тераватт-часов — эквивалентно текущему потреблению Индии с населением более 1,4 миллиарда человек.

😎 Уже вокруг дата-центров зарождается новая инфраструктра, например, Газпром превращает попутный газ в электроэнергию и тем, самым обеспечивает часть майнинг-центров бесплатным электричеством. Кроме того, китайские компании и Майкрософт - опускают в воду дата-центры, чтобы вообще не тратиться на электричество, а охлаждать тепературой воды. Мой прогноз в ближайший год - это AI будет использоваться и для оптимизации энергозатрат и создание саморегулирующихся систем, чтобы они были надежны и безопасны.

➗Рубрика: #исследования

Ого: OpenAI выпустили подкаст про то, как они обучали GPT-4.5

Присутствовали 3 инженера из команды разработки: Амин Тутунчян, Алекс Пейно и Дэниел Селсам. Что интересного рассказали:

➖ Планирование выпуска GPT-4.5 началось еще год назад. Целью было создать модель в 10 раз умнее GPT-4. Сначала была куча тестов, а затем под GPT-4.5 пришлось почти полностью переписывать формы матриц, структуры слоёв и др (чтобы подстроиться под инфру).

➖ Основным вызовом оказалось масштабирование GPU-кластера. С увеличением количества карт (например, с 10k до 100k), начинает возникать все больше отказов и ошибок. Так что в начале обучение не задалось, но потом основные проблемы постепенно разрешились.

➖ Из забавного: прямо во время обучения была найдена критичная ошибка в реализации функции torch.sum в PyTorch. Она приводила к систематическим сбоям с доступом к памяти.

➖ Оказывается, основная метрика стартапа – это лосс на их же внутреннем коде. Работает хорошо, потому что таких данных гарантировано никогда не было в паблике, а значит и в трейне.

➖ Раньше модели были compute-bound, то есть ограниченные мощностями. 4.5 впервые стала моделью, ограниченной данными (data-bound). Сейчас это основная пробелма, потому что рост данных намного медленнее роста доступных вычислений.

➖ В целом скейлинг, конечно, замедляется, но все еще работает за счет того, что в дате всегда присутствуют длинные хвосты редких, но важных концепций. Их можно "латать" новыми данными почти бесконечно.

➖ Сейчас по эффективности обучения на тексте нейросети отстают от человека примерно в 100,000 раз. Так что, чтобы масштабироваться дальше, нам понадобятся новые алгоритмы, которые смогут извлекать больше знаний из меньшего объема даты. Да и методы обучения на масштабах миллионов видеокарт должны быть совсем другими.

Выпуск полностью – здесь

Привет, охотники за технологиями 🍸

Да, я пропал почти на 1.5 месяца, но это было не просто так. Я писал диплом в Высшей школе экономики, и, поверьте, это была настоящая одиссея! Теперь, когда я снова в строю, я готов поделиться некоторыми деталями. Располагайтесь поудобнее и поехалиии!

🔣 Тема дипломной работы - «Моделирование хранилища данных и проектирование BI дашборда для отчетности перед акционерами стартапа в режиме реального времени».

🫰 Проблема - В условиях быстрорастущих рынков, персонал стартапа часто использует различные информационные системы из-за удобства и скорости работы, что приводит к фрагментации данных. Доступ к консолидированной аналитике становится затруднительным. Один из топ-менеджеров тратил до одного рабочего дня на сбор и структурирование данных для отчета акционерам, отвлекая ключевых сотрудников от более приоритетных задач.

👨‍💻 И в этот момент нарисовалась цель - повысить прозрачность ключевых бизнес-показателей для поддержки управленческих решений и автоматизировать ручной процесс составления отчетности, высвобождая время сотрудников для стратегически важных задач с уклоном на ограниченность ресурсов.

✅ Результаты - Проект был полностью спроектирован и реализован на open-source решениях. Стоимость владения данным инструментом составляет всего 1500 рублей в месяц, включая затраты на размещение в дата-центре Selectel. Внедрение системы позволит команде стартапа экономить до 10% рабочего времени, что эквивалентно 24 рабочим дням в год (ранее на подготовку отчетов уходило 1-2 дня ежемесячно). Наиболее значимым результатом является возможность оперативной реакции управленцев на изменения рынка и принятие обоснованных решений, основанных на актуальных данных. Больше никаких "почувствуй интуицию"!

В процессе работы я использовал следующие технологии:

- PostgreSQL: Реляционная база данных для хранения структурированных данных, предназначенных для дальнейшей визуализации и глубокой аналитики.
- Apache NiFi: Инструмент для настройки ETL-процессов (извлечение, преобразование и загрузка данных) из различных информационных систем в централизованное хранилище данных.
- Yandex DataLens: Платформа для настройки и визуализации дашбордов. Предоставляет возможности совместного доступа и редактирования, аналогичные Google Docs.

Здесь можете посмотреть, какой получился конечный дашборд. Данные там фейковые - конфиденциальность прежде всего.

Теперь, располагая большим количеством свободного времени, я планирую ежедневно публиковать интересный и актуальный контент для вас.

📱 Кроме того, готовлюсь к запуску YouTube-канал, где мы с моим напарником будем исследовать, как искусственный интеллект меняет жизнь, людей и бизнес. Мы убеждены, что точка невозврата уже пройдена, и ИИ продолжит оказывать фундаментальное влияние на все сферы деятельности. Скоро, все прям очень скоро ☺️

😎 Хотел бы узнать ваше мнение: считаете ли вы, что BI-инструменты являются необходимостью для каждого бизнеса, или это ненужные инвестиции времени и денег?

Привет, охотники за технологиями!🍸

Вчерашний день прошел в Сколково на конференции StartupVillage. Ехал туда с предвкушением увидеть что-то по-настоящему революционное в мире технологий, но, честно говоря, прорывных проектов, которые могли бы стать потенциально многомиллиардными, так и не встретил, кроме конечно же SpaceTech - ведь там только инвестиции миллиардные😅 В основном были представлены уже знакомые беспилотники или AI-сервисы, решающие довольно узкие задачи. Возможно, я просто не там бродил🔤

🚀 В 15:00 мы присоединились к открытой дискуссии с министром цифрового развития, связи и массовых коммуникаций Максутом Шадаевым. Участники из зала задавали много острых вопросов, касающихся развития стартапов: привлечение инвестиций, налоговые льготы и поддержка действительно перспективных проектов. Например, обсуждалась идея создания открытого API для банков, чтобы упростить согласование, подтверждение и оплату платежей из единой информационной системы, с возможностью интеграции других бизнес-сервисов для управления процессами. Также звучали предложения по созданию "Госуслуг для стартапов".

Классно, что создается много цифровых сервисов и продуктов, но у этого есть обратная сторона - дефицит вычислительных мощностей. Об этом недавно писал Cnews. Именно по этому, у меня созрел небольшой вопросик Министру Минцифр.

Все СМИ активно обсуждают дефицит вычислительных и серверных мощностей. Как этот вопрос решается на государственном уровне и есть ли планы по развитию региональных дата-центров?

Ответ министра был следующим:

Существуют трудности, связанные с энергетикой, особенно в регионах, где наблюдается дефицит, а также с каналами связи для передачи данных на дальние расстояния. Поэтому следует ожидать, что инфраструктура будет развиваться по мере развития регионов

Этот ответ, на мой взгляд, не повод для грусти, а стимул к действию! Ведь там, где есть трудности, всегда найдутся и решения. А там, где есть решения, появляются предложения, за которыми следует реализация новых проектов.

🔣 Именно здесь мы видим огромный потенциал для наших мобильных дата-центров. Их можно размещать где угодно, а мощности наращивать постепенно, без необходимости масштабной перестройки энергетических линий на начальном этапе. Это означает, что даже в условиях ограниченной инфраструктуры можно быстро запустить цифровые продукты, что критически важно для развития любых территорий, нуждающихся в безопасности и конфиденциальности данных. Как говорится, "Москва не сразу строилась" – и мы готовы строить постепенно😉

Эрик Шмидт, бывший CEO Google, в своем недавнем интервью на TED высказал несколько глубоких мыслей о развитии ИИ. Без паники, но с очень важными акцентами, которые стоит учитывать каждому в IT, финансах и промышленности.

✈️Помните 2016 год? AlphaGo от DeepMind обыграла человека в го, сделав ход, о котором за 2500 лет существования игры не догадался никто. Это был первый серьёзный звоночек: ИИ способен не просто повторять, но и изобретать.

🔭Шмидт уверен, что мы всё ещё недооцениваем возможности ИИ. ChatGPT – это лишь "витрина", фасад. Реальные прорывы, особенно в области обучения с подкреплением (reinforcement learning), планирования и стратегии, позволяют ИИ самостоятельно решать сложные, многошаговые задачи. Это уже не просто умный поиск, это инструмент, способный к комплексной работе.

🚀Пока ИИ отлично комбинирует уже известные данные, но всё ещё слабо справляется с междисциплинарными открытиями, на что способны учёные. Следующая большая цель – научить ИИ самостоятельно ставить цели и изобретать новые парадигмы. Это тот самый горизонт, где ИИ перейдёт от помощника к полноценному творцу.

Что сдерживает рост ИИ?

🔣Энергия: Только США потребуется дополнительно 90 гигаватт мощности (это как 90 атомных электростанций!) для питания будущих дата-центров, необходимых для ИИ. Представьте масштаб потребления!
🔣Данные: Мы стремительно приближаемся к моменту, когда исчерпаем полезные данные для обучения ИИ. Следующий этап – создание синтетических данных.
🔣Вычисления: Полный переход на обучение с подкреплением потребует в тысячу раз больше вычислительных мощностей, чем привычное нам глубокое обучение. Это вызов для всей инфраструктуры.

ГЕОПОЛИТИЧЕСКИЕ РИСКИ: ИИ КАК НОВОЕ ЯДЕРНОЕ СДЕРЖИВАНИЕ

ИИ – это технология двойного назначения: она применима как в гражданской сфере, так и в военной. Сейчас за доминирование в этой области борются США и Китай. Шмидт сравнивает эту гонку с ядерным сдерживанием, но подчеркивает, что в ИИ-гонке поле для ошибок гораздо меньше. Страна, которая первой достигнет суперинтеллекта, получит технологическое превосходство, способное дестабилизировать мировой порядок🤔

«Если вы не используете ИИ — вы отстанете. Осваивайте его каждый день. Это не временно. Это марафон», — призывает Эрик Шмидт.

📱 Полное выступление Эрика Шмидта можно посмотреть здесь.

😎 Какие из этих пунктов, на ваш взгляд, представляют наибольший риск или, наоборот, открывают наибольшие возможности для развития в ближайшие годы?

Всем привет, отпуск у меня закончился и я рад сообщить, что завтра выкачу интересный пост про сценарии развития ИИ в России. А пока предлагаю почитать мою новость на Хабр про ChatGPT 5🍷

Спойлер - эта модель превзошла все другие, особенно в программировании и медицине (постановка диагнозов на уровне PhD). А также она стала безопасной. На безопасность инженеры OpenAi потратили более 9 тысяч рабочих часов.

Статья доступна по ссылке.

Недавнее исследование НИУ ВШЭ и Яндекса описывает ключевые сценарии развития ИТ в России. Но мы остановимся на ИИ.

Основные вызовы, которые стоят перед развитием.

1. Качество и саморефлексия. Сегодня оценка результатов ИИ — задача человека. Следующий шаг — встроенная способность моделей самостоятельно формировать критерии качества.

2. Достоверность и предсказания. Генеративные модели функционируют на вероятностях, а не на строгой верификации. Решения вроде Retrieval-Augmented Generation (RAG) повышают достоверность, но фундаментальная сложность — модели лишь повторяют прошлый опыт и не могут создавать по-настоящему новое.

3. Безопасность. С ростом объёмов данных необходимость в надёжной защите становится критичной. Проблему нужно решать не только технически, но и регуляторно: приватность должна быть встроенной, даже если ею никто не занимается.

Ключевые технологии ИИ, которые будут сильно развиваться.

➡️Генеративные модели (X-to-X) — создают новый контент и автоматизируют процессы. 63% россиян уже применяют генеративный ИИ в повседневной жизни.

➡️Explainable AI — открывает логику моделей через визуализации и анализ.

➡️СППР и интеллектуальная аналитика — объединяют ML, визуализацию и облака для прогнозов и выявления закономерностей.

➡️Адаптивные системы HMI — обучаются и перестраиваются под изменения, повышая персонализацию.

➡️Интеллектуальная видеоаналитика — от безопасности до мультимодальных задач («расскажи по схеме двигателя, что сломалось?»).

😎 В ближайшие три года развитие российского ИИ будет идти к адаптивным системам с автономной оценкой качества, что станет реальным шагом в сторону AGI (решает задачи на уровне или выше человеческого, но без чувств). Выход GPT-5 - пример вышесказанному. А на рисунке весь технологический ландшафт России, который будет развиваться до 2028 года.

На Reddit уже появились жалобы, что GPT-5 «не очень». Но давайте посмотрим на данные из бенчмарков — тестов, где модели ИИ решают одни и те же задачи, чтобы можно было объективно сравнить их качество.

Бенчмарки бывают двух типов:

▶️Реальные бизнес-задачи — компании проверяют ИИ на тех задачах, которые нужны им в работе.
▶️Абстрактные тесты — искусственные задания, не всегда полезные в бизнесе, но помогающие понять технический уровень модели.

Как GPT-5 проявила себя в бизнес-задачах?

🗣Банковские операции — улучшение точности сверки выписок и извлечения данных о контрагентах на 15–38% по сравнению с GPT-4o.

🗣Код-ревью и поиск ошибок — 77,3% успешных решений против 26,7% у Claude Sonnet 4 и 44% у o3.

🗣End-to-end программирование в тестах Cognition (внутренний набор задач от компании-разработчика Devin; end-to-end значит «от постановки задачи до готового кода») — лучше Sonnet 4, +7% в планировании задач.

🗣На внутреннем бенчмарке Windsurf для задачи исправления багов модель показала прирост на 3–4% по метрике pass и на 12% по pass.

🗣Обработка документов — точность извлечения бизнес-сущностей выросла на 5% в среднем и на 9% на длинных документах. В задачах по работе с Excel точность выросла до 88% (против 78% у Gemini и Sonnet 4), а при заполнении страховых форм — до 86% (у Gemini те же 78%).

🗣JetBrains кодинг-тесты (Java/Kotlin, Go, Rust, включая закрытые репозитории) — на 20–100% лучше Claude.

🗣Поиск финансовых инсайтов — 83% против 79% у o3, 65% у Gemini и 62% у Claude.

Как модель показала себя в абстрактных тестах?

🗣Понимание физики по картинкам (Visual Physics Comprehension) — 66% точности, у Gemini — 48%, у Claude — 39%.

🗣IFScale — ответы с сотнями ограничений и инструкций, более 90% успеха при 500+ инструкциях в контексте (у Gemini 2.5 — 70%).

🗣Длинный контекст (документы до 100 тыс. токенов) — 76% точности против 68% у Grok 4 и ~66% у Gemini / Claude.

🗣Снижение галлюцинаций (выдуманных фактов) — 10,3% ошибок против 12,4% у Gemini и 13,2% у Sonnet.

🗣Бизнес-задачи разных отраслей (бенчмарк Рината) — 79,4% против 74% у Gemini и 71% у Claude 3.7. Бенчмарк сильно устрел...

🗣LiveCodeBenchPro (свежие задачи с Codeforces) — Elo-рейтинг 2296 против 1585 у Gemini.

🗣WeirdML-v2 (нестандартные ML-задачи) — 56,3% против 50% у Gemini и 45,3% у Claude Sonnet.

GPT-5 действительно сильная, но это не значит, что она всегда лучше предыдущих моделей. В некоторых задачах o3 или GPT-4.1 всё ещё впереди. Есть и субъективный момент: даже если GPT-5 даёт больше хороших ответов в среднем, при сравнении парных ответов вы можете иногда выбирать старую модель. Это связано с тем, что у вас сохраняется «память» о старых удачных случаях, и даже небольшое снижение качества в знакомых задачах может казаться заметным.

Простой пример: если GPT-4o давала хороший ответ в 30% случаев, а GPT-5 — в 60%, то при сравнении ответов «в лоб» примерно в трети случаев вы всё равно выберете старую версию.

А ещё — эффект больших чисел. При 700 млн пользователей, если у 1% из них опыт стал хуже, и только 1% из этих людей напишет об этом, в сети появится уже 70 тысяч жалоб. Они будут заметны, даже если в среднем модель стала лучше.

😎 GPT-5 дешевле не только o3, но и моделей Anthropic. А за счёт обновлённого кэширования (повторного использования уже обработанных данных) скидка теперь не 50%, а 90%.

В космосе медицина — это не просто про здоровье, а про выживание. Пока мы летаем на МКС, всё предсказуемо: связь с Хьюстоном в реальном времени, доставка лекарств грузовым кораблём и билет домой максимум через полгода. Но как только миссии уходят дальше — на Луну, а тем более на Марс — игра меняется. Там нет грузов, нет эвакуации, и иногда нет даже связи. NASA называет это Earth-independent medical operations — когда помощь экипажу нужно оказывать без Земли.

🌎 NASA вместе с Google создаёт ИИ-помощника для экипажа — Crew Medical Officer Digital Assistant. Он работает с текстом, голосом и изображениями и способен помогать в диагностике и лечении, когда врача на борту нет, а связь с Землёй обрывается. Внутри — мультимодальные (могут обрабатывать разные типы данных) языковые модели, запущенные на платформе Google Vertex AI, но код принадлежит NASA.

‼️Важная деталь: NASA использует агентный подход — ИИ делят на «роли» (врач, медсестра, лаборант, диагност), которые взаимодействуют друг с другом. Такой подход повышает точность и делает рекомендации ближе к реальности.

Первые полевые испытания показали, что модель уже неплохо справляется:

💬Боль в боку — 74% вероятность правильного диагноза и лечения
💬Боль в ухе — 80%
💬Травма голеностопа — 88%

Оценивали не просто тестировщики, а анестезиолог, терапевт и астронавт. Их оценки совпали почти идеально, что говорит о консистентности работы ИИ.

🔄Почему это важно?

В отличие от земных телемедицинских сервисов, у космического ИИ нет кнопки «перезвонить врачу». Его ответ может быть единственной инструкцией в критической ситуации. Поэтому NASA разрабатывает систему по своим Trustworthy AI Principles: прозрачность, безопасность, защита данных и постоянная валидация решений.

Сейчас CMO Digital Assistant уже интегрируют с биосенсорами, медицинскими приборами и поддержкой ультразвуковой диагностики. Следующий шаг — тесты в рамках LuCCI (Lunar Command & Control Interoperability), чтобы проверить, как ИИ работает в условиях имитации реальной лунной миссии.

😎 Мой прогноз.

Через 5–7 лет подобные автономные медсистемы будут работать не только в космосе, но и на Земле — в труднодоступных районах, зонах катастроф и, возможно, даже у вас дома. Космос здесь — просто идеальный полигон, где технологию доводят до предела, а потом масштабируют для всего человечества.

NASA прямо говорит: опыт, полученный от «космического врача», пригодится и на Земле — в удалённых районах, при стихийных бедствиях и в ситуациях, где время решает всё.

Большие языковые модели (LLM) уже вышли за рамки текстовых задач и начинают управлять реальными объектами. В промышленной робототехнике это направление реализуется через VLA-модели (Vision–Language–Action), которые объединяют три компонента:

➖ Визуальное восприятие (камеры, сенсоры фиксируют объекты и условия работы).
➗ Интерпретация команд (LLM обрабатывает текстовые инструкции).
➖ Генерация действий (управляющие сигналы для приводов и манипуляторов).

Текущие ограничения классических промышленных роботов:

💬 Управление через teach-пульт или терминал.
💬 Собственные языки программирования у каждого производителя.
💬 Высокие требования к точности — смещение на 1 мм может сорвать технологический процесс.
💬 Сложная интеграция между роботами разных брендов.

Пример практической задачи.

В эксперименте в Сколтехе студенты должны были запрограммировать робота на нанесение металлических букв. Раньше задача занимала ~20 минут. При попытке использовать GPT-модели для генерации кода время выросло до 1,5 часов из-за отсутствия у LLM знаний специализированных языков программирования для роботов.

Ключевые разработчики и подходы:

Physical Intelligence (π0):

🔣Базируется на архитектуре VLA PolyGemma от Google.
🔣Обучение на реальных демонстрациях: до 10 000 часов видео, текстовых инструкций и моторных данных.
🔣Частота генерации моторных команд — 50 Гц, что обеспечивает плавность движения.

NVIDIA GR00T N1 / N1.5:

🔣Использует мультимодальные данные: визуальные, звуковые, моторные.
🔣Дообучение при переносе на новые задачи или роботов.
🔣До 90% тренировочных данных — симуляции в NVIDIA Omniverse и Isaac Sim, 10% — реальные демонстрации.

Google Gemini Robotics:

🔣Основана на Gemini 2.0, мультимодальная архитектура.
🔣Высокоуровневая часть (интерпретация и планирование) выполняется в облаке, управление приводами — локально.

Hugging Face Lerobot

🔣Открытый стандарт данных для обучения и дообучения роботов.
🔣Публикует open source-модели для манипуляторов и гуманоидов.
🔣Стоимость небольшого манипулятора — около €100, антропоморфного робота — €3 000.

Текущий уровень готовности.

Сегодня средний показатель успешного выполнения операций (success rate) у VLA-моделей составляет около 70% при промышленном стандарте в 99,9%. Большинство решений всё ещё ограничены работой в статичных условиях, без полноценной мобильности. При этом наибольший потенциал они демонстрируют в сценариях, где критическая точность не является обязательной, но требуется высокая адаптивность к изменяющейся среде и задачам.

😎 VLA-модели снижают порог входа в программирование роботов и позволяют быстро адаптировать их под новые задачи без глубокого переписывания кода. Ключевой вызов — довести точность и надёжность до уровня промышленных стандартов. Если это удастся, интеграция LLM в физические системы может стать стандартом для производственных и сервисных роботов в течение ближайших лет.

ИИ-кодинг — уже не будущее, а норма. Cursor, Windsurf, Copilot и другие инструменты меняют процессы разработки. Но есть проблема: подавляющее большинство разработчиков не умеют работать с ИИ системно. По оценке CEO Surf, в России реально продуктивных «вайбкодеров» — не больше 10%.

Для компании AI-разработчик — это не просто «быстрее пишет код». Это специалист, который умеет декомпозировать задачи до уровня корректного промпта, тестировать результаты, работать с нестабильным выводом модели и видеть продуктовую ценность результата. Таких людей мало, а спрос на них растёт.

Почему большинство разработчиков не адаптировались?

🤓 Сложность обучения. ИИ требует структурного мышления, чёткого контекста, формулировок и терпения в отладке. UX привычных IDE тут не спасает, а инструкции часто отсутствуют — опыт нужно нарабатывать самому.

🫠 Отсутствие мотивации у мидлов и сеньоров. Чем выше уровень, тем меньше желание менять подход. AI-инструменты воспринимаются как игрушка, а не как драйвер роста.

👎 Конфликт корпоративной продуктивности. Если продуктивность растёт, а зарплата остаётся прежней, зачем ускоряться? Пока бизнес не введёт KPI, привязанные к созданной ценности (скорость вывода в прод, бизнес-импакт, ROI), ИИ останется личным помощником, а не частью корпоративной культуры.

😱 Внедрение без структуры. Без обучения и правил промптинга AI даёт нестабильный результат, а до 45% кода может содержать уязвимости (Veracode).

Как выглядит настоящий AI-разработчик:
— Декомпозирует задачу и даёт модели понятный контекст.
— Объясняет не только свой код, но и код ИИ, включая влияние на пользователя.
— Тестирует результат и берёт ответственность за итог.
— Мыслит продуктово, а не только по ТЗ.

😎 Через пару лет рынок разделится: 10–20% разработчиков будут AI-native, остальные — работать по старинке, используя ИИ для вспомогательных задач. Структура команд, вероятно, сместится в формат «сеньор + несколько джунов-операторов AI», что напоминает форму гантели: на одном конце — опытный архитектор процессов, на другом — большая группа исполнителей, которые быстро обрабатывают задачи через ИИ. Компании, которые первыми выстроят систему оценки и мотивации для таких специалистов, получат кратное преимущество.

Друзья, всем привет! Я хочу вам признаться…

Я снова возвращаюсь в канал. Да, кажется, уже в третий раз. Но сейчас — с другим фокусом, новым опытом и, надеюсь, без режима «пропал на полгода, но мысленно был с вами».

Коротко обо мне.

Меня зовут Геннадий. Я закончил ВШЭ по направлению «Управление цифровым продуктом». Сейчас работаю аналитиком в крупном московском стационаре и занимаюсь внутренними цифровыми решениями.

В вечернее время развиваю цифровые продукты для других компаний. Вот один из проектов. Оцените мои старания - вот ссылка.

Еще помог друзьям реализовать VPN-сервис: собрали пользовательскую логику, подписки и автоматизацию. Кому актуально — пишите в личку, скину ссылку.

👨‍💻Если совсем коротко: за последний год я вырос из project manager в AI Product Developer.

Сейчас я проектирую цифровые контуры компаний, собираю автоматизации с ИИ, работаю с LLM/RAG и довожу идеи до работающих решений. Можно сказать, занимаюсь вайбкодингом, но с архитектурой, метриками и ответственностью за результат.

📢 Теперь канал будет про практику

Буду делиться тем, какие AI-инструменты использую в работе, как строю цифровые продукты, какие подходы помогают ускорять разработку, что происходит в vibecoding, LLM, RAG и AI-автоматизациях. Будет про технологии, продукты, ИИ и немного про то, как не сойти с ума, когда мир обновляется каждые 5 секунд.

🫤Поддержите мои новые начинания комментарием — мне правда интересно, кто остался здесь со мной и какие темы вам сейчас ближе всего.

AI Product Developer: мода или новая профессия?

В прошлом посте я написал, что я AI Product Developer. Если объяснять просто — это новая роль на стыке продакта, разработчика и оператора AI-агентов.

Почему она появилась?

Потому что ИИ уже умеет писать код. В отдельных задачах — почти на 100%: интерфейс, backend, базу данных, API, интеграции. По данным VibeCoderz, 41–46% нового кода уже генерируется ИИ, а 63% пользователей vibe coding-платформ — не разработчики, а фаундеры, продакты, маркетологи и дизайнеры.

Но доступ к коду не делает человека создателем продукта.

➖Vibe coder может быстро собрать проект через Codex, Claude Code, Qwen, Cursor или Windsurf.
➖Продакт понимает пользователя, боль, сценарии, метрики и бизнес-логику.
➖Разработчик понимает архитектуру, безопасность, ограничения и качество реализации.

AI Product Developer соединяет эти компетенции.

Он не пишет промпт в стиле «сделай мне SaaS». Он формулирует гипотезу, раскладывает продукт на модули, задаёт архитектуру сервиса, ставит задачи AI-агентам и проверяет результат.

❗️И это ключевой момент: ИИ может написать код, но архитектуру всё равно задаёт человек. По данным исследования Orgvue, 39% руководителей компаний сократили сотрудников из-за внедрения ИИ. Но 55% из них уже признают, что это было ошибочное решение.

Без этого получается классическая боль вайбкодера: быстро собранный продукт, который красиво выглядит на демо, но ломается на реальных пользователях, плохо масштабируется или содержит уязвимости. В аналитике VibeCoderz отмечается, что 45% AI-кода содержит уязвимости из OWASP Top-10.

Поэтому важна не только скорость генерации, а управление процессом. AI Product Developer формулирует гипотезу, раскладывает продукт на модули, задаёт архитектуру, ставит задачи AI-агентам, проверяет результат и доводит MVP до состояния, которое можно показывать рынку.

👀ИИ может написать код.
Но понять, что строить, зачем строить и как это должно работать в бизнесе, всё равно должен человек.

Мой вывод: это уже не мода, а новые реалии разработки. Код дешевеет. Продуктовое и архитектурное мышление — дорожает.

Дальше буду раскладывать свой рабочий сетап: какие AI-инструменты использую, как ставлю задачи агентам, как собираю SaaS-продукты и где провожу границу между «ИИ ускорил разработку» и «ИИ просто красиво нагенерировал проблем».

🔥🔥🔥 Я трачу на AI-подписки больше $300 в месяц...

Обещал разложить свой AI-сетап — делаю по полочкам. Сразу скажу: это не история про «накупил модных подписок и стал продуктивным». В AI работает не количество инструментов, а правильно собранный контур: исследование → структура → визуал → разработка → агентная система.

1️⃣Исследование

На старте я использую Perplexity AI или ChatGPT.

Они помогают быстро собрать контекст: рынок, конкурентов, технологию, цифры, источники и слабые места идеи. Я не прошу AI сразу «сделай продукт» или «напиши пост». Сначала он копает фактуру, а уже потом я собираю из этого нормальную структуру и выводы.

2️⃣Работа с источниками

Если нужно провести исследование по конкретным материалам, использую NotebookLM.

Загружаю статьи, документы, презентации, ссылки — и работаю уже не с абстрактной моделью, а со своей базой знаний. Это удобно для аналитики, презентаций, FAQ, выжимок и инфографики. По сути, это режим: «не фантазируй, а отвечай по источникам».

3️⃣Визуализация и упаковка

Для макетов, презентаций и интерфейсной логики — Figma.

Higgsfield использую не как замену дизайну, а как инструмент для визуальных идей: накидать варианты образов, собрать картинки, иконки, сцены и единый визуальный стиль. Это сильно ускоряет черновой этап: не сидишь часами над пустым экраном, а быстро проверяешь гипотезы и выбираешь направление.

4️⃣Агентная IDE

Для агентной разработки использую Orca.

Orca для меня помогает запускать агентов параллельно, разводить задачи по разным окружениям и держать под контролем код, терминалы и изменения. Проще говоря, это рабочее место для управления агентами, а не просто еще один чат с моделью.

5️⃣Pi Agent + Codex

Отдельно у меня работает Pi Agent — CLI-оболочка для модели Codex.

Внутри него я запускаю Codex по подписке за $200. Я тестировал Codex, Claude Code и Google Antigravity, но в итоге остановился на Codex: по качеству, цене и лимитам он лучше всего подошел под мой процесс. Главное, что не выбивает лимиты!!!

Pi Agent удобен тем, что я могу управлять контекстом, подключать свои инструкции, skills, расширения и MCP. То есть я не каждый раз начинаю с нуля, а постепенно собираю собственную рабочую систему.

Что это дает?

Мой цикл теперь выглядит так:

идея → исследование → структура → визуальная упаковка → прототип → код → тест → правки.

Раньше под такой объем нужна была мини-команда. А сейчас со своим AI-контуром закрываю маркетинг, product management, визуальную упаковку и разработку SaaS-платформ. Причем разработку — на разных языках программирования и под разные архитектуры.

Это не значит, что специалисты больше не нужны. Но один сильный специалист с AI теперь может делать намного больше и быстрее.

🥳А какой AI-сетап сейчас используете вы? Что реально помогает в работе, а что оказалось просто красивой игрушкой?

🔎🔎🔎🔎Цифровой продукт стало сделать проще. Найти клиента — сложнее...

Сейчас кажется, что идей стало больше и AI под рукой. Но экономически сильных идей стало меньше — тех, которые можно запустить и вывезти только продуктом.

AI упростил реализацию: MVP, лендинг, бот, оплата, аналитика и личный кабинет теперь собираются быстрее и дешевле. Но из-за этого конкурентов становится больше, а сам продукт перестаёт быть преимуществом.

Хороший пример — VPN. Казалось бы, сервис нужен почти всем: 40% россиян уже активно пользуются VPN. Но на практике можно запустить рекламу у блогеров, Telegram-посты, рассылки — и получить почти ноль реакции.

Не потому что продукт не нужен. А потому что каналы перегреты, доверия мало, конкурентов много, а пользователь не понимает, зачем менять привычное решение на новое.

❓То же самое будет с SaaS, CRM, аналитикой, AI-агентами, приложениями и играми. Сделать стало проще. Быть замеченным — сложнее.

CB Insights пишет, что 43% провалившихся стартапов умирали из-за слабого product-market fit. А AdIndex оценивает доверие к рекламе примерно в 62 из 100. То есть реклама работает, но уже не как кнопка «получить клиентов».

😊Сейчас выигрывает не тот, кто просто собрал MVP. Выигрывает тот, кто нашёл связку: сегмент → боль → доверие → оффер → канал → повторный контакт → оплата.

AI удешевил создание продукта чуть ли не с одного промта. Но усложнил доверие и дистрибуцию.

Как думаете, сейчас у всех главная проблема — найти клиентов? Или всё зависит от маркетинговых связок и конкретной ниши?

⭐️⭐️⭐️⭐️Замечали ли вы, что на приеме у врача вам не оказывают особое внимание?

Одна из частых проблем медицины — врач на приёме занят не только пациентом, но и протоколами. Человек приходит за вниманием и заботой, а видит, как врач большую часть времени смотрит в экран.

ИИ может частично снять эту рутину.

📱 Яндекс уже тестирует ассистента для клиник: он слушает диалог врача и пациента, выделяет жалобы, анамнез, диагноз, рекомендации и формирует черновик протокола. По данным компании, документ собирается до 35 секунд, точность — выше 90%, а время врача на заполнение может сократиться до 40%.

Но главный вызов не в распознавании речи. Сложнее понять, что именно и в какое поле записать: в МИС, ЕМИАС, шаблоны, обязательные поля и юридически корректные формулировки.

📱 Похожий подход развивает Amazon: AI-ассистенты помогают пациентам с вопросами, анализами, рецептами и записью, а решения вроде AWS HealthScribe превращают разговор на приёме в структурированную заметку для врача.

С экономикой всё не так просто. По оценкам рынка, внедрение такого сервиса может обходиться клинике примерно от 50 до 200 тысяч рублей в месяц. Прямой финансовый эффект может быть неочевидным, поэтому тут есть риск увеличения себестоимости приема. Но сегодня это уже не только про экономию. Пациенты привыкают к быстрым ответам, понятной коммуникации и цифровому сервису. И если клиника не будет двигаться в эту сторону, она рискует потерять конкурентное преимущество.

🤷‍♂️А как вы думаете, что ещё можно внедрить в клиники?