Готовимся к конференции в понедельник по теме "Переговоры" — программа насыщенная: https://t.me/vsivolgin/s/1411

Гости собираются отменные — предвкушаю сильную дискуссию (это Визитка одного из гостей, давно заочно знакомы)

Перевалили знаменательный рубеж — ровно 50 мероприятий:
- 48 конференций (в т.ч. 3 ночных);
- 1 завтрак;
- 1 вечеринка с DJ

Представляем отчётное видео, конечно поместилось лишь 0.1% тёплых моментов

41 этаж имел честь насладиться выступлениями от:
— Даниил Гущин;
— Лина Чегринец;
— Екатерина Черкасова;
— Катя Строкина, Т-Банк;
— Диана Сухова (Кожокова), TenChat;
— Адель Валиуллин, Газпромбанк;
— Анна Керн, JazzUp;
— Яна Гольдибаева, ШВК;
— Дмитрий Власов, топ-стритлифтер;
— Александр Давыдов;
— Сергей Алексеев, Юнити;
— Алексей Марахин, Phystech.Gynesis;
— Денис Кузнецов;
— Надин Захарова, LYM;
— Анастасия Рощина;
— Екатерина Кононова;
— Александр Павлов;
— Дмитрий Демчук;
— Евгений Петров;
— Александра Дорофеева;
— Диана Башмакова;
— Александр Воронин;
— Стас Еговцев, STAX;
— Владимир Алексеев, ERA;
— Пётр Толочков, Way2Go;
— Дмитрий Твердохлебов;
— Дмитрий Огнерубов, кардиохирург и титан;
— Сергей Журихин, Университет Правительства Москвы;
— Павел Палагин;
— Алексей Маркелов;
— Игорь Кожелин, SR Data;
— [ спикер по теме Переговоры ];
— Кирилл Гурбанов, ex Самолёт Банк;
— Илья Пантелеймонов;
— Юлия DJ Юla;
— Александр Евсюткин, совет депутатов г.о. Балашиха;
— Виктор Сиволгин, К41.

До встречи в 2026

Трамп просит IT-гигантов заплатить за новые электростанции — точнее, мягко принуждает их помочь финансировать строительство мощностей для своих AI data центров

В декабре 2025 дефицит мощностей электрогенерации в США составил 6600 МВт (это 6 атомных электростанций). Обычно строительство финансировали обычные потребители за счёт роста цен, но тут масштабы выросли.

Новый законопроект предлагает привлечь 15 млрд $ на через иную схему:
1. Amazon, Microsoft, Google и иные BigTech и промышленные компании дают прогноз потребления на 15 лет;
2. BigTech компании подписывают соглашение, где указана двухуровневая система оплаты:
— Capacity Payment, фиксированные абонентский платеж, платят даже если не используют весь объем;
— Energy Payment, платят если превышают ранее указанный лимит энергопотребления.
3. Производители электроэнергии, имея эти 15-летние контракты, берут деньги у банков и идут строить новые электростанции (газовые, атомные, угольные).

Отчасти мера политическая (после скандала Microsoft в одном из штатов), чтобы переложить затраты с простых граждан на БигТех, ибо их энергетические нужды выросли почти в 2 раза из-за AI-вычислений

Энергетика становится краеугольным камнем AI-гонки

Бигтех компании, кстати, даже рады — для них бюджеты на электричество станут более предсказуемыми. Появится ли похожий проект в России?

Ai-academy провели исследование — в российской компании 527 сотрудникам дали доступ к основным LLM моделям и собрали статистику “ai-поведения”

Активны были 416 человек, не все использовали. Четыре вывода из их user experience:

1. Правило Парето работает с точностью до процента: 20% пользователей сгенерили 79,4% всех расходов

2. Бухгалтерия и другие не-креативные отделы активно генерируют картинки, как ни странно

3. За 7 месяцев — 27-кратный рост кол-ва запросов, люди втянулись и распробовали

4. Большие Excel-таблицы анализировались плохо, часто модели берут только первые 100 строк и несут уверенный бред; для таблиц нужен Code Interpreter, изолированное Python-окружение, спец. модели

И инсайд, зацепивший меня. Power Users, самые активные 3%:
— среди 527 человек нашлись 12 людей (3% от 416),
— они делали 42% всех запросов и тратили 35% бюджета,
— средний Power User делал 1200 запросов и тратил $50 в месяц (обычный юзер делал 120 запросов и тратил $5)

МОРАЛЬ: внедряя новые подходы, не обязательно учить абсолютно всех, можно найти эти 3% и прокачивать их, а остальные подтянуться.

-
Полные результаты, подробные графики и выводы положил в телеграм apgrader

Сейчас работаю по стратегии и инвестициям с проектом в сфере MedTech — и впечатлён размером отрасли, на которую можно влиять

Рынок медицины разбит на три сегмента:

— 9,3 трлн $ медицинские услуги и сервисы;
— 1,9 трлн $ лекарства;
— 0,7 трлн $ оборудование

Общий объём порядка 11,9 трлн $

Проект как раз в сегменте медицинских услуг и их цифровизации, но логично говорить о всём рынке, т.к. всё связано и взаимно влияет

К примеру, врач поставил точный диагноз, и вы не купили лишние лекарства на 300 тыс. и не заказали прибор за 500 тыс., выручка осталась в 1-м сегменте

Рядом живёт “маленький” рынок фитнес-тренеров, 15 млрд $ (в 800 раз меньше) — они тоже в игре. Прогрессивные тренеры применяют научные статьи и фундаментальную медицину, остальные стремятся это делать, чтобы пробиться в условиях высокой конкуренции

Расскажем также про 4 измерения диагностики, параллель с банкингом, государственные единые медицинские системы. Продолжение следует

10 млрд сценариев и 4 измерения. Продолжаю рассказ о MedTech-проекте, вторым этапом для Pitch Deck мы углубились в проблематику. Вам врач ставил ложный диагноз?

По оценкам, в США 800 000 пациентов умирают либо получают инвалидность из-за диагностических ошибок. Пропускают травмы и онкологию, а когда 10 лет болит спина и плохо со сном — говорят что-то в духе “ничего страшного, само пройдёт”

В защиту врачей скажу: задача сложна. Для точного диагноза надо соединить 4 мира, 4 измерения:

1. 20 000+ возможных заболеваний, в т.ч. 17 000 диагностических категорий по ICD-11 и 6000 редких (орфанных) заболеваний;

2. 100 000 лекарств, порядка 12 000 INN (действующих веществ), плюс разнообразие брендов и форм выпуска;

3. 1 млрд генетических особенностей и наследственности (даже 8 млрд, но положим, что мир фрагментирован);

4. 200-300 типовых лайфстайлов, т.е. контекст жизни в данный период жизни, который напрямую влияет на эффективность лечения

Врач узкой специальности оперирует порядка 100 диагнозами. В конкретной стране доступны не все лекарства, их около 10 000. И, даже если генетику и стиль жизни упростить до 100 типовых случаев, получится:

100 × 10 000 × 100 × 100 = 10 млрд сценариев

Применять ML, LLM, RAG, умный поиск по научным статьям и клиническим случаям, обучать нейросети клиническому интеллекту, только так можно выйти на новый уровень диагностирования — ибо проблема чисто математически огромна

Расскажем об аналогии с банкингом и государственные единые медицинские системы, продолжение следует

Big Data в медицине. Готовлю MedTech-проект к масштабированию и инвестраунду, уже рассказал о рынке объёмом 12 трлн $ и бездне сценариев диагностики (их порядка 1 млрд и это консервативная оценка)

В чём проблема с данными в медицине? Выделим две проблемы:

1. Преемственность: данные анализов, болезней, процедур, аллергий, травм теряются. Между разными больницами, стационарами, частными клиниками и лабораториями информация искажается. Врач видит неполную картину, и это иногда фатально

2. Время, частичное следствие проблемы 1. Пока сдаёшь анализы и проходишь обследования, диагноза всё нет. Тем временем, болезнь прогрессирует и время утекает.

Парадокс вот в чём — нередко многие анализы и обследования ты УЖЕ проходил 5 лет назад, их можно использовать (как минимум, частично)

Было исследование в США, выяснили, что из-за несогласованности электронных медицинских карт дублировались 30% анализов, а на бюрократию тратится почти 300 млрд $

Медицина сегодня — это как банкинг 20 лет назад, “где карту открывали — туда и обращайтесь”. В финтехе мы привыкли к моментальным оплатам, выпискам, открыть карту 10 секунд, взять кредит 2-3 минуты. Встаёт вопрос — почему всё не так в медицине? Разве это менее важно?

-

Далее — расскажу про государственные единые медицинские системы в различных странах мира

И о том, как может выглядеть будущее в медицине, до которого, будем верить, мы все доживём; продолжение следует