from:adam

Как люди не прошли AI-тест на человечность Такое чувство, что AI разбудил в людях всё плохое, что раньше спало под слоем «у нас хорошая корпоративная культура». Особенно хорошо это видно по унижениям, которые полились на сотрудников. «Либо вы осваиваете AI, либо я вас уволю». Это говорят не только какие-нибудь промышленные князьки, это слова CEO очень радужных, очень добрых, очень человеко-центричных компаний. AI оказался очень полезным диагностическим инструментом. Сразу стало понятно, кто всегда был человеком, а кто просто хорошо притворялся. Кто хоть немного разбирается в бизнесе и умеет считать, а кто услышал слово «оптимизация» и побежал. Во-первых, есть разные специалисты. Кому-то важно освоить Claude Code, Cursor, n8n и прочий новый джентльменский набор человека, который хочет не быть съеденным рынком. Например, разработчикам, аналитикам, людям, которые руками работают с данными, системами, кодом, прототипами. А кому-то вполне достаточно обычного Claude и пары рабочих сценариев. Продакты, исследователи, бизнес-девелоперы не обязаны становиться полубэкэндерами. Если биздеву правда нужно что-то собрать через Claude Code, то быстрее посадить рядом инженера на час, чем смотреть, как бедный человек три дня героически мудохается с терминалом, чтобы доказать, что он достаточно «AI-native». Во-вторых, хотелось бы увидеть математику. Время хорошего продакта стоит дорого. И большая часть его работы — это не «покодить красивую штучку на Lovable», а управлять командой, роадмапом, бэклогом, конфликтами, ожиданиями, рисками и всей этой прекрасной человеческой жижей, из которой на самом деле состоит продуктовая работа. Окей, он использует AI для пользовательских инсайтов. Окей, быстро соберёт лендинг для проверки простой гипотезы. Но зачем ему тратить часы на сложную оркестрацию, промпт-инженерный театр и имитацию разработки, если это не его ключевой рычаг влияния на бизнес? Сколько это стоит компании? В-третьих, что это за идея — всех срочно оптимизировать? Чтобы что? У всех резко стратегия стала «сэкономить на людях»? Где рост? Где новые продукты? Где больше выручки, маржи, клиентов, рынков? У меня ощущение, что люди гораздо лучше умеют экономить, чем зарабатывать. Экономить проще — там не надо придумывать ценность, продавать, ошибаться, строить. Можно просто посмотреть на Excel и сказать: «а давайте вот этих уберём». Я не слышала историй, где кто-то с помощью AI что-то критично сэкономил и потом жил долго и счастливо. Обычно истории выглядят так: сначала «мы всё оптимизировали», потом через три месяца всё наебнулось, потом наняли консультантов, вернули людей, переплатили в три раза. В-четвёртых, вы людей нанимали зачем? За экспертизу, за judgment, за вкус, за опыт, за способность увидеть, где задача поставлена неправильно, за умение понять клиента не как строку в табличке, а как живого человека с противоречиями, страхами и идиотскими привычками. Вы правда думаете, что это можно заменить Claude? При том что у каждого такого продукта жирными буквами висит дисклеймер: AI может ошибаться, пожалуйста, проверяйте ответы. Это что у вас за бизнес такой, что вы готовы строить его с такой небрежностью? Я очень люблю AI и пользуюсь им каждый день. Я вижу, как он ускоряет работу, усиливает людей, вытаскивает из болота рутины и иногда даже делает маленькое чудо. Но между «AI усиливает хорошего специалиста» и «AI заменит всех, а кто не успел — тот слабое звено» лежит огромная пропасть. Удивительно, но истории про то, как кто-то «собрал всё через OpenAI/Claude и всех уволил», я чаще всего слышу от бизнес-тренеров и велнес-коучей. В этот самый момент я впервые начинаю болеть за AI. Потому что если он кого-то и заменит первым, то, надеюсь, именно этих товарищей.

Меня тут недавно спросила коллега на работе, почему в нашей зоне офиса постоянно бомбят на Ирак. Сначала не понял, о чём она, но потом осознал crux RAG'а — ты пытаешься найти в нём оружие массового поражения, а его там нет.

Meanwhile хвала Аллаху Антропики победили нехватку gpu (нет). Еще и половина чата пропала 🤬

Пока там форбс составляет список будущих уголовников, я решил потыкать новую дипсику. Стабильно врет мне, что поправил артефакты. Чую я, что это следы дистила на больших американских братьях, у которых есть среда исполнения под капотом и которые могут отчитываться об успешной работе, а дипсик просто научился этой повадке, что что-то сделал, если в него пихается документ.

Из предыдущего поста можно сделать неверный вывод: хорошая стратегия — это что-то высеченное в камне. Курс задан, сомнений быть не должно, бегим. Это тоже ошибка и не менее опасная. Стратегия может меняться и адаптироваться. Должна. Более того, если появляются серьёзные основания считать, что диагноз неверен или ядро собрано плохо, менять её нужно быстро. Agile возник не на пустом месте. За последние три года LLM снесли половину исходных допущений в продуктах, построенных вокруг генерации контента и текстовых интерфейсов. Рамки, сформулированные до релиза ChatGPT, часто просто не описывают рынок после него. Бояться такой пересборки — значит держаться не за реальность, а за документ или подпорки разума. Вопрос не в том, должна ли стратегия меняться. Вопрос в том, откуда берётся импульс к этим изменениям. Если стратегия ломается при первом столкновении с реальностью, это не повод гордиться гибкостью, а сигнал, что на этапе диагностики вы что-то пропустили или поняли недостаточно глубоко. Исправление здесь не в том, чтобы чаще пересматривать курс, а в том, чтобы вернуться к диагнозу и честно ответить на вопрос: где именно мы ошиблись. Недавно видел команду, которая больше года не трогала свой план. На вопрос «почему» отвечали: «у нас всё идёт по плану». По факту это была не стратегия, а окаменелость. Метрики уже полгода расходились с прогнозом, а это списывали на «флуктуации рынка». Что действительно должно постоянно меняться, так это гипотезы. На то они и гипотезы: предположения, которые требуют проверки. Какие сегменты реально готовы платить, через какие каналы продукт находит пользователя, какие механики действительно влияют на удержание. Если здесь долго нет правок, это уже симптом: команда не проверяет ставки, а просто исполняет когда-то принятое решение. Отсюда и главная задача продакта. Не написание PRD, не приоритизация и даже не сама стратегия. Главная задача — строить петли обратной связи. Делать их короче, быстрее и с большей пропускной способностью. Из пользователей, из рынка, из команды, из данных. Без этих петель любая стратегия начинает жить в вакууме и неизбежно расходится с реальностью. И сигналы из этих петель говорят о разном. Частые небольшие корректировки гипотез — признак здоровой работы стратегии. Повторяющаяся фундаментальная пересборка — красный флаг на диагноз. А полная тишина и отсутствие правок обычно означают, что петли обратной связи нет вообще и вы управляете вслепую. Разница между гибкой стратегией и плохой — не в частоте правок, а в том, что именно эти правки говорят о самой стратегии.

Последние полгода много консалчу разных продактов по стратегии. Базовые ошибки известны: слабый диагноз, отсутствие ядра стратегии — ключевого вызова и guiding policy, подмена стратегии списком метрик и OKR. Про это написано везде, от Румельта до Портера. Можно просто ткнуть пальцем в книжку и сказать: читай. Но есть одна тема, которая повторяется у 9 из 10 и вызывает самый сильный диссонанс — изменчивость стратегии. В индустрии культ гибкости уже стал религией: меняй, адаптируй, пивоть, переписывай. Из этого постепенно собирается опасная идея: стратегия — это что-то текучее, что должно меняться под каждый новый квартал или даже спринт, новую вводную, письмо от руководства или «стратсессию» в кальянной. А если документ давно не переписывали, значит он уже устарел. Это ошибка. Стратегия, которую приходится постоянно менять, — не гибкая, а просто плохая стратегия. Если ядро собрано правильно — диагноз, guiding policy и coherent actions, — оно не рассыпается при первом столкновении с реальностью. Если рассыпается, проблема не в недостатке гибкости. Проблема в том, что исходные предпосылки были неверны: вы не увидели что-то важное в диагнозе, неправильно локализовали узкое место или выбрали принцип преодоления, который не работает против реальной динамики рынка. Что в хорошей стратегии действительно должно меняться — так это гипотезы и ставки внутри guiding policy. Какие сегменты брать, в каком порядке, через какие каналы, с какими продуктовыми ставками. Это уже тактический слой, и он обязан итерироваться по мере появления данных. Но если у вас раз в квартал меняется сам диагноз, то это не стратегия. Это календарь хороших намерений.

Полтора года назад вышло нашумевшее эссе в блоге Anu Atluru Working Theorys «Taste Is Eating Silicon Valley». Главная мысль там была такая: в эпоху AI софт стал коммодитизированным, значит новым оружием основателей становится вкус, а Arc и Linear — флагманы этой новой эпохи. Это был, по сути, ответ сквозь изменившуюся эпоху на эссе 2011 года Марка Андриссена «Software was eating the world». Понятно, почему этот текст так резонировал: мне самому хочется жить в мире, где красиво сделанный продукт побеждает некрасивый, а деньги в итоге перетекают в UX. Однако реальность устроена иначе. Вкус — не moat. Эту рамку я уже разбирал в тексте про фундаментальные силы роста и защиты: если смотреть на moats через 7 Powers, сил 7, но по NFX долгосрочную защиту дают только четыре: scale economies, network effects, switching costs и brand. Вкус в этот набор не входит. Ближе всего он к Cornered Resources: уникальной способности конкретной команды делать красивый продукт. Это реальная сила, но она обычно подпитывает УТП только на старте, а потом размывается. Люди уходят, подходы перенимаются, эстетика превращается в отраслевой стандарт. То же самое происходит и с Process Power: процессы копируются. Даже такие уникальные системы, как у Toyota или Pixar, в итоге научились воспроизводить. Process Power это скорее способ защищать уже созданное доминирование. Лендинги Linear срисовали все, UI Arc повторили в других браузерах. По сути, Atluru смешала value added и moat — то есть конкуренцию через дифференциацию по Портеру и барьер для входа. Полтора года спустя у нас уже есть неплохой тест этой гипотезы. Arc в мае 2025 ушёл в режим поддержки, а Josh Miller сам написал про «novelty tax». The Browser Company купил Atlassian за $610M. Claude, канонический tastemaker по версии самой Atluru, держит только 2–4% потребительского рынка. При этом среди компаний, которые впервые выбирают AI-решение, Claude выигрывает около 70% прямых сравнений. Это важное различие: в B2B покупатель делает более рациональный выбор, считает окупаемость, и вкус там конвертируется через качество продукта и зарождающийся Brand Power. В потребительском сегменте, где решает то, что уже под рукой, и каналы дистрибуции, этого уже недостаточно. Доля ChatGPT на рынке упала с 87% до 68% (правда, справедливости ради, не за счет собственного падения, а за счет роста рынка). Его начали отъедать две мощные дистрибуционные машины, и обе опираются на вполне классические силы из тех же 7 Powers. Gemini через Android, Chrome и дефолт в Workspace, то есть через Cornered Resources в виде эксклюзивных каналов. Meta AI через WhatsApp и Instagram, то есть через эксплуатацию их network effects. Суммарно это даёт доступ почти к миллиарду пользователей. Andrew Chen в последний год пишет примерно о том же, но с обратной стороны. В «Revenge of the GPT Wrappers»: если AI-модели коммодитизировались, в игру возвращаются классические moats, только цикл сжат до 2–3 лет. В «Growth Maze vs Idea Maze»: в поздней фазе S-кривой лучшая идея без канала проигрывает средней идее с каналом. В «End of the 1 billion active user»: эпоха лёгкого потребительского роста закончилась — мобильная реклама подорожала, виральность ослабла, SEO и PR хуже переносятся в мобильный мир. Плюс экономика: потребительский AI зажат между ARPU в $2–5 и инференсом в $20–50. Без встроенной дистрибуции массовый рынок не собрать. Chen добавляет то, что Atluru пропустила: в AI-эпоху дистрибуция стала не проще, а сложнее и дороже. Чем легче навайбкодить продукт за выходные, тем жёстче конкуренция за каналы, которые нельзя скопировать так же быстро. Рабочая формула для меня сейчас такая: taste is table stakes, distribution is the moat. Вкус — это не защита, а уже гигиенический минимум. Пол, а не потолок. Без него тебя выбросят с рынка быстрее, чем раньше, но потолок по-прежнему строится из долгосрочных рвов: network effects, scale economies, switching costs и brand. AI не отменил эти правила, а просто ускорил таймер и резко поднял цену дистрибуции.

In one of my previous posts, I discussed congestion in the job market caused by the surge of AI tools that scrape job descriptions and auto-apply to jobs. Since that post, another problem has emerged: progress in the capabilities of coding agents has caused a sharp rise in vibe-coded pull requests in open source repositories on GitHub. This problem can also be framed as a matching market congestion problem. I became familiar with the problem while working in a services marketplace and solving matching-market-related problems there. That gave me direct practical experience with the typical issues. In this post, I want to share that experience and knowledge. I explore the services marketplace, a dating platform, job search, and open source contribution through the lens of matching market design and identify a common pattern: lowering search and application costs leads to more applications, resulting in less effective matching due to reviewer overload. I argue that just automating application screening and review with AI doesn't fully resolve the problem. In some cases, it makes it even worse by creating a self-reinforcing feedback loop: more applications → more automated filtering → even more applications. AI automation tools lack private information about applicant fit and intent. As an alternative, I propose to redesign incentives so applicants bear more of the cost of low-value submissions and use their private knowledge to apply more carefully. The proposed solution is a reputation-credit-based system for GitHub-like platforms: non-transferable reputation credits are earned through valuable contributions and debited through low-quality pull requests and issues. Read more → I also submitted it to Hacker News: https://news.ycombinator.com/item?id=47823902 If you have critical comments, I would be happy to answer them there.

На этом фоне Muse Spark от Meta выглядит почти контрпримером ко всей конструкции. Это первая модель новой лаборатории Meta Superintelligence Labs: мультимодальная, с рассуждением, не SOTA, но вполне конкурентоспособная. И именно поэтому позиция Meta здесь особенно интересна. У Meta нет облачного и корпоративного бизнеса. Вообще. Microsoft выбирает между Azure и Copilot. Amazon делит мощности между AWS и собственными сервисами. Anthropic и OpenAI балансируют между потребительским и корпоративным рынком. А Meta выбирать не нужно: все мощности можно направлять на потребителей, без внутреннего конфликта за ресурсы. Плюс у неё уже есть встроенная рекламная модель монетизации. У OpenAI ситуация обратная. ChatGPT с сотнями миллионов пользователей парадоксальным образом начинает превращаться в обузу: вычисления, которые съедает потребительский трафик, можно было бы отдать корпоративным клиентам, платящим на порядок больше. У ChatGPT в теории могла бы быть рекламная модель — OpenAI прогнозирует $102 млрд рекламной выручки к 2030 году, — но пока её нет. Значит, потребительская база остаётся чистыми альтернативными издержками. И соблазн перекидывать ресурсы в агентские задачи для корпоративного сегмента будет только расти. Отсюда вывод Томпсона: Meta должна открыть Muse — так же, как когда-то открыла Llama. Сильная открытая модель бьёт сразу по Anthropic и OpenAI: снижает их способность диктовать цены, усиливает конкуренцию за мощности и расчищает потребительский рынок для Meta, у которой нет конфликта интересов. Aggregation Theory не умерла — но её зона применимости сузилась. На потребительском рынке она по-прежнему работает: дистрибуция и транзакционные издержки в ИИ близки к нулю, и лучший продукт продолжает собирать больше всего пользователей. А вот на корпоративном рынке эта теория никогда толком и не действовала. Там Anthropic и OpenAI будут подниматься вверх по стеку и конкурировать уже не друг с другом, а напрямую с софтверными вендорами. Это, кстати, ещё один аргумент против широкого релиза передовых моделей: зачем усиливать чужие продукты, если можно самому занять их место. В итоге главный спор сводится к простому вопросу: что важнее — владение спросом или владение предложением? OpenAI говорила инвесторам, что её преимущество перед Anthropic — именно в предложении: компания раньше и агрессивнее вложилась в мощности. Томпсон ставит на спрос. Логика у него такая: дистрибуция и транзакционные издержки в ИИ по-прежнему близки к нулю, то есть базовые условия для агрегаторов сохраняются. Лучший продукт собирает пользователей, пользователи приносят деньги, деньги позволяют покупать мощности — в том числе у тех, у кого они уже есть. Сделка Anthropic по TPU — хорошая иллюстрация: это не Anthropic догоняет Google по вычислениям, а Anthropic буквально выкупает предложение у Google, потому что спрос на Claude позволяет платить больше за те же чипы. Да, мощности стали дороже, но если у тебя достаточно сильный входящий поток выручки, это не ломает модель, а лишь повышает цену лидерства. Тут я бы добавил оговорку. Томпсон прав, что спрос в итоге важнее предложения, но это двусторонний рынок, и он всегда про баланс. Спрос, который нельзя утолить, не накапливается — он уходит к конкурентам. Когда Uber не может подать машину, ты вызываешь Lyft. Если Anthropic раз за разом не может обслужить клиента на нужном уровне, этот клиент пойдёт в OpenAI. Владеть спросом можно только до тех пор, пока у тебя хватает саплая его удержать. Дефицит мощностей реален, но, по Томпсону, он временный. Когда ИИ станет «достаточно хорошим» для большинства задач, себестоимость запроса снова начнёт стремиться к нулю. Просто этот момент сейчас кажется дальше, чем когда-либо.

Очередной разбор свежей статьи Бена Томпсона «Mythos, Muse, and the Opportunity Cost of Compute». Как автор Aggregation Theory, Томпсон объяснял доминирование Google, Facebook, Amazon и Uber в 2010-х одним базовым принципом: когда обслуживание ещё одного пользователя стоит почти ноль, выигрывает тот, кто собирает максимальный спрос. Нулевая себестоимость дополнительного показа рекламы, поискового запроса или поездки в приложении была фундаментом всего интернет-бизнеса. В январе 2025 года Даг О'Лафлин из Fabricated Knowledge заявил, что ИИ эту модель сломал. Каждый запрос к нейросети стоит денег: вычисления, электричество, амортизация GPU. Бесплатно раздавать сервис миллиардам пользователей больше нельзя. Значит, эпоха агрегаторов закончилась. Томпсон с этим не согласен. Да, чипы дорогие, но электричество занимает небольшую долю в их стоимости, а сами чипы скорее постоянные косты, как завод: ты платишь за них вне зависимости от того, сколько запросов обработал. Если у тебя уже стоят GPU, ты не решаешь, обрабатывать ли ещё один запрос. Они всё равно должны быть загружены. Вопрос только в том, чем именно. И вот это «чем» — ключевая мысль всей статьи. Проблема не в себестоимости одного запроса. Проблема в том, что мощности, отданные под одну задачу, уже нельзя использовать для другой. То есть ключевой фактор — не себестоимость запроса, а альтернативные издержки. Именно они и определяют стратегию игроков. Почему вообще возник дефицит мощностей? Из-за агентов. Ризонинг модели тратят больше токенов, чем обычные, а агенты ещё на порядок больше, потому что работают непрерывно без человека в петле. Это и есть двигатель взрывного роста Anthropic, OpenAI Codex и разворота OpenAI в сторону корпоративных клиентов. Хороший пример того, как работают альтернативные издержки, — Microsoft. В прошлом квартале компания не дотянула до ожиданий по росту Azure, но не потому, что не было спроса. Он был. Просто Microsoft сознательно перераспределила часть GPU в пользу собственных продуктов: M365 Copilot, GitHub Copilot и внутренних исследований. CFO прямо сказала на инвест коле: если бы все GPU ушли внешним клиентам Azure, рост был бы выше 40%, но свои продукты приносят больше маржи на единицу вычислений. Дальше Томпсон применяет эту логику к двум моделям, анонсированным на прошлой неделе. Первая — Mythos от Anthropic. Компания ограничила к ней доступ. Формально — из соображений безопасности: модель якобы нашла тысячи критических уязвимостей в каждой крупной ОС и браузере. Томпсон относится к такой подаче скептически, называет это маркетингом через «катастрофу» и сравнивает с мальчиком, который кричал «волк». Но тут же оговаривается: в той притче волк в итоге действительно пришёл. Если эта модель ещё не представляет серьёзной угрозы, то следующая, вероятно, уже будет. Но за этим стоит и экономика. Anthropic и без того не хватает мощностей для текущих моделей: в сети уже месяц идёт волна жалоб на деградацию качества клода. Дать Mythos подписчикам по фиксированной цене — значит отобрать ресурсы у корпоративных клиентов, которые платят за каждый запрос. Есть и вторая причина: защита от копирования. Anthropic публично обвинила китайские лабы в дистилляции Claude. Чем сложнее доступ к лучшей модели, тем сложнее конкурентам её воспроизвести — и тем ниже конкуренция за те же вычислительные мощности.

У OpenAI ситуация обратная. ChatGPT с сотнями миллионов пользователей парадоксальным образом начинает превращаться в обузу: вычисления, которые съедает потребительский трафик, можно было бы отдать корпоративным клиентам, платящим на порядок больше. У ChatGPT в теории могла бы быть рекламная модель — OpenAI прогнозирует $102 млрд рекламной выручки к 2030 году, — но пока её нет. Значит, потребительская база остаётся чистыми альтернативными издержками. И соблазн перекидывать ресурсы в агентские задачи для корпоративного сегмента будет только расти. Отсюда вывод Томпсона: Meta должна открыть Muse — так же, как когда-то открыла Llama. Сильная открытая модель бьёт сразу по Anthropic и OpenAI: снижает их способность диктовать цены, усиливает конкуренцию за мощности и расчищает потребительский рынок для Meta, у которой нет конфликта интересов. Финал статьи особенно сильный. Aggregation Theory не умерла — но её зона применимости сузилась. На потребительском рынке она по-прежнему работает: дистрибуция и транзакционные издержки в ИИ близки к нулю, и лучший продукт продолжает собирать больше всего пользователей. А вот на корпоративном рынке эта теория никогда толком и не действовала. Там Anthropic и OpenAI будут подниматься вверх по стеку и конкурировать уже не друг с другом, а напрямую с софтверными вендорами. Это, кстати, ещё один аргумент против широкого релиза передовых моделей: зачем усиливать чужие продукты, если можно самому занять их место. В итоге главный спор сводится к простому вопросу: что важнее — владение спросом или владение предложением? OpenAI говорила инвесторам, что её преимущество перед Anthropic — именно в предложении: компания раньше и агрессивнее вложилась в мощности. Томпсон ставит на спрос. Логика у него такая: дистрибуция и транзакционные издержки в ИИ по-прежнему близки к нулю, то есть базовые условия для агрегаторов сохраняются. Лучший продукт собирает пользователей, пользователи приносят деньги, деньги позволяют покупать мощности — в том числе у тех, у кого они уже есть. Сделка Anthropic по TPU — хорошая иллюстрация: это не Anthropic догоняет Google по вычислениям, а Anthropic буквально выкупает предложение у Google, потому что спрос на Claude позволяет платить больше за те же чипы. Да, мощности стали дороже, но если у тебя достаточно сильный входящий поток выручки, это не ломает модель, а лишь повышает цену лидерства. Дефицит мощностей реален, но, по Томпсону, он временный. Когда ИИ станет «достаточно хорошим» для большинства задач, себестоимость запроса снова начнёт стремиться к нулю. Просто этот момент сейчас кажется дальше, чем когда-либо.

Очередной разбор свежей статьи Бена Томпсона «Mythos, Muse, and the Opportunity Cost of Compute». Как автор Aggregation Theory, Томпсон объяснял доминирование Google, Facebook, Amazon и Uber в 2010-х одним базовым принципом: когда обслуживание ещё одного пользователя стоит почти ноль, выигрывает тот, кто собирает максимальный спрос. Нулевая себестоимость дополнительного показа рекламы, поискового запроса или поездки в приложении была фундаментом всего интернет-бизнеса. В январе 2025 года Даг О'Лафлин из Fabricated Knowledge заявил, что ИИ эту модель сломал. Каждый запрос к нейросети стоит денег: вычисления, электричество, амортизация GPU. Бесплатно раздавать сервис миллиардам пользователей больше нельзя. Значит, эпоха агрегаторов закончилась. Томпсон с этим не согласен. Да, чипы дорогие, но электричество занимает небольшую долю в их стоимости, а сами чипы скорее постоянные косты, как завод: ты платишь за них вне зависимости от того, сколько запросов обработал. Если у тебя уже стоят GPU, ты не решаешь, обрабатывать ли ещё один запрос. Они всё равно должны быть загружены. Вопрос только в том, чем именно. И вот это «чем» — ключевая мысль всей статьи. Проблема не в себестоимости одного запроса. Проблема в том, что мощности, отданные под одну задачу, уже нельзя использовать для другой. То есть ключевой фактор — не себестоимость запроса, а альтернативные издержки. Именно они и определяют стратегию игроков. Почему вообще возник дефицит мощностей? Из-за агентов. Ризонинг-модели тратят больше токенов, чем обычные, а агенты ещё на порядок больше, потому что работают непрерывно без человека в петле. Это и есть двигатель взрывного роста Anthropic, OpenAI Codex и разворота OpenAI в сторону корпоративных клиентов. Хороший пример того, как работают альтернативные издержки, — Microsoft. В прошлом квартале компания не дотянула до ожиданий по росту Azure, но не потому, что не было спроса. Он был. Просто Microsoft сознательно перераспределила часть GPU в пользу собственных продуктов: M365 Copilot, GitHub Copilot и внутренних исследований. CFO прямо сказала на инвест колле: если бы все GPU ушли внешним клиентам Azure, рост был бы выше 40%, но свои продукты приносят больше маржи на единицу вычислений. Дальше Томпсон применяет эту логику к двум моделям, анонсированным на прошлой неделе. Первая — Mythos от Anthropic. Компания ограничила к ней доступ. Формально — из соображений безопасности: модель якобы нашла тысячи критических уязвимостей в каждой крупной ОС и браузере. Томпсон относится к такой подаче скептически, называет это маркетингом через «катастрофу» и сравнивает с мальчиком, который кричал «волк». Но тут же оговаривается: в той притче волк в итоге действительно пришёл. Если эта модель ещё не представляет серьёзной угрозы, то следующая, вероятно, уже будет. Но за этим стоит и экономика. Anthropic и без того не хватает мощностей для текущих моделей: в сети уже месяц идёт волна жалоб на деградацию качества клода. Дать Mythos подписчикам по фиксированной цене — значит отобрать ресурсы у корпоративных клиентов, которые платят за каждый запрос. Есть и вторая причина: защита от копирования. Anthropic публично обвинила китайские лабы в дистилляции Claude. Чем сложнее доступ к лучшей модели, тем сложнее конкурентам её воспроизвести — и тем ниже конкуренция за те же вычислительные мощности. На этом фоне Muse Spark от Meta выглядит почти контрпримером ко всей конструкции. Это первая модель новой лаборатории Meta Superintelligence Labs: мультимодальная, с рассуждением, не SOTA, но вполне конкурентоспособная. И именно поэтому позиция Meta здесь особенно интересна. У Meta нет облачного и корпоративного бизнеса. Вообще. Microsoft выбирает между Azure и Copilot. Amazon делит мощности между AWS и собственными сервисами. Anthropic и OpenAI балансируют между потребительским и корпоративным рынком. А Meta выбирать не нужно: все мощности можно направлять на потребителей, без внутреннего конфликта за ресурсы. Плюс у неё уже есть встроенная рекламная модель монетизации.

Пару месяцев назад публиковал свой взгляд на жизнь в виде «манифеста». Получилась замкнутая и непротиворечивая система, но что-то беспокоило меня в ней, не хватало какой-то недостающей детали. У Дэниела Пинка в Drive (писал здесь) есть модель, состоящая из трёх двигателей мотивации: мастерство, автономность, предназначение. Если посмотреть через призму манифеста на эту модель, то мастерство и автономность ложатся идеально — мастерство как процесс, автономность как осознанный выбор. А вот предназначение... Предназначение в моём манифесте выглядит так: «пишу посты, потому что нравится влиять на мышление людей», «строю продукты, потому что видеть, как работа меняет поведение миллионов — мощное ощущение». Честно? Да. Но это мастерство, которое надело костюм предназначения и пришло на вечеринку. Мне нравится процесс, нравится результат, нравится ощущение, но всё сводится к «мне нравится». А «мне нравится» — это предпочтение, но не миссия. Манифест сознательно сводит даже альтруизм к эгоизму: помогаю близким, потому что видеть их в хорошем состоянии приятнее, чем не видеть. Это интеллектуально честная позиция, и она же отрезает доступ к чему-то, что не вписывается в рациональную рамку. Если всё — производная от субъективного опыта, то предназначение всегда будет калькой мастерства. Система, в центре которой «я», не может породить вектор, направленный за пределы «я», ибо она на это не рассчитана. Недавно прочитал конспект Руслана Фазлыева — разбор книги Роберта Джонсона про легенду о Парсифале и Святом Граале. Там есть вопрос, который звучит просто, но попадает точно в эту дыру: «кому служит Грааль?» Парсифаль — молодой рыцарь, который всю жизнь берёт: доспехи, славу, кольцо у Прекрасной Дамы. Он попадает в замок Грааля, видит раненого Короля-Рыбака, и от него ждут одного — задать правильный вопрос. Но Парсифаль молчит, потому что так учили: этикет, логика, не задавай лишних вопросов. Замок исчезает, а дальше годы скитаний, подвиги, сияющие доспехи и полное внутреннее опустошение. Только после встречи с Отшельником, когда он перестаёт брать и готов давать, замок открывается снова. И вот что цепляет. Джонсон говорит: Грааль служит не рыцарю, Грааль служит Королю. Духовная энергия предназначена для поддержания «целого», а не для услаждения эго. Это не обязательно про Бога или служение кому-то конкретному. Это про точку отсчёта, которая находится вне тебя. Первая реакция — начать спорить с этим внутри себя. Ведь моя система работает, я встаю по утрам, строю продукты, пишу, думаю, развиваюсь. Зачем мне что-то «больше себя», если я и так оптимизирую жизнь по собственным критериям? Потом вспомнил свой же манифест. Раздел про след: «создание следа делает опыт богаче прямо сейчас. Не результат важен, а процесс». И раздел про смерть: «делаю максимум из доступного времени, и в любой точке вклад уже достаточен». Вклад — куда? В субъективный опыт? Тогда это замкнутый контур. Опыт ради опыта, мастерство ради мастерства — изящная тавтология, но всё же тавтология. Разница между «я служу этому, и это делает вопрос об оптимизации опыта нерелевантным» и «я оптимизирую свой опыт через служение» — фундаментальная. В первом случае ты часть чего-то. Во втором ты всё ещё в центре, а «служение» — очередной инструмент. Пинк, Джонсон и Фазлыев приходят к одному и тому же с разных сторон. У Пинка предназначение — это «стремление служить чему-то большему, чем ты сам». У Джонсона — вопрос, кому служит Грааль. Фазлыев формулирует жёстче всех: «заниматься только собой — не заниматься собой». Полноценная архитектура мотивации требует вектора, который не замыкается на субъекте. Мой манифест — хорошая операционка. Она решает «как», но «зачем» в ней — рекурсия: зачем оптимизировать опыт? Потому что нравится. Зачем нравится? Потому что нейроны так сложились. Честный ответ — «ни зачем, просто так устроен». Этот ответ работает, но до тех пор, пока не перестаёт. У меня пока нет ответа на вопрос «кому служит Грааль». Думаю, это нормально. Парсифаль тоже промолчал в первый визит в замок — замок исчез, но дорога к нему осталась.

Принципы > Практик Осенью 2024-го Манчестер Сити поймали серию из пяти поражений подряд, худшую на тот момент в карьере главного тренера Пепа Гвардиолы. Журналисты спрашивали, что он собирается менять, а Пеп ответил: «Что мне менять? Надо еще сильнее придерживаться наших принципов и менять меньше, чем когда-либо». И это не про футбол. Одна из самых частых ошибок, которую я вижу: люди учат практики, но не понимают принципы, из которых эти практики выросли. Выучили что делать, но не разобрались почему, а практика работает ровно до тех пор, пока контекст совпадает с условиями, в которых её придумали. Изменился контекст, сломалась практика, и человек стоит моргает, потому что инструкции на этот случай нет. Принцип устроен иначе, он описывает как думать о проблеме, поэтому порождает практики под любой контекст. Гвардиола даёт игрокам принципы позиционной игры (juego de posición): создавай численное преимущество в зоне мяча, растягивай поле, при потере сразу иди в контрпрессинг и тд. Плюс набор инструментов: перегруз фланга и перевод на другой, прострелы, игра через третьего и прочие. Но какой инструмент применить и когда, игрок решает сам, исходя из принципов. Эти принципы не менялись ни в Барселоне, ни в Баварии, ни в Сити. Тренеры, которые вместо принципов дают скрипты, превращают игроков в автоматы. Соперник сделал X, делаем Y. Работает, пока оппонент действует по сценарию. Как только он делает что-то за рамками выученного, команда зависает, потому что нет ветки в дереве решений на этот случай. И когда наступает кризис, такому тренеру некуда возвращаться, потому что принципов не было с самого начала. В продуктовой работе бывает похожее. Скрам не на пустом месте родился, у него есть принципиальное ядро в виде Agile-принципов. Но куча команд берёт только обёртку: ритуально проводят дейлики, ретроспективы и планирования, но до ядра не докапываются. Когда фреймворк не подходит, а он не подходит часто, они не могут адаптироваться. Румельт в Good Strategy Bad Strategy описал ту же механику для стратегии: хорошая стратегия — это guiding policy, принцип преодоления ключевого вызова, который транслируется в конкретные действия. Принцип первичен, а действия уже производные. Убери его, и останется набор активностей без логики. Если владеешь только практикой — ты оператор чужой системы. Если же владеешь принципом, то уже можешь построить свою.

Еще недавно дочитал «The Heroine's Journey» Морин Мёрдок — книгу, которую знают сильно хуже мономифа Кэмпбелла, хотя она описывает половину лучшего кино последних двадцати лет. Мёрдок — юнгианский психотерапевт и ученица Кэмпбелла. Работая с пациентками, она заметила повторяющийся паттерн: женщины, которых она назвала «отцовскими дочерями» — идеализировали отца или мужскую культуру, обесценивали матерей, добивались успеха по «мужским» правилам — и приходили к ней с ощущением пустоты. Она показала этот паттерн Кэмпбеллу и спросила, нужна ли женщинам своя нарративная модель. Он ответил, что женщине путешествие не нужно — она сама и есть цель, к которой герой стремится. Мёрдок с этим не согласилась и написала книгу, ставшую рабочим инструментом для сценаристов. Если мономиф — это путь наружу (уйти, победить, вернуться с трофеем), то путь героини — движение внутрь. Героиня отделяется от женского — от матери, от уязвимости, от тела. Принимает правила патриархальной культуры, добивается успеха — и обнаруживает пустоту. Мёрдок называет это «духовной засушливостью»: «она добилась всего, но ценой души». Этой стадии в мономифе нет. Дальше — спуск к отвергнутому, встреча с юнгианской Тенью, и интеграция. Кристин в «Леди Бёрд» отвергает мать, город, класс, уезжает — и в финальной сцене звонит ей, называя себя именем, которое мать дала. Эвелин во «Всё везде и сразу» собирает все версии себя в одно — прачечная и кунг-фу, мать и воин, абсурд и любовь. Пока читал, понял, что это вообще не про гендерный эссенциализм. Мёрдок привязала структуру к женскому опыту, потому что писала в контексте второй волны феминизма, и для её пациенток это был точный диагноз. Но одни из лучших мужских арок в кино устроены ровно так. Тони Сопрано отвергает уязвимость (панические атаки == стыд), добивается успеха через насилие, обнаруживает пустоту, идёт к терапевту — и шесть сезонов не может собрать себя. Дон Дрейпер добивается всего под чужим именем, и весь Mad Men — долгий спуск к подавленному Дику Уитмену. Те же стадии, та же механика. По сути Мёрдок описала не женскую модель, а второй тип арки вообще — интернальную. Мономиф — экстернальная арка: мир сломан, герой его чинит, меняется по дороге. Путь героини — интернальная: мир в порядке, сломан герой, антагонист — зеркало или вообще отсутствует. А потом дошло, что обе модели работают по отдельности, но лучшие истории бьют на другом уровне — когда накладывают обе арки друг на друга. В «Начале» Нолана уровни сна — это экстернальный квест, внедрить идею в чужую голову, который одновременно становится спуском Кобба к подавленной вине за смерть Мол — чем глубже уровень сна, тем ближе к тому, от чего он бежит. В «Андоре» (абсолютное величие) Кассиан пять раз отказывается присоединиться к восстанию, и каждый отказ — одновременно отказ от того, кто он на самом деле. Он соглашается на вызов только когда Наркина последовательно снимает с него все внешние слои защиты, и двум аркам становится некуда деться друг от друга — внешнее действие делает внутренний процесс видимым, а внутренний процесс даёт внешнему действию вес.

Дошли наконец руки до Blitzscaling Хоффмана. Книга 2018 года, эпоха роста во все тяжкие. Центральный тезис: на рынках с сетевыми эффектами и winner-takes-all динамикой нужно сознательно жертвовать эффективностью ради скорости. Нанимать не тех, тратить впустую, запускать сырое. Это не баг, а фича, если альтернатива — опоздать и наблюдать, как рынок занял кто-то другой. Отдельное удовольствие — читать такие книги спустя время. Когда они выходят, вокруг стоит шум, все цитируют, каждый второй фаундер пересказывает на конфах. Идеи сливаются с энергией момента, и отделить одно от другого невозможно, а через несколько лет шум стихает, примеры из книги уже прошли проверку реальностью, и ты читаешь совсем другими глазами. Видишь, где автор был прав (скорость как стратегическое оружие при настоящих сетевых эффектах). Видишь, где ошибка выжившего на каждой странице — все примеры победителей, ни одного из тысяч компаний, которые «блицскейлили» прямиком под мост в банкротство. Видишь, как контекст эпохи выдаётся за универсальный принцип. В общем, рекомендую подход: читать бизнес-литературу с задержкой в 5-7 лет или, как минимум, перечитывать спустя это время. Время — лучший рецензент.

Sequoia развернула свой тезис, который я разбирал в посте про «The Agentic Reasoning Era Begins» — что целевой рынок AI это не софтвер, а услуги. Тогда это была лишь часть в большом эссе. Теперь — целая статья с фреймворком и картой возможностей по индустриям. Статья «Services: The New Software», и ключевая идея там такая: следующая компания на триллион долларов будет софтверной компанией, которая выглядит как сервисная. Любая работа раскладывается на два слоя — дихотомия intelligence vs judgement (очень похоже на фреймворк из Prediction Machines, про которую писал). Intelligence — это правила, пусть сложные, но формализуемые: написать код по спеке, перевести медкарту в один из 70 000 страховых кодов, проверить NDA на стандартные клаузы. Judgement — это то, что остаётся после автоматизации правил: какую фичу делать следующей, стоит ли брать техдолг ради скорости, подходит ли кандидат по culture fit. Модели уже перешли порог, где они забирают «интеллект» автономно. Разработка дошла до этого первой — больше половины использования всех AI-тулов приходится на инженеров. Остальные индустрии догоняют. Отсюда вытекает разделение на копилот и автопилот. Копилот продаёт инструмент — ты делаешь работу быстрее. Автопилот продаёт результат — работа сделана. Harvey продаёт юрфирмам софт для проверки договоров. Crosby продаёт бизнесу готовый согласованный NDA. Разница в бизнес-модели фундаментальная: копилот монетизирует пользователя, автопилот монетизирует единицу работы. И тут появляется элегантный аргумент про точку входа. На каждый доллар, потраченный на софт, бизнес тратит шесть долларов на услуги — внедренцев, консультантов, аутсорс. Если задача уже отдана на аутсорс, значит компания согласилась, что работу можно делать чужими руками, бюджет выделен, и покупатель платит за результат. Подменить аутсорс-контракт на AI-сервис — это смена вендора. Заменить штатного сотрудника — это реорганизация. Трение на порядок разное. Для текущих лидеров рынка копилотов это классическая дилемма инноватора: чтобы стать автопилотом, нужно начать делать работу целиком, но тогда ты убиваешь бизнес своих же клиентов — агентств, юрфирм, бухгалтерий. Окно для стартапов, которые сразу строятся как автопилоты, открыто прямо сейчас.

Советы Марка Андриссена для венчурных инвесторов и основателей • Учиться на своих ошибках — опасно. «AI был хорошим способом потерять много денег в венчуре с 1945 по 2017 год». * Не позволяйте каждому неудачному инвестированию формировать отвращение ко всей категории. * Ошибка бездействия (не инвестировать, например, в Google) стоит в 100 раз дороже, чем ошибка действия (одна неудачная инвестиция). • У основателей должны быть три качества: 1. Интеллект: высокий IQ — это минимальное требование. 2. Смелость: абсолютная решимость добиться успеха. 3. Амбиции: базовая потребность что-то строить. «Если я пишу много заметок и учусь на них, это говорит об уровне интеллекта». • Считайте, что всё — ваша вина. «Жизнь становится проще, если считать, что всё — это ваша ответственность». * Принятие ответственности позволяет избавиться от обид и сосредоточиться на решении проблем. • Каждый основатель притворяется уверенным на вечеринке. «Каждому кажется, что у всех остальных всё получается. И каждый думает, что только он один притворяется». * Делать вид, что всё под контролем — часть работы. Если показать слабину, команда теряет уверенность, инвесторы отступают, кандидаты не приходят. Не сдавайтесь. • AI не отнимает у вас работу. «До декабря AI на самом деле не был достаточно хорош, чтобы выполнять те задачи, о которых говорят». * Текущие увольнения — это результат пере найма во время COVID и роста процентных ставок, а не AI. * Задача технологий — повышать продуктивность людей, а не заменять их. * AI — самая демократизирующая технология, которую мы когда-либо видели.

Разговаривал как-то с товарищем, и он обронил фразу, которая засела в голове: "все всё упрощают, у всех в голове простые модели". Он говорил про интерфейсы: все решили, что теперь всюду будет чат, пользователь пишет что хочет, агент делает, GUI мёртв. Начал наблюдать и понял, что он прав. Паттерн один и тот же: появляется новая технология, и люди схлопывают картину до "раньше было X, теперь будет Y, X мёртв". Сразу вспомнил Гегеля. Я разбирал его диалектику в серии про Зиму пост: тезис → антитезис → синтез. Синтез у Гегеля не компромисс, а снятие противоречия: новое одновременно отменяет старое, сохраняет из него рабочее и поднимает на новый уровень. Схема из учебника, но чем дальше я смотрю на то, что происходит вокруг, тем точнее она ложится. Люди видят антитезис и принимают его за финальный ответ, не доходя до синтеза. Про код я писал подробно раз два. Все слышат "агенты заменят разработчиков", но работа не исчезает, она смещается на края: формулировка задачи и верификация результата. Код как артефакт дешевеет, система как целое нет. Инженер никуда не делся, просто его работа стала другой. Это и есть синтез. То же самое с интерфейсами. Классический GUI созревал 40 лет, всё отточено. Появился LLM, и сразу "кнопки мертвы, будет чат". Перевести деньги по номеру телефона всегда будет быстрее двумя тапами, чем предложением в чате. Синтез скорее всего будет таким: где проще нажать кнопку, останутся кнопки (может быть с AI-каскадом под капотом), а чат закроет длинный хвост — сценарии, которые раньше требовали пяти экранов настроек или вообще не имели интерфейса. Поиск. "Чатботы убили Google" — но посмотрите на Perplexity или Google AI Overviews. Это не чат вместо поиска, это синтез: AI-саммари для exploratory запросов, классические ссылки для навигационных и транзакционных. Люди по-прежнему хотят видеть источник, а не просто ответ. Контент. "Копирайтеры не нужны, AI напишет всё". AI уже пишет всё — и чистый AI-контент тонет в шуме. Синтез: AI генерирует черновики и вариации, но редакторский вкус, позиция и голос остаются у человека. Выигрывает тот, кому есть что сказать. И мой любимый пример, потому что цикл уже завершился — удалёнка. Офис → "офис мёртв, все на удалёнке" → гибрид. Паттерн работает даже за пределами технологий. По сути антитезис просто лучше продаётся. "Всё заменит" легко продать инвестору и запостить в Twitter. А "будет гибрид, зависит от контекста" никто не поставит заголовком, с этим на конференцию не выйдешь и настартап раудны от венчуров не поднимешь. Синтез проигрывает антитезису в маркетинге, поэтому индустрия раз за разом застревает на втором шаге и сваливается в мышление простыми моделями.