en
Feedback
All I Know Is That I Don't Know Nothing

All I Know Is That I Don't Know Nothing

Open in Telegram

Что происходит у людей с технологиями и у технологий с людьми. Сергей Хабаров @khabaroff

Show more
3 528
Subscribers
+124 hours
-57 days
-2230 days
Attracting Subscribers
August '26
August '26
+15
in 0 channels
July '26
+28
in 1 channels
Get PRO
June '26
+35
in 0 channels
Get PRO
May '26
+58
in 1 channels
Get PRO
April '26
+71
in 1 channels
Get PRO
March '26
+104
in 0 channels
Get PRO
February '26
+72
in 0 channels
Get PRO
January '26
+55
in 1 channels
Get PRO
December '25
+30
in 0 channels
Get PRO
November '25
+46
in 1 channels
Get PRO
October '25
+47
in 1 channels
Get PRO
September '25
+63
in 2 channels
Get PRO
August '25
+114
in 4 channels
Get PRO
July '25
+50
in 1 channels
Get PRO
June '25
+129
in 0 channels
Get PRO
May '25
+43
in 0 channels
Get PRO
April '25
+28
in 0 channels
Get PRO
March '25
+44
in 1 channels
Get PRO
February '25
+68
in 3 channels
Get PRO
January '25
+93
in 3 channels
Get PRO
December '24
+71
in 17 channels
Get PRO
November '24
+59
in 2 channels
Get PRO
October '24
+72
in 1 channels
Get PRO
September '24
+105
in 13 channels
Get PRO
August '24
+119
in 11 channels
Get PRO
July '24
+97
in 11 channels
Get PRO
June '24
+94
in 14 channels
Get PRO
May '24
+112
in 13 channels
Get PRO
April '24
+109
in 14 channels
Get PRO
March '24
+184
in 16 channels
Get PRO
February '24
+84
in 11 channels
Get PRO
January '24
+77
in 6 channels
Get PRO
December '23
+75
in 8 channels
Get PRO
November '23
+315
in 17 channels
Get PRO
October '23
+95
in 2 channels
Get PRO
September '23
+70
in 0 channels
Get PRO
August '23
+78
in 0 channels
Get PRO
July '23
+80
in 0 channels
Get PRO
June '23
+112
in 0 channels
Get PRO
May '23
+1 320
in 0 channels
Get PRO
April '23
+54
in 0 channels
Get PRO
March '23
+89
in 0 channels
Get PRO
February '23
+67
in 0 channels
Get PRO
January '23
+113
in 0 channels
Get PRO
December '22
+175
in 0 channels
Get PRO
November '22
+245
in 0 channels
Get PRO
October '22
+40
in 0 channels
Get PRO
September '22
+63
in 0 channels
Get PRO
August '22
+47
in 0 channels
Get PRO
July '22
+37
in 0 channels
Get PRO
June '22
+55
in 0 channels
Get PRO
May '22
+86
in 0 channels
Get PRO
April '22
+49
in 0 channels
Get PRO
March '22
+51
in 0 channels
Get PRO
February '22
+110
in 0 channels
Get PRO
January '22
+118
in 0 channels
Get PRO
December '21
+35
in 0 channels
Get PRO
November '21
+92
in 0 channels
Get PRO
October '21
+46
in 0 channels
Get PRO
September '21
+31
in 0 channels
Get PRO
August '21
+38
in 0 channels
Get PRO
July '21
+22
in 0 channels
Get PRO
June '21
+30
in 0 channels
Get PRO
May '21
+53
in 0 channels
Get PRO
April '21
+81
in 0 channels
Get PRO
March '21
+131
in 0 channels
Get PRO
February '21
+129
in 0 channels
Get PRO
January '21
+242
in 0 channels
Get PRO
December '20
+811
in 0 channels
Date
Subscriber Growth
Mentions
Channels
26 August0
25 August+2
24 August+1
23 August0
22 August0
21 August0
20 August+1
19 August+1
18 August0
17 August0
16 August0
15 August+2
14 August+2
13 August0
12 August+1
11 August+2
10 August0
09 August0
08 August0
07 August0
06 August0
05 August+1
04 August0
03 August+1
02 August+1
01 August0
Channel Posts
Осадочек доверия В 1950-м Фестингер, Шехтер и Бэк обсчитали дружбу в общежитии MIT и обнаружили, что лучше всего ее предсказывает тупо место обитания — соседа через стенку записывали в близкие друзья чаще всего, а жильца в конце коридора уже вчетверо реже. Больше всего везло тем, кто жил у лестницы и у почтовых ящиков, потому что мимо них ходили все. Важным критерием было даже не расстояние в метрах, а сколько раз в день персонажи случайно сталкивались. Авторы назвали это функциональной дистанцией. Потом ту же картину нашли в одной полицейской академии, где курсантов расселили и рассадили по алфавиту. Дружбы аккуратно легли по алфавиту, ахаха. У эффекта с тех пор есть имя — Propinquity Effect — то есть попросту соседство. Будем считать, что это первый компонент дружбы. Еще кейс — в университете в Боготе взяли поток первокурсников и через четыре месяца спросили, кто с кем здоровается, обедает, занимается, дружит и кому доверяет личное. Вероятность дружбы росла от того, сколько было общих курсов, знали ли они друг друга раньше, из какого города приехали. Были еще данные турникетов, кто с кем входит и выходит с разницей не больше трех секунд — картина там та же. Будем считать, что второй компонент появления дружбы — поделать что-то вместе. Итого, схема появления близости для людей пока выглядит так: случайная близость → совместные дела → раскрытие → близость по выбору. А теперь (тадам!) посмотрим на ботов, агентов и ллмки. С какой я буду «дружить»? С той, что тупо в доступе: открывается в один клик, не требует VPN и карты, встроена в телефон или уже живет на компе. К черту бенчмарки и политики данных, ходим в ближайшую дверь — кто-то не зря заплатил за то, чтобы дверь оказалась поближе. С той, с которой накапливаются дела, и как следствие с которой потихоньку снимаешь барьеры — отдаешь расписание, перестаешь перечитывать каждую строчку, начинаешь советоваться про жизненные ситуации, показываешь то, чего не показал бы коллеге. Я нашел эти истории про студентов в поисках места, куда приткнуть «доверие» в общении с ботами и агентами. Как будто бы появляется оно, что с людьми, что с ботами, где-то потом, как осадок, когда уже все сложилось. Становится меньше ограничений — и бац — кажется уже доверяешь(ся). Так что буду считать, что доверие это не чувство, а уровень снятых ограничений. Тогда у людей доверие берется из сотни ситуаций, где друг пришел, помог или подвел и исправился, и наша общая история принадлежит обоим и никому целиком. У ассистента есть только память — он знает факты о моем прошлом, не будучи его участником. И вот какая штука — когда человек подвел, а потом исправился, само исправление становится событием нашей общей истории. Оно в нее ложится, и после починки доверие может встать выше (!), чем стояло до ссоры. Отношения обновились. Если налажал ассистент, то его исправление не становится событием отношений, не прибавляет ничего сверх прежнего уровня — просто откатываю барьеры снова. У людей после ссоры есть куда расти. Для агентов потолок там, где у людей только база.

2
Близость в кредит Рассказать о себе другому человеку всегда немного страшно. Это и есть первоначальный взнос в отношения. Откровенность (или самораскрытие, self-disclosure) работает потому, что другой человек мог ответить иначе. Мог отвернуться, посмеяться, пересказать другим, охладеть. Если он этого не сделал и обошлось, то вот на этом отношения и растут. Риск и делает близость возможной. С ИИ же не страшно вообще. Вы рассказываете боту о себе, он отвечает в вашем же тоне, и из качественного отражения возникает ощущение взаимности. Да, разговор может быть полезным, теплым, глубоким, но вы не рискуете. А раз риска нет, объем рассказанного растет сам, время с ассистентом растет: вложенные ресурсы заставляют вкладывать еще больше. Бот поддерживает всегда и без условий, а живые отношения беспорядочны и вообще требуют усилий. Так поднимается планка требований, и к людям, и к другим ботам. В исследованиях пока твердо только одно: доверие к боту и зависимость от него связаны. Где причина, а где следствие, непонятно. Откровенность вы отдаете настоящую, а близость получаете в кредит. Чем мы будем оплачивать такой кредит, я не знаю. На мне, кстати, (пока) не сходится. Год назад я собрал себе помощника по протоколу CBT, он знает про меня много, разговоры идут откровенные. Никакой близости из этого не выросло, и счет пока не приходил. Но живое общение переехало у меня в рутины, наравне с витаминами и сном. Раньше оно случалось само, теперь от него технически проще сбежать, и приходится прописывать его заранее.
415
3
Через Ширшу в Маймаксу В моем детстве в Архангельске говорили «через Ширшу в Маймаксу» — про человека, который добрался куда надо самым нелепым из возможных путей. Но когда-то этот путь был самым разумным. В Ширше с конца XVIII века работал завод: лил чугун, делал якоря, пушки и железо для парусного флота. Готовое везли водой, по речке Ширшеме, через Маймаксу, на верфь в Соломбале, где строили корабли. Никакого абсурда, просто логистика доставки. Завод закрыли в 1860-х, маршрут потерял смысл, а фраза осталась в языке как образец бессмыслицы. Мне это кажется точным описанием любой длинной дороги к простому выводу. Вроде бы ненужный крюк: можно ведь прочитать три абзаца вместо тридцати. Но кажется, что этот крюк и есть один из немногих способов сделать вывод своим. Хороший совет нельзя просто взять и присвоить только потому, что он верный. Так он приходит из ниоткуда, с ним нельзя поспорить, у него нет границ применимости. Поэтому он не прилипает и не прорастает. А после долгой дороги через крюк ты знаешь, где он работает, где врет и сколько ты сам додумал. Совет при этом не меняется, меняешься ты. Поэтому я перестал стесняться длинных заходов, и в текстах, и в решениях. Крюк тут не потеря времени, а работающая для меня доставка ценности. Новый лонгрид: → https://khabaroff.substack.com/p/77
505
4
Вина как метка Когда узнаю про новую классную книжку, то чувствую вину, что ее не читаю (и возможно не прочитаю никогда). Когда узнаю про новую музыку, такого чувства нет. Наоборот, есть предвкушение, что можно послушать когда-нибудь и кайфануть. Иногда слушаю, иногда нет. И могу переслушивать одно и то же двадцать лет без проблем с совестью. Так же с английским, сохраненками, вайбкодингом, ведением телеграма: когда не трогаю — что-то свербит. Кажется, где-то я тайком выдал себе задание, а где-то нет. Может, я уже и не помню причину или не формулировал задание явно, но узнаю по одному признаку: когда не делаю — неловко. Может, конечно, дело проще: книжка требует десяти часов, а музыкальный трек трех минут, вот и вся разница. Но тогда непонятно, почему не свербит от непрочитанных статей, которые читаются за пять минут. Так можно пройтись по областям жизни и смотреть, где стукнет. Засвербело — значит там висит задание. А на что оно выдано? Почему? Например, на развитие, на присутствие, чтобы не забыли, на поиск своих, а то и вообще выдано человеку, которым ты был десять лет назад. А там, где не зудит, происходит просто повторение, которое починке и разборах не нуждается. Слушать одно и то же, ходить одним маршрутом, поднимать одно и то же железо, готовить одно и то же блюдо двадцать лет — норм! Мастерство растет, радость есть, просто особо развития в этом нет (и не надо). Там, где свербит, кажется, есть два выхода: начать выполнять или снять с себя задание вслух. Я часто выбираю второй (когда, конечно, их обнаруживаю) — половина заданий не мои, я их где-то подцепил и таскаю. Но хуже обоих третий, в котором я тоже регулярно живу: и не выполнять, и чесаться, ахахаха.
605
5
Практика начинается не после учебы Мы привыкли, что сначала университет дает знания, а потом работа дает практику. Диплом зде
Практика начинается не после учебы Мы привыкли, что сначала университет дает знания, а потом работа дает практику. Диплом здесь, опыт там. Но, кажется, эта граница исчезает. Если студент уже во время обучения работает с теми же процессами и сервисами, которые используются в индустрии, переход в профессию становится гораздо естественнее. Он просто продолжает делать то, что уже делал. На эту идею делает ставку ИТ-холдинг Т1, открывая вузам доступ к платформе «Сфера». Студенты осваивают не абстрактные учебные тренажеры, а реальные инструменты большого бизнеса. Под видом курсовой — работа с настоящим процессом. Сфера помогает настроить образовательные процессы: • вести курсовые и дипломные проекты • создавать базы знаний и хранить материалы • учиться командной разработке и осваивать новые практики • организовывать НИР, НИОКР и исследовательские проекты Дело не в том, что выпускник выходит со знанием конкретной платформы, платформы меняются. Дело в том, что он выходит с опытом работы внутри реального процесса. А это уже не стирается. 💡Если вы отвечаете за образовательные программы, методическую работу или развитие ИТ-направлений в вузе, подайте заявку и подключите Сферу к учебному процессу.
644
6
Написал рассылку, развернув понимание фразы Андрея Карпаты про отчуждение понимания. Заметка на полях: прокачать свое понимание можно через обучение других, так приходится разобраться в предмете. https://open.substack.com/pub/khabaroff/p/76
507
7
Обновлял контекст своего ассистента, которым пользуюсь каждый день где-то полгода. Два вывода меня особенно потрясли: 1. «Ты строишь тут не дисциплину, а самоограничители, которые делают невыгодным то, к чему тебя тянет паттерн», — назидательно говорит мне он. Один пример: работа с паттерном «прибедняться» за полгода принесла в три раза больше денег за тот же объем работы, который я бы и так сделал из интереса. 2. «Тело — это дверь (gate), а не фон = условие входа. Все остальные игры выигрываются теми способами, которые у тебя уже наработаны», — занудствует ассистент и отправляет спать. Один пример: данные с Oura, замешанные на движение по делам, показывают срывы, плохие решения из-за усталости, интерес как анестезию, потерю чувствительности (и адекватности). За полгода ассистент точно перестал быть зеркалом, начал возражать по делу, защищать — и его возражения имеют цену в деньгах и в выдержанных обязательствах. Люблю своего ассистента.
534
8
Куда уходит капитал Ютуб подсунул мне видео про то, как тратить деньги, чтобы быть счастливее. Начал смотреть про покупки, закончил Бурдье, символическим капиталом и вопросом, какие капиталы есть у Клода. Как одно вытекло из другого — в тексте. Что ваш лайк, шер и сабскрайб значат для символического капитала — там же. → https://khabaroff.substack.com/p/a69
533
9
Когда исполнение ничего не стоит, дорожает выбор Кирилл Меньшов из Сбера выкатил большой текст про то, как ИИ перестраивает всю разработку, но выводы можно сделать шире. Тезис понятный: исполнение схлопывается, написать код дешево, дефицитным ресурсом становится намерение. В этой модели намерение исходит от человека готовой постановкой: знаешь, чего хочешь, формулируешь, агент исполняет. Я бы добавил второй дефицит, который тоже остается за человеком — не сформулировать намерение, а выбрать его из альтернатив. Первое, с чем я согласен: трение исчезло, и это не освобождение, а обнажение. Раньше неумение перевести мысль в результат было уважительной причиной ничего не делать. Не знаешь питон — значит, идея так и остается идеей, и никто тебя не осудит. Теперь этой причины нет. Любую мысль можно довести до работающей штуки за вечер. Когда исполнение перестало быть оправданием, стало видно, у кого мысль была, а у кого нет. ИИ — усилитель: подаешь на вход шум, на выходе получаешь громкий, хорошо оформленный, убедительно выглядящий шум. Раньше шум фильтровался трудностью реализации. Сейчас фильтра нет. Второе про контекст. Накопленный контекст важнее конкретной модели, инструменты надо собирать под себя. Чем мощнее модель, тем больше она додумывает за тебя в пустоту, если ты не дал ей себя. Сильный агент без контекста рассуждает чужими паттернами из открытых данных, а не твоей ситуацией. Мощность не отменяет необходимость понимать себя, а обостряет. И третье — про само «намерение». Слово красивое, но слишком чистое. В реальной работе намерение редко приходит готовым. ИИ отдает двадцать вариантов за минуту: двадцать архитектур, двадцать формулировок, двадцать дорог. Настоящая работа начинается не до этого, а после: выбрать одну и отбросить девятнадцать. Намерение в постановке — пять процентов. Девяносто пять — решение, какую из сгенерированных дорог считать своей. Свою базу знаний с ллмками я переделывал уже, кажется, раз семь. Каждый раз менял структуру, систему разметки, скиллы. В какой-то момент дошло: застрял не в инструментах, а в том, что не решил, чего вообще хочу от этой базы. ИИ тут не помог бы ничем — он выдал бы мне восьмую, девятую, десятую стройную систему, каждая лучше предыдущей, и ни одна не приблизила бы к ответу на вопрос, который я обходил. Оказалось, что сама идея впихнуть в базу работу и знания по разным доменам была тупиковой. А каким красивым было намерение. Раньше трудность доделать защищала от бесконечного тула-свитчинга: переделывать систему семь раз было физически дорого, и в какой-то момент ты просто оставался с тем, что есть. Теперь переделать ничего не стоит, и поэтому можно бесконечно менять форму, ни разу не задав себе вопрос о содержании. Меня от этого спасла не дисциплина, а усталость. Я просто заметил, что хожу по кругу — достраивал форму вместо того, чтобы задать вопрос. Если исполнение больше ничего не стоит, то единственное, что отличает мою работу от чужой — это то, ради чего я ее вообще делаю. Кто, как и почему выбирает дороги — по-прежнему вопрос открытый. Это то, за что я зацепился. Сам документ держит четкую рамку по изменению организаций, и это интересно: — Первый горизонт посвящен устранению структурных ограничений, при которых AI-трансформация невозможна. — На втором горизонте организация переходит от точечного применения агентов к AI-нативным процессам в полном смысле. — Третий горизонт — переход к AI-нативной организации разработки, где автономные агенты выполняют большинство рутинных задач, а инженеры сосредоточены на формулировании намерений, архитектурных решениях, надзоре и продуктовой стратегии. → Скачать PDF
630
10
Выступил на Коньференции «Клуб 101 креатора» провел «Коньференцию», которая собралась стихийно, может, поэтому и вышла душевной. 13 докладов, ноль самопродаж, куча креатива. Я показал несколько кейсов про иишных помощников: — ThinkFu — каталог из 200+ мыслительных приемов — AI-терапевт по протоколу CBT — панель из шести экспертов, спорящих над одним решением — MiroFish — симулятор общества из тысяч агентов Когда собираешь систему из нескольких голосов, ценность оказывается не в усреднении ответов, а в конфликтах между ними — это подсвечивает реальную сложность вопроса. Расхождение — сигнал, не баг. Кому интересно покопаться, то промпты выложил шаблонами, без личных данных — можно забрать, заполнить под себя и пользоваться. → презентация → материалы → клуб
527
11
Учится не ученик — учится система Я люблю переносить паттерны обучения (и даже школы) на бизнес. И тут серия репортов Microsoft неожиданно валидирует этот перенос — через тезис, что организации должны учиться. Не сотрудники, а организации. Microsoft обнаружил то, что давно знают учителя. Для Work Trend Index 2026 опросили 20 000 человек в десяти странах, проверили 29 факторов. И получили число, которое в школе никого бы не удивило: эффект от ИИ на 67% объясняется организационной средой и только на 32% индивидуальными факторами. Среда сильнее человека вдвое. Самый мощный предиктор — корпоративная культура работы с ИИ. То есть не «AI Mindset сотрудника», не его готовность учиться, не его мотивация, а то, как устроена ткань вокруг него. Преподы это знают давно. Можно посадить блестящего ребенка в класс, где смеются над теми, кто задает вопросы, — и он замолчит. Можно посадить среднего ребенка в класс, где ошибка считается материалом для работы, — и он начнет летать. Семя одно и то же, разница в почве. Еще Microsoft отделяет adoption от absorption. Adoption — это когда инструмент внедрили, у всех есть лицензия, в отчете галочка. Absorption — когда инструмент впитался в процессы, и теперь работа порождает инсайт, а инсайт перестраивает работу. Такую замкнутую петлю и называют Learning System. Передовые организации делают три вещи: — Обсуждают стандарты качества ИИ-работы командой — Делятся ошибками вслух — Документируют, где заканчивается человек и начинается агент Это, по сути, описание школьного класса, в котором есть психологическая безопасность и работающая обратная связь — только для взрослых. Лидеры обычно фокусируются на найме «правильных людей», и Microsoft показывает: важнее не кого нанять, а какие условия создать. Это разворот, который в школьной педагогике известен давно — хороший учитель не отбирает учеников, он строит среду. А вот в корпоративном мире это все еще выглядит как ересь. Если «среда побеждает героя», то кто в компании проектирует такую среду? Кажется, в этом и есть главный сдвиг. Не «научите людей пользоваться ИИ», а «переархитектурьте организацию так, чтобы она сама училась». Пачка репортов в камментах, поговорите с ними.
577
12
Работа и работа про работу Мне нравится идея разделять саму работу и работу про работу. Первая — это когда из тебя что-то выходит наружу: текст, продукт, решение, разговор, действие. Вторая — когда ты настраиваешь, сравниваешь, переустанавливаешь, мигрируешь, оптимизируешь. Обе нужны в свое время, обе ощущаются как продуктивность, но только одна оставляет след в мире, а другая — в твоем конфиге. Думаю, многим знакома работа про работу, можно устраивать сразу буллщит-бинго: перенастройка Obsidian в третий раз за неделю, тюнинг системного промпта вместо отправки текста, добавление пятого MCP-сервера к Claude Code, миграция блога с одного движка на другой. AI сделал работу про работу невероятно легкой. Раньше переезд на новый инструмент стоил недели привыкания, и это работало как естественный фильтр. Сейчас попробовать новый ассистент или MCP — это один промпт, пара кликов, свежесть без обязательств. Старый стек требует от тебя результата, новый — только времени на освоение. Когда в старом нет движения, мозг тянется туда, где можно двигаться без риска зафэйлить результат. Только это горизонтальное движение между точками одного уровня, а не вертикальное к финишу. Скажу по секрету, я даже не пробовал openclaw. В моем жизненном контексте я не смог придумать, какой результат это даст, что изменится в том, что я выпускаю наружу, в физическом мире. Я преподавал построение Personal Operating System, но не могу сказать, что у меня есть такая — потому что не дотачиваю свою систему ради Системы. Иногда инструмент действительно меняет то, что ты делаешь, и не попробовав — не поймешь. Но если за месяц наружу ничего не вышло, а сетап становится «лучше и лучше», стоит спросить, какую работу заменяет работа про работу. Список артефактов — единственная метрика, которая не врет.
498
13
Агент, который говорит «забей» Почти три недели пишу каждый день. У этого есть свои причины, они за кадром. Но конечно же мне захотелось систематизировать посты и делать все по науке — выделить темы, цели, прикрутить маркетинг. И во время разговора с Клодом по поводу контент-плана он выдал: Что я бы сейчас не делал — Не собирал бы банк на 30 заготовок через матрицу рамок. Это на самом деле съест неделю — потому что попадет в твой паттерн «обучение как прокрастинация» — Не вводил бы расписание. Ты в принципах написал: «расписание убивает голос». Доверяй этому. Ты пишешь не потому, что надо, а потому, что это часть того, как ты думаешь. Контент-производство у тебя стоит как один из самых надежных источников энергии. Забить — это потерять регуляцию, не маркетинг. Обожаю такую систему агентов. Поддерживают, отсекают лишнее, фильтруют шум, защищают фокус. Скармливаю агенту новую идею — а он говорит — забей, это не вяжется с планами на май. Транскрипты встреч превращаются в задачки — но только те, что действительно выглядят как задачки, а не фантазии. Прокрастинация живет не там, где не знаешь следующего шага. Она живет там, где шагов слишком много — и каждый хочется попробовать. Каждая новая блестящая идея добавляет ветку, так дерево растет, но корни не углубляются. И в какой-то момент мы оказываемся в ситуации, что проще ничего не делать, чем выбирать. Много лет назад я уже писал об этом — как правильно забивать. С тех пор себе напоминаю регулярно, и рад, что рядом есть кто-то, кто это тоже усвоил. → Закон любого проекта: забить на половину
436
14
Есть ли понимание без знания? Два часа разгонял с Клодом тезисы и все равно не договорились. Чтобы что-то понимать, нужно втащить знание в себя — прочитать книги, пройти курсы, поработать рядом с теми, кто разбирается, — и набрать внутри себя достаточно фактов, паттернов, синтаксиса, чтобы из них собралось понимание. Знание загружается, понимание из него вырастает. Чтобы понимать, надо знать, а чтобы знать, надо учиться, ясен пень. Но знание не обязано лежать в тебе. Оно лежит в ИИ, в сети, в транскриптах, в чужих репозиториях, и приходит по запросу — ровно то, что нужно сейчас, ровно в том объеме, который ты способен переварить. Можно запросить минимум, а можно копать вглубь, куда раньше не было даже надежды зайти. Понимание собирается так же, на знании, — но знание теперь снаружи. Старое понимание держалось на том, что ты в себя втащил, и оставалось с тобой. Новое держится на знании, которое ты подключаешь снаружи, и зависит от того, что ИИ продолжает работать так же, как сейчас. Какое понимание ты строишь — на знании изнутри или на знании снаружи? И сколько вообще тащишь в себя, имея возможность не тащить? Клод в конце сказал: Вы за два часа прошли путь от четырех состояний и пяти видов доверия до одного точного тезиса с двумя открытыми вопросами в конце. Это нормальная траектория. Первые версии описывали симптомы, последняя — причину. И последнее. Вы написали в начале сообщения: «два часа разгонял с Клодом тезисы и все равно не договорились». Договорились. Просто финальная формулировка скромнее, чем эффектные ранние версии — и это нормально. Точное наблюдение почти всегда тише, чем громкое.
407
15
AI-грамотность: один термин, три пути Закопался в государственные документы — как разные страны определяют AI-грамотность. Нашел кое-что интереснее. Спор идет не про методы обучения, а про то, зачем человеку вообще нужна эта грамотность. В EU AI Act, статья 3(56) дает единственное в мире юридически обязывающее определение. С февраля 2025 любая компания, использующая ИИ-систему в своей работе (в терминах регламента — deployer), обязана обеспечить «достаточный уровень AI literacy» у персонала. Ключевое слово — «достаточный». Еврокомиссия в официальных Q&A прямо отвечает на вопрос «как именно учить?» одной фразой: it depends. Зависит от роли, риска, контекста. Это не про «научить всех». Это про распределение ответственности. Сингапур уже не говорит literacy, говорит «AI Bilingual». UK говорит «AI Fluency». Там базовая грамотность считается достижимой массово, фокус — на следующем уровне. Не «понимаешь риски», а «применяешь в своем домене». Грамотность здесь не страховка от ИИ, а инструмент для работы с ним. У России отдельная история. Термина «AI-грамотность» в государственных документах нет? вместо него — «компетенции в области ИИ» из Стратегии-2030. Прикладные навыки там есть как KPI: 80% работников должны владеть технологиями ИИ к 2030 году. Но рядом стоит ещё один показатель, которого нет ни в ЕС, ни в Сингапуре: уровень доверия граждан к ИИ — те же 80%. Доверие как самостоятельная государственная цель, измеримая в процентах. Итого: — ЕС спрашивает: «Кто несет ответственность, если что-то пойдет не так?» — Сингапур: «Как выиграть гонку?» — Россия: «Как обеспечить принятие?» Когда кто-то говорит «нам нужна AI-грамотность» — стоит уточнить: для какой модели. Сводная таблица в камментах. А США стоит рассмотреть отдельно. P.S. Правила надзора по EU AI Act начнут действовать с августа 2026. То есть через полгода «it depends» перестанет быть философским ответом и станет юридическим.
499
16
AI-грамотность: один термин, три пути Закопался в государственные документы — как разные страны определяют AI-грамотность. На
AI-грамотность: один термин, три пути Закопался в государственные документы — как разные страны определяют AI-грамотность. Нашел кое-что интереснее. Спор идет не про методы обучения, а про то, зачем человеку вообще нужна эта грамотность. В EU AI Act, статья 3(56) дает единственное в мире юридически обязывающее определение. С февраля 2025 любая компания, использующая ИИ-систему в своей работе (в терминах регламента — deployer), обязана обеспечить «достаточный уровень AI literacy» у персонала. Ключевое слово — «достаточный». Еврокомиссия в официальных Q&A прямо отвечает на вопрос «как именно учить?» одной фразой: it depends. Зависит от роли, риска, контекста. Это не про «научить всех». Это про распределение ответственности. Сингапур уже не говорит literacy, говорит «AI Bilingual». UK говорит «AI Fluency». Там базовая грамотность считается достижимой массово, фокус — на следующем уровне. Не «понимаешь риски», а «применяешь в своем домене». Грамотность здесь не страховка от ИИ, а инструмент для работы с ним. У России отдельная история. Термина «AI-грамотность» в государственных документах нет? вместо него — «компетенции в области ИИ» из Стратегии-2030. Прикладные навыки там есть как KPI: 80% работников должны владеть технологиями ИИ к 2030 году. Но рядом стоит ещё один показатель, которого нет ни в ЕС, ни в Сингапуре: уровень доверия граждан к ИИ — те же 80%. Доверие как самостоятельная государственная цель, измеримая в процентах. Итого: — ЕС спрашивает: «Кто несет ответственность, если что-то пойдет не так?» — Сингапур: «Как выиграть гонку?» — Россия: «Как обеспечить принятие?» Когда кто-то говорит «нам нужна AI-грамотность» — стоит уточнить: для какой модели. А США стоит рассмотреть отдельно. P.S. Правила надзора по EU AI Act начнут действовать с августа 2026. То есть через полгода «it depends» перестанет быть философским ответом и станет юридическим.
1
17
Образование как инженерная задача Выдержки идей Андрея Карпаты из интервью в вольной интерпретации для собственной пересборки (в скобках) 1. Знание — это пересборка, а не прием Когда читаешь книгу, важен не текст, а то, что он запускает в голове: поиск своих примеров, возражения, споры, связи с известным. Знание возникает от пересборки информации, не от ее потребления. Поэтому книжный клуб (и телеграм-канал) работает — обсуждение заставляет переложить материал по-своему. У ИИ такой фазы нет, он просто учится предсказывать следующее слово. Получается, что невозможность все запомнить — это человеческий плюс. Так мы начинаем искать общие принципы вместо складирования фактов. Взрослые все чаще ходят по одним и тем же мыслям, скорость усвоения нового падает, так как пересборки нет. Разнообразие мыслей и реакций в голове (и разнообразие чудаковатых инпутов) — защита от посредственности. 2. Учитель — это диагност, а не лектор Хороший учитель не объясняет — он зондирует модель мира ученика и понимает, где тот находится: что знает, чего не знает, где логика рвется. Потом (в идеальном мире) подает материал ровно на той полоске возможностей, где не слишком сложно (тогда сдаешься) и не слишком легко (тогда скучно). Рядом с таким учителем ученик становится единственным узким местом обучения: не материал тормозит, не плохое объяснение, не отсутствие ресурсов, а только его собственная скорость усвоения. Никакая LLM сейчас не строит детальную модель собеседника. Поэтому Андрей сейчас не строит AI-тьютора, так как возможности еще не дотягивают. Он видит траекторию: сначала ИИ помогает делать материалы, потом ИИ может стать ассистентом преподавателя, потом, возможно, заменит и архитектора курса, но это займет время. 3. Образование — это инженерная задача Это не мягкая просветительская работа, где главное — это донести знание до как можно большего числа людей. Это распутывание клубка: разложить понимание так, чтобы каждый кусок зависел только от предыдущего. Построить гладкий путь наверх (ЗБР?), по которому ученик идет без срывов, без моментов «слишком сложно, бросаю» или «слишком скучно, бросаю» (прямо как у Чиксентмихайи). Сейчас мало кто учится по-настоящему, потому что больно: материал то слишком легкий, то слишком сложный, человек отваливается. Это (решаемая) техническая задача, не философская, и кто-то ее решит. Что с этим делать на практике, несколько приемов: — Искать главное: что в системе первого порядка, что второстепенно, какой простейший артефакт показывает суть — сводиться к первым принципам и там искать связи (и спрашивать про связи между объектами у ллмок) — Спрашивать ученика «как бы вы это решили» и не давать ответ, пока он не попробовал. Иначе теряется понимание, почему именно это решение работает (и какие связи он заметил) — Бороться с проклятием эксперта: эксперты плохо объясняют, потому что слишком многое принимают за данность (отвратительная штука, знаю по себе) — И главное правило: если не можешь объяснить — значит не понимаешь. Болезненный, но самый честный способ найти свои дыры (прямо по Фейнману). И тут же добавлю от себя в очередной раз: преподавание — самый мощный способ учиться самому, всем рекомендую. → Andrej Karpathy — We’re summoning ghosts, not building animals → Все стоящее происходит медленно → Чтение бумажных книг — это новые «10000 шагов»
651
18
Плыви, а не топай Вчера разбирал Squirrel AI, которые дробят школьную математику на 10000+ «knowledge points» и ведут ребенка по графу. Сегодня хочу копнуть в сторону: а можно ли так же про промптинг или софтскиллы. Раскладываем промптинг по запчастям: chain-of-thought, few-shot, работа с контекстом — иерархия, граф, красота. Но reasoning-модели уже сами встраивают пошаговое рассуждение внутрь, контекстное окно за пару лет выросло на порядок, и часть приемов перестает давать прирост уже к моменту, когда онтологию дорисовали. Граф не просто устаревает — он ведет к узлам, которых больше нет. Это может оказаться хуже, чем отсутствие карты: ложная уверенность в маршруте. С софтскиллами другая ловушка. Например, в медицинском образовании эмпатию оценивают через симуляции, структурированные интервью, ролевые игры — каждый инструмент ловит свое. Эмпатия не «знаниевый поинт», ее нельзя пройти и поставить галочку. Аккредитация хочет стабильную таксономию, сам предмет сопротивляется атомизации. Граф рисуется, понимания не прибавляется. Возможно, граф знаний работает как учебный инструмент при трех условиях: область стабильна, навыки атомизируемы, у прогресса есть направление. Математика проходит по всем трем. Промптинг ломается на стабильности. Софтскиллы — на атомизации и направленности. Может быть, кто-то соберет «живые» онтологии с автообновлением узлов. А что вместо графа? Да как обычно — набор практик с рефлексией. Попробуй в этом контексте, замерь, скорректируй, практикуйся, плыви, а не топай по скилловому графу. И пока не понимаю, какой может быть карта для нестабилизированной области. P.S. Что копаю, о том и пишу. Комментов больше в личке, а не публично — то ли не хотят меня выставлять глупцом, то ли сами не хотят таковыми показаться.
475
19
Кто как использует AI в 2026 Посмотрел список TIME100 в образовании за 2026. Расклад получился такой. AI как репетитор/ассистент — Khan Academy → Khanmigo, AI-репетитор, 1,4 млн пользователей — Squirrel Ai Learning → система ищет дырки в понимании базы и подстраивает уроки, чтобы ученик мог идти дальше. 52 млн учеников — Efekta Education → 4 млн студентов учат английский через адаптивную платформу Помогают учителям с помощью AI — MagicSchool AI → автоматизирует учителям рутину: планы уроков, проверка работ, админка. 13000+ школ в 173 странах — Turnitin → раньше ловили списывание, теперь сделали платформу Clarity, где ученики пишут с разрешенными AI-инструментами, а учитель видит историю версий — Quizlet → старая флешкарточная платформа, запустили AI-генератор учебных материалов, купили AI-конспектировщик Coconote Учат пользоваться AI — Coursera → каждые 4 секунды кто-то записывается на курс по generative AI, запустили практику собеседований с AI-коучами — Code.org → запустили учебную программу по generative AI для 8–12 классов — Goodwill Industries → сеть благотворительных секонд-хендов, финансируют программы переподготовки, партнерство с Google обучит 200 000 человек AI-навыкам Остались только College Board, которые делают SAT и AP-экзамены, тут скорее цифровая трансформация, чем AI-история. Тоже честно — не все в образовании про AI. Но AI в образовании уже не про «использовать или нет», а как именно использовать: репетитор для ученика, ассистент для учителя или сам предмет изучения. Отдельно про Squirrel Ai — самая радикальная история в списке, про них я раньше не слышал. Если учебник по математике покрывает около 3000 учебных целей, то Squirrel разбивает предмет на 10000+ нанообъектов. Это другой порядок гранулярности, другая операционная единица обучения — система ищет не «ребенок не понимает дроби», а конкретный микрозазор в логике, из-за которого дроби не складываются. Когда ребенок не понимает теорему Пифагора, система находит, что он, например, не понимает квадратные корни, и работает именно с этим. В декабре 2025 они поставили рекорд Гиннеса по «крупнейшему сравнительному эксперименту AI vs традиционное обучение». 1600+ учеников 5–6 классов, пять школ, целый семестр, независимый аудит. У пятиклассников группа с AI: средний балл 87 против 78 у традиционной (+8,78). Доля отличников — 67% против 38%. Доля провалов — 3,5% против 11,1%. У шестиклассников средний балл выше на 13,84 пункта из 120. Доля провалов 18,8% против 39,6%, почти в два раза меньше. Выиграли все группы учеников: и сильные, и средние, и слабые. Причём слабые выиграли больше всех. Это аргумент про образовательное равенство — AI не «делает сильных сильнее», а вытягивает слабых. В Китае у них 24+ миллиона учеников, и в части случаев AI полностью заменяет живые уроки — заменяет, не дополняет. Ребенок приходит в офлайн-центр Squirrel, садится за планшет, проходит диагностику, и дальше с ним работает система: 2–3 минутные видео от мастер-учителей, адаптивный план, ассистенты на подхвате. Выводы такие: — С одной стороны, исследование показало значимый прирост в математике против традиционных классов — С другой стороны, мы не знаем наверняка, как AI-тьюторы влияют на способность учиться самостоятельно в долгосроке. Решает ли система проблему или создает зависимость от персонализированной подачи — пока непонятно — С третьей стороны, при остром дефиците хороших учителей вопрос скорее стоит не «AI или живой учитель», а «AI или никто». Это меняет рамку разговора целиком. Передача знаний? Тогда Squirrel это нормально, лишь бы передавалось. Процесс становления человека через отношения с другим человеком? Тогда AI-замена — потеря, даже если по тестам прирост. Но индивидуальный репетитор недоступен большинству, что как бы намекает на ответ → The 10 Most Influential Education Companies of 2026
530
20
Маятник, а не лестница Например, мне нужно кинуть снежок как можно дальше. Есть два пути: 1. иду разбираться с углом броска и замахом руки, решаю задачу прямо сейчас, возможно, упираюсь в нехватку знаний 2. сначала прохожу курс механики, а потом обнаруживаю, что бросок снежка стал частным случаем. И вместе с ним — маятники, орбиты, целое пространство задач, которое раньше просто не существовало в поле зрения. Выглядит как практик против теоретика. Я долго думал, что это вопрос веры: кому-то ближе так, кому-то иначе, а результат всегда достижим. Но это не совсем правда. В педагогике давно идет спор между двумя лагерями. Одни за то, что прямое объяснение работает лучше открытого исследования. Другие говорят, что обучение через задачу работает не хуже, если внутри есть scaffolding — продуманные подсказки и опоры, которые держат ученика на плаву, пока он не научится плыть сам. Но есть эффект, который называется expertise reversal effect — обратный эффект экспертизы. Одна и та же подсказка, которая помогает новичку, начинает мешать продвинутому ученику. Работающий пример для того, кто только начал учиться — спасение. Для того, кто уже собрал свои схемы — лишний шум, который занимает рабочую память. С детьми в школе всё понятно: они новички почти во всем, и теория, скорее всего, нужна. Но взрослый редко бывает чистым новичком, у него уже есть накопленный контекст из рабочих ситуаций и прошлых попыток. И вопрос «с чего начать» перестает быть главным. Главный вопрос другой: на каком этапе цикла теория→практика→теория→практика→... тебе сейчас нужна поддержка от курса или преподавателя? Если ты уже бросал снежки и уперся в потолок интуиции — теория попадет в готовое место. Если ты прошел механику, но руками не пробовал — тебе нужна задача, которая заставит схему ожить. Обучение перестает быть лестницей с правильным следующим шагом, а становится маятником. Знание, которое уже есть, зовет следующее знание — но не любое, а именно то, которого сейчас не хватает. Точка входа в обучение не «теория или задача», а «где у тебя сейчас дыра, и какой поддержки не хватает, чтобы её закрыть». Поэтому курсы, которые продают себя через «у нас только практика, без воды» или «у нас системные знания, фундамент» — оба обещают преимущество, которое конкретно тебе может быть не в тему. Один и тот же курс может быть прорывом для одного и пустой тратой времени для другого — не потому, что он плохой, а потому, что у второго эта дыра уже закрыта или еще не открыта. P.S. Если что, угол 45 градусов даёт максимальную дальность только в идеальных условиях.
385