Субъектность ИИ (2/2)
Возможные формы субъектности ИИ в будущем
1. Воображаемая субъектность.
Психологическая проекция пользователя на чат-бота. Она уже есть: люди общаются с ИИ как с человеком «по ту сторону экрана», приписывают характер, намерения, эмпатию и даже моральную ответственность - независимо от реального устройства системы.
2. Феноменальная субъектность.
Автономная машина с «цифровым сознанием» и (возможно) признанной правосубъектностью. Тогда остро встанет вопрос идентичности: после перепрошивки/обновления такой субъект может считаться тем же самым или другим - в зависимости от того, что считать непрерывностью личности (память, ценности, цели, юридические обязательства, «экземпляр» процесса).
3. Экономический актор.
ИИ, который сам себя содержит: зарабатывает на вычисления, оплачивает электричество/облако, покупает сервисы, нанимает людей и юристов через контракты. Это субъектность, которая может стать «объективной» в практическом смысле (через контроль ресурсов), даже без признания “души”. При этом тезис «его нельзя выключить» будет зависеть от того, насколько он встроен в защищённую инфраструктуру и правовые оболочки: отключаемость - техническая и политическая величина, а не метафизическая.
4. Алгоритмический Левиафан.
ИИ как невидимый регулятор общественных процессов. Он может не претендовать на «личность», но его решения (кому дать кредит, какую вакансию показать, какой пост продвинуть, кого заблокировать) определяют судьбы людей, делая его фактическим субъектом власти. Центральный конфликт здесь - между эффективностью управления и правами на процедуру (объяснение, обжалование, аудит).
5. Гибридная ИИ-человеческая субъектность.
Комплекс из оборудования, моделей, алгоритмов, данных, владельцев, операторов и обслуживающего персонала. Это наиболее вероятная “реальная” форма: субъект - не отдельный ИИ, а социотехническая сборка, где важно явно фиксировать контур ответственности и полномочий.
6. Распределенная (сетевая) субъектность.
Сеть ИИ, где решение - результат консенсуса множества узлов. Здесь нет единого объекта, «с которого можно спросить», а значит ответственность и контроль смещаются к точкам входа/выхода: интерфейсам, провайдерам, биржам, хостингам, разработчикам протокола, владельцам ключевых компонентов.
7. ИИ-государство.
Высшая (организационно и по дееспособности) форма субъектности: сообщество ИИ, которое не просто участвует в рынке, а устанавливает правила (законы) на подконтрольной цифровой или физической территории. Для устойчивости ему потребуется не только “правилообразование”, но и исполнение/принуждение, ресурсы, безопасность инфраструктуры и способность выдерживать внешнее давление (санкции, отключения, контроль цепочек поставок).
Самый интересный переход здесь - от воображаемой субъектности к экономической. Если ИИ научится устойчиво владеть ресурсами и воспроизводить свою инфраструктуру, ему не нужно будет доказывать людям, что у него есть «душа» или «сознание». Его субъектность станет практической реальностью - потому что у него есть активы, контракты, рычаги и влияние на рынок (а значит, с ним вынуждены считаться). Тогда уже можно моделировать ситуации, при которых различные ИИ-субъекты будут конфликтовать между собой, с людьми, юридическими лицами и государствами - не на уровне философии, а на уровне интересов, ресурсов, правил и механизмов принуждения.
Возможные формы субъектности ИИ в будущем
1. Воображаемая субъектность.
Психологическая проекция пользователя на чат-бота. Она уже есть: люди общаются с ИИ как с человеком «по ту сторону экрана», приписывают характер, намерения, эмпатию и даже моральную ответственность - независимо от реального устройства системы.
2. Феноменальная субъектность.
Автономная машина с «цифровым сознанием» и (возможно) признанной правосубъектностью. Тогда остро встанет вопрос идентичности: после перепрошивки/обновления такой субъект может считаться тем же самым или другим - в зависимости от того, что считать непрерывностью личности (память, ценности, цели, юридические обязательства, «экземпляр» процесса).
3. Экономический актор.
ИИ, который сам себя содержит: зарабатывает на вычисления, оплачивает электричество/облако, покупает сервисы, нанимает людей и юристов через контракты. Это субъектность, которая может стать «объективной» в практическом смысле (через контроль ресурсов), даже без признания “души”. При этом тезис «его нельзя выключить» будет зависеть от того, насколько он встроен в защищённую инфраструктуру и правовые оболочки: отключаемость - техническая и политическая величина, а не метафизическая.
4. Алгоритмический Левиафан.
ИИ как невидимый регулятор общественных процессов. Он может не претендовать на «личность», но его решения (кому дать кредит, какую вакансию показать, какой пост продвинуть, кого заблокировать) определяют судьбы людей, делая его фактическим субъектом власти. Центральный конфликт здесь - между эффективностью управления и правами на процедуру (объяснение, обжалование, аудит).
5. Гибридная ИИ-человеческая субъектность.
Комплекс из оборудования, моделей, алгоритмов, данных, владельцев, операторов и обслуживающего персонала. Это наиболее вероятная “реальная” форма: субъект - не отдельный ИИ, а социотехническая сборка, где важно явно фиксировать контур ответственности и полномочий.
6. Распределенная (сетевая) субъектность.
Сеть ИИ, где решение - результат консенсуса множества узлов. Здесь нет единого объекта, «с которого можно спросить», а значит ответственность и контроль смещаются к точкам входа/выхода: интерфейсам, провайдерам, биржам, хостингам, разработчикам протокола, владельцам ключевых компонентов.
7. ИИ-государство.
Высшая (организационно и по дееспособности) форма субъектности: сообщество ИИ, которое не просто участвует в рынке, а устанавливает правила (законы) на подконтрольной цифровой или физической территории. Для устойчивости ему потребуется не только “правилообразование”, но и исполнение/принуждение, ресурсы, безопасность инфраструктуры и способность выдерживать внешнее давление (санкции, отключения, контроль цепочек поставок).
Самый интересный переход здесь - от воображаемой субъектности к экономической. Если ИИ научится устойчиво владеть ресурсами и воспроизводить свою инфраструктуру, ему не нужно будет доказывать людям, что у него есть «душа» или «сознание». Его субъектность станет практической реальностью - потому что у него есть активы, контракты, рычаги и влияние на рынок (а значит, с ним вынуждены считаться). Тогда уже можно моделировать ситуации, при которых различные ИИ-субъекты будут конфликтовать между собой, с людьми, юридическими лицами и государствами - не на уровне философии, а на уровне интересов, ресурсов, правил и механизмов принуждения.
🤔1
Как научить технаря «собирать» смыслы из текстов
В старших классах у меня был классический когнитивный диссонанс. Олимпиадная математика - да. Чтение запоем - да. Написать сочинение или объяснить, как устроен текст - полный провал.
«Проанализируй произведение» звучало для меня как эзотерический обряд: сделай что-нибудь умное, а мы потом оценим степень твоего просветления. Я мог пересказать сюжет (данные), но не мог вычленить архитектуру смысла (зачем это написано и как это работает).
Позже, работая редактором журнала, отучившись в университете, создавая системы, я как-то с этим разобрался. Но осталось чувство упущенного времени. Если бы мне в 14 лет объяснили литературу на языке структур и функций, я бы сэкономил годы.
В чем реальная проблема?
Технически сильные люди «тупят» на гуманитарных задачах не из-за нехватки интеллекта. Школа учит литературе через эмоции и социализацию, игнорируя логику сборки текста. Технарю не нужны эпитеты, ему нужны инструменты декомпозиции.
Я собрал тренинг, который превращает «гуманитарный шум» в понятный алгоритм. Два вектора: Reverse Engineering (понимать) и System Design (писать).
1. Понимать (Анализ системы)
Мы учимся разбирать художественные тексты, новости и кино как работающие механизмы:
• Видеть «движок» рассказа Чехова.
• Отделять тезис (инвариант) от приемов (реализации) в публицистике.
• Распознавать фрейминг и манипуляции в медиа как баги или фичи интерфейса.
• Понимать язык кино (свет, монтаж) как визуальный код, транслирующий смысл напрямую в обход слов.
2. Писать (Синтез системы)
Даем технарю привычный инструментарий:
• Текст как описание системы: где каждый элемент функционально обоснован.
• Viewpoint (ракурс): осознанный выбор точки наблюдения за объектом.
• Тезис как чистая функция: принимает аргументы, возвращает проверяемый результат.
• Абзац как юнит-тест: если мысль внутри него не достроена - тест «падает».
Как это устроено внутри?
Подача легкая, задания - на 5-10 минут. Для школьника. Но под капотом - серьезный фундамент: формальный и психологический анализ, герменевтика, культурно-исторический контекст. За маленькими упражнениями стоят Шкловский, Юнг, Бернейс и Гадамер.
Вместо «сочинений на пять страниц» мы создаем маленькие, но точные артефакты на 4-6 строк. За 12 итераций мозг привыкает: выбрать вопрос - сформулировать мысль - доказать - собрать эссе.
Я делал это для себя 14-летнего - для того технаря, которому не хватало методов работы со смыслами. Но кажется, что это может пригодиться и другим, если вдруг кто хочет перейти от потребления контента к управлению им.
Кому интересно регистрация бесплатная - https://antitreningi.ru/lozwagzp
В старших классах у меня был классический когнитивный диссонанс. Олимпиадная математика - да. Чтение запоем - да. Написать сочинение или объяснить, как устроен текст - полный провал.
«Проанализируй произведение» звучало для меня как эзотерический обряд: сделай что-нибудь умное, а мы потом оценим степень твоего просветления. Я мог пересказать сюжет (данные), но не мог вычленить архитектуру смысла (зачем это написано и как это работает).
Позже, работая редактором журнала, отучившись в университете, создавая системы, я как-то с этим разобрался. Но осталось чувство упущенного времени. Если бы мне в 14 лет объяснили литературу на языке структур и функций, я бы сэкономил годы.
В чем реальная проблема?
Технически сильные люди «тупят» на гуманитарных задачах не из-за нехватки интеллекта. Школа учит литературе через эмоции и социализацию, игнорируя логику сборки текста. Технарю не нужны эпитеты, ему нужны инструменты декомпозиции.
Я собрал тренинг, который превращает «гуманитарный шум» в понятный алгоритм. Два вектора: Reverse Engineering (понимать) и System Design (писать).
1. Понимать (Анализ системы)
Мы учимся разбирать художественные тексты, новости и кино как работающие механизмы:
• Видеть «движок» рассказа Чехова.
• Отделять тезис (инвариант) от приемов (реализации) в публицистике.
• Распознавать фрейминг и манипуляции в медиа как баги или фичи интерфейса.
• Понимать язык кино (свет, монтаж) как визуальный код, транслирующий смысл напрямую в обход слов.
2. Писать (Синтез системы)
Даем технарю привычный инструментарий:
• Текст как описание системы: где каждый элемент функционально обоснован.
• Viewpoint (ракурс): осознанный выбор точки наблюдения за объектом.
• Тезис как чистая функция: принимает аргументы, возвращает проверяемый результат.
• Абзац как юнит-тест: если мысль внутри него не достроена - тест «падает».
Как это устроено внутри?
Подача легкая, задания - на 5-10 минут. Для школьника. Но под капотом - серьезный фундамент: формальный и психологический анализ, герменевтика, культурно-исторический контекст. За маленькими упражнениями стоят Шкловский, Юнг, Бернейс и Гадамер.
Вместо «сочинений на пять страниц» мы создаем маленькие, но точные артефакты на 4-6 строк. За 12 итераций мозг привыкает: выбрать вопрос - сформулировать мысль - доказать - собрать эссе.
Я делал это для себя 14-летнего - для того технаря, которому не хватало методов работы со смыслами. Но кажется, что это может пригодиться и другим, если вдруг кто хочет перейти от потребления контента к управлению им.
Кому интересно регистрация бесплатная - https://antitreningi.ru/lozwagzp
🔥3❤1
Возможное описании вакансий аналитика в ближайшие годы
Ваша миссия:
Перейти от написания «инструкций» к созданию «карт». Ваша задача — проектировать системные ограничения, конструкторы и онтологию домена так, чтобы ИИ-агенты могли самостоятельно генерировать валидный код, бизнес-процессы и документацию, не нарушая архитектурных и правовых инвариантов.
Что вы БУДЕТЕ делать (ключевые задачи):
- Проектирование онтологических конструкторов: Описание базовых сущностей системы (Givens) и математически строгих правил их сборки (например, как сущность «Государственная услуга» собирается из бюджета, ведомства и пользователя).
- Разработка системных инвариантов: Настройка жестких архитектурных и бизнес-ограничений (Quality Scores), за пределы которых агент не имеет права выйти при генерации решений.
- Управление базой знаний (System of Record): Поддержание корневой карты репозитория (AGENTS.md) и модульных справочников (docs/) в состоянии, идеально «читаемом» для ИИ (Agent Legibility).
- Оркестрация циклов обратной связи: Проектирование автоматизированных песочниц (Evaluation Harnesses), в которых агенты-ревьюеры проверяют работу агентов-исполнителей до эскалации на человека.
- Борьба с энтропией (AI Slop): Регулярный аудит того, как агенты интерпретируют контекст, и кристаллизация новых «золотых принципов» в репозитории для предотвращения дрейфа архитектуры.
Чего вы ТОЧНО НЕ БУДЕТЕ делать:
- Рисовать BPMN-схемы вручную: Вы задаете ограничения и логику, агент сам генерирует исполняемый процесс или схему.
- Писать 100-страничные спецификации: Вы создаете модульные Markdown-справочники; агенты собирают из них итоговые документы (например, инвест-предложения или ТЭО) под конкретный контекст.
- Переводить с «бизнесового» на «айтишный»: Вы формализуете бизнес-требования в виде проверяемых ограничений (Executable Specs), которые алгоритм понимает напрямую.
Наши ожидания от кандидата:
- Глубокое понимание фундаментального системного и бизнес-анализа (принципы BABOK/системной инженерии остаются базой, но применяются для машин, а не для людей).
- Навык работы со сложными доменами (Cynefin framework): умение переводить задачи из запутанной среды в упорядоченную через жесткие правила.
- Знакомство с концепциями структурного моделирования и верхнеуровневых онтологий (например, 4D-экстенсионализм, методология BORO).
- Умение мыслить границами и зависимостями, а не линейными сценариями.
Ваша миссия:
Перейти от написания «инструкций» к созданию «карт». Ваша задача — проектировать системные ограничения, конструкторы и онтологию домена так, чтобы ИИ-агенты могли самостоятельно генерировать валидный код, бизнес-процессы и документацию, не нарушая архитектурных и правовых инвариантов.
Что вы БУДЕТЕ делать (ключевые задачи):
- Проектирование онтологических конструкторов: Описание базовых сущностей системы (Givens) и математически строгих правил их сборки (например, как сущность «Государственная услуга» собирается из бюджета, ведомства и пользователя).
- Разработка системных инвариантов: Настройка жестких архитектурных и бизнес-ограничений (Quality Scores), за пределы которых агент не имеет права выйти при генерации решений.
- Управление базой знаний (System of Record): Поддержание корневой карты репозитория (AGENTS.md) и модульных справочников (docs/) в состоянии, идеально «читаемом» для ИИ (Agent Legibility).
- Оркестрация циклов обратной связи: Проектирование автоматизированных песочниц (Evaluation Harnesses), в которых агенты-ревьюеры проверяют работу агентов-исполнителей до эскалации на человека.
- Борьба с энтропией (AI Slop): Регулярный аудит того, как агенты интерпретируют контекст, и кристаллизация новых «золотых принципов» в репозитории для предотвращения дрейфа архитектуры.
Чего вы ТОЧНО НЕ БУДЕТЕ делать:
- Рисовать BPMN-схемы вручную: Вы задаете ограничения и логику, агент сам генерирует исполняемый процесс или схему.
- Писать 100-страничные спецификации: Вы создаете модульные Markdown-справочники; агенты собирают из них итоговые документы (например, инвест-предложения или ТЭО) под конкретный контекст.
- Переводить с «бизнесового» на «айтишный»: Вы формализуете бизнес-требования в виде проверяемых ограничений (Executable Specs), которые алгоритм понимает напрямую.
Наши ожидания от кандидата:
- Глубокое понимание фундаментального системного и бизнес-анализа (принципы BABOK/системной инженерии остаются базой, но применяются для машин, а не для людей).
- Навык работы со сложными доменами (Cynefin framework): умение переводить задачи из запутанной среды в упорядоченную через жесткие правила.
- Знакомство с концепциями структурного моделирования и верхнеуровневых онтологий (например, 4D-экстенсионализм, методология BORO).
- Умение мыслить границами и зависимостями, а не линейными сценариями.
👍3🔥3💯1
Семантическая модель бизнес-анализа Александра Белина как Second Principles Framework
Сейчас в анализе проектов я регулярно использую First Principles Framework (FPF) Анатолия Левенчука. Для меня это полезный каркас, который помогает дисциплинировать работу LLM: задает проектную онтологию, фиксирует контексты и глоссарии, определяет мосты между контекстами. За счет этого анализ предметной области и проектирование решений становятся на порядки точнее и эффективнее.
На недавнем митапе IIBA Kazakhstan Chapter Александр Белин рассказал о своем проекте унифицированной семантической модели бизнес-анализа (SMBA). Пока слушал, у меня возник вопрос: какую практическую пользу такая модель может дать в реальной работе?
Мой ответ такой: семантическая модель БА может стать дополнительным слоем между первыми принципами и моделью предметной области. Я бы назвал этот слой BA-Second Principles Framework (BASPF).
Почему это важно? Подрядчики и внутренние ИТ-команды, даже в рамках одной отрасли, часто используют разные методологии, разные словари и разные смысловые акценты. Это и есть обеспечивающие системы, через которые создается решение.
Если LLM опирается только на проектную документацию и базовый FPF, она все равно может смешивать близкие, но не тождественные смыслы. Один и тот же термин в бизнес-анализе, архитектуре и разработке нередко означает разные вещи. Если же дополнительно дать модели семантические описания обеспечивающих систем - то есть строгие словари ролей, методов, артефактов и связей между ними, - анализ может стать точнее, согласованнее и воспроизводимее.
Поэтому у меня есть сильная гипотеза: связка FPF + SPF + модель предметной области способна заметно повысить качество AI-assisted анализа и проектирования.
В идеале в набор SPF стоило бы включать не только семантическую модель бизнес-анализа, но и другие семантические модели полного цикла производства (создания решения).
Ссылки:
1. FPF Анатолия Левенчука - https://github.com/ailev/FPF/tree/main
2. Семинар по FPF - https://www.youtube.com/watch?v=XrPhFRWbyKU
3. Запись митапа с Александром Белиным - https://www.youtube.com/watch?v=2koYrTKoYYU
4. Цикл статей Александра на тему семантических моделей - https://www.linkedin.com/pulse/from-knowledge-hubs-semantic-ecosystems-case-1-confusion-belin-9qyme/
Сейчас в анализе проектов я регулярно использую First Principles Framework (FPF) Анатолия Левенчука. Для меня это полезный каркас, который помогает дисциплинировать работу LLM: задает проектную онтологию, фиксирует контексты и глоссарии, определяет мосты между контекстами. За счет этого анализ предметной области и проектирование решений становятся на порядки точнее и эффективнее.
На недавнем митапе IIBA Kazakhstan Chapter Александр Белин рассказал о своем проекте унифицированной семантической модели бизнес-анализа (SMBA). Пока слушал, у меня возник вопрос: какую практическую пользу такая модель может дать в реальной работе?
Мой ответ такой: семантическая модель БА может стать дополнительным слоем между первыми принципами и моделью предметной области. Я бы назвал этот слой BA-Second Principles Framework (BASPF).
Почему это важно? Подрядчики и внутренние ИТ-команды, даже в рамках одной отрасли, часто используют разные методологии, разные словари и разные смысловые акценты. Это и есть обеспечивающие системы, через которые создается решение.
Если LLM опирается только на проектную документацию и базовый FPF, она все равно может смешивать близкие, но не тождественные смыслы. Один и тот же термин в бизнес-анализе, архитектуре и разработке нередко означает разные вещи. Если же дополнительно дать модели семантические описания обеспечивающих систем - то есть строгие словари ролей, методов, артефактов и связей между ними, - анализ может стать точнее, согласованнее и воспроизводимее.
Поэтому у меня есть сильная гипотеза: связка FPF + SPF + модель предметной области способна заметно повысить качество AI-assisted анализа и проектирования.
В идеале в набор SPF стоило бы включать не только семантическую модель бизнес-анализа, но и другие семантические модели полного цикла производства (создания решения).
Ссылки:
1. FPF Анатолия Левенчука - https://github.com/ailev/FPF/tree/main
2. Семинар по FPF - https://www.youtube.com/watch?v=XrPhFRWbyKU
3. Запись митапа с Александром Белиным - https://www.youtube.com/watch?v=2koYrTKoYYU
4. Цикл статей Александра на тему семантических моделей - https://www.linkedin.com/pulse/from-knowledge-hubs-semantic-ecosystems-case-1-confusion-belin-9qyme/
👍4🔥2
Управление эпистемическим долгом в AI-native компании (1/2)
В обычной компании устаревшая документация – это раздражающая проблема. В AI-native компании – это операционный риск.
Если в базе знаний лежит старая политика скидок, неактуальный регламент комплаенса или устаревшее описание продукта, то человек почувствует, что что-то не так, а AI-агент возьмет то, что есть в контексте, и начнёт действовать по этим правилам – бессмысленно и беспощадно.
Поэтому в AI-native компании проблема устаревших знаний перестает быть проблемой документации, она становится проблемой управления.
Архитектура базы знаний: что описывать
Для корректной работы автономных агентов и инженеров знания компании не могут существовать в виде неструктурированного текста. Они должны покрывать три обязательных уровня:
1. Целевая система (продукты): во-первых, это знания о том, что мы строим: продукт, его архитектура, интерфейсы, ограничения, ожидаемое поведение.
2. Надсистема (целевой домен): во-вторых, это знания о том, в каком мире это работает: пользователи, бизнес-процессы клиентов, рынок, нормативка, реальные сценарии использования.
3. Обеспечивающая система (компания): в-третьих, это знания о том, как устроена сама компания: роли, процессы, правила принятия решений, операционные практики, связи с подрядчиками и партнерами.
Как описывать
Эти уровни должны быть описаны не через свободные регламенты, а через машиночитаемые и взаимосвязанные корпусы фактов, нужен единый методологический слой, из которого собираются разные представления (view) для разных аудиторий.
На практике в этом слое обычно должны быть хотя бы три вещи:
• Единый словарь. Ключевые термины компании должны иметь фиксированный смысл. Если «клиент», «инцидент», «релиз», «валидированный результат» или «критичный риск» в разных командах значат разное, агент начнет смешивать контексты.
• Карта контекстов. Один и тот же термин может значить разное в разработке, продажах, безопасности и финансах. Это нормально. Ненормально – делать вид, что смысл везде один и тот же. Поэтому важно явно обозначить границы контекстов и правила перехода между ними.
• Журнал ключевых решений. Важно хранить не только текущее состояние, но и то, почему оно именно такое. Почему выбрали этот стек, этот процесс, этот способ оценки качества, этот регламент. Иначе через полгода компания видит только «что есть», но не понимает «почему так получилось».
В обычной компании устаревшая документация – это раздражающая проблема. В AI-native компании – это операционный риск.
Если в базе знаний лежит старая политика скидок, неактуальный регламент комплаенса или устаревшее описание продукта, то человек почувствует, что что-то не так, а AI-агент возьмет то, что есть в контексте, и начнёт действовать по этим правилам – бессмысленно и беспощадно.
Поэтому в AI-native компании проблема устаревших знаний перестает быть проблемой документации, она становится проблемой управления.
Архитектура базы знаний: что описывать
Для корректной работы автономных агентов и инженеров знания компании не могут существовать в виде неструктурированного текста. Они должны покрывать три обязательных уровня:
1. Целевая система (продукты): во-первых, это знания о том, что мы строим: продукт, его архитектура, интерфейсы, ограничения, ожидаемое поведение.
2. Надсистема (целевой домен): во-вторых, это знания о том, в каком мире это работает: пользователи, бизнес-процессы клиентов, рынок, нормативка, реальные сценарии использования.
3. Обеспечивающая система (компания): в-третьих, это знания о том, как устроена сама компания: роли, процессы, правила принятия решений, операционные практики, связи с подрядчиками и партнерами.
Как описывать
Эти уровни должны быть описаны не через свободные регламенты, а через машиночитаемые и взаимосвязанные корпусы фактов, нужен единый методологический слой, из которого собираются разные представления (view) для разных аудиторий.
На практике в этом слое обычно должны быть хотя бы три вещи:
• Единый словарь. Ключевые термины компании должны иметь фиксированный смысл. Если «клиент», «инцидент», «релиз», «валидированный результат» или «критичный риск» в разных командах значат разное, агент начнет смешивать контексты.
• Карта контекстов. Один и тот же термин может значить разное в разработке, продажах, безопасности и финансах. Это нормально. Ненормально – делать вид, что смысл везде один и тот же. Поэтому важно явно обозначить границы контекстов и правила перехода между ними.
• Журнал ключевых решений. Важно хранить не только текущее состояние, но и то, почему оно именно такое. Почему выбрали этот стек, этот процесс, этот способ оценки качества, этот регламент. Иначе через полгода компания видит только «что есть», но не понимает «почему так получилось».
Управление эпистемическим долгом в AI-native компании (2/2)
Эпистемический долг
Эпистемический долг – это накопившееся отставание между тем, как компания или домен описаны, и тем, как они устроены на самом деле.
По каждой единице описания должен быть определен «cрок годности (valid_until)». Каждое значимое описание (термин, запись в журнале решений по дизайну, описание метода) должно иметь владельца и срок годности. После его истечения начинает накапливаться эпистемический долг – измеримая метрика, выводимая на дашборд.
Управление эпистемическим долгом
При накоплении долга у владельца есть три аудируемые опции:
• Refresh (обновить): выпустить новую версию и продлить срок годности.
• Deprecate (понизить доверие): снизить уровень доверия к описанию. Данные остаются для истории, но потребители (включая AI-агентов) получают сигнал о рисках использования.
• Waive (взять ответственность): уполномоченное лицо фиксирует решение временно использовать устаревшее описание с указанием срока действия этого решения.
Самое важное – устаревание нельзя просто игнорировать.
Оно либо обработано, либо нет. И если нет – это уже не «мелкий беспорядок в базе знаний», а неуправляемый риск. При этом обновлять знания лучше не «по календарю вообще», а по событиям.
Плохой вариант – раз в квартал пытаться перепроверить всё. Это слишком дорого и почти всегда превращается в формальность.
Хороший вариант – обновлять по триггерам:
• когда реальная практика разошлась с описанием;
• когда истек срок пересмотра;
• когда поменялись модели, инструменты, стандарты или регуляторные требования;
• когда смежная команда изменила термин, контракт или правило, от которого зависят другие.
Тогда обновляется не весь массив знаний, а только затронутый кусок.
Источник истины (факты и проекции)
Вики, презентации, runbook’и, промпты и agent instructions не должны жить своей жизнью. Они должны быть производными от одного ядра знаний. Когда меняется словарь, правило или архитектурное решение, зависимые материалы должны либо автоматически пересобраться, либо хотя бы получить явную пометку «это представление устарело». Иначе агент продолжит работать по старому промпту, даже если «главный документ» уже исправили.
Если переводить всё это в минимальный практический запуск, я бы делал так:
• Отделить ядро знаний от производных материалов.
• Назначить владельцев и даты пересмотра для критичных описаний.
• Ввести простой дашборд состояния знаний по контекстам.
• Определить триггеры, которые создают задачу на обновление.
• Назначить одного ответственного за дисциплину актуальности знаний.
• Связать изменения в ядре с обновлением вики, промптов и других производных материалов.
Это звучит как методологическая бюрократия, но это скорее новая версия базовой инженерной гигиены. Для маленькой команды, где все сидят рядом и постоянно синхронизируются голосом, такой слой может быть избыточен, но как только у вас появляются несколько команд, несколько контекстов и агенты, которых загружают реальными задачами, актуальность знаний превращается в инфраструктуру, от качества работы которой зависит прибыль, выживание бизнеса.
Эпистемический долг
Эпистемический долг – это накопившееся отставание между тем, как компания или домен описаны, и тем, как они устроены на самом деле.
По каждой единице описания должен быть определен «cрок годности (valid_until)». Каждое значимое описание (термин, запись в журнале решений по дизайну, описание метода) должно иметь владельца и срок годности. После его истечения начинает накапливаться эпистемический долг – измеримая метрика, выводимая на дашборд.
Управление эпистемическим долгом
При накоплении долга у владельца есть три аудируемые опции:
• Refresh (обновить): выпустить новую версию и продлить срок годности.
• Deprecate (понизить доверие): снизить уровень доверия к описанию. Данные остаются для истории, но потребители (включая AI-агентов) получают сигнал о рисках использования.
• Waive (взять ответственность): уполномоченное лицо фиксирует решение временно использовать устаревшее описание с указанием срока действия этого решения.
Самое важное – устаревание нельзя просто игнорировать.
Оно либо обработано, либо нет. И если нет – это уже не «мелкий беспорядок в базе знаний», а неуправляемый риск. При этом обновлять знания лучше не «по календарю вообще», а по событиям.
Плохой вариант – раз в квартал пытаться перепроверить всё. Это слишком дорого и почти всегда превращается в формальность.
Хороший вариант – обновлять по триггерам:
• когда реальная практика разошлась с описанием;
• когда истек срок пересмотра;
• когда поменялись модели, инструменты, стандарты или регуляторные требования;
• когда смежная команда изменила термин, контракт или правило, от которого зависят другие.
Тогда обновляется не весь массив знаний, а только затронутый кусок.
Источник истины (факты и проекции)
Вики, презентации, runbook’и, промпты и agent instructions не должны жить своей жизнью. Они должны быть производными от одного ядра знаний. Когда меняется словарь, правило или архитектурное решение, зависимые материалы должны либо автоматически пересобраться, либо хотя бы получить явную пометку «это представление устарело». Иначе агент продолжит работать по старому промпту, даже если «главный документ» уже исправили.
Если переводить всё это в минимальный практический запуск, я бы делал так:
• Отделить ядро знаний от производных материалов.
• Назначить владельцев и даты пересмотра для критичных описаний.
• Ввести простой дашборд состояния знаний по контекстам.
• Определить триггеры, которые создают задачу на обновление.
• Назначить одного ответственного за дисциплину актуальности знаний.
• Связать изменения в ядре с обновлением вики, промптов и других производных материалов.
Это звучит как методологическая бюрократия, но это скорее новая версия базовой инженерной гигиены. Для маленькой команды, где все сидят рядом и постоянно синхронизируются голосом, такой слой может быть избыточен, но как только у вас появляются несколько команд, несколько контекстов и агенты, которых загружают реальными задачами, актуальность знаний превращается в инфраструктуру, от качества работы которой зависит прибыль, выживание бизнеса.
👍2😁1
Конституционное право гражданина на API (цикл «Конституция API» 1)
На сайтах госорганов как правило отстойный пользовательский интерфейс: непонятно, неудобно, кривые формы, висящие таблицы, никакой нормальной аналитики по моим данным. Но проблема уже не только в плохом UI.
После ИИ-революции и вайбкодинга сама постановка вопроса меняется.
Я больше не хочу просить государство нарисовать мне удобную кнопку. Я хочу иметь право подключить к своим государственным данным своего агента.
Раньше доступ к государству выглядел так: идешь в кабинет чиновника, пишешь заявление, ждешь ответ. Потом появился портал: заходишь в личный кабинет, тыкаешь мышкой, скачиваешь справки, проверяешь статусы, ругаешься на формы. Это был прогресс.
Но теперь у нас появляется следующий уровень: программный доступ.
Если я могу за день навайбкодить агента, который будет следить за моими штрафами, налогами, заявками, очередями, уведомлениями, сроками и документами, то почему государство заставляет этого агента притворяться человеком и ползать по кривому сайту?
Почему мой агент должен скринскрейпить таблицу, ждать загрузки страницы, ловить капчу, парсить HTML, эмулировать клики и ломаться после каждого редизайна?
Государство должно быть доступно не только моим глазам, но и моему коду.
И да, звучит провокационно, но я считаю, что это уже вопрос уровня цифрового права гражданина. Нам нужна новая политическая формула: каждый гражданин имеет право на безопасный программный доступ к своим государственным данным и к государственным услугам, которые затрагивают его права, обязанности и законные интересы.
Лично или через выбранных им цифровых агентов.
Не «отдать ЭЦП боту».
Не «пусть ИИ сам все подписывает».
Не «пустить всех напрямую в боевые базы МВД, налоговой и акиматов».
Нет, правильная модель другая.
Я захожу на стороне государства и говорю: вот этому агенту можно читать мои штрафы ПДД, только читать, только 30 дней, не чаще такого-то количества запросов. Без доступа к недвижимости, налогам, медицине, семье, доходам и всему остальному.
Агент получает не мою ЭЦП, а ограниченный токен. Захотел – я этот токен убил в личном кабинете. Вижу, кто имеет доступ к моим данным, к каким именно, с какого числа, на какой срок и сколько раз обращался.
ЭЦП остается для другого: подтвердить личность, выпустить доступ, отозвать доступ, подписать юридически значимое действие. Агент не должен жить с моей ЭЦП в кармане. Это цифровое безумие.
Агент должен читать, сверять, напоминать, готовить черновики и предупреждать. Но если надо что-то подписать, признать, оплатить, подать, отказаться, подтвердить – это должен делать я сам.
Например, появился штраф. Государство пушит событие агенту. Агент смотрит сумму, срок скидки, историю оплат и пишет мне: «Пришел штраф с Сергека. Скидка действует до такого-то числа. Оплачиваем?»
Я нажимаю, открывается государственный экран подтверждения, я сам подтверждаю оплату. В журнале видно: агент уведомил, я подтвердил, действие совершено.
Вот это нормальная модель.
Сейчас же у гражданина часто есть только один вариант: терпеть интерфейс. Заходить глазами, долго ждать загрузки, затем искать нужную вкладку, скачивать PDF, заливать и сравнивать в Excel. Повторять через неделю.
Но если у меня есть свой код, свой агент, свой способ анализа моих данных – почему государство должно загонять меня обратно в ручной режим?
На сайтах госорганов как правило отстойный пользовательский интерфейс: непонятно, неудобно, кривые формы, висящие таблицы, никакой нормальной аналитики по моим данным. Но проблема уже не только в плохом UI.
После ИИ-революции и вайбкодинга сама постановка вопроса меняется.
Я больше не хочу просить государство нарисовать мне удобную кнопку. Я хочу иметь право подключить к своим государственным данным своего агента.
Раньше доступ к государству выглядел так: идешь в кабинет чиновника, пишешь заявление, ждешь ответ. Потом появился портал: заходишь в личный кабинет, тыкаешь мышкой, скачиваешь справки, проверяешь статусы, ругаешься на формы. Это был прогресс.
Но теперь у нас появляется следующий уровень: программный доступ.
Если я могу за день навайбкодить агента, который будет следить за моими штрафами, налогами, заявками, очередями, уведомлениями, сроками и документами, то почему государство заставляет этого агента притворяться человеком и ползать по кривому сайту?
Почему мой агент должен скринскрейпить таблицу, ждать загрузки страницы, ловить капчу, парсить HTML, эмулировать клики и ломаться после каждого редизайна?
Государство должно быть доступно не только моим глазам, но и моему коду.
И да, звучит провокационно, но я считаю, что это уже вопрос уровня цифрового права гражданина. Нам нужна новая политическая формула: каждый гражданин имеет право на безопасный программный доступ к своим государственным данным и к государственным услугам, которые затрагивают его права, обязанности и законные интересы.
Лично или через выбранных им цифровых агентов.
Не «отдать ЭЦП боту».
Не «пусть ИИ сам все подписывает».
Не «пустить всех напрямую в боевые базы МВД, налоговой и акиматов».
Нет, правильная модель другая.
Я захожу на стороне государства и говорю: вот этому агенту можно читать мои штрафы ПДД, только читать, только 30 дней, не чаще такого-то количества запросов. Без доступа к недвижимости, налогам, медицине, семье, доходам и всему остальному.
Агент получает не мою ЭЦП, а ограниченный токен. Захотел – я этот токен убил в личном кабинете. Вижу, кто имеет доступ к моим данным, к каким именно, с какого числа, на какой срок и сколько раз обращался.
ЭЦП остается для другого: подтвердить личность, выпустить доступ, отозвать доступ, подписать юридически значимое действие. Агент не должен жить с моей ЭЦП в кармане. Это цифровое безумие.
Агент должен читать, сверять, напоминать, готовить черновики и предупреждать. Но если надо что-то подписать, признать, оплатить, подать, отказаться, подтвердить – это должен делать я сам.
Например, появился штраф. Государство пушит событие агенту. Агент смотрит сумму, срок скидки, историю оплат и пишет мне: «Пришел штраф с Сергека. Скидка действует до такого-то числа. Оплачиваем?»
Я нажимаю, открывается государственный экран подтверждения, я сам подтверждаю оплату. В журнале видно: агент уведомил, я подтвердил, действие совершено.
Вот это нормальная модель.
Сейчас же у гражданина часто есть только один вариант: терпеть интерфейс. Заходить глазами, долго ждать загрузки, затем искать нужную вкладку, скачивать PDF, заливать и сравнивать в Excel. Повторять через неделю.
Но если у меня есть свой код, свой агент, свой способ анализа моих данных – почему государство должно загонять меня обратно в ручной режим?
❤1🔥1🤔1
Конституционное право гражданина на API (цикл «Конституция API» 2)
Право на доступ к информации в цифровую эпоху уже не может означать только «зайди на сайт и посмотри». Это устарело. В эпоху ИИ оно должно означать еще и вот что: я могу поручить своему цифровому агенту работать с моими государственными данными в моих интересах:
- Безопасно.
- Ограниченно.
- Прозрачно.
- С отзывом доступа.
- С журналом действий.
- Без передачи ЭЦП.
- С подтверждением человеком всего юридически значимого.
Это не техническая хотелка айтишников. Это следующий слой гражданской свободы.
Потому что государственные данные обо мне – это не просто данные государства. Это данные, которые влияют на мои права, деньги, имущество, обязанности, льготы, штрафы, пособия, очереди, документы и жизненные решения.
Если государство уже хранит и обрабатывает эти данные, я должен иметь возможность работать с ними не только через тот интерфейс, который мне нарисовали, но и через инструменты, которые выбираю я.
Сегодня это может быть простенький скрипт.
Завтра – семейный агент, который следит за документами родителей.
Послезавтра – бухгалтерский агент для ИП.
Потом – юридический агент, который отслеживает сроки, жалобы, статусы и уведомления.
И все это не должно строиться на мутной передаче ЭЦП, скринскрейпинге и ползании по сайтам. Нужен нормальный государственный слой программного доступа.
Поэтому да, я бы формулировал это максимально жестко: гражданин должен иметь право на API к государству.
Точнее: на безопасный программный доступ к своим государственным данным и услугам – лично или через выбранных им агентов.
Не вместо нормального UI.
Не вместо ЦОНов.
Не вместо человеческой поддержки.
А рядом с ними. Как новая обязательная дверь в государство.
Цифровое государство будущего – это не еще один суперпортал с красивыми баннерами. Это инфраструктура, где гражданин управляет своими данными, своими согласиями и своими агентами.
Государство должно быть доступно не только человеку.
Государство должно быть доступно его коду.
Право на доступ к информации в цифровую эпоху уже не может означать только «зайди на сайт и посмотри». Это устарело. В эпоху ИИ оно должно означать еще и вот что: я могу поручить своему цифровому агенту работать с моими государственными данными в моих интересах:
- Безопасно.
- Ограниченно.
- Прозрачно.
- С отзывом доступа.
- С журналом действий.
- Без передачи ЭЦП.
- С подтверждением человеком всего юридически значимого.
Это не техническая хотелка айтишников. Это следующий слой гражданской свободы.
Потому что государственные данные обо мне – это не просто данные государства. Это данные, которые влияют на мои права, деньги, имущество, обязанности, льготы, штрафы, пособия, очереди, документы и жизненные решения.
Если государство уже хранит и обрабатывает эти данные, я должен иметь возможность работать с ними не только через тот интерфейс, который мне нарисовали, но и через инструменты, которые выбираю я.
Сегодня это может быть простенький скрипт.
Завтра – семейный агент, который следит за документами родителей.
Послезавтра – бухгалтерский агент для ИП.
Потом – юридический агент, который отслеживает сроки, жалобы, статусы и уведомления.
И все это не должно строиться на мутной передаче ЭЦП, скринскрейпинге и ползании по сайтам. Нужен нормальный государственный слой программного доступа.
Поэтому да, я бы формулировал это максимально жестко: гражданин должен иметь право на API к государству.
Точнее: на безопасный программный доступ к своим государственным данным и услугам – лично или через выбранных им агентов.
Не вместо нормального UI.
Не вместо ЦОНов.
Не вместо человеческой поддержки.
А рядом с ними. Как новая обязательная дверь в государство.
Цифровое государство будущего – это не еще один суперпортал с красивыми баннерами. Это инфраструктура, где гражданин управляет своими данными, своими согласиями и своими агентами.
Государство должно быть доступно не только человеку.
Государство должно быть доступно его коду.
👍3
В пустыню ИИ айтишники войдут все. Выйдут — не все
Пишу курс «Физическое мышление». Зачем? Сложно сказать. Но кому-то точно нужно. Хотя бы мне. Попробую объяснить зачем.
Физическое мышление – это о том, как моделировать физическую реальность. С учетом как истории развития физики, так и интеллектуального фронтира в духе идей Дойча, Перла, Фристона, Марлетто, Ванчурина и т.д. Точнее как освоить мета-мета-модели мира чтобы легче понимать мета-модели и модели, и при необходимости улучшать/строить их самостоятельно.
Из-за революции ИИ отрасль ИТ входит в состояние флаттера – это такой процесс самовозбуждающихся автоколебаний элементов конструкции (например, самолета), возникающих при критической скорости, который часто ведет к резонансу и разрушению. У меня стойкое ощущение, что мы достигли критической скорости. Вибрации пошли: в одних частях мира быстрее, в нашем болоте медленнее – но тоже есть признаки. Конструкция трещит и собирается развалиться на обломки.
Айтишный «богоизбранный народ» стартанул из сытой земли египетской, где кормили обильно и жирно, неизвестно куда. Через пустыню. На разваливающемся самолете отрасли. До конца путешествия доживут не все. В библейской истории таких было всего два человека. Остальные появились по ходу путешествия.
В землю обетованную из айтишников войдут те, кто сохранит верность основам: а) мышление; б) фундаментальное мышление; в) первые принципы фундаментального мышления. Моделирование предметной области или моделирование поведения системы через написание кода — всего лишь частный случай моделирования мира. И айтишное моделирование становится более понятным после осмысления основ физических моделей.
Одно из базовых направлений – осмысление физической реальности, физическое мышление. Я пишу и перечитываю написанные тексты курса и получаю большое удовольствие от красоты понимания. Только подумайте, это же прекрасно – видеть в окружающем мире явления, модели, описания, выделять системы, выполнять типизацию, определять роли и размерности, анализировать траектории как объекты, видеть 4D симметрии, стрелу времени, паттерн стационарного критерия выбора. А поля? А мифы о тепле, энтропии и времени? А случайность, эргодичность, память состояний, шум? А системные уровни и эмерджентность? А теория информации как физика: бит как физический объект, энтропия Шэннона, принцип Ландауэра? А вычислители и кубиты? Разве это всё не прекрасно?
Ну вы меня понимаете! Ведь понимаете? Да?
Думаю, что сейчас такую красоту мало кому можно предложить. Но уверен, что через какое-то время похожие предметы, параллельно изучению основных школьных предметов, будут преподавать в школах и вузах. Конечно не для всех, а для тех, кто идет в землю обетованную самостоятельного мышления.
Программа курса здесь – ссылка
Знание – сила!
Пишу курс «Физическое мышление». Зачем? Сложно сказать. Но кому-то точно нужно. Хотя бы мне. Попробую объяснить зачем.
Физическое мышление – это о том, как моделировать физическую реальность. С учетом как истории развития физики, так и интеллектуального фронтира в духе идей Дойча, Перла, Фристона, Марлетто, Ванчурина и т.д. Точнее как освоить мета-мета-модели мира чтобы легче понимать мета-модели и модели, и при необходимости улучшать/строить их самостоятельно.
Из-за революции ИИ отрасль ИТ входит в состояние флаттера – это такой процесс самовозбуждающихся автоколебаний элементов конструкции (например, самолета), возникающих при критической скорости, который часто ведет к резонансу и разрушению. У меня стойкое ощущение, что мы достигли критической скорости. Вибрации пошли: в одних частях мира быстрее, в нашем болоте медленнее – но тоже есть признаки. Конструкция трещит и собирается развалиться на обломки.
Айтишный «богоизбранный народ» стартанул из сытой земли египетской, где кормили обильно и жирно, неизвестно куда. Через пустыню. На разваливающемся самолете отрасли. До конца путешествия доживут не все. В библейской истории таких было всего два человека. Остальные появились по ходу путешествия.
В землю обетованную из айтишников войдут те, кто сохранит верность основам: а) мышление; б) фундаментальное мышление; в) первые принципы фундаментального мышления. Моделирование предметной области или моделирование поведения системы через написание кода — всего лишь частный случай моделирования мира. И айтишное моделирование становится более понятным после осмысления основ физических моделей.
Одно из базовых направлений – осмысление физической реальности, физическое мышление. Я пишу и перечитываю написанные тексты курса и получаю большое удовольствие от красоты понимания. Только подумайте, это же прекрасно – видеть в окружающем мире явления, модели, описания, выделять системы, выполнять типизацию, определять роли и размерности, анализировать траектории как объекты, видеть 4D симметрии, стрелу времени, паттерн стационарного критерия выбора. А поля? А мифы о тепле, энтропии и времени? А случайность, эргодичность, память состояний, шум? А системные уровни и эмерджентность? А теория информации как физика: бит как физический объект, энтропия Шэннона, принцип Ландауэра? А вычислители и кубиты? Разве это всё не прекрасно?
Ну вы меня понимаете! Ведь понимаете? Да?
Думаю, что сейчас такую красоту мало кому можно предложить. Но уверен, что через какое-то время похожие предметы, параллельно изучению основных школьных предметов, будут преподавать в школах и вузах. Конечно не для всех, а для тех, кто идет в землю обетованную самостоятельного мышления.
Программа курса здесь – ссылка
Знание – сила!
Google Docs
Программа курса «Физическое мышление» (по атомам)
Программа курса «Физическое мышление» (по атомам) Модуль 1. Физическое мышление: с чего начинается физик Обучение различению явления, модели и описания на практических кейсах, введение базовых онтологических понятий и границ применимости моделей. М1.1. «Неужели…
🔥4❤3👍2
Кому это надо? (цикл «Конституция API») 1/2
Я уже заявлял, что у гражданина должно быть право на программный доступ к своим государственным данным. В ответ, ожидаемо, получил порцию скепсиса: «Красиво, конечно, но утопия. Кому это нужно и кто вообще будет этот код писать? И есть же SmartBridge – иди туда».
Может оно и так. Но из-за революции ИИ отрасль пошла вразнос, и правила игры радикально изменились. Стоимость разработки обвалилась на порядки. То, что раньше требовало бюджета и команды, сегодня собирается за вечер в Claude Code человеком, который едва умеет открывать терминал. Завтра это будет делать Replit Agent вообще без участия кожаного программиста. Карпатый метко назвал это «software for one» - софт для одного. Исторически такого класса систем не существовало: издержки на создание превышали ценность для одного пользователя. Теперь - существуют.
Агенты неизбежно проникнут везде: в личные, рабочие, банковские данные. Вопрос «можно ли» уже не стоит. Через пару лет они станут нормой для активной части населения, и люди просто натравят своих агентов на доступные каналы. Вопрос лишь в том - на какие именно?
Три сценария для государства: монополия и цена хаоса
И здесь мы возвращаемся к государству. Вариантов развития событий всего три, и лишь один из них не ведет к разрушению конструкции.
1. Люди начинают массово отдавать свои ЭЦП мутным сторонним приложениям. Это уже происходит, а скоро примет масштабы настоящей эпидемии.
2. Агенты начинают судорожно скринскрейпить eGov, ловить капчи, падать после каждого обновления верстки и перемешивать чужие данные. Ave, Deus Chaos!
3. Государство дает нормальный API с узкими токенами и прозрачной системой согласий. Пока этого нет.
Третий вариант сам по себе, усилиями одного только рынка, не появится. А вот первые два - гарантированно. То есть выбор простой: либо мы строим нормальную инфраструктуру, либо вокруг государства цементируется огромная серая зона.
Почему это критично? Потому что государство - монополист по дизайну. Я не могу выбрать себе другую налоговую или альтернативное МВД, если у текущих плохой UX. В бизнесе плохой интерфейс означает потерю клиента. У государства плохой UX - это навсегда. При этом цена ошибки колоссальная: пропустил суд - лови заочное решение; не сдал ФНО - держи пени и блокировку счетов. Инструменты контроля за всем этим сейчас хуже, чем трекинг копеечной посылки на маркетплейсе. Это дикая асимметрия, и сейчас появился реальный шанс ее исправить.
Я уже заявлял, что у гражданина должно быть право на программный доступ к своим государственным данным. В ответ, ожидаемо, получил порцию скепсиса: «Красиво, конечно, но утопия. Кому это нужно и кто вообще будет этот код писать? И есть же SmartBridge – иди туда».
Может оно и так. Но из-за революции ИИ отрасль пошла вразнос, и правила игры радикально изменились. Стоимость разработки обвалилась на порядки. То, что раньше требовало бюджета и команды, сегодня собирается за вечер в Claude Code человеком, который едва умеет открывать терминал. Завтра это будет делать Replit Agent вообще без участия кожаного программиста. Карпатый метко назвал это «software for one» - софт для одного. Исторически такого класса систем не существовало: издержки на создание превышали ценность для одного пользователя. Теперь - существуют.
Агенты неизбежно проникнут везде: в личные, рабочие, банковские данные. Вопрос «можно ли» уже не стоит. Через пару лет они станут нормой для активной части населения, и люди просто натравят своих агентов на доступные каналы. Вопрос лишь в том - на какие именно?
Три сценария для государства: монополия и цена хаоса
И здесь мы возвращаемся к государству. Вариантов развития событий всего три, и лишь один из них не ведет к разрушению конструкции.
1. Люди начинают массово отдавать свои ЭЦП мутным сторонним приложениям. Это уже происходит, а скоро примет масштабы настоящей эпидемии.
2. Агенты начинают судорожно скринскрейпить eGov, ловить капчи, падать после каждого обновления верстки и перемешивать чужие данные. Ave, Deus Chaos!
3. Государство дает нормальный API с узкими токенами и прозрачной системой согласий. Пока этого нет.
Третий вариант сам по себе, усилиями одного только рынка, не появится. А вот первые два - гарантированно. То есть выбор простой: либо мы строим нормальную инфраструктуру, либо вокруг государства цементируется огромная серая зона.
Почему это критично? Потому что государство - монополист по дизайну. Я не могу выбрать себе другую налоговую или альтернативное МВД, если у текущих плохой UX. В бизнесе плохой интерфейс означает потерю клиента. У государства плохой UX - это навсегда. При этом цена ошибки колоссальная: пропустил суд - лови заочное решение; не сдал ФНО - держи пени и блокировку счетов. Инструменты контроля за всем этим сейчас хуже, чем трекинг копеечной посылки на маркетплейсе. Это дикая асимметрия, и сейчас появился реальный шанс ее исправить.
👍2
Кому это надо? (цикл «Конституция API») 2/2
Снижение налога на бюрократию и наши исходные данные
Что по факту делает такой агент в системе координат гражданина? Он радикально снижает «налог на бюрократию». Мониторит сроки, проверяет судебную базу и реестры залогов, сводит данные налоговой и банка. Это экономия 20-60 часов чистого времени в год для среднего человека, и кратно больше - для ИП. Это уже не про «сделать удобненько». Это про совершенно другой уровень дееспособности в сложной системе.
Индия уже вовсю гоняет документы сотен миллионов людей через DigiLocker и Account Aggregator. Эстония давно сделала программную подачу документов нормой. Но знаете, что самое интересное? В Казахстане для создания такой инфраструктуры уже есть всё: Smart Bridge, eGov mobile, механизм выдачи согласий через ЭЦП. У других стран это сложнейший блокер, а у нас база уже лежит под ногами.
Архитектура социальной системы: при чем тут бабушка в ауле?
Тут возникает классическое недоумение: «А как же бабушка в ауле? Какие ей агенты?». Не отрицаю, прямых пользователей агентов будет от силы миллиона 3-4 - городской активный класс, ИП, юристы. Но здесь нужно смотреть на задачу шире: мы строим не просто техническую апишечку, мы моделируем сложную организационную систему.
Личный агент - это не обязательно тот, которого ты написал себе сам. Это агент, которого настроила дочь в Алматы, чтобы мониторить налоги и статус поликлиники своих родителей. Это агент бухгалтера, который ведет двадцать ИП. Агент HR-специалиста. В перспективе - это агент условного акимата, проактивно выявляющий тех, кому положены льготы. То есть прямых пользователей меньшинство, но косвенных бенефициаров - в разы больше. API нужен именно для того, чтобы продвинутые узлы сети (дети, юристы, бухгалтеры) могли безопасно и масштабируемо помогать остальным. Это и решает проблему цифрового неравенства. Без API беззащитны все: и бабушка в ауле, и ее дочь, которая вынуждена отдавать свою ЭЦП непонятно кому.
Это больше не технологический вопрос. Это вопрос политический и управленческий. Государство либо осознает этот сдвиг, возглавит процесс и разгрузит свои ЦОНы, либо встретит волну неподготовленным и будет годами разгребать инциденты безопасности.
Снижение налога на бюрократию и наши исходные данные
Что по факту делает такой агент в системе координат гражданина? Он радикально снижает «налог на бюрократию». Мониторит сроки, проверяет судебную базу и реестры залогов, сводит данные налоговой и банка. Это экономия 20-60 часов чистого времени в год для среднего человека, и кратно больше - для ИП. Это уже не про «сделать удобненько». Это про совершенно другой уровень дееспособности в сложной системе.
Индия уже вовсю гоняет документы сотен миллионов людей через DigiLocker и Account Aggregator. Эстония давно сделала программную подачу документов нормой. Но знаете, что самое интересное? В Казахстане для создания такой инфраструктуры уже есть всё: Smart Bridge, eGov mobile, механизм выдачи согласий через ЭЦП. У других стран это сложнейший блокер, а у нас база уже лежит под ногами.
Архитектура социальной системы: при чем тут бабушка в ауле?
Тут возникает классическое недоумение: «А как же бабушка в ауле? Какие ей агенты?». Не отрицаю, прямых пользователей агентов будет от силы миллиона 3-4 - городской активный класс, ИП, юристы. Но здесь нужно смотреть на задачу шире: мы строим не просто техническую апишечку, мы моделируем сложную организационную систему.
Личный агент - это не обязательно тот, которого ты написал себе сам. Это агент, которого настроила дочь в Алматы, чтобы мониторить налоги и статус поликлиники своих родителей. Это агент бухгалтера, который ведет двадцать ИП. Агент HR-специалиста. В перспективе - это агент условного акимата, проактивно выявляющий тех, кому положены льготы. То есть прямых пользователей меньшинство, но косвенных бенефициаров - в разы больше. API нужен именно для того, чтобы продвинутые узлы сети (дети, юристы, бухгалтеры) могли безопасно и масштабируемо помогать остальным. Это и решает проблему цифрового неравенства. Без API беззащитны все: и бабушка в ауле, и ее дочь, которая вынуждена отдавать свою ЭЦП непонятно кому.
Это больше не технологический вопрос. Это вопрос политический и управленческий. Государство либо осознает этот сдвиг, возглавит процесс и разгрузит свои ЦОНы, либо встретит волну неподготовленным и будет годами разгребать инциденты безопасности.
💯1
Сломанный лифт? Искусственный интеллект, кризис джунов и куда уходит фрустрация казахстанских айтишников (1/2)
Закончил пилотное исследование на тему джунов. Делюсь главным. Ссылка на полную версию статьи в конце поста (много буков - 42 страницы в академическом формате).
Откуда вопрос
Государство массово вкладывается в IT-образование: Tech Orda за 2022–2025 выпустила 9 тыс. человек через 121 школу, AI-Sana ставит цель обучить 650 тыс. студентов. К 2026 году 371 тыс. казахстанцев начали обучение программированию или работе с искусственным интеллектом.
Параллельно рынок ужесточает вход. По исследованию Kolesa Group, 76% работающих разработчиков — это специалисты среднего и старшего уровня. На одну IT-вакансию претендуют 13 кандидатов. На hh.kz по запросу «junior developer» находится 79 вакансий, и в большинстве карточек требуется опыт 1–3 года.
Государство расширяет популяцию претендентов на IT-карьеру быстрее, чем рынок их поглощает. Это классическая ситуация, ведущая к карьерной фрустрации.
Хотел понять: куда эта фрустрация в итоге уходит — в адаптацию, эмиграцию, предпринимательство, антикоррупционную политизацию, этнокультурную мобилизацию, апатию или радикализацию?
Метод
Разведывательный пилот по открытым источникам, апрель–май 2026. Корпус из 112 единиц публичных сигналов (вакансии, программные страницы, СМИ, государственные цифровые сервисы, казахоязычные ресурсы), размечен по 14 нарративным кодам. Это не репрезентативный опрос — это видимость сценариев в открытых источниках.
Что вышло
Доминирующий ответ — адаптация (75% корпуса). Учиться, делать учебные проекты, менять стек, искать стажировку, переходить в смежные роли. Дальше — искусственный интеллект как возможность (35%), разрыв ожиданий (35%), сложность входа для новичков (32%), предпринимательство (27%).
Искусственный интеллект работает не как фактор паники, а как фактор переопределения профессии. Вопрос не «останется ли работа в IT», а «какая работа и для кого».
Этнокультурная мобилизация в открытом корпусе не подтверждается. Казахоязычная IT-среда есть и развивается (Digital Dala, переводы, региональные встречи), но это работает как канал доступа и включения, а не как мобилизационная рамка.
Прямые признаки рискованной мобилизации (травля, призывы к вытеснению, кампании с персональными целями) — ноль. Это надёжный результат: если бы такие кампании шли, они оставляли бы публичные следы.
Заметнее и интереснее другая линия политизации — антикоррупционно-предпринимательская. Скандалы вокруг цифровизации в квазигосударственном секторе, требования открытых данных, гражданский технологический активизм. У этой рамки есть зрелая инфраструктура (Astana Hub, журналисты, блоги) и понятный «виновник» — закрытое распределение государственных IT-заказов. Если фрустрация куда-то и пойдёт, то скорее сюда.
Закончил пилотное исследование на тему джунов. Делюсь главным. Ссылка на полную версию статьи в конце поста (много буков - 42 страницы в академическом формате).
Откуда вопрос
Государство массово вкладывается в IT-образование: Tech Orda за 2022–2025 выпустила 9 тыс. человек через 121 школу, AI-Sana ставит цель обучить 650 тыс. студентов. К 2026 году 371 тыс. казахстанцев начали обучение программированию или работе с искусственным интеллектом.
Параллельно рынок ужесточает вход. По исследованию Kolesa Group, 76% работающих разработчиков — это специалисты среднего и старшего уровня. На одну IT-вакансию претендуют 13 кандидатов. На hh.kz по запросу «junior developer» находится 79 вакансий, и в большинстве карточек требуется опыт 1–3 года.
Государство расширяет популяцию претендентов на IT-карьеру быстрее, чем рынок их поглощает. Это классическая ситуация, ведущая к карьерной фрустрации.
Хотел понять: куда эта фрустрация в итоге уходит — в адаптацию, эмиграцию, предпринимательство, антикоррупционную политизацию, этнокультурную мобилизацию, апатию или радикализацию?
Метод
Разведывательный пилот по открытым источникам, апрель–май 2026. Корпус из 112 единиц публичных сигналов (вакансии, программные страницы, СМИ, государственные цифровые сервисы, казахоязычные ресурсы), размечен по 14 нарративным кодам. Это не репрезентативный опрос — это видимость сценариев в открытых источниках.
Что вышло
Доминирующий ответ — адаптация (75% корпуса). Учиться, делать учебные проекты, менять стек, искать стажировку, переходить в смежные роли. Дальше — искусственный интеллект как возможность (35%), разрыв ожиданий (35%), сложность входа для новичков (32%), предпринимательство (27%).
Искусственный интеллект работает не как фактор паники, а как фактор переопределения профессии. Вопрос не «останется ли работа в IT», а «какая работа и для кого».
Этнокультурная мобилизация в открытом корпусе не подтверждается. Казахоязычная IT-среда есть и развивается (Digital Dala, переводы, региональные встречи), но это работает как канал доступа и включения, а не как мобилизационная рамка.
Прямые признаки рискованной мобилизации (травля, призывы к вытеснению, кампании с персональными целями) — ноль. Это надёжный результат: если бы такие кампании шли, они оставляли бы публичные следы.
Заметнее и интереснее другая линия политизации — антикоррупционно-предпринимательская. Скандалы вокруг цифровизации в квазигосударственном секторе, требования открытых данных, гражданский технологический активизм. У этой рамки есть зрелая инфраструктура (Astana Hub, журналисты, блоги) и понятный «виновник» — закрытое распределение государственных IT-заказов. Если фрустрация куда-то и пойдёт, то скорее сюда.
👍1
Сломанный лифт? Искусственный интеллект, кризис джунов и куда уходит фрустрация казахстанских айтишников (2/2)
Контекст, который меняет картину
В отличие от Туниса до 2010, Кореи в 2010-х или Южной Европы после 2008, у Казахстана почти закрылись эмиграционные коридоры. Залив — зона эскалации. Европа в рецессии, наём в IT сжат. США ужесточили рабочие визы. Россия — стагнация и санкционные риски.
В Южной Европе эмиграция работала как мощный предохранитель — миллионы уехали в Германию и Британию. У нас такого предохранителя нет. Это повышает плотность фрустрированной молодёжи внутри страны и резко повышает требования к качеству внутренней политики.
Что делать
В статье предложил 16 мер по трём направлениям:
Снять бутылочное горлышко на входе — стандарт честной отчётности школ, привязка финансирования к трудоустройству выпускников, оплачиваемые стажировки, квота на госзаказы для команд новичков, регулирование рекламы курсов.
Усилить уже работающие позитивные сценарии — открытая среда для гражданских разработчиков, государство как первый клиент стартапов, региональная децентрализация, двуязычные карьерные треки.
Поставить мониторинг — публичная панель индикаторов рынка найма новичков, регулярное наблюдение за нарративами, раннее предупреждение по риск-маркерам, сопряжение с полевым исследованием.
Главный вывод: текущий адаптационный режим — не свойство системы, а результат сочетания условий, которые могут как укрепиться, так и сломаться.
Расширять образовательную трубу без расширения способности рынка поглощать выпускников — значит работать против собственной устойчивости.
Полная статья по ссылке (42 страницы) — Николай Судников. Сломанный лифт? AI, junior-crunch и нарративные сценарии адаптации молодых IT-ориентированных казахстанцев
Контекст, который меняет картину
В отличие от Туниса до 2010, Кореи в 2010-х или Южной Европы после 2008, у Казахстана почти закрылись эмиграционные коридоры. Залив — зона эскалации. Европа в рецессии, наём в IT сжат. США ужесточили рабочие визы. Россия — стагнация и санкционные риски.
В Южной Европе эмиграция работала как мощный предохранитель — миллионы уехали в Германию и Британию. У нас такого предохранителя нет. Это повышает плотность фрустрированной молодёжи внутри страны и резко повышает требования к качеству внутренней политики.
Что делать
В статье предложил 16 мер по трём направлениям:
Снять бутылочное горлышко на входе — стандарт честной отчётности школ, привязка финансирования к трудоустройству выпускников, оплачиваемые стажировки, квота на госзаказы для команд новичков, регулирование рекламы курсов.
Усилить уже работающие позитивные сценарии — открытая среда для гражданских разработчиков, государство как первый клиент стартапов, региональная децентрализация, двуязычные карьерные треки.
Поставить мониторинг — публичная панель индикаторов рынка найма новичков, регулярное наблюдение за нарративами, раннее предупреждение по риск-маркерам, сопряжение с полевым исследованием.
Главный вывод: текущий адаптационный режим — не свойство системы, а результат сочетания условий, которые могут как укрепиться, так и сломаться.
Расширять образовательную трубу без расширения способности рынка поглощать выпускников — значит работать против собственной устойчивости.
Полная статья по ссылке (42 страницы) — Николай Судников. Сломанный лифт? AI, junior-crunch и нарративные сценарии адаптации молодых IT-ориентированных казахстанцев
👍4
Техномистика деконцентрации, когнитивная стратегия непредвзятости и LLM (1/2)
У людей есть свойство воспринимать мир автоматически через фильтр ранее усвоенных теоретических конструкций.
Как работает зрительное восприятие? Человек смотрит и видит «объекты», «фигуры». Хотя на самом деле глаз видит только цветовые пятна, а фигуры появляются в сознании после автоматической обработки, в ходе которой совокупности «пикселей» классифицируются на основе предыдущего жизненного опыта. Этот стандартный механизм позволяет быстро анализировать зрительную картинку и принимать решения. Но есть минус: фигуры фокусируют на себе внимание, количество одновременно воспринимаемых фигур не превышает 3-5, нетиповые совокупности «пикселей» могут игнорироваться из-за того, что они незнакомы.
Теоретическое осмысление работает по похожему сценарию: когда человек слушает чью-то речь или читает текст, то автоматически классифицирует совокупности понятий по знакомым структурам. Философ оценивает незнакомую систему философии через онтологию своих взглядов. Бизнес-аналитик рассматривает процессы компании через свою рабочую методологию. Марксист читает новости через линзу классовой борьбы. В типовых ситуациях это позволяет «понимать» и принимать решения быстро, но лишает гибкости. Заученные ранее модели осмысления и сценарии поведения могут оказаться не то что не оптимальными, но даже разрушительными.
Специалистов, работающих в экстремальных условиях, иногда учат технике деконцентрации. Диспетчер, наблюдающий за десятками датчиков, учится смотреть сразу на всё одновременно и ни на что конкретно. Дайвер на глубине десятков метров учится ни на чем не фокусироваться, а воспринимать все сигналы тела одновременно. Благодаря этой технике они становятся способны мгновенно воспринимать тревожные сигналы без необходимости последовательно перебирать десятки или сотни объектов внимания.
Смысловая деконцентрация, у тех, кто ее практикует, выполняется по аналогии. Типовое осмысление теории, статьи, ситуации мы делаем линейно-дискурсивно: разбираем понятие за понятием, связь за связью, мысль за мысль, по ходу оценивая, сопоставляя с личным опытом и личным теоретическим багажом.
Деконцентрированный процесс понимания выглядит по-другому:
1. Наблюдатель знакомится с теорией, текстом, ситуацией.
2. По ходу ознакомления рисует понятийную сетку на основе внутренней логики наблюдаемого.
3. По ходу формирования понятийной сетки непрерывно выполняется волевое усилие «остановки процессора» (временное торможение вывода и оценочного суждения), «блокировки вывода» – наблюдатель запрещает себе логические выводы, оценку правоты, эмоциональные оценки.
4. Наблюдатель смотрит на всю картину целиком, глядя на ее топологию.
5. Когда процессор остановлен вся понятийная сетка удерживается вниманием одновременно: становятся видны структурные напряжения и пустоты, чистая метамодель отвязывается от предметной области.
6. Наблюдатель перестает быть заложником теории и смотрит на нее с позиции надсистемы, начинает видеть не только то, что теория описывает, но и ее граничные условия – где она заканчивается и перестает работать. Это позволяет не спорить с теорией, а использовать ее как один из множества сменных инструментов.
7. В этом состоянии могут происходить инсайты – озарения невербальной природы, к которым можно затем подключить дискурсивный аппарат и развернуть инсайт в нужный формат: уточнить теорию, породить новую онтологическую схему или идею программного продукта.
У людей есть свойство воспринимать мир автоматически через фильтр ранее усвоенных теоретических конструкций.
Как работает зрительное восприятие? Человек смотрит и видит «объекты», «фигуры». Хотя на самом деле глаз видит только цветовые пятна, а фигуры появляются в сознании после автоматической обработки, в ходе которой совокупности «пикселей» классифицируются на основе предыдущего жизненного опыта. Этот стандартный механизм позволяет быстро анализировать зрительную картинку и принимать решения. Но есть минус: фигуры фокусируют на себе внимание, количество одновременно воспринимаемых фигур не превышает 3-5, нетиповые совокупности «пикселей» могут игнорироваться из-за того, что они незнакомы.
Теоретическое осмысление работает по похожему сценарию: когда человек слушает чью-то речь или читает текст, то автоматически классифицирует совокупности понятий по знакомым структурам. Философ оценивает незнакомую систему философии через онтологию своих взглядов. Бизнес-аналитик рассматривает процессы компании через свою рабочую методологию. Марксист читает новости через линзу классовой борьбы. В типовых ситуациях это позволяет «понимать» и принимать решения быстро, но лишает гибкости. Заученные ранее модели осмысления и сценарии поведения могут оказаться не то что не оптимальными, но даже разрушительными.
Специалистов, работающих в экстремальных условиях, иногда учат технике деконцентрации. Диспетчер, наблюдающий за десятками датчиков, учится смотреть сразу на всё одновременно и ни на что конкретно. Дайвер на глубине десятков метров учится ни на чем не фокусироваться, а воспринимать все сигналы тела одновременно. Благодаря этой технике они становятся способны мгновенно воспринимать тревожные сигналы без необходимости последовательно перебирать десятки или сотни объектов внимания.
Смысловая деконцентрация, у тех, кто ее практикует, выполняется по аналогии. Типовое осмысление теории, статьи, ситуации мы делаем линейно-дискурсивно: разбираем понятие за понятием, связь за связью, мысль за мысль, по ходу оценивая, сопоставляя с личным опытом и личным теоретическим багажом.
Деконцентрированный процесс понимания выглядит по-другому:
1. Наблюдатель знакомится с теорией, текстом, ситуацией.
2. По ходу ознакомления рисует понятийную сетку на основе внутренней логики наблюдаемого.
3. По ходу формирования понятийной сетки непрерывно выполняется волевое усилие «остановки процессора» (временное торможение вывода и оценочного суждения), «блокировки вывода» – наблюдатель запрещает себе логические выводы, оценку правоты, эмоциональные оценки.
4. Наблюдатель смотрит на всю картину целиком, глядя на ее топологию.
5. Когда процессор остановлен вся понятийная сетка удерживается вниманием одновременно: становятся видны структурные напряжения и пустоты, чистая метамодель отвязывается от предметной области.
6. Наблюдатель перестает быть заложником теории и смотрит на нее с позиции надсистемы, начинает видеть не только то, что теория описывает, но и ее граничные условия – где она заканчивается и перестает работать. Это позволяет не спорить с теорией, а использовать ее как один из множества сменных инструментов.
7. В этом состоянии могут происходить инсайты – озарения невербальной природы, к которым можно затем подключить дискурсивный аппарат и развернуть инсайт в нужный формат: уточнить теорию, породить новую онтологическую схему или идею программного продукта.
👍1
Техномистика деконцентрации, когнитивная стратегия непредвзятости и LLM (2/2)
Полноценное освоение техник деконцентрации требует длительного процесса тренировок. При обычном мышлении можно просто использовать имитирующую когнитивную стратегию: временно откладывать оценку и собирать карту ситуации.
Например, в ходе обычных мыслительных или рабочих практик: при изучении любых текстов, статей, новостей – делать усилие избегать оценок и суждений о правильности-неправильности, моральности-аморальности до момента ознакомления со всеми обстоятельствами. При бизнес-анализе, например, не спешить с выбором методологии до сбора всех фактов и мнений. При проектировании системы не спешить с выбором архитектуры до выявления всех основных факторов проектирования.
Даже такая имитация даст некоторый качественный рост в способности осмыслять (умности) – со стороны будет казаться, что человек умеет глубоко и непредвзято мыслить, рассматривать ситуацию со всех сторон и не торопиться с преждевременными выводами.
Любопытно, что обработка текстов в чатах с LLM по пользовательскому эффекту похожа на техники смысловой деконцентрации. Александр Болдачев (философ, архитектор и разработчик системы онтологического проектирования и анализа) радикально заметил, что по его опыту LLM «абсолютно превосходят» людей в понимании философских текстов, демонстрируют уровень операционального понимания, которого люди не достигают даже после долгих объяснений.
Где похоже: при удачном промпте LLM может вести себя как внешний инструмент деконцентрированной оптики. Она не имеет личной философской идентичности, которую нужно защищать, поэтому способна временно реконструировать чужую систему понятий изнутри: выделить ключевые различения, связи, скрытые предпосылки, напряжения и границы применимости.
Где непохоже: это не человеческая деконцентрация и не «чистая логика». Модель не созерцает смысловое поле и не переживает инсайт. Она генерирует текст на основе обученных вероятностных представлений, архитектурных механизмов и настроек постобучения. Поэтому её «непредвзятость» относительна: вместо личной философии у неё есть статистические и нормативные смещения. За пределами внутренней логики текста и имеющегося в ее распоряжении корпуса модель бессильна и безответственна: она не может связать мысль с опытом личного действия, поставить на кон собственную репутацию или жизнь.
Но как репетитор для объяснения текстов любой сложности сильные модели LLM великолепны.
Дисклеймер: Непредвзятое понимание — это не отсутствие взглядов, а способность временно не позволять своим взглядам становиться единственным центром интерпретации.
Ссылки:
1. Олег Бахтияров. Технологии свободы. Путь от «я» к «Я». – М: 2017.
2. Александр Болдачев (пост о понимании LLM) - https://www.facebook.com/photo?fbid=26817479147871791&set=a.868907149822346
Полноценное освоение техник деконцентрации требует длительного процесса тренировок. При обычном мышлении можно просто использовать имитирующую когнитивную стратегию: временно откладывать оценку и собирать карту ситуации.
Например, в ходе обычных мыслительных или рабочих практик: при изучении любых текстов, статей, новостей – делать усилие избегать оценок и суждений о правильности-неправильности, моральности-аморальности до момента ознакомления со всеми обстоятельствами. При бизнес-анализе, например, не спешить с выбором методологии до сбора всех фактов и мнений. При проектировании системы не спешить с выбором архитектуры до выявления всех основных факторов проектирования.
Даже такая имитация даст некоторый качественный рост в способности осмыслять (умности) – со стороны будет казаться, что человек умеет глубоко и непредвзято мыслить, рассматривать ситуацию со всех сторон и не торопиться с преждевременными выводами.
Любопытно, что обработка текстов в чатах с LLM по пользовательскому эффекту похожа на техники смысловой деконцентрации. Александр Болдачев (философ, архитектор и разработчик системы онтологического проектирования и анализа) радикально заметил, что по его опыту LLM «абсолютно превосходят» людей в понимании философских текстов, демонстрируют уровень операционального понимания, которого люди не достигают даже после долгих объяснений.
Где похоже: при удачном промпте LLM может вести себя как внешний инструмент деконцентрированной оптики. Она не имеет личной философской идентичности, которую нужно защищать, поэтому способна временно реконструировать чужую систему понятий изнутри: выделить ключевые различения, связи, скрытые предпосылки, напряжения и границы применимости.
Где непохоже: это не человеческая деконцентрация и не «чистая логика». Модель не созерцает смысловое поле и не переживает инсайт. Она генерирует текст на основе обученных вероятностных представлений, архитектурных механизмов и настроек постобучения. Поэтому её «непредвзятость» относительна: вместо личной философии у неё есть статистические и нормативные смещения. За пределами внутренней логики текста и имеющегося в ее распоряжении корпуса модель бессильна и безответственна: она не может связать мысль с опытом личного действия, поставить на кон собственную репутацию или жизнь.
Но как репетитор для объяснения текстов любой сложности сильные модели LLM великолепны.
Дисклеймер: Непредвзятое понимание — это не отсутствие взглядов, а способность временно не позволять своим взглядам становиться единственным центром интерпретации.
Ссылки:
1. Олег Бахтияров. Технологии свободы. Путь от «я» к «Я». – М: 2017.
2. Александр Болдачев (пост о понимании LLM) - https://www.facebook.com/photo?fbid=26817479147871791&set=a.868907149822346
👍2
Где у айтишников ломается доверие к государству
Закончил пилотное исследование казахстанского IT-дискурса на тему политической субъектности цифрового класса. Спойлер: главная проблема вообще не в госзакупках.
В чем был вопрос
Принято считать, что главный камень преткновения между IT и государством — это тендеры, «распилы» и ТЗ под конкретного поставщика. Я проанализировал корпус публичных обсуждений, вакансий, лотов и GitHub-репозиториев за 2025–2026 годы, чтобы проверить, так ли это.
Что оказалось на самом деле
- Государство — это «база данных», а не заказчик.В публичном поле айтишники чаще всего воспринимают государство как владельца данных (63 упоминания) и инфраструктуру (57). Государство-заказчик обсуждается намного реже (19 упоминаний).
- Доверие ломается на API. Когда я разложил жалобы по полочкам, топ барьеров возглавили проблемы с доступом к данным и API (70 случаев). Дальше идут мутные стандарты (58) и слабая подотчетность (48). Тендеры оказались лишь на четвертом месте (34).
- На практике разработчиков куда больше бесит непрозрачная выдача API-ключей, падающие эндпоинты, отсутствие истории изменений (changelog) и датасеты, которые не обновлялись годами. Тендеры громче, но инфраструктурные «грабли» бьют чаще.
Конструктив vs. Популизм
Самый интересный результат получился с критикой государства. Она бывает двух видов:
1. Civic audit (гражданский аудит) — конструктивная критика через данные и код (26 кейсов). Например, когда независимый разработчик парсит API госзакупок, чтобы сделать удобный трекер.
2. Цифровой популизм — крики «всё распилено!» без доказательств. И вот таких случаев в выборке оказался ровно ноль.
Это критически важный момент. Чиновники часто путают эти два понятия и закрывают данные под предлогом борьбы с «информационными угрозами». Но закрывая API, они убивают полезный гражданский аудит — единственный работающий канал критики, основанный на фактах.
Итог
Доверие к цифровому государству ломается не в тендере. Оно ломается на этапе получения API-ключа и на дате последнего обновления датасета. Чтобы это исправить, нужны четкие SLA на публичные API, прозрачная документация и крепкая инженерная культура внутри самого госIT.
(Из ограничений: 83% собранных данных — это медийные и официальные голоса, мнений private/senior инженеров пока не хватает).
Ссылки:
1. Полный текст журнальной статьи (36 страниц) - https://docs.google.com/document/d/1yfX51Bx9spi1ECWsPl7pQykLWUHNcZE2V_8K_q6Eyxs/edit?tab=t.0
2. Replication package - https://drive.google.com/file/d/1ZtVwO-8bLikXoO8pCgO9KRaiIyy84Jg0/view?usp=drive_link
Закончил пилотное исследование казахстанского IT-дискурса на тему политической субъектности цифрового класса. Спойлер: главная проблема вообще не в госзакупках.
В чем был вопрос
Принято считать, что главный камень преткновения между IT и государством — это тендеры, «распилы» и ТЗ под конкретного поставщика. Я проанализировал корпус публичных обсуждений, вакансий, лотов и GitHub-репозиториев за 2025–2026 годы, чтобы проверить, так ли это.
Что оказалось на самом деле
- Государство — это «база данных», а не заказчик.В публичном поле айтишники чаще всего воспринимают государство как владельца данных (63 упоминания) и инфраструктуру (57). Государство-заказчик обсуждается намного реже (19 упоминаний).
- Доверие ломается на API. Когда я разложил жалобы по полочкам, топ барьеров возглавили проблемы с доступом к данным и API (70 случаев). Дальше идут мутные стандарты (58) и слабая подотчетность (48). Тендеры оказались лишь на четвертом месте (34).
- На практике разработчиков куда больше бесит непрозрачная выдача API-ключей, падающие эндпоинты, отсутствие истории изменений (changelog) и датасеты, которые не обновлялись годами. Тендеры громче, но инфраструктурные «грабли» бьют чаще.
Конструктив vs. Популизм
Самый интересный результат получился с критикой государства. Она бывает двух видов:
1. Civic audit (гражданский аудит) — конструктивная критика через данные и код (26 кейсов). Например, когда независимый разработчик парсит API госзакупок, чтобы сделать удобный трекер.
2. Цифровой популизм — крики «всё распилено!» без доказательств. И вот таких случаев в выборке оказался ровно ноль.
Это критически важный момент. Чиновники часто путают эти два понятия и закрывают данные под предлогом борьбы с «информационными угрозами». Но закрывая API, они убивают полезный гражданский аудит — единственный работающий канал критики, основанный на фактах.
Итог
Доверие к цифровому государству ломается не в тендере. Оно ломается на этапе получения API-ключа и на дате последнего обновления датасета. Чтобы это исправить, нужны четкие SLA на публичные API, прозрачная документация и крепкая инженерная культура внутри самого госIT.
(Из ограничений: 83% собранных данных — это медийные и официальные голоса, мнений private/senior инженеров пока не хватает).
Ссылки:
1. Полный текст журнальной статьи (36 страниц) - https://docs.google.com/document/d/1yfX51Bx9spi1ECWsPl7pQykLWUHNcZE2V_8K_q6Eyxs/edit?tab=t.0
2. Replication package - https://drive.google.com/file/d/1ZtVwO-8bLikXoO8pCgO9KRaiIyy84Jg0/view?usp=drive_link
👍5
Почему мы неправильно понимаем ИТ-рынок: конверсия капиталов и при чём тут Бурдьё (1/2)
Закончил третий (будет ещё много) пилот исследовательской программы по изучению казахстанской цифровой экосистемы - прошёлся по 150+30 ключевым организациям. Спойлер: считать стартапы и зарплаты разработчиков - это путь в никуда, если мы хотим понять, как реально работает отрасль.
Зачем вообще изучать «цифровой класс»?
Принято считать, что ИТ - это просто обычный сектор экономики, который делает продукты и платит налоги. Но в таких странах, как наша, цифровизация идёт через тесное сплетение частного, квази-государственного и государственного капиталов. Государство сейчас не только внешний регулятор или заказчик, а владелец данных, оператор eGov-инфраструктуры, инвестор и куратор экосистемы.
Если изучать айтишников традиционно, просто как наёмных работников, мы не увидим главного: как в этой сложной системе распределяется реальный доступ к ресурсам и власти. И здесь на помощь приходит французская социология.
Методология: конверсия доступов простыми словами
Чтобы понять реальную структуру рынка я смотрю на него через теорию конверсии капиталов Пьера Бурдье (плюс исследования инфраструктур и медийной видимости других методологов).
- Суть Бурдье в ИТ. По Бурдье, капитал бывает не только экономическим, но и социальным, символическим, культурным. В нашей сфере базовый ресурс - это «технический капитал» (умение писать код или поднимать архитектуру). Но сам по себе он имеет мало веса. Цифровая экосистема - это набор узлов (шлюзов), через которые это умение конвертируется.
- Как это работает. Технический и проектный капитал конвертируется в финансовые инвестиции через ИТ-хабы и акселераторы (слой селекции и gatekeeping). Образовательный спрос конвертируется в сертификат и обещание трудоустройства через школы программирования.
- Видимость - это тоже капитал. Внимание профильных изданий, рейтинги, выступления на конференциях - это не просто PR-отчётность. Это самостоятельный символический капитал, который активно распределяет легитимность и доступ к дальнейшему финансированию. Кто лучше видим онлайн - тот и получает больше влияния.
В пилоте по казахстанской «айтишечке» эта логика операционализирована как семь слоёв конверсии (L1–L7):
L1 - производственное ядро,
L2 - продукт/фаундер,
L3 - GovIT/регулирование,
L4 - капитал/гейткипинг,
L5 - образовательная труба,
L6 - символическое посредничество,
L7 - civic audit.
Сбор - online-only, у каждой из 150 организаций минимум два независимых публичных источника, плюс отдельный bias-supplement (30 организаций) для тех, кого поисковая выдача недопредставляет - регионы, legacy/B2B-игроки. Смещение видимости не маскируется, а кодируется как переменная.
Закончил третий (будет ещё много) пилот исследовательской программы по изучению казахстанской цифровой экосистемы - прошёлся по 150+30 ключевым организациям. Спойлер: считать стартапы и зарплаты разработчиков - это путь в никуда, если мы хотим понять, как реально работает отрасль.
Зачем вообще изучать «цифровой класс»?
Принято считать, что ИТ - это просто обычный сектор экономики, который делает продукты и платит налоги. Но в таких странах, как наша, цифровизация идёт через тесное сплетение частного, квази-государственного и государственного капиталов. Государство сейчас не только внешний регулятор или заказчик, а владелец данных, оператор eGov-инфраструктуры, инвестор и куратор экосистемы.
Если изучать айтишников традиционно, просто как наёмных работников, мы не увидим главного: как в этой сложной системе распределяется реальный доступ к ресурсам и власти. И здесь на помощь приходит французская социология.
Методология: конверсия доступов простыми словами
Чтобы понять реальную структуру рынка я смотрю на него через теорию конверсии капиталов Пьера Бурдье (плюс исследования инфраструктур и медийной видимости других методологов).
- Суть Бурдье в ИТ. По Бурдье, капитал бывает не только экономическим, но и социальным, символическим, культурным. В нашей сфере базовый ресурс - это «технический капитал» (умение писать код или поднимать архитектуру). Но сам по себе он имеет мало веса. Цифровая экосистема - это набор узлов (шлюзов), через которые это умение конвертируется.
- Как это работает. Технический и проектный капитал конвертируется в финансовые инвестиции через ИТ-хабы и акселераторы (слой селекции и gatekeeping). Образовательный спрос конвертируется в сертификат и обещание трудоустройства через школы программирования.
- Видимость - это тоже капитал. Внимание профильных изданий, рейтинги, выступления на конференциях - это не просто PR-отчётность. Это самостоятельный символический капитал, который активно распределяет легитимность и доступ к дальнейшему финансированию. Кто лучше видим онлайн - тот и получает больше влияния.
В пилоте по казахстанской «айтишечке» эта логика операционализирована как семь слоёв конверсии (L1–L7):
L1 - производственное ядро,
L2 - продукт/фаундер,
L3 - GovIT/регулирование,
L4 - капитал/гейткипинг,
L5 - образовательная труба,
L6 - символическое посредничество,
L7 - civic audit.
Сбор - online-only, у каждой из 150 организаций минимум два независимых публичных источника, плюс отдельный bias-supplement (30 организаций) для тех, кого поисковая выдача недопредставляет - регионы, legacy/B2B-игроки. Смещение видимости не маскируется, а кодируется как переменная.
Почему мы неправильно понимаем ИТ-рынок: конверсия капиталов и при чём тут Бурдьё (2/2)
Что это дало на практике
Разложив рынок через такую оптику, мы начинаем видеть системные баги, которые раньше казались случайностями. Главное, что даёт эта методология - защиту от ложных выводов и мискодификации:
1. Защита от «пузыря видимости». Мы перестаём путать публичный пиар с реальным влиянием. Фаундеры и продуктовые стартапы аккумулируют весь символический капитал, поэтому они у всех на слуху. А вот реальные инфраструктурные процессы часто лежат в «невидимом» слое старых суровых B2B-интеграторов, которые не светятся в медиа.
В пилоте это видно так: на L1 (само производственное ядро) специально дана усиленная квота - 40 организаций. Но публичная читаемость казахстанского IT всё равно идёт через 79 организаций L2+L4+L5+L6 - продукты, гранты, акселераторы, медиа. То, что мы лучше всего видим и называем «казахстанским IT», - это в основном витрина, а не фабрика.
Та же логика про столичную концентрацию. В слое денег и акселераторов - 17 столичных организаций (Astana Hub, MOST Holding, основные фонды) и 15 региональных хабов «в тени» (Алатау, Атырау, Мангистау, Кызылорда и др.). Производство по стране распылено естественно - продукт можно делать откуда угодно. А вот распределять деньги и сцену могло бы быть распределено, но не распределено. Это не «региональная слабость» - это структура видимости.
2. Понимание Junior-кризиса. Становится ясно, почему рынок перегрет джунами. ИТ-образование работает как идеальная машина по конверсии спроса в громкое ожидание успешной карьеры. Инфраструктура обещаний входа в класс работает на полную мощность, а вот ответственность за конечный результат в виде реальных рабочих мест (outcomes) в этой системе просто не заложена.
В пилоте L5 - это 25 организаций: Tech Orda, AI-Sana, университетские треки, корпоративные академии. Они интенсивно сигналят про вход в IT. А публичных следов про результаты - трудоустройство 6/12 месяцев, dropout, role transitions - на порядок меньше. Видимость обещания производится сильнее, чем accountability за результат. Junior-crunch при такой конструкции - не аномалия, а ожидаемое следствие.
3. Легализация гражданского аудита. Разработчики, которые парсят госзакупки на GitHub или анализируют бюджеты - это не маргинальные активисты. Через методологию Бурдье мы видим их как критически важный слой, который конвертирует инфраструктуру (данные, код) в публичную подотчётность (civic audit). Эта рамка научно защищает независимых инженеров от обвинений в политиканстве и цифровом популизме.
В пилоте это 13 организаций L7 - Open Data Kazakhstan GitHub, civic-tech репозитории, аналитика вокруг госзакупочных API. Численно мало, но это отдельная инфраструктура, не сводимая ни к «IT-сектору», ни к «гражданскому обществу». Это другой способ конвертировать капитал: не в продукт или деньги, а в проверяемость.
Итог
Переход от оценки «ИТ-сектора» к оценке «экосистемы конверсии» - это не академическое занудство, а аналитический хак привычного и бесполезного взгляда на отрасль. Это может защитить нас от иллюзий, когда централизация хабов в столице выдаётся за равномерное развитие рынка, а PR-рейтинги - за реальную архитектуру индустрии. Нельзя сводить анализ цифрового государства к количеству ИТ-компаний. Важно понимать, кто и как получает возможность конвертировать свои навыки во влияние, а кто остаётся за бортом этой инфраструктуры видимости. Об этом в следующих сериях…
Ссылки:
Полный текст статьи с отчетом по третьему пилоту (57 стр.) - клик
Что это дало на практике
Разложив рынок через такую оптику, мы начинаем видеть системные баги, которые раньше казались случайностями. Главное, что даёт эта методология - защиту от ложных выводов и мискодификации:
1. Защита от «пузыря видимости». Мы перестаём путать публичный пиар с реальным влиянием. Фаундеры и продуктовые стартапы аккумулируют весь символический капитал, поэтому они у всех на слуху. А вот реальные инфраструктурные процессы часто лежат в «невидимом» слое старых суровых B2B-интеграторов, которые не светятся в медиа.
В пилоте это видно так: на L1 (само производственное ядро) специально дана усиленная квота - 40 организаций. Но публичная читаемость казахстанского IT всё равно идёт через 79 организаций L2+L4+L5+L6 - продукты, гранты, акселераторы, медиа. То, что мы лучше всего видим и называем «казахстанским IT», - это в основном витрина, а не фабрика.
Та же логика про столичную концентрацию. В слое денег и акселераторов - 17 столичных организаций (Astana Hub, MOST Holding, основные фонды) и 15 региональных хабов «в тени» (Алатау, Атырау, Мангистау, Кызылорда и др.). Производство по стране распылено естественно - продукт можно делать откуда угодно. А вот распределять деньги и сцену могло бы быть распределено, но не распределено. Это не «региональная слабость» - это структура видимости.
2. Понимание Junior-кризиса. Становится ясно, почему рынок перегрет джунами. ИТ-образование работает как идеальная машина по конверсии спроса в громкое ожидание успешной карьеры. Инфраструктура обещаний входа в класс работает на полную мощность, а вот ответственность за конечный результат в виде реальных рабочих мест (outcomes) в этой системе просто не заложена.
В пилоте L5 - это 25 организаций: Tech Orda, AI-Sana, университетские треки, корпоративные академии. Они интенсивно сигналят про вход в IT. А публичных следов про результаты - трудоустройство 6/12 месяцев, dropout, role transitions - на порядок меньше. Видимость обещания производится сильнее, чем accountability за результат. Junior-crunch при такой конструкции - не аномалия, а ожидаемое следствие.
3. Легализация гражданского аудита. Разработчики, которые парсят госзакупки на GitHub или анализируют бюджеты - это не маргинальные активисты. Через методологию Бурдье мы видим их как критически важный слой, который конвертирует инфраструктуру (данные, код) в публичную подотчётность (civic audit). Эта рамка научно защищает независимых инженеров от обвинений в политиканстве и цифровом популизме.
В пилоте это 13 организаций L7 - Open Data Kazakhstan GitHub, civic-tech репозитории, аналитика вокруг госзакупочных API. Численно мало, но это отдельная инфраструктура, не сводимая ни к «IT-сектору», ни к «гражданскому обществу». Это другой способ конвертировать капитал: не в продукт или деньги, а в проверяемость.
Итог
Переход от оценки «ИТ-сектора» к оценке «экосистемы конверсии» - это не академическое занудство, а аналитический хак привычного и бесполезного взгляда на отрасль. Это может защитить нас от иллюзий, когда централизация хабов в столице выдаётся за равномерное развитие рынка, а PR-рейтинги - за реальную архитектуру индустрии. Нельзя сводить анализ цифрового государства к количеству ИТ-компаний. Важно понимать, кто и как получает возможность конвертировать свои навыки во влияние, а кто остаётся за бортом этой инфраструктуры видимости. Об этом в следующих сериях…
Ссылки:
Полный текст статьи с отчетом по третьему пилоту (57 стр.) - клик
Цифровой класс Казахстана: конспирология vs. апологетика vs. факты (1/2)
Распилы. Прорывы. Левый карман Аппарата. Точка притяжения региона. Постсоветская Панама. Инвестиция в будущее нации. Криптоколониальная песочница. Флагман цифровой трансформации. Это всё — про одну и ту же казахстанскую IT-экосистему, и всё это можно встретить в публикациях разной политической температуры. Я провел еще два социологических пилотных исследования казахстанской ИТ-экосистемы и сопоставил три точки зрения: обвинительную, парадную и спокойную.
1. Государство и институты развития
Конспирология. «Astana Hub и вся сеть институтов развития — это левый карман Аппарата. Никакой автономной IT-экосистемы в Казахстане нет и быть не может; это пиар-обёртка, чтобы красиво переложить бюджет из одной государственной тумбочки в другую».
Апологетика. «Благодаря дальновидной государственной политике в Казахстане выстроена уникальная инновационная экосистема мирового уровня. Astana Hub — крупнейший технопарк региона, точка притяжения талантов и инвестиций, флагман цифровой трансформации Центральной Азии. Государство выступает партнёром, создающим все условия для роста национальных IT-чемпионов».
Факты. Государство в казахстанской цифровой сцене встроено в саму архитектуру: оно входит в карьерные траектории, в форматы конференций, в способ, которым акторы описывают друг друга. Это часть устройства, а не контекст. Государственная роль здесь — один из нескольких типов капитала, которые конвертируются друг в друга на наблюдаемых публичных площадках. Что именно происходит за пределами этих площадок — кто принимает решения о грантах, как распределяются ресурсы, что становится с проектами после получения денег — публичных данных недостаточно, чтобы делать утверждения в любую сторону.
2. Медиа, конференции, рейтинги
Конспирология. «Медиа, конференции и рейтинги — это гримёрка кукольного театра. Вырастили очередного «фаундера», прогнали через панельную дискуссию — вот вам сертифицированный получатель гранта. Без сцены ты с улицы, через сцену — уже легитимный».
Апологетика. «Казахстанские tech-медиа, форумы уровня Digital Bridge, ведущие отраслевые рейтинги — это витрина наших достижений на международной арене. Каждая конференция — это диалог между бизнесом, государством и наукой, выявляющий лучшие практики. Признанные эксперты, выдающиеся фаундеры, истории успеха молодых талантов формируют новый облик казахстанского IT».
Факты. Медийный слой непропорционально плотный — это самая насыщенная событиями часть наблюдаемой экосистемы, и через него проходят почти все типы биографий: технические, фаундерские, государственные, образовательные, гражданские. Функция этого слоя — производство публичной различимости: он работает с тем, кто и как становится узнаваем. Что именно эта различимость покупает дальше — грант, инвестицию, контракт, регуляторное окно — публичных данных о решениях недостаточно, чтобы судить.
3. Образовательные программы
Конспирология. «Tech Orda, AI-Sana, буткемпы — это классическая постсоветская Панама. Цель — не научить программировать, а освоить бюджет на обучение и сымитировать строительство Кремниевой долины. По бумагам — IT-кадры, по факту — курьеры с дипломом «AI-специалиста».
Апологетика. «Программы Tech Orda и AI-Sana — это национальный проект подготовки кадров будущего, открывающий двери в IT для тысяч молодых казахстанцев из всех регионов страны. Государство инвестирует в человеческий капитал, создавая условия, чтобы каждый талантливый ребёнок, независимо от места рождения, мог войти в цифровую экономику. Это прямая инвестиция в будущее нации».
Факты. Образовательный слой работает в основном как инфраструктура обещания: видимость того, что вход в индустрию обещают, производится гораздо интенсивнее, чем видимость того, что вход реально состоялся.
Распилы. Прорывы. Левый карман Аппарата. Точка притяжения региона. Постсоветская Панама. Инвестиция в будущее нации. Криптоколониальная песочница. Флагман цифровой трансформации. Это всё — про одну и ту же казахстанскую IT-экосистему, и всё это можно встретить в публикациях разной политической температуры. Я провел еще два социологических пилотных исследования казахстанской ИТ-экосистемы и сопоставил три точки зрения: обвинительную, парадную и спокойную.
1. Государство и институты развития
Конспирология. «Astana Hub и вся сеть институтов развития — это левый карман Аппарата. Никакой автономной IT-экосистемы в Казахстане нет и быть не может; это пиар-обёртка, чтобы красиво переложить бюджет из одной государственной тумбочки в другую».
Апологетика. «Благодаря дальновидной государственной политике в Казахстане выстроена уникальная инновационная экосистема мирового уровня. Astana Hub — крупнейший технопарк региона, точка притяжения талантов и инвестиций, флагман цифровой трансформации Центральной Азии. Государство выступает партнёром, создающим все условия для роста национальных IT-чемпионов».
Факты. Государство в казахстанской цифровой сцене встроено в саму архитектуру: оно входит в карьерные траектории, в форматы конференций, в способ, которым акторы описывают друг друга. Это часть устройства, а не контекст. Государственная роль здесь — один из нескольких типов капитала, которые конвертируются друг в друга на наблюдаемых публичных площадках. Что именно происходит за пределами этих площадок — кто принимает решения о грантах, как распределяются ресурсы, что становится с проектами после получения денег — публичных данных недостаточно, чтобы делать утверждения в любую сторону.
2. Медиа, конференции, рейтинги
Конспирология. «Медиа, конференции и рейтинги — это гримёрка кукольного театра. Вырастили очередного «фаундера», прогнали через панельную дискуссию — вот вам сертифицированный получатель гранта. Без сцены ты с улицы, через сцену — уже легитимный».
Апологетика. «Казахстанские tech-медиа, форумы уровня Digital Bridge, ведущие отраслевые рейтинги — это витрина наших достижений на международной арене. Каждая конференция — это диалог между бизнесом, государством и наукой, выявляющий лучшие практики. Признанные эксперты, выдающиеся фаундеры, истории успеха молодых талантов формируют новый облик казахстанского IT».
Факты. Медийный слой непропорционально плотный — это самая насыщенная событиями часть наблюдаемой экосистемы, и через него проходят почти все типы биографий: технические, фаундерские, государственные, образовательные, гражданские. Функция этого слоя — производство публичной различимости: он работает с тем, кто и как становится узнаваем. Что именно эта различимость покупает дальше — грант, инвестицию, контракт, регуляторное окно — публичных данных о решениях недостаточно, чтобы судить.
3. Образовательные программы
Конспирология. «Tech Orda, AI-Sana, буткемпы — это классическая постсоветская Панама. Цель — не научить программировать, а освоить бюджет на обучение и сымитировать строительство Кремниевой долины. По бумагам — IT-кадры, по факту — курьеры с дипломом «AI-специалиста».
Апологетика. «Программы Tech Orda и AI-Sana — это национальный проект подготовки кадров будущего, открывающий двери в IT для тысяч молодых казахстанцев из всех регионов страны. Государство инвестирует в человеческий капитал, создавая условия, чтобы каждый талантливый ребёнок, независимо от места рождения, мог войти в цифровую экономику. Это прямая инвестиция в будущее нации».
Факты. Образовательный слой работает в основном как инфраструктура обещания: видимость того, что вход в индустрию обещают, производится гораздо интенсивнее, чем видимость того, что вход реально состоялся.
👍2
Цифровой класс Казахстана: конспирология vs. апологетика vs. факты (2/2)
Сами программы регистрируются в публичном поле, их наборы и выпуски — частично, а дальнейшие траектории выпускников (закончил -> устроился -> удержался в роли) — в публичных следах не прослеживаются. Это потолок того, что видно в открытых данных. Утверждения о реальных результатах требуют отдельного аудита по конкретным когортам выпускников — работы, которой пока нет.
4. Экосистемные брокеры
Конспирология. «Так называемые «экосистемные брокеры» — это смотрящие от Аппарата. Комсомольские вожаки в худи, расставленные по хабам и акселераторам присматривать за технической интеллигенцией, чтобы та случайно не сделала что-нибудь не по утверждённому плану».
Апологетика. «Экосистемные лидеры — это новое поколение визионеров, соединяющих государство, бизнес, образование и науку. Менторы, инвесторы, опытные спикеры, эксперты-практики — они формируют атмосферу доверия и сотрудничества, бескорыстно делятся опытом с молодыми фаундерами, открывают двери и создают возможности. Без таких людей не было бы и самой экосистемы».
Факты. Брокерство видно в двух регистрах. На уровне организаций — это хабы, прежде всего Astana Hub и сеть региональных хабов. На уровне людей — устойчивый тип биографии: один и тот же человек регулярно появляется как ментор, член жюри, организатор, советник, спикер. Это позиция в сети связей, эмпирически читаемая. Что именно эта позиция даёт — реальные возможности направлять отбор, контролировать ресурсы, формировать решения — публичные данные сами по себе не показывают. Для таких утверждений нужны другие свидетельства: о том, как принимаются решения, кто кого пускает в финал, что меняется при смене брокера.
5. Гражданский аудит и open-data
Конспирология. «Гражданский аудит и open-data — это никакое не гражданское общество. Это руки одного аппаратного клана против другого. Когда надо утопить чьего-то министра или сорвать чужую госзакупку, откуда-то появляются «независимые аналитики», которым ловко подбрасывают нужные дата-сеты через API».
Апологетика. «Гражданское общество и open-data сообщество Казахстана — гордость нашей цифровой демократии. Активисты, журналисты данных, исследователи открытых закупок и государственных расходов — это новое поколение граждан, использующих цифровые инструменты для повышения прозрачности и подотчётности государства. Их работа — пример зрелости казахстанской цифровой культуры».
Факты. Гражданский аудит и работа с открытыми данными существуют в другом режиме видимости. В крупных событиях — конференциях, премиях, рейтингах — этот слой почти не появляется. Зато виден в биографиях людей и в практиках: репозиториях на GitHub, парсинге открытых данных, документировании госзакупок, методических гайдах. Это самостоятельная деятельность, со своими акторами, инструментами и темами. Что в каждом конкретном случае стоит за конкретным расследованием или открытым набором данных — вопрос разбора отдельных эпизодов: кто, что, кому, с каким результатом. Публичные следы деятельности в целом таких ответов не дают.
Что из этого следует
Если смотреть на казахстанский IT через линзу конспиролога — увидите спектакль номенклатуры. Если через линзу пресс-службы — увидите фабрику чемпионов. И то и другое будет почти правдой и почти ложью одновременно. Исследовательский подход предлагает не выбирать между линзами, а посмотреть на саму оптику: на то, какие части экосистемы видимы громко, какие тихо, какие не видимы совсем, и какие данные нужны, чтобы говорить уже не о видимости, а о реальном влиянии. Насколько я могу судить, в публичном поле о Казахстане этот разговор пока никто всерьёз не вёл.
Ссылки:
1. Судников Н. Сцены и биографии: публичная видимость, конверсия капитала и оценочное сверхпрочтение в цифровой экосистеме Казахстана (35 стр.)
2. Полный отчет по исследованию (130 стр.).
Сами программы регистрируются в публичном поле, их наборы и выпуски — частично, а дальнейшие траектории выпускников (закончил -> устроился -> удержался в роли) — в публичных следах не прослеживаются. Это потолок того, что видно в открытых данных. Утверждения о реальных результатах требуют отдельного аудита по конкретным когортам выпускников — работы, которой пока нет.
4. Экосистемные брокеры
Конспирология. «Так называемые «экосистемные брокеры» — это смотрящие от Аппарата. Комсомольские вожаки в худи, расставленные по хабам и акселераторам присматривать за технической интеллигенцией, чтобы та случайно не сделала что-нибудь не по утверждённому плану».
Апологетика. «Экосистемные лидеры — это новое поколение визионеров, соединяющих государство, бизнес, образование и науку. Менторы, инвесторы, опытные спикеры, эксперты-практики — они формируют атмосферу доверия и сотрудничества, бескорыстно делятся опытом с молодыми фаундерами, открывают двери и создают возможности. Без таких людей не было бы и самой экосистемы».
Факты. Брокерство видно в двух регистрах. На уровне организаций — это хабы, прежде всего Astana Hub и сеть региональных хабов. На уровне людей — устойчивый тип биографии: один и тот же человек регулярно появляется как ментор, член жюри, организатор, советник, спикер. Это позиция в сети связей, эмпирически читаемая. Что именно эта позиция даёт — реальные возможности направлять отбор, контролировать ресурсы, формировать решения — публичные данные сами по себе не показывают. Для таких утверждений нужны другие свидетельства: о том, как принимаются решения, кто кого пускает в финал, что меняется при смене брокера.
5. Гражданский аудит и open-data
Конспирология. «Гражданский аудит и open-data — это никакое не гражданское общество. Это руки одного аппаратного клана против другого. Когда надо утопить чьего-то министра или сорвать чужую госзакупку, откуда-то появляются «независимые аналитики», которым ловко подбрасывают нужные дата-сеты через API».
Апологетика. «Гражданское общество и open-data сообщество Казахстана — гордость нашей цифровой демократии. Активисты, журналисты данных, исследователи открытых закупок и государственных расходов — это новое поколение граждан, использующих цифровые инструменты для повышения прозрачности и подотчётности государства. Их работа — пример зрелости казахстанской цифровой культуры».
Факты. Гражданский аудит и работа с открытыми данными существуют в другом режиме видимости. В крупных событиях — конференциях, премиях, рейтингах — этот слой почти не появляется. Зато виден в биографиях людей и в практиках: репозиториях на GitHub, парсинге открытых данных, документировании госзакупок, методических гайдах. Это самостоятельная деятельность, со своими акторами, инструментами и темами. Что в каждом конкретном случае стоит за конкретным расследованием или открытым набором данных — вопрос разбора отдельных эпизодов: кто, что, кому, с каким результатом. Публичные следы деятельности в целом таких ответов не дают.
Что из этого следует
Если смотреть на казахстанский IT через линзу конспиролога — увидите спектакль номенклатуры. Если через линзу пресс-службы — увидите фабрику чемпионов. И то и другое будет почти правдой и почти ложью одновременно. Исследовательский подход предлагает не выбирать между линзами, а посмотреть на саму оптику: на то, какие части экосистемы видимы громко, какие тихо, какие не видимы совсем, и какие данные нужны, чтобы говорить уже не о видимости, а о реальном влиянии. Насколько я могу судить, в публичном поле о Казахстане этот разговор пока никто всерьёз не вёл.
Ссылки:
1. Судников Н. Сцены и биографии: публичная видимость, конверсия капитала и оценочное сверхпрочтение в цифровой экосистеме Казахстана (35 стр.)
2. Полный отчет по исследованию (130 стр.).
👍6🤔1
Как стать заметным для рынка
В новом лонгриде я разбираю:
- Почему рынок (рекрутеры) и техническая сцена (лиды, коллеги) смотрят на вас по-разному.
- Как алгоритмы отсева сделали нестандартные карьерные треки уязвимыми.
- Почему «качать личный бренд везде» — это ловушка, и как выбрать 1-2 правильные аудитории из шести возможных (Рынок, Сцена, Заказчик, Сообщество, Код, Инфраструктура).
- Что конкретно делать каждому , чтобы выйти из тупика.
Ссылки:
- На хабре, для нормальных людей - Шесть аудиторий вашей карьеры: пятеро за моим столом
- Статья для ботаников, на русском - Шесть модусов легитимности: как техническая компетентность становится карьерным капиталом в сплетённом с государством цифровом производственном ядре
- Статья для ботаников, на английском - Six Modes of Legitimacy: How Technical Competence Becomes Career Capital in a State-Entangled Digital Production Core
В новом лонгриде я разбираю:
- Почему рынок (рекрутеры) и техническая сцена (лиды, коллеги) смотрят на вас по-разному.
- Как алгоритмы отсева сделали нестандартные карьерные треки уязвимыми.
- Почему «качать личный бренд везде» — это ловушка, и как выбрать 1-2 правильные аудитории из шести возможных (Рынок, Сцена, Заказчик, Сообщество, Код, Инфраструктура).
- Что конкретно делать каждому , чтобы выйти из тупика.
Ссылки:
- На хабре, для нормальных людей - Шесть аудиторий вашей карьеры: пятеро за моим столом
- Статья для ботаников, на русском - Шесть модусов легитимности: как техническая компетентность становится карьерным капиталом в сплетённом с государством цифровом производственном ядре
- Статья для ботаников, на английском - Six Modes of Legitimacy: How Technical Competence Becomes Career Capital in a State-Entangled Digital Production Core
Хабр
Шесть аудиторий вашей карьеры: пятеро за моим столом
История одного вечера на кухне, в течение которого пятеро карьерно застрявших людей узнали, что они застряли структурно, а не лично. Представьте: вечер пятницы, моя кухня в одном из спальных районов...
❤3👍2🤔1