ИИ точно не заменит PR-щиков, пока Рейтинг Рунета не сделает MCP и Skills для заполнениях их анкеты

Короче, про ИИ и инфраструктуру.

С одной стороны, внедрять ИИшные фичи в продукт сегодня можно просто и быстро — есть много доступных API-платформ: от топовых OpenAI, Claude до отечественных ГигаЧатов и Яндексов.

Но вот если ты большая коропорация и не можешь пользоваться облаками (и уже тем более иностранными!) и тебе нужен строго on-prem — тут начинается самое интересное.
Оказывается, Open Source моделей много, но все они... нууу... как бы... не всегда такие умные, как топовые модели, которые ну слуху (GPT-5.3, Opus, Sonnet etc). А еще и приличное железо для их инференса очень дорогое: миллионы в месяц, если речь про аренду и десятки миллионов, если речь про покупку. А еще и работать это может не так быстро, как ожидалось, а железо при этом может быть недозагружено. А еще нужен прямо отдельный пласт экспертизы для поддержания этой новой инфраструктуры. И все это очень сильно влияет на экономику и финансовую модель продукта.

И в итоге нужно искать баланс. Выбирать модели, которые достаточны, но не избыточны для стоящих задач (а тут, например, часто всплывают вопросы файн-тюнинга моделей). Рассчитывать предполагаемый профиль нагрузки и дотошно подбирать под это железо. Настраивать инфраструктуру так, чтобы по максимуму использовать возможные механики повышения производительности моделей и выжимать максимум из моделей.

И вот про эти тонкости мы делаем вебинар 13 марта. С одной стороны — мы там очень глубоко закопаемся в технические детали и способы оптимизации инференса (будет очень полезно для технарей), с другой стороны будем говорить про деньги и делиться конкретными бенчмарками про финансы/железо (будет полезно бизнесу).

Детали ниже

В общем, приходите!

РЕГИСТРАЦИЯ В НАШЕМ БОТЕ

Ух ты, еще один рейтинг!

Kokoc.tech выпустили рейтинг авторов тг-каналов it и digital.

Мой канал попал на 7-место в категории «Разработка». Приятно! :)

Вчера ходил на балет и самое больше впечатление на меня произвела… работа гардеробщика!

Знаете этот момент, когда представление окончено, зрители похлопали, артисты ушли и вся толпа из сотен (а может и тысяч, не знаю) человек идет в гардероб и там такие пробки, что ты стоишь и ждешь-ждешь-ждешь?

А вчера оказавшись у гардероба я понимаю, что толпы почти нет (при том, что зал был полным). И начинаю понимать в чем дело, когда смотрю на гардеробщика — там молодой парень-студент, который просто… бегает!

Лицо немного покраснело, тяжело дышит, но бегает. Берет бирку, бежит к вешалке, снимает одежду, отдает, тут же без остановки берет следующую бирку и бежит дальше. И когда я говорю «бежит» — я именно это и имею в виду: не идет быстрым шагом, а вот прям бежит!

Потом я замечаю, что почти всегда он берет несколько бирок и в этом есть система. Он успевает просканировать их глазами, выбрать те, которые рядом и бежит, чтобы за один забег обслужить сразу несколько человек. А еще, мне показалось, что даже в том, как он выбирает одиночные бирки для обслуживания тоже была система — кажется, он выбирал максимально близкие, чтобы скорей отпустить человека и чтобы на его место пришел человек с другой биркой (которая в свою очередь может сложиться в паззл с другими бирками, чтобы он мог сделать свой групповой забег и отпустить за раз несколько человек). Прямо оптимизация цепей поставок!

Ну и вишенкой на торте стало то, что при всей этой повышенной физический и мозговой активности он не забывал быть приятным человеком — улыбался и говорил «пожалуйста» при выдаче одежды.

Дак вот. Сейчас кризис (надеюсь, не открыл для вас Америку) и очень хочется видеть вокруг больше таких заряженных людей. Желаю всем читающим быть в работе, как этот парень-гардеробщик: делать свое дело с улыбкой на лице, с полной самоотдачей и за рамками ожиданий окружающих ;)

P. S. Балет тоже был хороший

В пятницу 13-го — про производительность и экономику при инференсе LLM

🗓 13 марта, 12:00 мск, Пятница
💻 ОНЛАЙН

На вебинаре со спикерами из Spectr и Selectel разберем, из чего складывается экономика инференса и какие решения при проектировании снижают бюджет на порядок. С одной стороны — глубоко закопаемся в технические детали и способы оптимизации инференса (будет очень полезно для технарей), с другой стороны будем говорить про деньги и делиться конкретными бенчмарками про финансы и железо (будет полезно бизнесу).

Что разберём:
— как устроен инференс LLM и какие способы оптимизации производительности существуют;
— из чего складывается стоимость эксплуатации LLM в продакшене;
— как выбор LLM-модели и конфигурации GPU меняет стоимость инфраструктуры на порядок;
— бенчмарки на реальном оборудовании: сравнение GPU в разных конфигурациях под нагрузкой;
— свой сервер и API: расчёт с ценами российских провайдеров, что выгодней.

🧑🏻‍💻 Вебинар будет полезен для CTO, архитекторов, руководителей продуктов и разработчиков, которые строят LLM-решения и хотят понимать экономику их эксплуатации.

Участие бесплатное, но необходима предварительная регистрация!

ПРОГРАММА И РЕГИСТРАЦИЯ

Кстати, на этой неделе у нас кончился первый поток нашего курса про применение ИИ для разработчиков и в понедельник был «выпускной», где студенты показывали свои проекты, которые делали на протяжение курса.

Разные кодинг-агенты (Cursor, Claude Code), RAG, свои MCP-сервера, Spec Driven Development, облачная ИИ-инфраструктура — небольшой список того, что освоили ребята за время курса.

Сейчас собираем обратную связь, дорабатываем программу и готовимся к запуску второго потока. Планов много: пофиксить небольшие баги в программе, перезаписать ряд уроков (потому что некоторые уже стали неактуальными из-за множества новых релизов в индустрии), добавить несколько новых и еще много файн-тюнинга.

Если хотите пройти курс или отправить к нам своих разработчиков, чтобы они бустанули свою скорость работы — пишите ;)

Вчера Open AI выкатили новые «дешевые» и умные модельки gpt-5.4-mini и gpt-5.4-nano и все вокруг пишут, как же круто, какие же они дешевые, а я решил сделать быстрый замер на реальной нашей задаче. Вот результаты

Контекст
Есть задача в одной из внутренних систем - метчить кандидатов на запросы при помощи LLM. Сейчас там используется моделька gpt-5-mini с low effort

Методика эксперимента
При тех же самых входных данных и промптах - меняем модельки и effort для них и смотрим на результаты

Замеры
На скриншоте

Итоги
1) Конкретно в нашей ситуации чуть лучший результат по качеству результата выдает gpt-5.4-mini с medium effort. Но по цене получается в ±3.5 раз дороже
2) gpt-5.4-mini с low effort выдает результат стабильно хуже, чем gpt-5-mini (незначительно, но хуже). Стоимость при этом примерно в 2 раза дороже
3) gpt-5.4-nano стабильно выдает в нашей задаче худшие результаты
4) Все модельки gpt-5.4 работают в 3+ раза быстрей

Про ИИ, разработку, будущее

Сумбурный пост, захотел поделиться

Последний ±год мы очень круто научились применять ИИшку для генерации кода. Для генерации большого кол-ва кода. Хорошего кода. Для сложных и комплексных задач в довольно сложных проектах. Результаты для нас это дает потрясающие — объем сделанного и реально работающего одним человеком (иногда лично мной) в несколько раз (±3-5) превышает объемы сделанного полноценными командами за аналогичные периоды ранее. Пока это все — для наших внутренних продуктов и продуктов, которые готовим к выводу на рынок (почему так — кратко писал тут). В том числе, для большой платформы, которая медленно и долго росла и развивалась внутри Спектра, а теперь благодаря ИИ получила сильный буст

Когда я говорю про про сложные задачи и проекты - в моем понимании это продукты, где есть разные микросервисы, разные репозитории, много интеграционных механизмов между ними и большое кол-во взаимосвязей. А типичная задача — это какая-то e2e-фича, которая покрывает полноценный юзеркейс и при этом затрагивает несколько механик и сервисов.
Мы уже умеем организовывать архитектуру, код и документацию в проектах так, чтобы с этим могли эффективно работать кодинг-генты. Уже сформировались довольно устойчивые воркфлоу, набор применяемых тулов, Skill's, Spec-Driven подход. Мы более-менее научились тиражировать эти знания и навыки благодаря нашим курсам.

Но это лишь фундамент того, к чему мы идем. Сейчас это прекрасно работает, но держится на супер-квалифайд людях и отсутствии организационных барьеров на пилотных продуктах.

Сейчас мы сосредоточены на том, чтобы использовать наш опыт для построение предсказуемого, системного и масштабируемого процесса разработки. Процесса разработки, где ИИшка имплементирована во все этапы SDLC - прямо вот начиная с дизайна. И это прямо огромный челлендж с большим количеством неопределенностей и точек приложения усилий.

Например, чисто инструментально много вопросов.
— Как организовать документацию, чтобы и людям было с ней удобно работать и чтобы был вменяемый пайплайн ее доставки до ИИ-агентов?
— На базе чего построить таск-трекинг и как лучше всего дать доступ к проектному контексту агентам (при том, что хайповые облачно-зарубежные штуки аля Linear нам не подходят — нам нужен только standalone в нашем контуре)?
— Как организовать работу с UI проекта, чтобы был полноценный пайплайн от дизайн-системы до финальных макетов и чтобы ко всему этому: были нормальные официальные MCP для агентов и что важней - чтобы условные продакты могли промптами быстро собирать новые макеты (вроде как-то идет в этом направлении Skitch от Гугла, но пока простоват) ?
— ... и такого еще много. В целом, тут речь про существенную пересборку всей ИТ-инфраструктуры для разработки

Но еще больше (которые мне кажутся более сложными) вопросов в части управления новой системой.
— Как должна быть организована ролевая модель в новых командах? Супер-квалифайды, которе могут сделать все — это красиво, но сложно масштабируемо. Узкие атомарные роли (фронт-разработчик, бэк-разработчик и пр) — понятно, но уже очень неэффективно и неуправляемо со скоростями генерации кода ИИшкой.
— Применимы ли привычные нам фреймворки для управления? Agile, Waterfall? Ванугю, скоро появится AIgile :))
— Как организовать версионирование/актуализацию документации, когда кода генерируется столько, что все устаревает за час?
— Как все это чудо прогнозировать и оценивать, чтобы этим управлять? Часы — кажется, точно нет. Стори-поинты — сомнительно. Токены — звучит логично, но как такие оценки подружить с бизнесом (которому нужны сроки, например)

Ответу на эти и многие другие вопросы будет посвящен ближайший год.

Если вы уже набили шишек по какому-то из вопросов и хотите послушать про наши шишки — пишите мне, давайте общаться, обмениваться опытом и двигаться быстрей

#ИИиБизнес

Кстати, насчет РФных облачных сервисов управления проектами и AI-native разработки

Я посмотрел все известные мне сервисы, искал какой-то, который можно попробовать для пилотирования ai-native процесса разработки. Мне было важно найти сервис, который хотя бы смотрит в этом направлении. И НЕ НАШЕЛ :(

Первая, фундаментальная штука, которая мне нужна в этом плане — это официальный MCP-сервер, который можно подключить к кодинг-агенту и дать ему доступ ко всему контексту и данным проекта (таски, база знаний и пр). Примеры: у Linear , у Plane, у Atlassian

Ни у кого сейчас нет такой фичи. Встроенные ИИ-агенты, встроенные ИИ-помощники, какая-то ИИ-аналитика и другие ИИ-фичи — есть. А вот MCP-сервера для доступа к данным для внешних ИИ-агентов нет.

Если меня читают разработчики таких сервисов — прислушайтесь. За AI-native разработкой будущее и, видимо, у вас есть очень крутая возможность выделиться среди конкурентов.

Кстати, мы в Спектр можем вам помочь с разработкой этого MCP-сервера и заодно вместе попилотировать AI-native подход 😊

Spectr | Курс по AI для разработчиков

Решил поделиться одним из главных организационных изменений, которое будет во втором потоке курса по ИИ в разработке

У нас есть Групповой тариф, который подразумевает, что студенты добавляются в чат ПОТОКА, могут там консультироваться с преподавателями и могут ходить на еженедельные встречи

Дак вот мы решили превратить этот закрытый чат в комьюнити. Это будет один чат на все потоки (состоявшиеся и грядущие) и даже те, кто уже закончил обучение — будут иметь возможность ходить на ВСЕ еженедельные встречи. Без ограничений по сроку.

Первый поток показал, что еженедельные встречи — это не просто история про разбор домашек и ответы на вопросы, а место где реально заинтересованные люди делятся своими наблюдениями, опытом, болями и рабочими кейсами. Это очень круто, потому что опыт и специфика работы у ребят очень разные: были люди из быстрых стартапов, где всем по-умолчанию оплачивают подписку на Cursor; а были люди из банков, где за одно упоминание ИИ вызывают на ковер к СБ — это очень расширяет кругозор и позволяет обстучать свое представление о мире об чужой опыт :)

В общем, теперь наш Групповой тариф — это не про возможность получать обратную связь в рамках потока, а еще и про пожизненный доступ к закрытому комьюнити

🔥 Следующий поток стартует 20 апреля — не пропустите!

Курс по AI для разработчиков

Как бороться с тем, что разработчики (и не только) используют ИИ для прохождения тех собеседований?

Очень просто — НЕ НАДО С ЭТИМ БОРОТЬСЯ, ПУСТЬ ИСПОЛЬЗУЮТ!

ИИ-шка сама по себе никак не усиливает компетентность человека. Более того, на коротком промежутке времени может наглядно продемонстрировать его некомпетентность.

Саня позвал меня поучаствовать экспертом в экспериментальном собеседовании, где нет никаких ограничений по применяемым инструментам:
— 1.5 часа
— Человек на старте получает большую задачу, которую сделать руками почти невозможно, а с ИИ-тулами можно
— В процессе реализации человек защищает и аргументирует выбранные им решения
— Нужно показать РЕЗУЛЬТАТ

Какой смысл проверять на собеседовании узкие синтетические знания, если теперь мы можем проверить реальный перформанс человека? Думаю, что за таким форматом собеседования разработчиков будущее!

Смотреть тут: https://www.youtube.com/watch?v=YOxMBvX3pj4

Spectr | Курс по AI для разработчиков

🕶 Исторический момент — сегодня у нас в PnL появилась отдельная строка с расходами на ИИ-инфраструктуру и сервисы (раньше все было спрятано в ИТ)

И в честь этого, по секрету делюсь с вами ссылкой на запись нашего недавнего вебинара про ИИ-инфраструктуру и ее стоимость — https://kspct.ru/llm-webinar-record

Spectr | Курс по AI для разработчиков

Как дать ИИ-агентам доступ к Jira и Confluence в своем контуре

Я писал, что одна из важных задач в AI-native разработке - дать агентам нормальный доступ к проектному контексту.

У нас развернуты серверные Jira/Confluence в своем контуре и после ряда экспериментов и изысканий остановились на вот этом решении — https://mcp-atlassian.soomiles.com, которое очень рекомендую.

Почему в итоге выбрали его
• работает с Atlassian в своем контуре, а не только с облаком
• отдает агенту не только задачи, но и связанный контекст (вложения, комментарии, ссылки и пр.)
• совместимо с большинством кодинг-агентов и легко цепляется к продуктам Atlassian через штатный механизм внешних API-ключей

Например, когда я тестировал даже официальный MCP для Plane (https://developers.plane.so/dev-tools/mcp-server) — я там уперся в то, что агент с этим MCP не мог вытащить приложенные скриншоты из задачи и это сразу ломало часть сценариев использования. А тут все работает без дополнителных танцев с бубнами и получает доступ действительно ко всему контексту сущностей: задачи, вложения к ним, связанные ссылки и страницы конфлюенса со всеми комментариями и все остальное — и это просто божественно.

Если используете продукты Atlassian, рекомендую!

Spectr | Курс по AI для разработчиков

Вышел новый Opus 4.7

Официальное — https://www.anthropic.com/news/claude-opus-4-7

Краткий обзор от меня:

1) Лучше предыдущей версии по большинству метрик. Наиболее существенный прирост по Visual reasoning (если проще, то модель стала заметно лучше понимать, что происходит на картинках)

2) Говорят, что поменяли токенизатор и теперь моделька на те же самые задачи может тратить на ±30% больше токенов и рекомендуют проверить старые промпты, т.к. новая моделька более буквально понимает инструкции. Есть небольшое руководство по миграции с Opus 4.6

3) Стоимость осталось на уровне Opus 4.6, стоимость Opus 4.6 тоже оставили без изменений

4) В официальном релизе и приводимых бенч-марках упоминается Claude Mythos Preview — моделька следующего поколения, которая лучше текущего поколения и которую они пока держат в ограниченном доступе из-за кибер-рисков 🤔

Будем пробовать

В эти выходные угольный гриль прошел ежегодное тех обслуживание и тем самым официально открыл новый гриль-сезон. Сезон был открыт потрясающими сочными бургерами!

Всем продуктивной недели!

ИИ в дизайне

По недавним релизам я вижу, что «инженеризация» дизайна идет очень активно и тот же дизайн интерфейсов становится все меньше творческой и все больше инженерной дисциплиной.

Вот Гугл релизнул DESIGN.md, open-source стандарт для описаний дизайн-систем для агентов.

Антропики релизнули Claude Design, который умеет работать с дизайн-системами и уже сейчас выдает довольно хорошие интерфейсы и презентации (я прямо был удивлен уровнем результата).

А еще помним про Google Stitch, который не так давно тоже сильно прокачали.

В общем, на горизонте вырисовывается полноценный ИИ-пайплайн работы с интерфейсами и дизайн постепенно выходит из модели "нарисовали в Figma, дальше как-нибудь перенесем" в модель, где интерфейс описывается как система ограничений, компонентов и сценариев, с которыми могут работать и люди, и агенты

Что нового в ИИ за неделю

По пятницам постараюсь каждую неделю делать небольшой дайджест со своими комментариями главных новостей про ИИ, которые считаю важными.

Вышел новый GPT-5.5
Как обычно, метрики подросли (не кардинально). Заявляют, что лучше работает с длинным контекстом и более эффективно расходует токены (в противовес Opus 4.7, к слову). При этом, цена на новую модель выросла в 2 раза по сравнению с GPT-5.4.
Я уже попробовал погонять модель для планирования — как будто, правда лучше ориентируется в архитектуре и делает меньше проходов по коду для планирования, но это очень субъективные наблюдения. Пока каких-то супер-преимуществ перед GPT-5.4 не увидел, чтобы платить х2 🤔

Вышли новые модели DeepSeek 4
А вот это прямо интересно, т.к. больших релизов от дипсика не было уже больше года. Контекст стал 1M (у 3.2 был 128к). Цены остались прежними (напомню, что цену на дипсик в разы меньше, чем у OpenAI/Антропиков).

Интересно, что сразу раскатали новые модели на API, при чем старые названия моделей в API-вызовах продолжили работать, но физически все вызовы ведут уже на модели нового поколения. А у нас используется ооооочень-много автоматизацией на базе дипсика по API как раз — утром в статистике уже увидел, что пошел расход по новым моделям и боялся, что что-то отвалится из-за этого — но нет, все работает прекрасно и стабильно. Получается, что ночью наши автоматизации без нашего ведома переехали на модели нового поколения и бесшовно продолжили работать за прежние деньги, но с более высоким качеством — мне нравится такое.

P.S. По поводу обратной совместимости в API DeepSeek — она не бесконечная и согласно документации, вызовы моделей в старом формате перестанут работать 24 июля. Так что код все-таки придется обновить