Мысли вслух
Open in Telegram
Когда я что-то осознаю, мне хочется об этом рассказать. Здесь делюсь мыслями и открытиями - про технологии, предпринимательство и инвестиции. Max Votek @Mkitt - предприниматель, сооснователь Customertimes, инвестор. linkedin.com/in/max-votek
Show more6 119
Subscribers
+124 hours
-17 days
+2530 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+16
in 3 channels
August '26
+347
in 4 channels
Get PRO
July '26
+727
in 5 channels
Get PRO
June '26
+217
in 4 channels
Get PRO
May '26
+149
in 3 channels
Get PRO
April '26
+347
in 9 channels
Get PRO
March '26
+250
in 3 channels
Get PRO
February '26
+144
in 6 channels
Get PRO
January '26
+80
in 1 channels
Get PRO
December '25
+262
in 3 channels
Get PRO
November '25
+648
in 6 channels
Get PRO
October '25
+238
in 4 channels
Get PRO
September '25
+61
in 4 channels
Get PRO
August '25
+389
in 10 channels
Get PRO
July '25
+512
in 8 channels
Get PRO
June '25
+389
in 10 channels
Get PRO
May '25
+1 472
in 9 channels
Get PRO
April '25
+653
in 12 channels
Get PRO
March '25
+6
in 1 channels
Get PRO
February '25
+245
in 1 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 07 September | +1 | |||
| 06 September | +3 | |||
| 05 September | 0 | |||
| 04 September | +3 | |||
| 03 September | +6 | |||
| 02 September | +2 | |||
| 01 September | +1 |
Channel Posts
AI начинает экономить мне деньги совсем не там, где я ожидал
Подписчики периодически присылают способы использовать ChatGPT или Claude для поиска скидок, купонов и более дешёвых вариантов покупки.
Подтверждаю, это действительно работает и уже сэкономило сотни долларов.
Делился с вами, что написал агента для поиска авиабилетов. Дал ему доступ к Google API, Amadeus и другим источникам, пару раз он нашёл большие скидки. На направлениях, которые я хорошо знаю, он меня пока не обыгрывает, но потенциал очевиден.
Мой близкий друг рассказывал, как с помощью Claude вернул большую часть денег за несостоявшуюся поездку из-за забастовки Lufthansa. Агент разобрал правила авиакомпании и помог правильно построить претензию к перевозчику и отелю в Австрии. Экономия в тысячах долларов.
Недавно нашёл ещё один дорогой сценарий: медицинские счета в США.
Американское здравоохранение устроено так, что пациент часто вообще не понимает, сколько стоит услуга, потому что больница нигде не публикует расценки.
Ты получаешь лечение, потом приходят счета от разных компаний. Внутри десятки кодов, процедур, препаратов, правил страховой, франшиза, потолок собственных расходов, сроки подачи заявки и апелляции.
Чтобы нормально проверить такой счёт, надо одновременно немного понимать медицину, страхование, выставление счетов и право.
Преимущество здесь почти всегда было на стороне системы. У госпиталя есть отдел биллинга, у страховой специалисты и юристы, а у тебя PDF на двадцать страниц и желание понять, почему ты должен десятки тысяч долларов.
Мы с сыном попробовали разобрать несколько таких счетов с Claude. Получилось трудоёмко, но думаю, в следующий раз пойдёт сильно быстрее.
Claude раскладывает счёт по кодам, проверяет процедуры, сопоставляет назначения, ищет несоответствия, читает правила страховки, находит сроки, в которые больница или страховая обязаны ответить.
Помогает составлять апелляции и письма и отправляет их через API, включая бумажные письма с подписью и в конвертах.
Результат вышел вполне материальный. По одному счёту госпиталь перестал отвечать и пропустил процессуальные сроки.
По другому выяснилось, что страховая просто не покрыла часть расходов, которую должна была покрыть, и после повторного обращения оплатила их. Тысячи долларов не ушли бюрократам, и это очень приятно.
Передовые модели сокращают неравенство в знаниях. Многие системы десятилетиями были сложными не случайно: медицинский биллинг, страхование, налоги, банковские комиссии, договоры.
Чтобы защищать свои интересы, надо знать тысячи страниц правил, исключений, классификаторов и судебных решений. Корпорация может нанять для этого сотни специалистов, обычный человек нет.
Теперь у него появляется машина, которая читает эти тысячи страниц за несколько минут.
То же самое вижу с налогами. Американский налоговый кодекс настолько сложный, что даже хороший CPA специализируется только на его части. При этом незнание одного правила или льготы может стоить человеку десятки тысяч долларов.
На бюрократии уже рождается отдельный класс AI-бизнесов.
Что-то вроде сервисов возврата денег за отменённые рейсы, только для медицинских счетов, страховок, налогов и прочих сложных систем. Агент получает документы, проверяет их, находит нарушения, пишет обращения, следит за сроками и эскалирует дальше.
Несколько подписок по $200 в год, которые защищают мои интересы, уже выглядят реальной ценностью. Правда, без обвязки с контекстом, знаниями и API они пока требуют многих часов проб и ошибок.
Думаю, это только начало, и скоро бюрократия нанесёт ответный удар: регуляции, ограничения и показательные суды, где будут наказывать потребителей за использование моделей.
@maxvotek | linkedin | substack
| 2 | Есть расход, который растёт вместе с командой, хотя самой работы больше не становится. Я про комиссии на выплатах.
Почти все сервисы для оплаты распределённых команд берут процент от суммы, и пока платежей не много и суммы незначительные этого просто не замечаешь.
Потом людей в команде становится больше, средний чек растет, и в конце года ты видишь в отчёте пятизначную сумму, ушедшую в никуда.
Сервис при этом делает ровно то же самое, что и раньше: проводит транзакцию. Получается налог на собственный рост.
Таких сервисов на рынке немало, условия и юридическая обвязка похожи, но есть и необычные исключения.
Недавно общался с ребятами из Kleos (раньше назывались Stape, я про них уже писал).
У них фиксированная комиссия, всего $50 за транзакцию на подрядчика, независимо от суммы, что делает расходы более предсказуемыми.
На мелких выплатах разницы с процентом почти нет, а вот на зарплате даже от $1500 разница между фиксом и процентом становится чувствительной.
Легко прикинуть на своих расчетах разницу % и фиксированных 50 долларах на сотрудника.
Сильно упрощает жизнь один договор на всю команду, а локальное законодательство 200+ локаций и логистика полностью на их стороне, как юридические риски.
Подключение нового подрядчика занимает пару часов, сама выплата за минуты вместо (в лучшем случае полудня) возни финансового отдела.
Если у вас распределённая команда и вы давно не пересчитывали, во что обходятся сами выплаты, самое время это проверить.
@maxvotek | linkedin | substack | 1 501 |
| 3 | Не продавайте AI в токенах
Увидел хороший тезис про AI pricing от a16z, который, мне кажется, на самом деле не столько про pricing, сколько про то, где в AI-экономике останется маржа.
Токены появились как правильная единица для model layer. OpenAI продаёт inference: отправил токены, получил токены, заплатил за compute.
Проблема начинается, когда эту же модель переносят на AI-приложения и агентов.
Если агент изучил компанию, прочитал данные CRM, нашёл новости и подготовил account brief, клиент покупает не 184 тысячи токенов. Он покупает готовый account brief.
Если coding agent исправил баг, клиенту не особенно интересно, сколько было model calls, retries и context window. Он покупает исправленный баг.
Поэтому логика вроде простая:
— продаёшь модель → продавай tokens;
— продаёшь работу → продавай credits за понятную единицу работы;
— можешь доказать результат → продавай outcome.
С последним, правда, всё сложнее.
Agentforce хорошо показал проблему outcome pricing. На презентации красиво звучит «платите за resolved case». На практике компании не очень хотят делиться частью созданной прибыли, а платить одинаково за каждый case resolution или назначенную встречу тоже не всегда кажется им справедливым. Один case мог закрыться сам за 20 секунд, другой потребовал сложной работы.
Более острый вопрос это Что будет защищать вашу маржу, когда сами модели становятся commodity?
Claude, Codex и open-source модели становятся всё сильнее. GPU можно арендовать. Fine-tuning и обучение специализированных моделей становятся доступнее на порядки.
Самое сложное всё чаще не модель.
Самое сложное — dataset.
каждой компании сейчас стоит провести инвентаризацию не только своих databases, но вообще всех данных, которые рождаются в процессе её жизни.
Код и история его изменений. Tickets. Customer conversations. Requirements. Contracts. Decisions. Исправления ошибок. Код, видео хирургических операций, лабораторные анализы, данные с приборов. Рассуждения почему один проект получился, а другой нет.
можно ли на этом чему-то научить модель?
Недавно услышал ещё более интересную вещь: frontier labs в некоторых закрытых программах уже платят скомпаниями за доступ к специализированным данным, включая анонимизированный код, потому что качественные proprietary datasets становятся одним из ограничений дальнейшего обучения моделей.
На поверхности стратегический риск.
Если у вас 10–20 лет накапливался уникальный dataset и вы просто отдаёте его frontier lab, завтра часть вашего преимущества может оказаться внутри следующего поколения модели.
Теперь ренту с ваших данных будет собирать уже не ваша компания, а владелец модели.
Поэтому AI strategy сегодня — это уже не только «какие модели и агентов нам внедрить».
Возможно, гораздо более важный вопрос:
какие уникальные данные мы производим каждый день, кому они принадлежат и как сделать так, чтобы именно мы капитализировали то, чему на них можно научить?
Я бы именно этот тезис сделал центральным: models commoditize, proprietary datasets становятся капиталом. Он сильнее и менее очевиден, чем очередная дискуссия про tokens vs outcomes. | 1 |
| 4 |  Как понять, что пузырь действительно начал сдуваться
Вчера писал про данные Ramp: 80% корпоративной выручки OpenAI и Anthropic приходит от 1% клиентов, и значительная часть этих денег крутится внутри самой технологической индустрии.
Продолжу разбором тезисов Эда Зитрона. Он, наверное, один из самых последовательных AI-медведей и хоронит этот рынок уже несколько лет, хотя рынок регулярно доказывал ему обратное.
Прогнозы дело неблагодарное, а вот конкретные признаки, по которым можно будет понять, что AI-экономика действительно начала ломаться, у него есть.
Первый кто-то из гиперскейлеров режет капзатраты. Microsoft, Google, Amazon и Meta сейчас вкладывают сотни миллиардов в дата-центры, GPU и энергетику.
Пока эта гонка продолжается, деньги текут по всей цепочке. Goldman даже считает, что рынок может отреагировать положительно на первую компанию, которая скажет хватит.
Второй - это OpenAI или Anthropic не могут закрыть очередной огромный раунд. Экономика AI-лабораторий пока требует постоянного внешнего капитала.
По цифрам Зитрона, OpenAI сожгла $20,9 млрд за 2025 год, и проблема тут не только в размере убытков: инференс стоит денег каждый раз, когда пользователь нажимает Enter.
Третий и, возможно, самый важный, закрывается долговое окно для дата-центров.
Oracle строит гигантские мощности фактически под одного клиента, OpenAI. Вокруг Nvidia вырос целый слой неооблаков вроде CoreWeave, Nebius, IREN и Cipher.
Заявлены десятки гигаватт новых мощностей, которые нужно кем-то профинансировать, построить и потом ещё загрузить. Пока долговой рынок готов это финансировать, машина едет, а если перестанет, картина изменится быстро.
Подозрительным мне кажется ещё один момент. Microsoft и Amazon много говорят про темпы роста использования AI, но почти не раскрывают отдельно реальную выручку от него. Публичные компании обычно очень любят показывать хорошие цифры.
При этом буквально прогнозы Зитрона я бы не принимал. Он медведь с 2023 года, рынок с тех пор несколько раз их не подтвердил и поехал дальше. Оценка всего объёма AI-рынка в $10–30 млрд тоже выглядит слишком пессимистично: один Broadcom вчера показал $16,7 млрд выручки от AI за квартал.
Но набор признаков у него хороший, и я бы за ними следил.
Мой вывод после вчерашнего поста не изменился: заработать на волне AI можно, но размер ставки должен позволять пережить момент, когда рынок решит проверить всю эту конструкцию на прочность.
Первым в моём списке идёт вопрос, кто из гиперскейлеров моргнёт и начнёт резать капзатраты.
@maxvotek | linkedin | substack | 2 337 |
| 5 |  80% выручки OpenAI и Anthropic дают 1% клиентов
Увидел интересные данные от экономиста Ramp Ары Харазяна.
Ramp обрабатывает корпоративные карты и платежи тысяч компаний, так что довольно хорошо видит, кто реально тратит деньги на AI.
Примерно 80% корпоративной выручки OpenAI и Anthropic приходится всего на 1% клиентов, и состоит этот процент в основном из технологических компаний и AI-стартапов.
Экономика получается довольно замкнутая.
Венчурные фонды дают деньги стартапам, стартапы покупают токены у OpenAI и Anthropic, те покупают вычисления у Microsoft, Google и Amazon, а облака закупают Nvidia и Broadcom. Деньги ходят по одному большому кругу.
Конечных денег из банков, фармы, заводов, ритейла и прочих отраслей при этом заметно меньше, чем можно подумать, глядя на общий AI-бум.
Мы привыкли смотреть на Nvidia, Broadcom, облака, AI-лаборатории и AI-стартапы как на разные инвестиции.
Но при серьёзной коррекции они вполне могут оказаться одной и той же ставкой. Венчурные деньги начинают заканчиваться, стартапы меньше покупают токенов, AI-компании медленнее наращивают вычисления, облакам нужно меньше новых GPU.
Удар проходит по всей цепочке.
У данных Ramp есть важное ограничение. Они хорошо видят стартапы и средний бизнес, но не видят значительную часть огромных прямых контрактов Fortune 500 с OpenAI, Anthropic и облаками.
Так что реальная концентрация почти наверняка ниже.
Сама постановка вопроса от этого не меняется. Производители инфраструктуры уже получают вполне реальные деньги: Broadcom только что показал $16,7 млрд выручки от AI за квартал и огромный денежный поток.
Насколько быстро все эти вычисления превращаются в новую прибыль обычных компаний, а не просто в следующий раунд расходов внутри технологической индустрии, мне кажется сейчас одним из главных вопросов рынка.
Десять разных AI-тикеров в портфеле не обязательно означают десять разных ставок, иногда это одна ставка, просто разложенная по разным частям одной цепочки.
@maxvotek | linkedin | substack | 2 585 |
| 6 |  Купит ли Anthropic Salesforce?
Мы много лет занимаемся Salesforce, и я всегда считал Марка Бениоффа одним из самых гениальных маркетологов в корпоративном мире.
Salesforce не обязательно первой создаёт новый технологический тренд, зато Марк умеет его увидеть, дать ему название и превратить в большое корпоративное явление. Когда-то это была Social Revolution, теперь Agentforce и идея, что интерфейсом становится сам AI.
С Agentforce всё шло очень непросто, и Salesforce вовремя сделала сильный ход: открыла платформу для headless/MCP/agentic-взаимодействия и договорилась с Anthropic.
Партнёрство назвали Claudeforce, а первым продуктом стал Salesforce in Claude - плагин с 37 готовыми навыками для команд продаж. Теперь Claude может работать с реальным Salesforce-контекстом, правами доступа и бизнес-правилами и выполнять разрешённые действия в CRM.
Anthropic при этом получает не просто доступ к данным. Для них это потенциально один из самых мощных каналов выхода в корпорации в мире.
Salesforce уже стоит внутри крупнейших компаний. Там пользователи, данные, модель безопасности, процессы, согласования и тысячи интеграторов, которые умеют превращать платформу в реальные бизнес-процессы. Плюс у Salesforce есть Slack.
Slack я вообще считаю одной из лучших покупок Salesforce. Chatter так и не стал корпоративным стандартом коммуникации, а Slack оказался практически идеально готов к агентной эпохе.
Его любят разработчики, им активно пользуются продажи, и он естественно превращается из мессенджера между людьми в среду, где общаются человек с агентом и агент с агентом.
Конструкция складывается мощная. Slack становится интерфейсом для людей и агентов, Claude отвечает за рассуждение, а Salesforce держит данные, права, процессы и сами действия.
Для Anthropic это возможность заходить в корпорации с невиданной скоростью, не продавая Claude каждой компании с нуля.
Вижу, что многие интеграторы загрустили и размышляют о будущем своих бизнесов по внедрению, настройке и поддержке. Если агент способен сам делать всё большую часть работы внутри Salesforce, то что тогда остаётся от классической модели внедрения.
Мы в Customertimes смотрим на это иначе.
Одними из первых начали продуктизировать слой знаний для Salesforce внедрений, чтобы агенты на базе Anthropic и SpaceX Cursor могли не просто писать код, а понимать, как именно нужно внедрять и настраивать Salesforce и продукты на его основе.
В этот слой постепенно попадает то, что раньше жило только в головах старших консультантов: архитектурные решения, шаблоны внедрения, ограничения платформы, типовые ошибки и выводы с предыдущих проектов.
Поверх него агенты уже помогают нам с оценкой объёма работ, дизайном решений, настройкой, тестированием и документацией.
Многие корпоративные клиенты ещё даже не начали внедрять AI внутри себя. Но внедрения быстрее и дешевле они хотят уже сейчас, и это как раз то, что мы можем предложить в гибридном формате и через кредиты на использование наших агентов.
Пока никто никого не покупает. Но Salesforce становится гигантским каналом выхода Claude в корпорации, а Anthropic постепенно превращается в интеллектуальный слой для всей экосистемы Salesforce.
Эффект от квартального отчёта и совместного выступления Марка с Дарио уже виден в цене акций: капитализация выросла на 23% за день.
@maxvotek | linkedin | substack | 3 460 |
| 7 | Макс, здравствуйте
Меня зовут Полина, я занимаюсь инфлюенс продвижением в бренд-агентстве БУНТ. Рада познакомиться :)
Мы бы хотели купить в вашем канале рекламу канала «СЕО свободных людей» @heyho_chernikova.
Это канал Лены Черниковой, PHD, предпринимателя и основателя проекта Invisible Force — Культура Инноваций. В канале Лена пишет про лидерство, управление командами, AI-трансформации в бизнесе.
Расскажу детальнее: мы бы хотели, чтобы вы написали нативный авторский пост о канале Лены. Будем только рады помочь с опорными тезисами.
Также прекреплю пару постов каналов вашей ниши, которые вы можете знать:
• Midov trip: https://t.me/midov_trip/895
• сбежавшая нейросеть: t.me/ai_exee/581
• Tips AI | IT & AI: https://t.me/tips_ai/4866
• tldr_tany (Таня Савельева): https://t.me/tldr_tany/396
Подскажите, пожалуйста, вам было бы это интересно? И если да, какие ваши условия размещения поста? | 1 |
| 8 | м | 1 |
| 9 | Спасибо вам за ваш блог! Стараюсь вылезти из ямы и ваши посты мне помогают принять решение на следующие шаги и вершины. Благодарю! | 1 |
| 10 | Модель даёт понимание. Цифра даёт опору.
Продолжаю собирать свой виртуальный хедж-фонд, где решения по сделкам принимают AI-агенты.
Торгую по стратегии колеса опционов, а я в этой конструкции одновременно и директор, и главный инвестор.
Один из агентов автоматически читает транскрипты квартальных звонков компаний с инвесторами (earnings calls).
Вопрос простой: стал ли менеджмент говорить осторожнее, чем квартал назад?
Логика такая, что сначала меняется язык, потом режут прогноз, потом акция падает на 20%.
Сначала оценку тональности делала LLM. Она хорошо понимает контекст, но есть большая проблема: LLM недетерминированы.
Завтра на том же тексте модель поставит другую оценку. Другая модель даст третью. Через месяц провайдер обновит модель и результат снова изменится.
Для финансов это плохо. Если оценка риска выросла с 1.0 до 2.0, я хочу понимать, что компания правда заговорила тревожнее, или просто поменялась модель?
Оказалось, эту задачу в академических финансах начали решать ещё в 2011 году. Есть специальный словарь для финансовых текстов - Loughran-McDonald.
Внутри 2355 негативных слов, 297 слов, выражающих неопределённость, 903 юридических.
Так почему нужен именно финансовый словарь, а не обычный анализ тональности?
Обычный алгоритм считает liability или cost негативными, а в отчётности это просто "обязательства" и "затраты", нейтральные термины.
Метод простой до примитивности, мы считаем количество негативных и неопределённых слов на тысячу слов текста.
В этой простоте и вся сила. Было 8 слов неопределённости на тысячу, стало 14? Это факт.
Через год на том же тексте будет ровно то же число. Можно сравнивать кварталы, компании, руками перечитать какое хочешь слово.
Теперь у меня работают оба подхода параллельно. LLM понимает смысл и контекст. Словарь даёт цифру, которая не меняется.
Если LLM говорит, что риск резко вырос, а словарные показатели стоят на месте - это сигнал, что стоит перечитать транскрипт самому.
Для себя я понял, там, где AI участвует в решении о деньгах, рядом с его оценкой должна быть цифра, которую можно проверить руками.
@maxvotek | linkedin | substack | 3 521 |
| 11 | Технология уже готова, люди ещё нет
Я уже больше года 96% времени провожу за рулём на автопилоте Tesla.
Писал про 11-часовую поездку с сыном, после которой Oura показала уровень стресса ниже, чем в обычный день в офисе.
Про Shadow Mode и страховку Lemonade, которая оценивает мили на FSD вдвое дешевле обычных.
Пару раз FSD в буквальном смысле спасла меня: выкладывал ролик, как сама притормозила и ушла вправо за секунды до того, как мимо пролетел лихач, решивший обогнать через островок.
Для меня вопрос, работает ли технология, уже закрыт.
Но недавно увидел цифры от GM, ближайшего конкурента Tesla в США по этой технологии.
Hands-free система Super Cruise у GM существует с 2017 года.
Сегодня она установлена примерно на 750 тысячах машин, пользователи проехали с ней больше миллиарда миль, а сеть поддерживаемых дорог выросла до 600 тысяч миль.
Новым покупателям GM даёт Super Cruise бесплатно на три года.
Когда бесплатный период заканчивается, платить $25 в месяц продолжают только 30–40% пользователей.
То есть шесть-семь человек из десяти три года ездили с технологией, которая позволяет не держать руки на руле, и решили, что $25 в месяц она не стоит.
Продукт на рынке уже девять лет.
Мне кажется, мы постоянно переоцениваем, с какой скоростью люди меняют привычки под новые технологии.
Особенно сейчас с AI. Технология может быть готова намного раньше, чем люди готовы её принять. Здесь проблема уже не инженерная.
Отпустить руль - это акт доверия.
Я вижу ровно то же самое с AI-агентами. Если агент делает работу, а ты после него проверяешь каждое действие, экономии практически нет. Порой работы становится даже больше.
Пока не отпустишь контроль - не сработает.
Похоже, именно на этом мы застрянем в ближайшие годы и в автомобилях, и в компаниях.
Не качество технологии, а скорость, с которой человек научится ей доверять.
@maxvotek | linkedin | substack | 3 385 |
| 12 |  Что надо успеть сделать до 40, чтобы дольше жить
Посмотрел большое интервью с Петром Федичевым - биофизиком и сооснователем Gero, которая с помощью AI ищет препараты против старения.
До сорока лет надо набрать высоту. После сорока VO2 Max, мышечная масса, когнитивные способности и прочие функции начинают снижаться, и важно, с какой базы ты падаешь.
То есть до сорока создаёшь максимальный физический и когнитивный резерв, а после стараешься как можно дольше его удержать.
Рекомендации при этом удивительно банальные:
1. есть меньше: убедительных доказательств особой магии интервального голодания нет;
2. не толстеть и особенно не доводить себя до диабета, ранний диабет может стоить примерно шести лет жизни;
3. сохранять мышечную массу: белок плюс силовые;
4. постоянно двигаться, ходьба ненамного хуже бега, а умеренные веса дают большую часть пользы от тяжёлых;
5. не курить;
6. следить за VO2 Max хотя бы раз в год;
7. после 40–50 не пытаться повторять спортивные рекорды двадцатилетнего себя.
Дальше в интервью пошло то, что к спорту уже не имеет отношения.
Федичев говорит про корреляцию социального статуса и продолжительности жизни.
Причём объясняется она не только деньгами и доступом к медицине. Существенным фактором может быть постоянная тревога потерять своё место в социальной иерархии.
Предпринимателям это знакомо: после определённого уровня деньги уже мало меняют качество жизни и превращаются в единицу измерения собственного места.
Остановиться нельзя, выпасть из обоймы нельзя. Получается, что можно идеально следить за сахаром и VO2 Max, параллельно годами живя в хроническом стрессе из-за страха потерять статус.
Дальше про то, можно ли старение остановить в принципе.
Федичев обращает внимание на животных, у которых практически нет привычного нам возрастного роста смертности. Сам факт, что такие организмы существуют, показывает: старение не обязательно фундаментальный и неизбежный закон природы.
Значит, теоретически его механизм можно выключить, и первые эксперименты дают надежду, что серьёзно вмешаться получится ещё при нашей жизни.
Gero анализирует медицинские данные порядка 100 млн человек с помощью AI и ищет новые мишени для лекарств. Одну найденную уже проверили на очень старых мышах: один укол увеличил их оставшуюся продолжительность жизни примерно на месяц. Разработку лицензировала Chugai/Roche.
Интересен и Ozempic.
Его создавали для диабета и ожирения, а выяснилось, что GLP-1 препараты заодно снижают вероятность сразу нескольких серьёзных проблем со здоровьем, от сердечно-сосудистых событий до почек.
Это уже похоже на первые препараты для продления жизни: воздействие идёт не на одну болезнь, а сразу на несколько возрастных рисков.
Государства, кстати, тоже заинтересованы в том, чтобы люди дольше оставались здоровыми и работоспособными, так что регуляторные подходы к клиническим исследованиям постепенно начинают меняться.
Мне понравилось, что Федичев в этом контексте похвалил Брайана Джонсона.
Его принцип такой, что если предполагаемый эффект достаточно большой и его можно объективно измерить на себе, не всегда нужно начинать с исследования на тысяче человек. N=1 тоже даёт полезный сигнал, хотя доказательством для всей популяции это, конечно, не становится.
Экономика тут совершенно другого масштаба. Ozempic нужен сотням миллионов, а препарат, который действительно остановит или радикально замедлит старение, потенциально нужен всем.
Ещё недавно я бы назвал это фантастикой, а сейчас больше похоже на инженерную задачу, которую могут решить при нашей жизни.
@maxvotek | linkedin | substack | 4 181 |
| 13 |  Cursor выпустил Origin - собственный хостинг кода, то есть пошёл прямо на территорию GitHub.
Но мне интересно не то, что появился ещё один хостинг, а зачем он вообще понадобился.
GitHub архитектурно сделан под человеческий темп: один разработчик, одна ветка, пул-реквест раз в несколько часов.
Вся механика ревью, обсуждений и слияний выросла из этого ритма. Агенты работают иначе, они пушат непрерывно и параллельно. На демо Cursor показывали 22.6 коммита в секунду в один репозиторий.
Я как раз писал, что GitHub из хранилища кода превратился в память проекта и операционную систему для AI-разработки.
Под такой сценарий Origin и хотят построить, чтобы такой системой был он сам. Пока там только база: репозитории, пул-реквесты, просмотр кода.
Свои репозитории с GitHub синхронизируются напрямую за минуту, источником правды при этом остаётся GitHub.
В любом случае сделка со SpaceX обеим сторонам пошла на пользу: Cursor стал заметно чаще выкатывать интересные обновления, а Grok 4.6 подтянулся к уровню OpenAI и Anthropic и уже ничем им не уступает.
Заодно Cursor стал заметно активнее продвигать Grok как одну из основных моделей.
Любопытно то, что раньше их сильной стороной была как раз независимость от провайдера - выбирай любую модель и ни от кого не зависишь.
Дёшево это не выходит. Grok через Cursor обходится заметно дороже, чем стандартный план Anthropic за $200 в месяц.
Но как мы видим по крупным корпоративным клиентам, похоже, это не так важно.
Cursor у многих уже закрепился как основной инструмент разработки на уровне всей компании, и там ценят единую среду, контроль доступов и сложившийся рабочий процесс сильнее, чем цену конкретной модели.
@maxvotek | linkedin | substack | 3 848 |
| 14 | Обычно я в канале пишу про AI, фарму, предпринимательство и свои мысли и безусловно, часть вдохновения я получаю от других авторов, которым благодарен за интересные инсайты и контент.
Сегодня расскажу про один интересный канал, где каждый пост внимательно читаю.
Саша Журавлев — основатель венчурного фонда Mento VC. Инвестирует в гиперрастущие стартапы в США совместно с top-tier: a16z, Sequoia, Google Ventures.
В своем канале @exitsexist Саша очень открыто и искренне рассказывает, как видит рынок и принимает инвестиционные решения. Фонд у него нового типа, прозрачный и для читателей, и для инвесторов: есть посты и про ошибки, и про потери, и про личное.
Пару постов для знакомства:
• как зашли в стартап дочери Билла Гейтса и про скандал с этим проектом
• 3 компании, в которые фонд НЕ инвестировал за последнее время
• как небольшому фонду вообще удается попадать в сделки с top-tier игроками?
Так что если венчур и AI вам интересны — рекомендую подписаться @exitsexist | 3 480 |
| 15 |  Посмотрел свежее интервью Митчелла Грина из Lead Edge Capital. Понравилась его формулировка: мы вполне можем быть в AI пузыре, он когда-нибудь лопнет, и при этом AI всё равно окажется больше интернета.
Одно другого совершенно не исключает. Но занимает меня сейчас другое. Где в итоге останется экономическая ценность?
Сегодня кажется, что ответ очевиден и это в железе. На фондовом рынке уже видна ротация от software к hardware.
Nvidia стала главным символом AI бума, рядом растут производители памяти и сетевого оборудования, а также энергетическая инфраструктура.
Хотя тут есть любопытный парадокс дешёвых токенов. Сами модели стремительно дешевеют: open source догоняет frontier-модели, Китай тоже.
Тот же Kimi выпускает модели, которые по ряду задач приближаются к Claude, но стоят в разы дешевле.
Корпорации уже активно считают экономику токенов - Uber, Spotify, Airbnb и другие могут запускать inference на открытых моделях через Fireworks, Baseten и аналогичные платформы существенно дешевле.
Для огромного количества корпоративных задач прошлогодняя модель уже хватает с головой. То есть интеллект постепенно превращается в обычный товар.
Казалось бы, для AI-инфраструктуры это медвежий сценарий: токены дешевеют, значит и денег на вычисления уйдёт меньше. Я думаю, будет ровно наоборот.
Это парадокс Джевонса: рост эффективности ресурса часто не уменьшает его потребление, а увеличивает.
Если inference подешевеет в 10 раз, компании не станут тратить в 10 раз меньше. Они запустят в 100 раз больше агентов.
То, что сегодня экономически оправдано только для Fortune 500, станет доступно компании из 50 человек. А крупная корпорация вместо нескольких AI-use cases сможет постоянно держать тысячи агентов в продажах, разработке, finance, procurement, legal, customer service и R&D.
Цена токена падает, а количество токенов растёт ещё быстрее.
Поэтому среди моих фаворитов на этот год Nvidia, Micron и Broadcom.
Для меня это три слоя одной ставки на экспоненциальный рост вычислений: ускорители, память и сетевая часть с заказными чипами.
Но есть и риск. Исторически каждый раз, когда казалось, что вся ценность теперь навсегда осталась у производителей чипов, сами чипы со временем тоже коммодитизировались.
Так что совсем не факт, что Nvidia будет забирать непропорциональную часть экономики AI следующие 20 лет.
Но вот что произойдёт выше, на уровне приложений, понятно ещё меньше.
Появятся ли огромные специализированные AI компании в медицине, legal, finance и enterprise software? или Claude, OpenAI, Gemini и open-source модели постепенно съедят большую часть этих приложений сами?
По-моему, это сегодня и есть главный инвестиционный вопрос.
Тут я честно не знаю. Мы пытаемся угадать победителей игры, которая началась пару лет назад и спокойно может тянуться ещё лет тридцать.
Так что я допускаю и пузырь в оценках, и коммодитизацию моделей, и даже коммодитизацию чипов когда-нибудь, а вот коммодитизацию самого спроса на вычисления представить пока гораздо сложнее.
Чем дешевле становится интеллект, тем больше железа потребуется миру, чтобы его производить.
@maxvotek | linkedin | substack | 3 766 |
| 16 | В Дании нашли правильный ответ на ChatGPT в школах
Никакой детектор уже не покажет, писал ученик сам или ему помог ChatGPT. Поэтому там пошли другим путём и поменяли сам способ проверки знаний.
Теперь старшеклассники должны устно защищать письменные работы, выполненные дома.
Параллельно школам рекомендуют чаще проводить письменные задания в классе, контролировать экраны на экзаменах и ограничивать доступ к внешним ресурсам.
Я учился в медицинском институте, и большая часть зачётов, коллоквиумов и экзаменов сдавалась лично одному или нескольким преподавателям.
На многих предметах причинно-следственные связи разбирали в диалоге прямо в аудитории. Каждый прогул занятия - устная отработка и сдача лично преподавателю.
Многие предметы до сих пор процитирую, даже если меня разбудить ночью.
Качество и глубина аргументации, суждения и причинно-следственные связи всегда были ключевыми добродетелями в медицинском образовании.
Но за последние пару десятилетий их подменили виртуальными лекциями, формальными тестами, рефератами и прочими форматами, где погружения в тему почти не происходит, а в лучшем случае студент читает работу перед сдачей.
Вот когда после письменной работы тебя десять минут спрашивают, почему ты сделал именно такой вывод, откуда взял аргумент и что произойдёт, если изменить исходные условия, довольно быстро становится понятно, понимаешь ты предмет или нет. Это и есть проверка judgement, которую ни один тест не заменит.
Забавно, что чем умнее становится AI, тем больше ценности снова приобретает самый традиционный формат образования - разговор учителя с учеником.
@maxvotek | linkedin | substack | 4 465 |
| 17 |  Все обсуждают, как ИИ ускоряет разработку лекарств, а Китай тем временем сделал ставку менее заметную, но, возможно, более важную - он начал ускорять самого регулятора.
Исторически конкурентным преимуществом фармы были деньги, учёные и доступ к данным.
Теперь к этому добавился ещё один фактор - скорость принятия регуляторных решений.
В мае 2026 года китайский регулятор NMPA запустил программу AI + Drug Regulation.
К 2030 году они хотят использовать ИИ и специализированных агентов практически на всех этапах работы, от проверки регистрационных досье до постмаркетингового надзора.
Требования к безопасности при этом не снижают, убирают бюрократическое трение.
Та же философия видна и в существующих процессах.
Для инновационных препаратов уже действует ускоренный 30-дневный канал рассмотрения, а IND-заявки работают по принципу implicit approval: если в течение 60 дней регулятор не выдвинул возражений, испытания можно начинать.
В результате путь от подачи документов до первых испытаний на людях сократился примерно до 87 дней. Ещё десять лет назад это занимало больше 500.
Неудивительно, что Китай становится одним из мировых центров AI-биотеха. По последним оценкам, китайские компании подают около 70% мировых патентных заявок в области AI-driven drug discovery, а их доля в глобальных лицензионных сделках выросла с 8% в 2021 году примерно до 32%.
Западные регуляторы тоже умеют работать быстро, но обычно в экстренных ситуациях. Во время пандемии COVID-19, когда появилась реальная необходимость, FDA и EMA перестроили процессы буквально за несколько месяцев.
FDA запустила механизм Emergency Use Authorization, EMA - rolling review, при котором данные анализировались по мере поступления, а не только после полного пакета исследований. Сроки одобрения сократились в несколько раз, и требования к безопасности при этом никто не отменял.
Тогда же регуляторы фактически легитимизировали виртуальные клинические испытания: удалённые визиты, электронное согласие пациентов и дистанционный мониторинг стали частью нормальной практики.
Мы в Customertimes как раз разрабатывали для одного из клиентов платформу для таких виртуальных исследований. На ней тестировали основные вакцины, которые дошли до рынка в рекордные сроки.
Хороший пример того, как изменения в регулировании за пару месяцев открывают дорогу новым продуктам и целому классу цифровых решений.
Самое интересное, что сейчас США снова начинают ускоряться.
В июне американские регуляторы объявили о планах сократить сроки ранних этапов исследований на 6–12 месяцев. То есть соревнуются уже не только биотех-компании, но и сами регуляторные системы.
Мне кажется, это и есть главный тренд: AI добрался до государственных институтов и выигрывать будут страны, которые быстрее перестроят под него свои регуляторные процессы, а не просто компании с лучшими моделями для поиска молекул.
Так что скорость государства оказывается таким же ресурсом, как вычислительные мощности, данные и таланты.
@maxvotek | linkedin | substack | 4 360 |
| 18 |  Илон Маск снова взбудоражил IT сообщество.
Говорит, что через несколько лет исходный код станет тем же, чем сегодня является ассемблер - нишевым инструментом для единиц. А следующий шаг вообще отказаться от исходников и генерировать оптимальные бинарники напрямую с помощью ИИ.
Меня эта идея неожиданно вернула в школьные годы.
Я тогда только начинал программировать. Ассемблер по советским и переводным книгам казался чем-то запредельным для моего ADHD, но при этом невероятно завораживал.
Работать почти напрямую с железом и выжимать максимум производительности выглядело настоящей магией.
Учебные задачи на Turbo Pascal и Turbo C у меня обычно получались. Правда, компиляторы постоянно находили какие-то ошибки, которые я часами не мог понять, так что самые простые программы в итоге чаще писал на BASIC, а позже на Visual Basic.
Там хотя бы можно было быстро увидеть результат и не потерять весь день на поиске пропущенной точки с запятой.
Примерно это сейчас и происходит с AI. О синтаксисе думаешь всё меньше, о результате всё больше.
Вполне возможно, что через десять лет нынешний код будет выглядеть так же архаично, как сегодня выглядит ассемблер для большинства разработчиков.
Разница только в одном, и она существенная. Компилятор детерминирован: один и тот же код всегда превращается в один и тот же результат.
LLM пока так не умеет. Поэтому идея сразу генерировать бинарники звучит красиво, но для медицины, авиации, финансов и прочей критичной инфраструктуры вопрос воспроизводимости и проверки никуда не денется.
Сама мысль Маска мне при этом нравится. Она заставляет задуматься, где окажется следующий уровень абстракции, даже если завтра исходный код никуда не исчезнет.
После этого обсуждения у меня неожиданно проснулось желание снова поиграться с низким уровнем. Вместо очередного AI-агента хочется собрать что-то максимально быстрое и минималистичное.
Пока обдумываю идею собственной минималистичной OS для телефона, с глубокой интеграцией в self-hosted экосистему, IoT-устройства и локальных AI-агентов.
Не знаю, вырастет ли из этого что-то большее, но как хобби-проект звучит очень интересно.
Забавно то, что разговор про будущее без кода закончился у меня желанием залезть на самый низкий уровень, какой смогу.
@maxvotek | linkedin | substack | 3 796 |
| 19 |  Как «не доверяй, но проверяй» сломалось на первом шаге
Coldcard построил репутацию на принципе Don't Trust, Verify. Открытый код, воспроизводимая прошивка, возможность проверить всё самостоятельно.
Проблема оказалась в самом первом действии - это в создании сид-фразы.
У Coldcard было три варианта: довериться аппаратному генератору случайных чисел, добавить к нему броски игральных костей или собрать сид полностью на костях.
Последний способ позволял вообще не доверять железу, но почти все выбирали дефолт: нажимали кнопку и полагались на устройство.
В 2021 году в прошивку попала ошибка, отключившая аппаратный генератор случайности.
Вместо него устройство использовало слабый программный генератор MicroPython. Никаких предупреждений не появлялось. Пользователь получал обычные 24 слова - они проходили контрольную сумму, восстанавливали кошелёк и могли годами храниться на металлической пластине.
Но безопасность сида определяется не словами, а энтропией - размером пространства, из которого их выбрали. На части устройств оно сократилось примерно до 40 бит, на других до 72.
Для человека это всё ещё огромные числа, но для хорошо организованного перебора уже достижимые.
По оценке Galaxy Research, с уязвимых адресов вывели около 1 367 BTC - это почти $90 млн.
Тут я пошёл проверять свою Coldcard. Да, моя версия оказалась ровно из уязвимых. Кости для честной энтропии я в своё время, конечно, поленился использовать и нажал кнопку, как все.
Повезло дважды: денег на кошельке было мало, и их не увели.
Отдельная история - это роль AI.
Coinkite сама предположила, что атакующий мог найти ошибку AI-анализом открытого кода. При этом собственный AI-аудит компании несколькими неделями ранее ничего не нашёл. Защитнику нужно найти все ошибки, атакующему хватает одной.
Много лет главным страхом криптографии считались квантовые компьютеры. Но здесь никто не ломал Bitcoin и не перебирал полноценные 256-битные ключи.
Взломали слабую генерацию, созданную обычной ошибкой в коде и, вполне возможно, найденную и масштабированную с помощью AI.
Воспроизводимая сборка доказала, что прошивка соответствует исходному коду. Но не то, что сам код безопасен.
@maxvotek | linkedin | substack | 3 164 |
| 20 | Недавно писал, что если AI окончательно доломает экономику IT-компаний, то пойду смотреть в сторону скучных офлайн-бизнесов, где AI может добавить масштаба.
У моего приятеля компания по обслуживанию недвижимости в Palm Coast - городе, похожем на Бока-Ратон, только севернее и заметно доступнее.
Одна из самых неожиданных проблем домов во Флориде, вовсе не ураганы и не кондиционеры, а трава.
Газон здесь нужно поливать постоянно. Иначе он высыхает, дом теряет привлекательность для арендаторов, а иногда прилетает штраф от города. Бывает, газон поражает грибок или вирус, и тогда покрытие приходится менять целиком.
Один только полив городской водой летом легко обходится в $300–400 в месяц.
Решение вроде бы напрашивается - это пробурить скважину. Но это насосы, фильтры, электричество, обслуживание, а в некоторых районах вода настолько богата железом, что портит и газон, и саму систему полива. При этом на весь город одна компания, которая занимается скважинами.
Дальше покос травы. Самый дешёвый подрядчик нередко повреждает забор, полив или растения, и вся экономия исчезает за один ремонт.
Поэтому многие годами работают с одной семейной бригадой - отцом и сыном, которым действительно доверяют.
Недвижимость вообще состоит из сотен таких компромиссов, о которых не пишут в рекламных буклетах. Ни один из них не решается «одним приложением».
Недавно посмотрел несколько AI-компаний в этой сфере:
1. Avoca, которая автоматизирует звонки для сервисных компаний, уже оценивается больше чем в миллиард долларов.
2. Rilla анализирует разговоры техников с клиентами прямо в полях и вышла на десятки миллионов долларов регулярной выручки.
Все хотят строить чисто цифровые компании. Но чем дешевле становится интеллект, тем большим дефицитом становятся люди, которые качественно делают физическую работу.
AI не заменит отца с сыном, которые аккуратно косят газон. Зато он сделает так, чтобы они не теряли заявки, быстрее доезжали до клиентов и зарабатывали больше.
Мне кажется, на стыке AI, бетона, травы, сантехники и кондиционеров появится огромное количество новых миллиардных компаний.
@maxvotek | linkedin | substack | 3 117 |
