если кто-то страгглит с разработкой на claude code с большим количеством табов, записывайтесь в wait list:

https://trysmith.dev

Существует несколько подходов к решению проблемы детерминированности и недетерминированности. Математический подход состоит в противопоставлении функциональной и статистической зависимости. В детерминированном мире доминирует функциональная зависимость. Вы всегда можете рассчитать заданные показатели с необходимой степенью точности. Если вы посылаете ракету на Луну, то ее траектория движения должна быть точно рассчитана. Итерационный подход, когда вы запускаете ракету на основе некоторых предварительных подсчетов, а затем начинаете рассчитывать ее траекторию шаг за шагом, здесь не подходит. В 1990-х годах было много компаний, рассчитавших свой старт, но не имевших планов приземления.
Недетерминированное будущее — это будущее, в котором главную роль играет вероятность и статистика. Они придают смысл миру. В общественном сознании происходит сдвиг в том направлении, что именно статистический способ мышления будет превалирующим в будущем.
ПИТЕР ТИЛЬ (АМЕРИКАНСКИЙ БИЗНЕСМЕН И ИНВЕСТОР)

Что имеет в виду Питер Тиль
Он говорит о двух принципиально разных способах думать о будущем и строить планы.

Детерминированный мир — «я знаю, что будет»
Это мировоззрение, при котором человек уверен, что будущее можно точно рассчитать и спланировать. Ты строишь чёткий план от точки А до точки Б — и следуешь ему.
Пример с ракетой на Луну идеальный: физика там работает точно. Ты знаешь массу ракеты, силу тяжести, расстояние — и можешь рассчитать траекторию с огромной точностью заранее. Никакой импровизации — только математика.
Тиль говорит, что успешные компании и великие проекты строятся именно так: ты знаешь, куда летишь, и у тебя есть конкретный план приземления.

Недетерминированный мир — «я не знаю, что будет, но играю в вероятности»
Это противоположный подход. Человек говорит: «Будущее непредсказуемо, поэтому не буду строить жёстких планов — буду просто реагировать на обстоятельства и делать ставки на разные варианты».
Вместо точного расчёта — статистика и вероятности. Вместо плана — гибкость и «посмотрим как пойдёт».

Колкость про компании 1990-х
Это про крах доткомов. В 90-е тысячи интернет-компаний привлекли огромные деньги и громко «запустились» — но у них не было плана, как стать прибыльными, как выжить, как «приземлиться». Они думали: «Мы запустимся, а там разберёмся по ходу» — и большинство разорилось.
Тиль издевательски сравнивает их с ракетой, у которой посчитали только старт, но не траекторию и не посадку.

Главная мысль Тиля
Он предупреждает об опасной тенденции: общество всё больше принимает недетерминированное мышление как норму — мол, будущее непредсказуемо, поэтому строить конкретные планы бессмысленно.
Тиль с этим не согласен. Он считает, что великие вещи — компании, технологии, цивилизации — создаются людьми, которые смело берут на себя ответственность за конкретное видение будущего и строят точный план его достижения, а не просто «диверсифицируют риски» и плывут по течению.

Параллель с AI-стартапами 2026 года
История повторяется — только вместо доменных имён теперь векторные базы данных и API-обёртки над GPT. Тысячи AI-стартапов в 2025–2026 годах привлекли финансирование под один и тот же питч: «AI меняет всё, мы в теме, дайте денег». Продукт — тонкая обёртка над чужой моделью, стратегия — «масштабируемся, а там разберёмся», план монетизации — отсутствует. Это та же ракета без траектории и без плана посадки, только запущенная не в 1999-м, а в 2025-м. Тиль сказал бы: хайп вокруг технологии — это не видение будущего, это его имитация. Настоящий детерминист в AI — тот, кто может чётко ответить на вопрос не «почему AI важен», а «почему именно мой продукт будет существовать через пять лет и кто конкретно будет платить за него деньги».

Вывод простой: иметь план — это не слабость и не негибкость, это единственный способ долететь до цели.
Хайп создаёт иллюзию, что достаточно просто оказаться на борту нужного тренда — и всё получится само. Но тренд — это не стратегия. Ни в доткомах, ни в AI, ни в чём угодно ещё. Те, кто выживает и побеждает, — это не те, кто раньше всех запрыгнул в ракету, а те, кто знал, куда летит и как садиться.

Про серебряные и свинцовые пули
Читаю The Hard Thing About Hard Things и завис на одной концепции — серебряные и свинцовые пули.

Коротко: серебряная пуля — это одно магическое решение, которое разом решает все проблемы. Pivot, новая фича, гениальный ход — и все, конкуренты повержены.

Свинцовая пуля — это когда никакой магии нет, и ты просто делаешь продукт лучше. Методично, по всем фронтам, каждый день.

Бэн описывает момент, когда Opsware проигрывал конкурентам и все вокруг советовали найти какой-то хитрый обходной маневр. Его ответ был простой: никакого обходного маневра не существует, берите свинцовые пули и стреляйте ими пока не победите.

Мне понравилось, что я случайно полез гуглить откуда вообще эта аналогия — и оказалось, что серебряная пуля это из фольклора! По европейским поверьям, серебряная пуля — единственное что убивает оборотня или вампира, любую нечисть которую обычным оружием не возьмешь. Я почему-то думал что это просто какая-то абстрактная метафора про дорогое и редкое, а оказывается там целая история. В 1986 году Фред Брукс написал эссе “No Silver Bullet” про разработку ПО — что не существует одной технологии которая резко повысит продуктивность — и с тех пор термин прижился в технологиях.
Я периодически ловлю себя на том, что ищу серебряную пулю: вот выйдем на B2B, вот запустим платную фичу, вот придумаем вирусный мем — и попрет. Но по факту все, что у меня есть — это результат того, что я просто каждую неделю делаю что-то чуть лучше, чуть стабильнее, чуть удобнее.
Серебряные пули случаются. Но редко. А свинцовые пули — это и есть работа.

this is how you do UGC as a restaurant 🤌

$125M for a note taker is crazy

когда попросил перплексити оценить твой personal statement для global talent визы по фреймворку YC:

Tim Cook stepping down as CEO of Apple in September marks the end of one of the most misunderstood leadership eras in tech.

He didn’t try to be Steve Jobs.
He did something harder. He scaled what Jobs built into one of the most dominant companies in history.

What he did right that everyone sees:
• Turned Apple into a $3T company
• Built a services engine that prints cash
• Created the strongest ecosystem lock-in in tech
• Ran the best supply chain on the planet

But the underrated part is where it gets interesting:

• Quietly reduced Apple’s dependence on China years before it became obvious
• Made privacy a product, not a policy and reshaped the ad industry because of it
• Pushed Apple deep into health. Apple Watch is not a gadget, it is infrastructure
• Built an executive bench so Apple no longer depends on a single genius
• Turned sustainability into an actual operational priority, not PR

That is not flashy work.
That is long game builder mindset.

Now the honest part, what he got wrong:

• Apple was late to AI. Not slightly, meaningfully
• The company became more risk aware, but also less bold
• Too many products felt iterative when the market was ready for leaps
• Vision Pro showed ambition, but also how cautious Apple had become

Cook optimized Apple to perfection.
Maybe a little too much.

But zoom out:

Most CEOs destroy what they inherit.
He multiplied it.

Jobs built the rocket.
Cook made sure it could fly for decades.

That is a different kind of greatness and most people miss it.

в последнее время много размышляю про то, что нет какого-то clarity (ясности) в голове, что всегда голова забита кучей полезных и иногда бесполезных мыслей

решил посмотреть видео на ютубе на эту тему и в первом же видео первым же пунктом человек сказал про overstimulation (от контента в соцсетях)

сделал вывод, что хочу себе, как минимум на время, ограничить потребление любого рода контента, а то в последнее время читаю и твиттер, и телеграм, и ньюслеттеры на почте, и иногда листаю инстаграм

наверное, как следствие, вернусь к тому, чтобы писать больше, потому что очень уж нравится мне :)

People don’t know shit. YOU know. So love it while you’re doing it. Success can only be extra.

#понравилось

когда-то обсуждали с автором @linksfromme про думскроллинг и он сказал очень крутую штуку, что когда его тянет подумскроллить, он идет читать какие-то длинные статьи, которые он себе когда-то сохранил вместо того, чтобы идти листать тикток

я тоже успел себе сохранить много ссылок на всякие интересные (по заголовкам) мне статьи, которые я почти никогда не открывал за месяцы, вот теперь заменяю ими свой думскроллинг

цитата постом выше тоже из одной таких статей:
https://x.com/ryanholiday/status/2033936489663365300?s=46

короче считаю эту мысль очень крутой, так как обычно в длинных статьях сильно меньше брейнрота и это уже ближе к чтению книг, например, а еще заставляет мозг чуть больше напрягаться в целом, так как такой контент обычно более интеллектуально-стимулирующий

У музыкантов есть беспощадный ритуал: car test.

Ты записал трек в студии. На дорогих мониторах все идеально: бас упругий, вокал парит, микс кажется почти законченным. А потом ты садишься в машину, включаешь тот же трек на обычных колонках, и начинается правда.

Бас, который в студии был жирным и сочным, превращается в кашу. Вокал проваливается назад. То, что пять минут назад звучало как релиз, внезапно звучит как демка.

Этой практике уже десятки лет. В 80-х у A&M Records на парковке стоял специально оборудованный Chevrolet Bel Air 1957 года, чтобы продюсеры проверяли миксы в “реальной жизни”. Queens of the Stone Age намеренно задрали середину на Songs for the Deaf, чтобы альбом звучал так, будто он и должен играть из автомобильных колонок. Джек Уайт сводил The Raconteurs через систему своей Tesla. А в 2026-м Cadillac уже официально партнерится с AKG и предлагает автомобили как профессиональную среду для прослушивания и сведения. То, что когда-то было привычкой, стало частью индустрии.

Но меня зацепил не сам факт. Логично же: люди слушают музыку в машинах, значит, там ее и надо проверять. Интереснее другое. Для музыкантов car test давно перестал быть просто тестом качества. Это часть творческого процесса.

В машине они не просто отвечают на вопрос “нормально ли звучит?”. Они принимают решения: что убрать, что переделать, что уже работает. Машина становится не тестовой средой, а творческим фильтром.

И в этом вся суть. Можно сидеть в студии за тысячи долларов, в идеально обработанной комнате, с идеальной акустикой. Но 90% людей никогда не услышат твой трек в таких условиях. Они услышат его в машине, в дешевых наушниках, через динамик телефона. И если твоя работа живет только в идеальной среде, значит, в реальности она не живет.

Это, конечно, не только про музыку.

Я видел свой car test у инженеров Яндекс Еды. Они сами выходили на доставку. Не менеджеры, не тестировщики, а инженеры, которые пишут код. Брали заказ, ехали по адресам и вживую видели, как ведет себя продукт: где приложение тормозит, где интерфейс мешает, где курьер теряется в навигации. Ни один баг-репорт не даст того, что дает час на велосипеде с термосумкой за спиной.

Пожалуй, лучший способ понять свой продукт — оказаться в той среде, где он на самом деле живет.

А какие примеры такого car test вы видели в своей сфере? Когда создатели сами становились пользователями, и это меняло вообще все?

очень понравилось видео, based советы, полезные и тем, кто только начинает карьеру, и тем, кто уже ее строит сколько-то

https://youtu.be/88qc67oYDl4?si=KHKOCPZ3mPTbdvze

Hot take: шум вокруг AI растет быстрее, чем бизнес-метрики.

Я уже несколько месяцев хожу по знакомым и прошу одну простую вещь: покажите мне не демо, не восторг и не очередное "мы теперь быстрее кодим", а реальный рост бизнес-метрик от AI. Выручка. Конверсия. Cost to serve. Маржа. Повторные покупки. Пока в ответ в основном тишина. Иногда осторожно показывают Amazon. Иногда Klarna. Иногда просто говорят, что разработчикам стало легче. И это, кажется, важная правда про весь рынок.

Эффект у AI есть. Но чаще всего он не там, где о нем громче всего рассказывают. Он не в категории "AI построил нам новый бизнес". Он в категории "AI снял узкий bottleneck". Например, в чатах поддержки, сокращении времени решения обращений с десятков минут до менее чем 2 минут и т.д. и т.п.. Это уже похоже не на магию, а на скучную, нормальную операционную оптимизацию. И именно в этом, похоже, сегодня лежит основной реальный эффект AI.

Еще take: сильнее всего выиграли junior и менее сильные сотрудники. То есть AI очень неплохо поднимает нижнюю планку, помогает с рутиной и ускоряет типовые решения. Это важно. Но это все еще task-level gain, а не гарантированный company-level win.

А вот когда мы поднимаемся на уровень экономики компании, картинка резко становится скромнее. Согласно исследованию, сотрудники с AI экономили около двух часов в неделю на email и меньше работали по вечерам. Звучит хорошо. Но заметного сдвига в количестве и составе задач у компаний исследователи не нашли. Еще сильнее отрезвляет paper от февраля 2026 года: около 70% фирм уже используют AI, но более 80% компаний не видят заметного эффекта ни на занятость, ни на продуктивность за последние три года. Прогноз на следующие три года тоже довольно скромный: в среднем +1.4% к productivity и +0.8% к output. Для технологии, которую продают как новую промышленную революцию, это, мягко говоря, не взрыв.

Есть и еще один неприятный для хайпа факт. Через два года после запуска ChatGPT не видно заметного эффекта на зарплаты и отработанные часы свыше 2%. Работа меняется. Задачи перераспределяются. Но обещанного апокалипсиса и обещанного экономического прорыва в агрегате пока не видно.

И это очень хорошо совпадает с тем, что видно в реальных командах. Разработчики действительно выигрывают на мелких задачах. Фронт больше не стопорится о простой endpoint на бэке. Бэк может быстро собрать внутренний виджет для бэкофиса. Там, где UI не критичен, скорость выросла. Но это локальная эффективность. Не бизнес-модель. Не спрос. Не distribution. Не product-market fit.

Поэтому vibe coding, конечно, тема. Но тест гипотезы, это не "мы за вечер собрали фичу". Тест гипотезы, это "мы уперлись этой фичей в реальную аудиторию и получили изменение в поведении". Кто-то пришел. Кто-то понял ценность. Кто-то нажал. Кто-то заплатил. Кто-то вернулся. И вот эта часть почти всегда дороже и сложнее, чем сама сборка интерфейса или API. Часто главный кост эксперимента, это вовсе не разработка, а доступ к аудитории, трафик, продажи, поддержка, время команды и цена ошибки.

Отсюда вывод, который многим не нравится. Продакту не надо превращаться в разработчика и ночами кодить MVP. Продакту надо разбираться с метриками, считать экономику и формулировать гипотезы так, чтобы их вообще можно было проверить. Фаундеру не надо в очередной раз героически собирать продукт самому. Ему надо добывать деньги, канал дистрибуции и ресурс на серию экспериментов. AI может удешевить сборку. Но он не отменяет ни рынок, ни валидацию, ни капитал.

Еще take: продавать AI в enterprise пока, похоже, проще, чем стабильно извлекать из него большой эффект внутри обычного бизнеса. У YC в requests for startups теперь есть даже отдельная категория про это :) Напишу про это еще!

Моя текущая позиция такая: AI встанет в одну линейку с Excel. Это очень важный инструмент. Иногда инфраструктурный. Иногда обязательный. Но это не самостоятельная стратегия и точно не замена бизнес-мышлению. Выиграют не те, кто "внедрил AI". Выиграют те, кто точно понимает, в каком месте воронки, процесса или P&L даже 5-15% улучшения действительно складываются в деньги.

Hot take #2: 100% моего кода (как на работе, так и вне) уже несколько месяцев пишет AI

Противоречит это тейку выше или нет, не знаю

пост выше от моего друга Бори, который сделал GibberLink, а еще благодаря Боре появился самый популярный пост по просмотрам и форвардам в этом канале

Боря always just keeps doing things и это часто приводит к сумасшедшим результатам, как с GibberLink :)

а еще он круто пишет, так что подписывайтесь!

Обещал написать про enterprise. Пишу.

Take: продавать AI в enterprise сейчас проще, чем извлекать из него стабильный эффект внутри обычного бизнеса. И это не баг рынка. Это его фича. Потому что механика enterprise-продаж структурно заточена под покупку, а не под результат.

Начнем с простого. В enterprise вы продаете не компании. Вы продаете человеку. Конкретному VP, директору, head of digital transformation. У этого человека есть карьера, амбиции, годовые цели и KPI, в которых где-то написано "AI strategy". И вот этот человек принимает решение не как владелец бизнеса, который утром посчитает P&L. Он принимает решение как наемный менеджер, которому нужно показать прогресс. Это классический principal-agent problem: тот, кто покупает, не несет полную стоимость провала. А вот карьерный upside от того, что он "запустил AI-инициативу", он забирает почти целиком.

Раньше в enterprise работало правило "nobody ever got fired for buying IBM". Безопасный выбор = крупный вендор. Сейчас правило перевернулось. Теперь карьерный риск — это не купить AI. IT-лидеры прямо говорят: боимся отстать. Еще говорят, что на них давят клиенты. В итоге "купить AI" стало новым CYA (cover your ass). Не купить — вот что опасно для карьеры.

Дальше: buying committee. В enterprise решение принимают 6-13 человек. Казалось бы, это должно тормозить. Но с AI происходит обратное. Никто в комитете не хочет быть тем, кто заблокировал инновацию. Политическая цена "нет" выше, чем цена "да". Плюс — размытая ответственность. Если AI-проект не взлетел, это "решение комитета". Никто лично не виноват.

А теперь самое интересное. Демо. Демо в enterprise — это не тест продукта. Это спектакль. Чистые данные, подготовленный сценарий, идеальные условия. Человек, который смотрит демо — это C-level или VP. Он видит потенциал. Он воображает будущее. А человек, который потом будет это использовать — это ops-менеджер с грязными данными, legacy-системами и 47 edge cases, которые никто не задокументировал. Между демо и реальностью — пропасть. Но покупку одобряют по демо, а не по реальности.

И вот тут мы подходим к ключевой асимметрии. MIT NANDA в 2025 году изучил 300 enterprise AI-проектов. 95% не показали измеримого ROI. $30-40 миллиардов вложений — и почти ничего на выходе. Frustration растет.

Почему? Потому что task-level gain не конвертируется в org-level outcome. Активные пользователи AI проверяют его output так же тщательно, как проверяли бы работу человека. То есть вместо обещанного облегчения появляется новый quality-control loop.

Есть и парадокс посильнее. Люди успешно используют AI дома, на личных аккаунтах, через ChatGPT и Claude, решая рабочие задачи без одобрения IT. А те же самые люди внутри корпоративной системы называют AI ненадежным. Индивидуально — работает. Организационно — нет. Потому что организация не перестраивает процессы. Она просто ставит AI поверх старых.

А вендору, который продал, это в общем-то все равно. Его квартальный target и трехлетняя трансформация клиента живут в разных вселенных. Вендор оптимизирован на close, а не на outcome. Консалтинг тоже: к моменту, когда проект доходит до продакшена, технология уже сдвинулась. То, что проектировали в первый месяц — legacy к шестому.

И вот что важно: невозможность измерить ROI от AI — это фича для продавца, а не баг. Если нельзя доказать ценность — нельзя и опровергнуть. Покупка живет в зоне неопределенности годами. Один управляющий партнер прямо сказал: "Ценность проявляется в сэкономленном времени, в ускоренных решениях, в закрытых дырах до того, как они стали проблемами. Попробуйте запихнуть это в spreadsheet." И он прав. Но именно поэтому покупка остается защищенной от жесткой проверки.

Цепочка получается такая. Покупатель — менеджер, чья карьера выигрывает от AI-инициативы независимо от результата. Комитет — одобряет, потому что никто не хочет блокировать. Бюджет — выделен и должен быть потрачен. Демо — оптимизировано под идеальные условия. Вендор — оптимизирован на продажу, а не на внедрение. Система измерения — не может ни доказать, ни опровергнуть ценность 2-4 года.