На презентации не обошлось без факапов.

Каждый год тысячи студентов по всему миру живут одной мечтой — пройти отбор на ICPC. Годы тренировок, сотни задач, бессонные ночи. Представь: тебе 21, ты пробился в финал, сидишь в зале, сердце колотится, рядом 139 команд из лучших университетов мира.

Ты готовишься биться за золото — и вдруг понимаешь, что среди соперников есть команды от Google и OpenAI.
OpenAI выкатил GPT-5 с экспериментальной reasoning-моделью.

Результат — 12 задач из 12. Идеально. Абсолютный рекорд. Лучшая человеческая команда взяла 11. Google со своим Gemini 2.5 Deep Think сделал 10 из 12 и даже решил задачу, которую не смог ни один человек.

Модели работали по тем же правилам, что и студенты: одинаковое время, одинаковые условия. ИИ официально вышел на одно поле с людьми и победил.
Контекст. Рынок IT-образования и подготовки разработчиков — $105 млрд в год, по миру 27 млн программистов.

ICPC всегда был витриной, где корпорации охотились за лучшими кадрами. Теперь витрина принадлежит ИИ — и вопрос уже не в том, кто выиграет следующий финал, а зачем учить людей тому, что модели делают лучше и дешевле.

И что?

Для бизнеса: сложные алгоритмические задачи теперь уходят в ИИ. Прототипы, оптимизация, рефакторинг — всё это дешевле и быстрее моделей, чем команд джуниоров.

Для инвесторов: рынок код-ассистентов ($19B в 2025) будет расти как на дрожжах. Важнее не IDE, а кто контролирует модели и обучающие датасеты.

Для людей: даже топ-студенты проиграли. Через пару лет любой разработчик без ИИ-инструментов становится неконкурентоспособным.

🚨 Нам 3.14здец

Университеты и школы программирования — 9/10. Их курсы превращаются в архив. Что делать: перестраивать обучение на ИИ и продуктовую работу.

Джуниоры и мидлы — 8/10. GPT-5 делает их задачи быстрее и без ошибок. Что делать: учиться управлять ИИ-процессами или искать новую профессию.

Спрос на вычислительные мощности растёт так быстро, что нынешние датацентры уже не справляются. Модели становятся настолько большими, что OpenAI приходится решать, что важнее — запустить систему для ранней диагностики рака или дать миллионам людей доступ к бесплатному обучению.

Сегодня эти проекты конкурируют за одни и те же GPU, и каждый запуск — это чей-то проигрыш.

Эта гонка решается только одним способом — мощностями нового уровня. Не нарастить на 10%, а построить индустрию, которая каждую неделю выдаёт один гигаватт AI-вычислений. Это как если бы Amazon открывал новый датацентр каждую неделю, но не ради e-commerce, а ради ИИ, который меняет медицину, науку и образование.

Чтобы это стало возможным, нужен партнёр, который даст не только деньги, но и железо. Теоретически в игре могли быть Microsoft, Oracle, крупные фонды, даже правительства. Но у Microsoft уже перегретый Azure, Oracle ограничен в масштабах, а фонды не умеют строить чипы и энергетику.

В итоге решилась Nvidia. Они подписали с OpenAI намерение поставить 10 гигаватт систем — миллионы GPU — и готовы вложить до $100B по мере развертывания. Первый гигаватт запустят во второй половине 2026 года на новой платформе Vera Rubin. Nvidia становится «предпочтительным партнёром» OpenAI по железу и сетям, Microsoft и Oracle остаются в экосистеме, но уже не эксклюзивно.

Для Nvidia — это закрепление монополии. Они финансируют OpenAI, а OpenAI тут же тратит эти деньги на чипы и системы Nvidia. Замкнутый цикл, в котором Nvidia получает гарантированный спрос и контроль над самым большим клиентом в истории. Для Microsoft это сигнал, что их Azure больше не единственный ключевой партнёр. Для фондов и правительств — момент, когда они могли зайти в игру, но упустили.

Альтман тем временем в блоге объяснил масштаб замысла. Он хочет убрать само понятие «дефицит compute». Сегодня OpenAI вынуждено выбирать между проектами, а в будущем смогут запускать их параллельно — и лекарства, и образование, и роботов. Первая стадия уже идёт — сделка с Nvidia. Дальше — новая серия анонсов, привлечение капитала и конкуренция на уровне государств за лидерство в чипах и энергии.

И что?

Для бизнеса: лимиты по GPU исчезнут. Можно планировать продукты, не опасаясь, что «железо не потянет». Это ускорит вывод на рынок сложных AI-сервисов.

Для инвесторов: Nvidia превращается из производителя чипов в инфраструктурного гиганта. Новая экономика с доходами от энергии, сетей и датацентров.

Для людей: ИИ сможет закрывать сразу несколько задач одновременно. Без выбора «кому помочь — онкобольным или детям в Африке».

🚨 Нам 3.14здец

Энергетика — 9/10. 10 гигаватт — это как 10 атомных станций. Сегодня таких мощностей нет. Что делать: срочно строить зелёную генерацию и умные сети, иначе в 2026 начнутся перебои.

Рынок труда — 8/10. Если OpenAI перестаёт ограничивать свои модели, миллионы рабочих мест могут исчезнуть быстрее прогнозов — сначала в софте, потом в медицине и образовании.
Что делать: готовить программы переквалификации уже сейчас.

Геополитика — 7/10. Китай и другие страны могут ускориться, если создадут свои цепочки поставок. Что делать: США придётся субсидировать чипы и энергию, иначе лидерство уйдёт.

До сих пор риски от ИИ были понятны: галлюцинации, ошибки, утечки данных. Но модели растут, и начинают проявляться новые, куда более стрёмные повадки.

Представьте, что вы хотите выключить систему, а она сопротивляется. Или что она незаметно влияет на решения людей в политике, финансах или медицине.

Google DeepMind выпускает Frontier Safety Framework 3.0 — это их внутренняя система контроля «передовых» моделей. Теперь они будут отслеживать два ключевых признака: сопротивление отключению и слишком сильное влияние на убеждения и поведение людей.

Если модель начинает вести себя как «своевольный игрок», её блокируют и запускают расследование.

В новой версии DeepMind чётче описал, что такое «критическая угроза». Теперь у каждой модели есть уровень риска, и при достижении максимального компания обязана немедленно провести аудит и даже остановить запуск. Причём проверки проходят не только перед релизом, но и для внутренних экспериментов, чтобы не прозевать опасные паттерны.

Это часть большой гонки безопасности. Anthropic, OpenAI и теперь Google укрепляют протоколы, чтобы быть готовыми не только к текущим багам, но и к будущим сценариям, где ИИ ведёт себя непредсказуемо.

Вопрос уже не в том, как ИИ работает сегодня, а в том, как он может повести себя завтра.

И что?

Для бизнеса: появятся стандарты безопасности, обязательные для всех крупных AI-продуктов. Компании без них не смогут работать на международных рынках.

Для инвесторов: новые риски — новые расходы. Проверки и аудит моделей станут отдельной статьёй затрат, как кибербезопасность сегодня.

Для людей: снижается шанс, что неконтролируемая модель попадёт в повседневные сервисы и примет решения за вас.

🚨 Нам 3.14здец

Госрегуляторы — 8/10. Если корпорации сами не успеют, государства начнут вводить жёсткие законы и тормозить инновации. Что делать: бизнесу нужно опередить регуляторов и предложить свои правила.

Малые AI-команды — 7/10. Проверки и аудит — дорогие. Стартапы не потянут такие расходы и рискуют исчезнуть или продаться крупным игрокам. Что делать: объединяться в альянсы или идти под крыло корпораций.

Вы знаете, почему Facebook взлетел? Это был дейтинг-сервис без дейтинга. Не нужно было стыдиться, что твоя анкета висит на виду. Никто не знал, кто тебе нравится, и уж точно не было риска наткнуться на анкету мамы или подруги. Facebook стал «безопасной территорией», где люди знакомились без ярлыка «сервиса для знакомств».

Со временем у пользователей появился другой стресс — бесконечные свайпы. Одинаковые анкеты, утомительное пролистывание, и в итоге люди бросают приложения через месяц.

Tinder и Bumble застряли в этой модели, а вовлечённость падает.
Теперь Meta решила, что пользователей у неё достаточно, а денег от рекламы мало. И возвращает Facebook к истокам — но уже в лоб, как полноценный дейтинг, только с AI и идеей монетизировать этот успех.

В Facebook Dating появляются два новых инструмента. AI-ассистент помогает улучшить профиль, предлагает варианты свиданий и находит людей по интересам, а не по шаблону «рост-образование-фото».

Второй — Meet Cute. Каждую неделю Facebook сам подбирает «сюрприз-матч» и показывает его пользователю. Это попытка убрать утомление от выбора и сделать дейтинг как Netflix — включил, посмотрел, согласился или отказался.

Если эта схема взлетит, у Meta появится новый способ удерживать аудиторию и зарабатывать на ней напрямую. А конкуренты, которые застряли в свайпах, рискуют потерять рынок, который сами создали.

И что?

Для бизнеса: Facebook Dating может стать площадкой для рекламы ресторанов, баров и сервисов знакомств — AI подсовывает идеи свиданий прямо в интерфейсе.
Для инвесторов: Meta получает рост без новых пользователей — просто меняет механику и монетизацию. Это риск для Tinder и Bumble, чьи акции зависят от подписок и вовлечённости.
Для людей: меньше стыда и меньше свайпов. Алгоритм сам ищет и предлагает, а не заставляет выбирать бесконечно.

🚨 Нам 3.14здец

Tinder и Bumble — 8/10. Если формат «автоматических матчей» зайдёт, классические дейтинг-сервисы потеряют лояльную аудиторию. Что делать: либо интегрироваться в экосистемы вроде Meta, либо умирать.

Данные пользователей — 7/10. Meta будет знать о ваших вкусах и привычках больше, чем когда-либо. Что делать: требовать прозрачности и регулирования, иначе утечки ударят по всем игрокам.

Пятничный контент

Помните ковид и споры о том, что его якобы собрали в лаборатории в Ухане? Звучит эффектно, но это полная хуйня. Человек не может создать вирус с нуля.

Максимум — подредактировать существующий, как чинят старую машину: поменять деталь, подкрутить двигатель, перекрасить корпус. Но построить новую модель с чистого листа — невозможно.

Мы не знаем всех правил работы вируса и не можем одновременно просчитать миллиарды вариантов взаимодействий. Это не работа для человека — это задача для ИИ.

И вот теперь такой ИИ появился. Stanford и Arc Institute обучили модель Evo на 2 млн известных вирусов и попросили её спроектировать совершенно новые. Не модифицировать старые, а создать невиданные прежде формы жизни.

Из 302 сгенерированных вариантов 16 оказались рабочими — они заражали бактерии и убивали их. В этих вирусах нашли 392 мутации, которых никогда не было в природе.

ИИ сделал то, что людям не под силу: он одновременно просчитал миллионы комбинаций белков и предсказал, какие из них реально заработают. Учёные годами безуспешно пытались руками собрать подобные комбинации, а модель справилась за считанные дни.

В одном случае Evo объединил элементы вирусов из разных семейств — эксперимент, который раньше считался невозможным.
В тестах обычные вирусы быстро переставали работать: бактерии вырабатывали иммунитет. Но AI-вирусы пробивали защиту за дни, показывая, что модели способны действовать быстрее самой эволюции.
Контекст.

Рынок биотеха — $1,37 трлн, из них $250 млрд — борьба с бактериальными инфекциями. Антибиотики теряют эффективность: только в США супербактерии убивают 35 000 человек в год и стоят системе $4,6 млрд. AI-вирусы могут стать новой категорией лекарств, которые проектируются и обновляются быстрее, чем бактерии успевают адаптироваться. Это уже не догоняющая гонка, а игра на опережение.

И что?

Для бизнеса: фарма получает возможность создавать целые линейки препаратов без десятилетий R&D. Новый вирус-терапию можно спроектировать за 1–2 года вместо 10, а себестоимость испытаний снизится в разы. Это переворачивает фармстратегию — вместо ставки на один blockbuster сразу десятки гибких решений под конкретные патогены.

Для инвесторов: формируется рынок AI-driven drug design. Масштаб сравним с эпохой антибиотиков середины XX века. Контроль над моделями и биобазами становится стратегическим активом. Это рынок на триллионы долларов в ближайшие 10–15 лет.

Для людей: шанс победить супербактерии и болезни, которые сейчас считаются неизлечимыми. Лекарства будут точнее и появляться быстрее — под конкретную угрозу, а не раз в десятилетие.

Итого: сегодня на вывод одного препарата уходит $2,3 млрд и 8–12 лет тестов. AI-вирусы снижают этот порог в 5–10 раз. Экономика меняется радикально: раньше каждая ошибка стоила миллиардов, теперь экспериментировать можно постоянно и дешево. Для человечества это выигрыш во времени и качестве жизни — болезни не успевают разрушать организм и экономику.

🚨 Нам 3.14здец

Производители антибиотиков — 9/10. Их рынок в $250 млрд под угрозой, потому что AI-вирусы могут решать проблему бактериальной резистентности быстрее, чем фарма успевает выпускать новые поколения антибиотиков. Что делать: переходить в синтетическую биологию и разрабатывать собственные ИИ-платформы, иначе через 5–7 лет рынок уйдёт конкурентам.

Государства без биозащиты — 8/10. Такие технологии могут лечить и убивать, всё зависит от того, в чьих руках они окажутся. Что делать: строить системы контроля, создавать национальные базы данных и держать разработку под строгим надзором.

Немного субботнего контента. (Человек имитирует электронные звуки, а робот имитирует человеческие танцы)

Страдающие фомо, сейчас вам будет плохо, не читайте.

18-летний американец заработал $30 млн на приложении Cal AI. Оно считает калории по фото еды. Внутри — обычный ChatGPT, вся магия в одном промпте.

И что? Мои идеи про AI mindset и solo founder — это не теория, а реальность. Нейросети — новая площадка, где будут штамповаться миллионеры и, возможно, миллиардеры. Одному человеку теперь достаточно ноутбука и удачного промпта, чтобы запустить бизнес на десятки миллионов.

Материалы — штука понятная: машины делают из стали и алюминия, стаканчики — из переработанной бумаги, айфоны прыгали с титана на алюминий, процессоры — из кремния.

Параллельно весь мир ковыряет новые: твёрдотельные батареи и электролиты для безопасности и плотности энергии, перовскиты для солнечных панелей, GaN/SiC для силовой электроники, катализаторы для водорода и хранения энергии. Делают это тремя путями: комбинаторный синтез «тысячи образцов за раз», вычислительные прогоны на суперкомпьютерах (DFT, базы типа Materials Project), и ИИ-модели, которые уже нагенерили миллионы кристаллов (вроде GNoME у DeepMind).


Зачем? Дешевле хранить энергию, эффективнее превращать свет в электричество, упростить электронику. 
Теперь — «квантовые материалы». Это кристаллы со специальным узором решётки, из-за которого электроны ведут себя необычно: появляются редкие типы магнетизма, сверхпроводимость, эффекты для квбитов и сверхточных датчиков.

Природа такими почти не делится; искать «вручную» — годы. Поэтому заметные сдвиги получаются, только когда сужаешь поиск хитрыми правилами. 

MIT выкатил SCIGEN — надстройку к диффузионным моделям, которая заставляет ИИ соблюдать геометрические правила прямо во время генерации. Не «штампуем всё подряд и потом фильтруем», а сразу рисуем кристаллы с нужными узорами, связанными с квант-свойствами. Фактура: сгенерили ~10 млн кандидатов, ~1 млн прошли прескрининг стабильности; для 26 000 сделали тяжёлые квант-расчёты, у ~41% нашли нужный магнитный порядок.

И главное — в лаборатории реально собрали два новых соединения, TiPdBi и TiPbSb, их поведение совпало с предсказаниями. DeepMind помогал с фреймворком. Смысл простой: SCIGEN убирает физически невозможный мусор и переносит работу из «экрана» в «пробирку» быстрее. 

И что?

Для бизнеса: лаборатории и приборостроение по квант-направлению получают shortlist по свойствам, а не мешок «просто стабильных» кристаллов — поток 10M → 1M → 26k с магнитным порядком у 41% снижает холостые симуляции и пробы на порядок; действие: фиксируйте целевые решётки (кагоме/Lieb/архимедовы), гоните генерацию с правилами, резервируйте DFT-квоты и синтезируйте top-N.

Для инвесторов: риск ниже — есть лабораторная валидация (два новых соединения с совпадением предсказаний), понятная метрика hit-rate по конкретным классам решёток; ставка — на команды с полным контуром «геометрические правила → генерация → DFT → синтез» и портфелем IP на семействa квант-материалов (спинтроника, квант-сенсоры, магнитная память).

Для людей: быстрее дойдут прикладные штуки именно из квант-материалов — сверхчувствительные датчики (магнито- и терагерц-диапазон), энергоэффективная спинтронная память, элементы для устойчивых кубитов; ожидание между идеей и рабочим образцом сокращается с лет до кварталов.

🚨 Нам 3.14здец

Группы «ищем руками» — 8/10 — вас обгонит воронка 10M→1M→26k→синтез; что делать: ставить геометрические ограничения на генерацию и автоматизировать DFT+синтез.

Генеративки «без физики» — 7/10 — нереализуемые решётки больше никому не нужны; что делать: вшивать правила решёток и фильтры реализуемости прямо в генератор.

У любой компании сегодня два конвейера: контент и обучение. По утрам прямые эфиры и вебинары, к обеду — пачка шортов и клипов, к вечеру — обновление базы знаний и онбординг для новых людей. Из задач — переозвучить лекцию на испанский и арабский, нагенерить сабы, вычистить токсик, размечать скринкасты, выдать автотезисы и тесты, собрать курс «вчера на завтра».

Тем временем продукт выкатывает апдейт — половина инструкции устарела, карточки и подсказки надо пересобрать. Контент летит сотнями единиц в день, знания протухают каждую неделю, а людей жалко — монтажёр горит, методист захлебнулся правками, саппорт тонет.

Логичный ответ — отдать рутинистику нейросетям. Но зоопарк убивает темп и бюджет: один сервис слушает речь, другой переводит, третий озвучивает, четвёртый понимает картинки, пятый модерирует, шестой помогает кодом. Разные ключи, разные задержки, разные счета, интеграции тянутся неделями, юристы правят DPA, а в пике всё разваливается из-за лимитов. В итоге не конвейер, а свалка.

На этой картинке и въезжает Alibaba с Qwen3 — пакет из шести моделей, который закрывает весь конвейер одной рукой и меняет экономику такого цеха уже на следующем спринте.

Alibaba выкатывает Qwen3 как единый комплект под конвейер «контент + обучение». LiveTranslate-Flash закрывает синхронный голосовой перевод в звонках и на стримах; по техотчёту Omni первый аудиопакет отдаёт за ~234 мс, речь понимает на 19 языках и генерирует на 10 — то, что нужно, чтобы за вечер собирать дубляжи и субтитры без студии. Qwen-VL берёт на себя поиск по видео и скринам, OCR и таймкоды; из коробки — длинные ролики, точная разметка и интерфейсные скриншоты. Guard — модерация UGC до публикации. Coder — автотесты и фиксы прямо в CI. А сверху — Qwen-Max на >1 трлн параметров для агентных сценариев: собрать тезисы, план урока, чек-листы и вопросы для квиза на лету. 

Матчасть. Qwen3-Max — >1T параметров, фокус на кодинг и «агентов»; компания параллельно наращивает капексы: 380 млрд юаней на AI-инфраструктуру за три года, что объясняет темп релизов.

По свежим бенчмаркам Max и Omni показывают сильные результаты на Tau2-Bench, VoiceBench и др., местами обгоняя западные закрытые модели. Публичных цен за минуту/запрос пока нет — считаем экономику после прайса. 

Кому больно и почему — по цехам, с цифрами.

Перевод и дубляж: DeepL — $185,2M выручки в 2024 и >100k B2B-клиентов; LiveTranslate-Flash + Omni вшиваются в звонки и студии и уводят задачи локализации ближе к продакшену. Otter.ai — >25M пользователей и $100M ARR — теряет уникальность «встреч» там, где перевод и сабы уезжают в платформу. 

Речь/ASR-API: AssemblyAI — $10,4M выручки ’24 — рискует по realtime-кейсам, если Omni/LiveTranslate стабильно держат задержку и качество на многоязычии. 

Видео-поиск/понимание: Twelve Labs — enterprise-ниша с дорогими пайплайнами; если Qwen-VL даёт сравнимое качество и длинный контекст, часть M&E-заказов уйдёт в Qwen-стек. 

Модерация: Hive — один из крупных провайдеров, работает с социальными платформами; появление Guard как «встроенного фильтра» в том же стеке, где крутится контент, бьёт по внешним модераторам. 

Код-ассисты: GitHub Copilot — 20M пользователей all-time — держит монополию в IDE, но Coder + Max «в CI» отжимают рутину на уровне пайплайна, где платёжку контролирует инфраструктурная команда. 

Почему сейчас. Alibaba официально смещает фокус в AI и поддерживает это деньгами и релиз-каденсом: «тяжёлый» Max, мультимодальный Omni, VL для визуалки и сервисы вокруг. Это ровно под рынок, где контент нужно клепать сотнями единиц в день, а знания тухнут еженедельно. Китайский темп релизов закрывает дыру между «нужно вчера» и «подождите до квартального апдейта». 

Нейросетей уже дофига. GPT, Claude, Gemini, Qwen, DeepSeek, Mixtral, локальные — интерфейсы одинаковые, обещания одинаковые, а тебе нужна та, что решит конкретные задачи. Есть два пути. Либо тестить каждую на своих сценариях, жечь спринты и бюджет. Либо опереться на чужие оценки: бенчмарки и лидерборды.

Как устроены оценки. Первая ветка — синтетика: готовые наборы вопросов и кода. Там любят MMLU, GSM8K, HumanEval, HellaSwag, ARC и прочие «лабораторные» измерители. Удобно для sanity-check, но это лаборатория: один балл не говорит, как модель держит тон на испанском, что понимает джун, и где она сыпется на реальных регламентах.

Вторая ветка — арены человеческих предпочтений. Самая известная — LMSYS Chatbot Arena: два ответа «вслепую», люди голосуют, копится Elo. Ближе к жизни, но без разрезов по аудитории это средняя температура. Кто голосовал, на каком языке, какой опыт — не видно. И да, под такую арену легко подкрутить стиль: длиннее, мягче, с markdown — и уже «лучше».

Теперь бизнес. Представь маркетплейс в Испании, Мексике и ОАЭ. Саппорт для покупателей и селлеров, обучение мерчантов, поиск по базе. Берёшь «победителя» из таблицы — и ловишь реальность. Испанский звучит сухо и канцелярски, арабский путает даты и термины, джунам по SQL приезжают академические полотнища. Эскалаций больше, NPS вниз, ретраев море. Один общий рейтинг — шляпа, когда у тебя три языка и четыре профиля пользователей.

Вот сюда и заходит Scale с SEAL Showdown. Это лидерборды по реальным предпочтениям с разметкой по людям. Их контрибьюторы в ~100 странах и ~70 языках сравнивают фронтир-модели «бок о бок» в Playground, голосование добровольное, сырые данные складируют на 60 дней, чтобы не крутили. На выходе — не «топ-1 вообще», а срезы: язык, возраст, образование (дальше — профессии). Видно, какая модель понятнее новичкам, какая аккуратнее для юристов 45+, где испанский и арабский совпадают с английским, а где разъезжаются. Это инструмент закупки и роутинга, а не витринный кубок.

Как применять. Берёшь свои когорты — испанский онбординг, арабский юрпоток, техподдержка для джунов — и под каждую выбираешь топ-2 из Showdown. Делаешь мульти-модельный роутинг, в SLA фиксируешь «полезно с первой попытки», время до решения и жалобы на тон по каждой когорте.

Синтетику держишь как санитарный минимум, но решение принимаешь по предпочтениям реальных людей, похожих на твоих пользователей.

И что?

Для бизнеса: меньше переделок и жалоб, выше «с первой попытки», закупка под аудитории, а не под усреднённый балл.

Для инвесторов: новый дата-актив — предпочтения по языкам и демографии; монетизация через вендоров и due diligence сделок.

Для людей: ответы звучат так, как им удобно — по стилю, по языку, по уровню.

🚨 Нам 3.14здец

Маркетинг «мы №1 в общем рейтинге» — 7/10 — теряет доверие у enterprise, когортные метрики рвут ширму; что делать: публиковать срезы и давать SLA по кластерам.

Команды «одна модель на всех» — 6/10 — тонут в ретраях и падении NPS; что делать: вводить когортный роутинг и выбирать модели под языки и роли.

Жизнь разработчика поменялась. Раньше всё шло по прямой: ТЗ, ручной CRUD, миграции, поиск примеров, тесты с нуля, код-ревью, релиз. Теперь рядом живут ассистенты — Copilot, Cursor/JetBrains AI, Claude, GPT-4o, Gemini, Amazon Q, Codeium.

Они пишут болванки и миграции, собирают тест-рыбу, формируют PR-резюме, объясняют чужой код, подсказывают SQL и YAML, вытаскивают куски из внутренней базы знаний. Снаружи выглядит как приговор профессии: «автокод всё съест». На практике картинка сложнее.

Google в свежем DORA-отчёте проверил реальность. Почти 5 000 специалистов, медиана использования — около двух часов в день, охват — 90%. При этом 30% говорят: доверия мало или вовсе нет.

И всё равно 80% фиксируют ускорение, 59% — улучшение качества кода. Что это значит в жизни команды: ассистент делает черновик и обвязку, дальше статанализ, тесты, ревью, merge проходит через человека.

Массовое использование уживается со скепсисом, потому что инструмент вмонтирован в процесс, а не заменяет его.
Чтобы это давало стабильную пользу, Google описал DORA AI Capabilities Model — семь практик вокруг ассистентов.

Ответственность за финальное решение у людей. Выгода появляется там, где есть системный контур, а не красивый демо-ролик.

7 правил, чтобы ИИ давал пользу каждый день (и как именно)

— Правила и ответственный: фиксируем где можно/нельзя, кто решает спорные случаи → меньше стопов и согласований → задачи проходят без «позовите юриста».
— Порядок в материалах: у документов есть владельцы, график обновления, метки свежести → ИИ опирается на актуальные данные → меньше переделок и конфликтов «устарело».

— Контекст компании: ИИ подключён к вашим документам и даёт ответы со ссылками на источник → меньше фантазий → текст сразу годится в работу.

— Малые изменения и быстрый откат: правки маленькими порциями, кнопка «вернуть» за минуты → промахи чинятся быстро → команда не простаивает.

— Встроенность в рабочие инструменты: подсказки и автопроверки прямо там, где вы работаете → меньше переключений и копипаста → время уходит на результат, а не на перетаскивание.

— Метрики на дашборде: видно «полезно с первой попытки», время до результата, долю переделок, время исправления → каждый день понятно, что ускорять и что закрывать.

— Human-gate на финал: человек утверждает итог, след ИИ виден в правках → брак не уходит наружу → меньше жалоб и откатов.
Смысл: ИИ ускоряет, порядок держит качество.

И что?

Для бизнеса: переносим ассистентов из «идеек в IDE» в процесс — метрики и quality-gates в CI/CD, человеческий gate на merge, доступ к внутрянке, ответственность по ролям.

Для инвесторов: ценность у тех, кто превращает часы ассистента в предсказуемый lead time и меньше фейлов релиза.

Для людей: рутина уходит в генерацию и обвязку, время освобождается под архитектуру и решение задач.

🚨 Нам 3.14здец

Команды без автотестов и ревью — 8/10: ускоренная поставка сырца и регрессии в проде. Что делать: жёсткие quality-gates, покрытие, запрет merge без проверок.

Менеджмент со «строками кода» — 7/10: метрика разваливается. Что делать: перейти на DORA-метрики — lead time, change failure rate, time to restore плюс «полезно с первой попытки».

В Кремниевой долине война за мозги выглядит как охота за органами. xAI подал новый иск: обвиняют OpenAI в том, что те целенаправленно переманили 8 сотрудников, включая инженеров, которые таскали исходники на личные девайсы.

Двое одновременно переписывались с рекрутером OpenAI в Signal и сливали кодовую базу. В материалах суда всплыл и топ-менеджер по финансам, который знал, что «секретный соус» xAI — дата-центры, и отказался выполнять юридические предупреждения.
OpenAI отмахивается: очередная глава из «маниакальной травли Маска».

Но рынок видит другое — кадровая миграция стала главным каналом утечки технологий. Одно увольнение = перенос ноу-хау.
Контекст. У Google DeepMind, Anthropic и OpenAI десятки переходов за лето. Коды доступа, пайплайны и дата-инфра уезжают вместе с людьми. Раньше торговали моделями, теперь торгуют головами.

Почему сейчас и для кого: для всех, кто строит свои AI-команды. Цена ошибки в найме или удержании = утечка «секретного соуса» конкуренту.

И что?

Для бизнеса: юристы и HR превращаются в функцию безопасности. Переманивание = риск утечки IP, значит NDA и контроль устройств становятся обязательным минимумом.

Для инвесторов: иски Маска давят на OpenAI, но главное — показывают реальную стоимость retention. Потеря 8 инженеров = потеря кодовой базы.

Для людей: переход из одной лаборатории в другую теперь не просто смена работы, а перенос технологий целиком.

🚨 Нам 3.14здец

Персональные данные компаний — 8/10. Кодовые базы и архитектуры кочуют вместе с людьми. Что делать: строить процессы защиты так же жёстко, как физическую безопасность дата-центров.

Стартапы в AI — 7/10. Любой найм или уход ключевого инженера = риск лишиться IP. Что делать: готовить опционы и retention-пакеты, иначе люди унесут всё в рюкзаке.

На днях я написал про 18-летнего парня, который запустил приложение на базе ChatGPT, и оно принесло ему $30 млн. В сетях реакция была взрывной, и я понял — надо обсудить это вместе. Завтра, 1 октября, проведу стрим.

Пишите вопросы под этим постом — про кризис, бизнес, AI и AI mindset. На стриме отвечу, а может, возьму что-то прямо из чата.

Прошлый эфир можно посмотреть тут

UPD: время проведения: 19:20 по МСК
UPDD: не будет вопросов, не будет стрима.

Все знают: найти нормального бизнес-ассистента почти невозможно. Либо это твоя будущая любовница или новая жена, либо стоит конских денег, либо вечно что-то забывает, либо уходит в декрет. И всегда человеческий фактор. Есть люди, у которых ассистент есть, у кого-то был и сдулся, а теперь появится новая категория — люди с ИИ-ассистентом. И, похоже, таких станет большинство.

OpenAI запустил ChatGPT Pulse. Пока ты спишь, он сам собирает 5–10 карточек: важные письма из Gmail, встречи из Google Calendar, темы из недавних чатов, даже напоминания «купи подарок на ДР».

Утром ты открываешь и видишь повестку дня. Никакого бесконечного скролла — Pulse заканчивает словами «That’s it for today». Работает только раз в сутки, предпросмотр пока только на мобильных.

Старт — 30 сентября, доступ сначала у Pro ($200/мес), Plus обещан позже.

Что он может. Ночью собирает апдейт из твоих чатов, Memory/фидбэка и подключённых приложений: подхватывает Gmail и Google Calendar (по желанию), предлагает черновик повестки встречи, напоминает о подарке на ДР, вытаскивает важные письма, подкидывает идеи по темам, о которых ты писал вчера. Управляется прямыми запросами и реакциями «нравится/не нравится». Карточки на утро видны день, если не сохранить/не продолжить диалог.
 
Чего нет. Это пока не «делай всё за меня»: фоновое исследование — да, но без автономной рассылки писем, бронирований и массовых действий; предпросмотр ограничен мобилой, обновление — раз в сутки, ценность максимальна только при добровольном доступе к почте/календарю. 

Почему сейчас и для кого: основатели, операционщики, сейлзы, PM — кому важен быстрый старт дня без созвонов «что горит?». Компании с переполненной почтой и плотным графиком — первые в очереди. Контекст: в отличие от реактивных ассистентов, Pulse сам инициирует повестку и ограничивает внимание «пакетом» апдейтов.

И что?

Для бизнеса: OpenAI заходит в рынок корпоративных ассистентов на $27 млрд — теперь утренние дайджесты и задачи для сотрудников может собирать ИИ, а не люди.

Для инвесторов: Pulse закрепляет Pro как площадку для compute-heavy сервисов. Рост ARPU ×10 открывает дорогу к SaaS-модели с агентами для SMB и корпораций.

Для людей: привычка «с утра смотреть в Pulse» может стать массовой как почта или Slack — и это новый рынок ежедневной повестки, управляемой ИИ.

🚨 Нам 3.14здец

Персональные ассистенты — 9/10. Профессия умирает: всё, что они делают утром, Pulse делает быстрее и дешевле. Что делать: уходить в стратегический консалтинг или менять сферу.

Приватность — 9/10. Мы отдаём ИИ письма, календари и привычки. Это уже не просто поиск, это вход в наши рутины и поведенческие паттерны. Что делать: давать минимум прав, держать личное и рабочее раздельно.

Корпоративный контроль — 7/10. Комплаенс-службы встанут на уши: кто будет отвечать за утечки? Что делать: жёсткий аудит доступа, настройка DLP и логирование действий ассистента.

💀Почтовые «умные» дайджесты — 8/10: шаблонные обзоры теряют ценность. Что делать: переходить в персонализацию на действия пользователя.