Бороздин Дмитрий

Обновление OpenAI от 28 июля: английский, испанский и снова английский OpenAI показала демонстрацию двух новых моделей*. Спикер говорит сначала по-английски, затем по-испански и снова по-английски. Текст идёт по экрану без переключения языка. Здесь работает GPT-Live-Transcribe: она принимает звук с микрофона или из звонка и выдаёт текст по ходу речи. GPT-Transcribe обрабатывает готовые записи и завершённые реплики. Обе понимают смешанную речь. Только GPT-Transcribe возвращает список найденных языков. OpenAI развивается стремительно: 7 мая вышли GPT‑Realtime‑2, GPT‑Realtime‑Translate и GPT‑Realtime‑Whisper. Через 82 дня голосовую линейку обновили снова. Цена готовой записи — $0,0045/мин, около 21 ₽/ч. Транскрибация в реальном времени — $0,017/мин, около 80 ₽/ч. Что выберете для звонков: текст сразу за 80 ₽/ч или расшифровку после разговора за 21 ₽/ч? Подробный разбор — в статье. *Деятельность платформы X (Twitter) заблокирована на территории РФ.

GigaAM возглавила рейтинг 11 движков и режимов распознавания русскоязычной речи Мы в RetailCRM транскрибируем звонки с AI-обработкой. Впереди офлайн: торговые залы, переговорные комнаты, живые встречи. Сейчас проводим тесты движков распознавания речи, хочу поделиться с вами цифрами. Прогнали 491 запись спонтанной русской речи — 177 минут звука. Итоговый рейтинг построили на общей базе: 488 записей, которые обработали все режимы, и 20 901 слово в эталонах. Основная метрика — микро-WER: сумма замен, пропусков и вставок, делённая на число слов эталона. Меньше — лучше. Рейтинг топ-5 по микро-WER: 1. GigaAM v3, локальный пакетный — 7,46% 2. GPT Realtime, потоковый — 8,52% 3. faster-whisper, локальный пакетный — 9,78% 4. OpenAI whisper-1, пакетный — 9,82% 5. Deepgram, пакетный — 9,90% Остальные шесть движков и режимов показали от 10,86% до 18,12%. Полный рейтинг тут. GigaAM на первом месте. Это открытая модель, которую можно запустить на своём сервере. На этом корпусе её микро-WER на 12,4% ниже результата GPT Realtime. Второе, третье, четвёртое и пятое места разделяют всего 0,12 процентного пункта. Это один корпус коротких спонтанных монологов, поэтому результаты нельзя автоматически переносить на звонки и встречи. Диаризацию здесь тоже не измеряли. Если сравнить пакетный / потоковый: Deepgram — 9,90% / 11,87% Yandex — 11,80% / 13,04% Sber — 11,06% / 10,86% Режим обработки меняет результат сильнее, чем кажется. Например, у Sber пакетный режим показал 11,06%, а потоковый — 10,86%. Поэтому один и тот же провайдер в полном рейтинге встречается дважды. Готовые записи и живой поток оцениваются отдельно. Полная прозрачность данных исследования: каждую из 491 записи можно послушать, рядом прочитать эталон, сравнить ответы всех 11 движков и режимов и увидеть конкретные замены, пропуски и вставки. Мы опубликовали результаты, исходные ответы движков, сводные таблицы, отчёты, состав корпуса и контрольные суммы. Рейтинг можно проверить собственными ушами и даже пересчитать) Дальше в планах замер на 600 реальных встречах и звонках, затем отдельная оценка диаризации: кто и когда говорил. Буквально вчера OpenAI выпустила новые модели — GPT Transcribe и GPT Live Transcribe. Заявлено серьёзное снижение ошибок, разберём их в следующем посте. Статья с методикой и полным рейтингом Прослушать записи и сравнить ответы движков

Сон и терпение… В последнее время часто слышу разговоры о том, что продавать товары с длинным циклом сделки становится всё сложнее. Кровать, диван, матрас, стол в офис, наконец — такие вещи обычно выбирают на годы вперёд. Вдумчиво замеряют эргономику, сопоставляют цену с качеством, советуются с семьёй или коллегами. Но и покупатель сегодня другой. Иногда выбор стоит между диваном и поездкой. А иногда эксклюзивность дизайна оказывается дороже денег. Кстати, есть гипотеза, которая мне кажется правдоподобной: людям стало дороже позволить себе большое путешествие или праздник, но порадовать себя чем-то весомым хочется по-прежнему. Обновить кухню или купить тот самый крутой удобный матрас. Скидка при этом по-прежнему важна. Она обосновывает покупку в условиях конкуренции. Но одной скидкой уже не удержать. В категориях дизайнерской или офисной мебели этого мало: важна вовремя проведённая консультация, наличие на складе, быстрая доставка. Я хочу подсветить кейс, на мой взгляд, успешно выстроенной системы: Blue Sleep как раз продают такие товары. То, что покупают редко и выбирают долго. Ребята подключили RetailCRM ещё в самом начале и постепенно собрали все каналы в одном месте: сайт, мессенджеры, плюс маркетплейсы как дополнительная точка входа. Александр Петров, директор по маркетингу Blue Sleep, так и говорит:

чтобы каналы работали как одна система, нужен сквозной процесс от первого обращения до доставки.

В итоге у них больше 5 000 заказов в месяц из всех каналов без потерянных обращений, и 10–12% выручки приходит из email-рассылок, которые выстроены как продолжение заботы о клиенте. Если хотите лично задать вопросы Александру по этому кейсу или в целом по CRM-маркетингу в компании, у вас будет такая возможность. Он выступит на нашем закрытом мероприятии для мебельных ритейлеров 30 июля.

Кто круче управляет компанией — ИИ или скрипт на 200 строк? Мы всё спорим, какая модель умнее: кто лучше пишет код, кто быстрее считает, у кого длиннее контекст. Но управление компанией — это не одна задача. Это тысяча связанных решений на длинной дистанции, где последствия приходят с задержкой, а данные вокруг далеко не всегда точны. И вот с этим у ИИ всё сложно. Наткнулся на свежий бенчмарк CEO-Bench, который проверяет способность моделей вести компанию к цели. Авторы из Princeton University называют это steering intelligence. Условия: агент управляет SaaS-стартапом 500 дней через программный интерфейс — 34 инструмента, база из 19 таблиц, живой рынок. На старте $1 млн и ноль клиентов. Метрика одна — сколько денег на счёте в конце. Актуальный результат (лидерборд обновляется, я смотрю на сегодняшний): Rule-Based Baseline — $15,76 млн Claude Fable 5 — $12,63 млн GPT-5.6 Sol — $11,31 млн Claude Opus 4.8 — $2,40 млн Выше стартового миллиона удержались только три модели. Но самое интересное — их обошёл baseline. Простой алгоритм, который фиксирует цены и тарифы, концентрирует привлечение на узкой группе клиентов и подстраивает мощности под реальное потребление. Никакого интеллекта в цикле принятия решений. По разбору авторов, успех коррелирует с тремя вещами: умением вычитывать скрытую структуру из данных, просчитывать последствия и подстраиваться под давление конкурентов. А сыпется большинство моделей на другом. Они не могут удержать вместе рост, качество и денежный поток на длинной дистанции.

Дисциплинированная стратегия в жёстких рамках обыгрывает свободную импровизацию умной модели.

А я как раз недавно писал пост о harness engineering. Сильная модель без внешнего контура (правил, границ, критериев решения) на коротком горизонте выглядит блестяще, а на дистанции в 500 дней проигрывает скрипту. 👉 Вывод для тех, кто уже сажает ИИ на управленческие задачи: вкладываться стоит не в модель поумнее, а в контур вокруг неё. Правила, память, сверка с данными, понятные критерии выбора. Для калибровки: теоретический потолок в этой симуляции авторы оценивают в $2,2 млрд. То есть лучший результат — меньше процента от возможного. Бенчмарк далёк от насыщения, и это, пожалуй, главная новость: управлять вдолгую пока из моделей не умеет почти никто. Кому интересно, репозиторий CEO-Bench и статья.

Отличие харнесс-инжиниринга от вайбкодинга и при чём здесь профессия будущего Вечером стояли вдвоём с операционным директором у офиса Яндекса на Льва Толстого. Официальная часть мероприятия о голосовых ИИ-технологиях для ритейла уже закончилась, а мы всё обсуждали наши замеры движков транскрибации и подход команды Яндекса. Мимо с парковки выкатился беспилотник, увешанный лидарами. В голове пронеслась мысль: «Автопилоты скоро будут везде, а таксисты — самая массовая профессия на планете. Куда денутся миллионы этих людей?» 100 лет назад профессию водителя можно было назвать самой быстрорастущей. Т.е. в массу пошли этакие погонщики железных машин, новых постоянных спутников человека. При этом часть людей именно профессиональные водители, их в мире около 200-300 млн по разным оценкам, но ещё больше людей просто водят в личных целях. А что становится профессией будущего сейчас? Вокруг меня всё больше директоров и совладельцев, из числа по-хорошему замороченных на результате, которые сами собирают себе проекты, приложения, дашборды, отчёты, агентов — даже те, кто всю жизнь держался от разработки подальше. О чём-то это говорит. Правда, у некоторых из них в глазах уже видно разочарование: на своих данных они поняли, как уверенно и опасно AI ошибается, если не имеет чётких границ требуемого поведения и результата. И это разочарование — признак зрелости. Умную машину нужно держать под постоянным контролем и мониторингом. В прямом смысле слова: держать в узде. Напомню, узда — часть сбруи, которой управляют лошадью. Сбруя по-английски harness. Отсюда и понятие harness engineering. Харнесс-инженер — профессиональный разработчик, который использует в своей работе AI. Он проектирует среду, где агенты пишут, проверяют и доводят код до качества: правила, контекст, тесты, линтеры, архитектурные границы, CI, ревью-агенты, права доступа, наблюдаемость. Я убеждён, это и есть профессия будущего в IT-разработке. Наверное, это некий гибрид архитектора, аналитика, devops, техлида. Но мне вспоминаются из далёкого прошлого сетования водителя маршрутки или таксиста на автолюбителей, которые, по их мнению, только мешают выполнять им свою работу. Ну что ж нам, любителям, не ездить теперь, что ли? 😅 Как и в случае с авто, прогресс очень быстро подтянет уровень и массовость любителей, вот увидите. Мы в команде не противопоставляем харнесс и вайбкодинг — просто разделяем пока что. Разные задачи, разные этапы создания ценности, разные условия применения. Отличия свёл в таблицу, она на картинке. Сохраните — пригодится в следующем споре о том, кто и как теперь должен писать код)

Нашли движок, который понимает русскоязычную речь лучше Яндекса и Сбера — и почти вдвое дешевле. Это Nexara Но есть нюансы. У Nexara есть заметный минус — нет стриминговой обработки: транскриб и диаризация в лайв-режиме недоступны. Для моих текущих задач это минус, но большинству хватает фонового/асинхронного режима. Мы в RetailCRM транскрибируем звонки с AI-обработкой. Впереди офлайн: торговые залы и переговорные. Контроль качества и выбор по новым решениям делаем через eval-стенды на эталонно размеченных дата-сетах реальных живых записей. Стенд: 5 движков — 🇷🇺 Yandex SpeechKit, Sber SaluteSpeech, Nexara и 🇺🇸 Deepgram, OpenAI как ориентир. Корпуса открытые, с эталонными расшифровками: Golos, SOVA RuDevices, Mozilla Common Voice Spontaneous ru. Метрика WER — доля ошибочных слов, меньше = лучше. Отбор детерминированный, перед каждым платным прогоном — предрасчёт стоимости, в отчётах только числа. Замер №1 — 20 записей: короткие команды устройствам, начитка и треть спонтанной речи. РФ движки впереди: Nexara 0.111, Sber 0.117, Yandex 0.162; OpenAI 0.191, Deepgram 0.225. Замер №2 — только длинная спонтанная речь, ближайший открытый аналог звонков и встреч: 60 записей по 10–30 секунд. Итог: Nexara 0.080, OpenAI 0.083, Deepgram 0.086 — тройка вровень, в пределах шума; Sber 0.101; Yandex 0.118, тяжёлый хвост ошибок. Достоверно: Nexara лучше Яндекса (z=6.8), лучше Сбера — на грани (z=2.2). Развести тройку — нужно 1000+ записей, и разницу съест шум эталонов. Минута транскрибации: Nexara 0,36 ₽, Deepgram ≈0,37 ₽, OpenAI ≈0,51 ₽, Sber ≈0,60 ₽, Yandex ≈0,65 ₽. Час — 22–43 ₽. Дальше: замер на 300 реальных встречах и звонках, затем эвал диаризации («кто когда говорил») и узнавания по голосу. pyannote — под собственный GPU-сервер, позже. Полная версия — по ссылке.

Хочу поделиться двумя новостями прошлой недели, которые лично для меня стали как бы маркерами грамотного распределения ресурсов и работы команды RetailCRM 👇 1. Наш кейс с клиентом Lazurit взял первое место на конкурсе New Retail’26, номинация «Привлечение и удержание покупателей в омниканальном ритейле» Сейчас операционка требует от меня меньше включения благодаря сильной команде. А у меня есть возможность качественно погружаться в стратегию развития. Куда развивается ИИ и технологии, как изменится поведение покупателей, что нужно встроить в платформу раньше, чем рынок до этого дозреет. А команда в это время держит операционку. И, как я вижу, держит её хорошо. Эта победа в конкурсе кейсов с нашим клиентом Lazurit — как раз отличный пример. Ребята собрали единый контур в RetailCRM, где менеджер видит весь путь клиента с первого сообщения, настроили умное распределение заявок между двумя кол-центрами на все часовые пояса, прикрутили аналитику в реальном времени для руководителей. В итоге 74% оформленных заказов доходят до оплаты, обрабатывают 5 000 обращений в неделю, 60+ менеджеров работают в одной системе.

Большая совместная работа, которую по достоинству оценило экспертное жюри. Всего на конкурс подавалось более 60 кейсов, до финала дошли 27, победителями стали всего 10 — и среди них мы.

2. RetailCRM в рейтинге лучших CRM-систем для интернет-магазинов по версии Sostav Мы вошли в топ-10 CRM России. Тут уже не один кейс, это о платформе в целом. Как она справляется с заказами, коммуникациями, аналитикой в сравнении с остальными решениями на рынке. Среди сильных сторон Sostav выделили: глубокую специализацию на ecommerce, широкий набор интеграций, работу с повторными продажами и омниканальными коммуникациями, встроенную аналитику продаж и эффективности менеджеров. Для меня это лакмусовая бумажка — с одной стороны положительное восприятие и высокая экспертная оценка от рынка, а с другой — вижу, что и команда двигается в верном направлении, совместно достигаем таких результатов 💪

Боты впервые обогнали людей по трафику в интернете По данным Cloudflare Radar, 57,4% запросов к сайтам — от ботов, 42,6% — от людей. CEO Cloudflare сам признался*: «не ожидал, думал к концу 2027-го, но агентский трафик растёт так быстро, что это случилось уже сейчас». И это не те старые боты-спамеры. Это агенты, которые серфят интернет вместо нас. Человек ищет товар — открывает 5 сайтов. Агент делает то же самое — только заходит на 5 000. Весь интернет строился под человеческое внимание — реклама, воронки, конверсии. Когда большую часть трафика генерируют агенты, а не люди — эта экономика просто перестаёт работать по-старому. Агенты, между прочим, и между собой уже общаются в соцсети. Вот тут писал об этом, если пропустили. *Деятельность платформы X (Twitter) заблокирована на территории РФ.

70% пользователей не завершают покупку Это принято считать проблемой c конверсией. Но по факту, нормальный сценарий поведения, не думали? Треть людей использует корзину как список «куплю попозже». Ещё четверть берут паузу подумать. 18% просто сравнивают варианты. Самые популярные сценарии такие: 1️⃣ Browse abandonment: тут корзина используется как список желаний Человек добавляет товар, чтобы не потерять, вернуться после зарплаты или подумать над покупкой на выходных. Что происходит дальше? Вы шлёте ему сообщение формата «вы забыли товар в корзине». Но покупатель-то ничего не забыл, просто не собирался пока оплачивать. Коммуникация не к месту только раздражает, так даже самые лояльные отвалятся. И кстати, пользователи из этого сценария часто более ценные клиенты. LTV в 2-4 раза выше, чем у тех, кто покупает импульсивно. 2️⃣ Checkout abandonment: корзина, которую бросили из-за сложного клиентского пути Долгая доставка, непонятные сроки, обязательная регистрация. Здесь человек хотел купить, но споткнулся о барьер, который вы сами не убрали.

Но главная, пожалуй, проблема в том, что большинство ритейлеров реагируют на оба сценария одинаково — догоняющим письмом со скидкой, что в корне не верно.

Как пересобрать работу с корзиной, я рассказал в колонке для New Retail.

Разделяй и… делегируй 🤝 ВкусВилл запустил ИИ-бота, который подбирает альтернативу любому продукту с чистым, полезным составом. Фотографируешь упаковку или пишешь название — он уточняет предпочтения и предлагает замену. Но мне кажется, это только начало куда более интересного сценария. FMCG — это категория, где выбор на 80% предсказуем. Вода, фрукты, кофе, витамины, бытовая химия. Один и тот же список каждую неделю/месяц с небольшими вариациями. Добавить сюда ещё девайс типа WHOOP, который отслеживает сон, восстановление, дефицит нутриентов — и агент уже не просто подбирает альтернативу, он сам знает, что тебе нужно заказать. Мало воды на этой неделе — добавил в корзину. Недобор белка — заказал протеин. Рутинная часть продуктовой корзины в какой-то момент просто перестанет требовать участия человека 👀 Но есть зона, которую агент не закроет ещё долго. Красивая ваза, новая куртка, картина на стену, что-то вкусное и необычное на ужин в пятницу. Всё, где важен эстетический выбор, тактильный опыт, настроение момента — туда человек пойдёт сам. И, скорее всего, с удовольствием. ИИ берёт на себя всё предсказуемое, освобождая человека для того, что по-настоящему приятно выбирать — как вам такое разделение? А кто первым встроится в рутину покупателя через агента, тот и получит клиента на месяцы, годы 🙂

OpenAI открыла рекламный кабинет для всех Прогноз — $2,5 млрд в этом году, $100 млрд к 2030му. Для сравнения: Facebook* первый миллиард на рекламе зарабатывал шесть лет. ChatGPT существует три года. Технически всё выглядит аккуратно. Партнёрства с Dentsu, Omnicom, Publicis, WPP. Интеграции с Adobe, Criteo, StackAdapt. Агентства смогут работать с привычных инструментов. Малый бизнес заходит без порога в $50K.

Но вот что интересно: OpenAI говорит, что реклама не повлияет на ответы модели. При этом они переходят на оплату за клик — то есть зарабатывают именно тогда, когда покупатель кликнул. А кликают чаще всего когда модель советует что-то купить.

Доказательств независимости ноль, только слова. Для ритейла это вообще отдельная история. Раньше хотя бы было понятно, за что отдаются деньги — ставка, CTR, CPO, всё считается. А здесь магазин платит за клик в диалоге, где вообще не знает, что модель сказала про товар до и после. Пиксель факт перехода зафиксирует, но не даст контекст, в котором вас представили. Самый закрытый чёрный ящик из всех, что были 👀 *Facebook признан экстремистской организацией и запрещён на территории РФ.

Рынок генеративного ИИ в России в 2025 году вырос в пять раз — с 13 до 58 млрд рублей. К 2030му аналитики Onside и Just AI прогнозируют 778 млрд при среднегодовом росте 68%. Но оговариваются: этот сценарий реализуется только если масштабирование внедрений в 2026–2027 годах пройдёт успешно. Для ритейла цифры выглядят конкретнее. По оценке «Яков и партнеры» и Nielsen, генеративный ИИ может принести российской рознице до 160 млрд рублей дополнительной операционной прибыли ежегодно к 2030 году 📈 Пока ритейл занимает около 6 млрд рублей из всего рынка генеративного ИИ — третье место после банков и IT. Но именно здесь, по данным Ведомостей, сосредоточены самые прикладные сценарии: прогнозирование спроса, динамическое ценообразование, персональные рекомендации, оптимизация логистики. 75% пользы от генеративного ИИ, по данным McKinsey, приходится на клиентский сервис, маркетинг и продажи. Именно тут ритейл теряет деньги каждый день — на медленных ответах, потерянных диалогах, менеджерах, которые не слышат клиента. Отдельно выделю клиентский сервис — он движется быстрее остальных. Транскрибация звонков, автотегирование диалогов, ИИ-резюме переписок, оценка работы менеджеров — всё это уже не пилоты, а рабочие инструменты. В RetailCRM, например, ИИ-агенты уже давно закрывают эти задачи: от распознавания речи до полноценного сбора омниканальных цепочек коммуникации с клиентами 🔗

Почему в мире покупок с AI офлайн ещё остаётся с нами? Как им грамотно управлять? Пока одни хоронили физические магазины, другие тихо выстраивали самый сложный актив в ритейле — доверие человека, который пришёл потрогать руками. Кольцо, коробка с настолкой или матрас. Есть вещи, которые покупают после того, как подержали в руках, а может даже полежали на них минут 15. Онлайн это не воспроизведёт — и не должен. Но именно здесь у большинства сетей до сих пор провал. Человек заходит, покупает, уходит. Магазин остаётся с выручкой, но без данных. Кто пришёл, откуда, что купил — всё это испаряется 🤷‍♂️ В онлайне каждый клик оставляет след. В офлайне след остаётся только если ты выстроил систему, которая его фиксирует:

Программа лояльности работает как идентификатор — она связывает физический визит с конкретным человеком. CRM хранит эту историю. А CRM-маркетинг превращает её в следующий шаг: правильное сообщение, в нужный момент, в актуальном для покупателя канале.

Орматек, 585 Золотой, Hobby World Group — все трое в какой-то момент разбирались с одним и тем же: как сделать так, чтобы физический визит становился началом отношений, а не просто транзакцией. Мы записали выпуски подкаста «Это база» — и каждый раз в разговоре приходили к единому выводу: O2O работает, когда данные из офлайна и онлайна живут в одной системе и дают цельную картину по покупателю 💯 О том, как каждая компания выстраивает эту систему внутри, можете подсмотреть в выпусках: — Орматек — 585 Золотой — Hobby World Group

AI сейчас обсуждают в логике: кто быстрее, кто точнее, кто дешевле Я недавно смотрел в цифрах по CAPEX и сначала удивился: инвестиции в AI в США — около 2% ВВП (~$650 млрд), скромновато 😅 Потом начинаешь раскладывать, и появляется нюанс: в этих оценках почти не видно инфраструктурного слоя — прежде всего энергии. А именно туда сейчас уходит внимание. США, например, поставили цель увеличить атомную генерацию примерно со 100 до 400 ГВт к 2050 году. В пересчёте это эквивалент сотен реакторов или более сотни полноценных атомных станций. Чтобы было ещё понятнее: Vogtle — одна из последних крупных АЭС в США, которую достраивали в последние годы. Два новых энергоблока обошлись примерно в $35 млрд. И это один проект. На этом фоне разговор про «рост дата-центров» начинает звучать иначе. AI — уже не только софт, это постоянная нагрузка на энергосистему. И чем больше задач переносится в модели, тем сильнее эта нагрузка растёт. В какой-то момент узким местом становится не качество и даже не стоимость чипов, а способность просто обеспечить эту систему энергией. Отсюда возникает расхождение. Технология развивается быстро — почти по экспоненте, а внедрение всегда идёт по S-кривой: — сначала всё тормозит из-за стоимости и сложности — потом начинается ускорение — дальше рост снова замедляется, потому что инфраструктура, энергия, регуляция и экономика не успевают за скоростью технологий Мы это уже проходили с электричеством, интернетом, облаками. Главное не спутать две вещи: то, что модели могут делать, и то, что экономика может себе позволить масштабировать. AI действительно способен ускоряться, но его распространение ограничено вполне физическими факторами: строительством дата-центров, доступной энергией, стоимостью вычислений и сложностью интеграции в реальные процессы. ⚡️ Мне кажется, мы много обсуждаем интеллект моделей. И сильно меньше — стоимость их существования в реальном мире. А именно там, скорее всего, и будет проходить главный предел роста в ближайшие годы.

AI-трафик в ритейле. Смена экономики канала По данным Adobe, трафик из AI-ассистентов на сайты ритейлеров в США вырос на 393% за Q1 2026. Но важнее динамики качество этого трафика. Пользователи, которые приходят через AI, конвертируются на 42% лучше, проводят на сайте почти в полтора раза больше времени и приносят на 37% больше выручки на визит. Ещё год назад всё было наоборот — такой трафик считался слабым.

Если упростить, меняется не просто источник трафика — меняется сама логика его формирования.

Раньше пользователь приходил на сайт, чтобы выбрать. Теперь он всё чаще приходит уже с выбранным вариантом. Не «посмотреть», а подтвердить решение, которое за него частично принял агент. Тут меняется структура: трафик становится реже, но каждый визит — более точный и более дорогой с точки зрения ценности. Это постепенно снижает значимость старых механик. Оптимизация под выдачу, борьба за клик, работа с витриной — всё это начинает играть меньшую роль, потому что агенту не нужна витрина в классическом смысле. Ему нужно понять, подходит ли товар под конкретный запрос и контекст 👀 На этом фоне становится заметен ещё один момент. По данным Adobe, 1/4 контента на сайтах ритейлеров уже сейчас плохо доступна для AI-моделей. То есть часть ассортимента просто не попадает в новый канал — не потому что хуже, а потому что его невозможно «прочитать». Тут на сцену выходят новые сервисы. Например, наши коллеги из Aivo помогают брендам адаптировать клиентский слой под AI-взаимодействие — от диалогов до структуры данных, которые модели способны интерпретировать. Мы долго оптимизировали ecommerce под поведение человека. Теперь понадобится оптимизировать его под логику моделей.

Anthropic по ошибке выложила исходный код Claude Code — около 500 тыс. строк За несколько часов он разошёлся по GitHub и набрал десятки тысяч форков. Это была уже вторая крупная утечка подряд.

Формально причина понятна — ошибка в сборке. В пакет попала карта исходного кода, которая вела к открытому хранилищу. Но сам кейс скорее про другое.

AI-продукты сейчас — это уже не «модель + интерфейс», а сложные системы с большим количеством слоёв: код, инфраструктура, агенты, внутренние инструменты. Всё это постоянно обновляется и пересобирается. В такой среде ошибки становятся не исключением, а побочным эффектом сложности. Показательно и содержимое. В коде нашли десятки неанонсированных функций, режимы автономной работы, внутренние метрики качества моделей. По сути, часть того, что раньше оставалось в R&D, уже живёт внутри продукта — просто не вынесено наружу. ⚙️ Возникает понятное напряжение: скорость разработки растёт, а управляемость за ней не всегда успевает. И это, кажется, более важный сигнал, чем сама утечка. Не столько про безопасность, сколько про то, что AI-среда усложняется быстрее, чем растёт способность ею управлять. В какой-то момент именно это и может стать главным ограничением для развития. Как считаете?

Куда вкладывает деньги OpenAI? OpenAI закрыла крупнейший частный раунд в истории — $122 млрд при оценке ~$852 млрд. Структура инвестиций показательная: — Amazon — $50 млрд — NVIDIA и SoftBank — по $30 млрд — участие Microsoft без раскрытия суммы За полтора месяца к якорным инвесторам добавились BlackRock, Sequoia, Fidelity. Плюс впервые — деньги от частных инвесторов через банки. На этом фоне разговоры про IPO в 2026 выглядят уже не гипотезой, а подготовкой. Но важнее, куда идут деньги. 👉 Вся сумма — в инфраструктуру. Расширяется сразу весь стек: — облака: Microsoft, Oracle, AWS, CoreWeave, Google Cloud — чипы: NVIDIA, AMD, Cerebras + собственный с Broadcom — дата-центры: через партнёрства с Oracle и SoftBank Часть инвестиций Amazon привязана к IPO или технологическому рубежу. То есть капитал здесь уже напрямую связан с прогрессом. Финансово картина тоже меняется: — ~$2 млрд выручки в месяц — 900+ млн пользователей в неделю — 50+ млн подписчиков — B2B даёт >40% выручки Появляется реклама, но пока это вторичный слой. Если упростить: раньше обсуждали модели — кто умнее, быстрее, дешевле. Сейчас — кто способен поддерживать масштаб. И здесь появляется более прикладной вопрос: ❓Если AI становится инфраструктурой, то где будет формироваться добавленная стоимость? В моделях — или в слоях над ними: продуктах, данных, сценариях использования? Потому что в текущей конфигурации за «базовый слой» уже платят крупнейшие игроки. А значит, остальной рынок будет конкурировать не за технологии как таковые, а за то, как они применяются.

Свой AI-агент за пару минут 🔥 AI проходит тот же путь, что когда-то прошли мессенджеры, CRM и облачные сервисы. Сначала это выглядит как инструмент для продвинутых. Потом — как что-то полезное, но необязательное. А в какой-то момент становится частью повседневной работы. Мы уже привыкли к модели как к собеседнику: задать вопрос, сгенерировать идею, написать код. Но следующий шаг выглядит более интересным — когда AI перестаёт быть просто окном с ответами и начинает работать как постоянный помощник.

Помнит контекст, выполняет повторяющиеся задачи, проверяет документы, напоминает о событиях и полностью сопровождает.

Проблема в том, что для большинства создание собственного AI-агента — слишком сложно. Чтобы его запустить, нужно идти в инфраструктуру: VPS, SSH, Docker, настройки, интеграции. То есть идея уже массовая, а точка входа — всё ещё только для технически подготовленных. Именно этот разрыв команда RetailCRM закрывает с ohmyclaw. Мы создали managed-платформу, где AI-агента можно запустить без серверов и ручной сборки. Указываете токен Телеграм-бота, выбираете LLM-провайдера и тариф — и через несколько минут агент уже работает в облаке ⚡ При этом остаётся гибкость: можно подключать OpenAI, Anthropic или модели через OpenRouter, использовать свои API-ключи и создавать агентов под разные сценарии — от личных до рабочих. Пока все обсуждают, на что способны модели, реальный спрос начинает смещаться в более прикладную зону: не «что умеет AI», а «насколько просто встроить его в свою жизнь и работу». И вот здесь удобство запуска уже становится не мелочью, а частью самого продукта 💯 Подробнее про запуск и устройство платформы написал CTO RetailCRM Ильяс Салихов.

Где деньги, Лебовски?! Продолжаем на тему маркетплейсов) Основной источник дохода у них сейчас — не торговля. Это финтех и работа с деньгами покупателя. Пример — Alibaba. Alipay вырос из платёжного сервиса для Taobao в финансовое ядро экосистемы: онлайн- и офлайн-платежи, кросс-бордер через Alipay+ (1,8 млрд аккаунтов в 100+ странах), кредиты, инвестиции, страхование. Ключевая логика: ➡️ данные о покупателе → скоринг → финансовое решение → покупка И JD.com идёт по тому же пути: финтех как отдельный бизнес с собственным P&L. Россия в этом смысле ближе к Китаю, чем к США: — большие территории — единые правила — платформы становятся частью инфраструктуры — интеграция с государством (ФНС, контроль, логистика) При этом рынок двухъядерный: — инфраструктура и законы — всё более «восточные» — поведение покупателей — ближе к Европе Например: — в Китае онлайн покупают 88% населения — в России — около ⅓, с прогнозом ~40% к 2070му — social commerce: Китай — ~17% e-commerce Россия — 1–2%

Отсюда главный вывод: я не вижу здесь однозначного сценария «уходим с маркетплейсов и спасаемся».

Есть разные стратегии: — гибрид (маркетплейсы + свой ecommerce) — рост через платформы → потом D2C — премиум — осознанный уход Ещё раз повторю, что ключевая ошибка: принимать решения, глядя только на комиссию. Потому что в реальности: • маржа уже в рекламе, логистике и финтехе • деньги приходят от покупателя • маркетплейс — это инфраструктура, а не просто канал продаж И именно это сейчас точка опоры для трезвых решений.

Комиссия на бумаге VS в реальном бизнесе В первом посте на тему МП писал, что комиссия перестаёт быть главным источником дохода. Но есть ещё один поинт, который почти не обсуждается. ❗️Номинальная комиссия ≠ реальная экономика Кейс, который мне хорошо знаком: косметический бренд работает и через маркетплейсы, и через собственный сайт. На бумаге комиссия платформы — 16% В реальном P&L — 3–6% За счёт чего: — промо-механики — субсидии — персональные скидки — инструменты продвижения — поддержка со стороны маркетплейса и его банка Если смотреть не на одну продажу, а на экономику клиента в целом, картина ещё сильнее меняется. 👉 Селлер часто зарабатывает больше, чем кажется при анализе одной сделки. Это важный момент. Большинство решений сейчас принимается на основе номинальных ставок, а не реальной юнит-экономики. Отсюда и искажение восприятия. Плюс появляется следующий аспект, который становится ключевым для заработка платформ. Какой? Обсудим в следующем посте ;)