from:adam

Свежее эссе Бена Томпсона к 50-летию Apple — "Apple's 50 Years of Integration". Томпсон проходит по всем конкурентам Apple через одну линзу: кто из них по-настоящему интегрировал железо и софт. За полвека никто не воспроизвёл модель. IBM, Microsoft, Android не в счёт. Единственные, кого он считает настоящей конкуренцией: RIM, Palm, Nokia. Мы знаем, чем это закончилось, потому что iPhone оказался полноценным компьютером на фундаменте OS X, а не телефоном с улучшенной клавиатурой. MacBook Neo вписывается в эту историю идеально. Модульные конкуренты всегда побеждали ценой. Теперь Apple делает ноутбук за $599, который одновременно качественнее и быстрее аналогов, а софтовый lock-in при этом исчезает: Neo запускает браузер и AI-чат так же, как любая Windows-машина. Интеграция от чипа до ОС побеждает модульность на её же территории — ценой. Siri провалилась, инвестиции в AI-инфраструктуру минимальные по сравнению с конкурентами. И при этом доля на рынках растёт. Потому что какой бы мощной ни стала AI, доступ к ней всё ещё идёт через устройство. Apple этим пользуется: по данным Bloomberg, в iOS 27 Siri откроется для сторонних AI-ассистентов через App Store. Gemini, Claude и остальные смогут интегрироваться напрямую. Модель как с Safari Search, только через подписки (30% в первый год, 15% далее). Уже сейчас ~$1 млрд/год на подписках на чатботы. Классическая агрегация — коммодитизируешь комплементарный слой, пока владеешь точкой интеграции. Гиперскейлеры тратят 94% операционного cash flow на AI-инфраструктуру. Amazon ушёл в отрицательный FCF (Free Cash Flow). Apple просто лицензировала Gemini за ~$1 млрд/год. Томпсон соглашается с Дедиу — модели коммодитизируются, побеждает тот, кто владеет клиентом, и на коротком и среднем горизонте Apple играет правильно. Но на длинном горизонте есть угроза. OpenAI массово перекупает инженеров Apple: Tang Tan, бывший VP iPhone Product Design, возглавляет железное подразделение, с ним ушли десятки людей из команд iPhone, iPad, Watch, Vision Pro. Apple раздаёт retention-бонусы по несколько сотен тысяч. OpenAI параллельно закрывает Sora, рефокусируется на продуктивность, но hardware-инициативу с Джони Айвом сохраняет. Логика понятная: потребители платят за устройства, не за софт. OpenAI подходит к Apple-модели с обратной стороны — от пользовательской базы ChatGPT к собственному устройству. Томпсон ставит вопрос: сместится ли точка интеграции с "ОС + железо" на "AI + выделенное устройство"? И даёт три аргумента за Apple: смартфон с экраном и батареей — лучший форм-фактор и для AI; если инференс уйдёт на edge, чипы Apple лучшие в индустрии; Apple всегда может открыть устройства для глубокой интеграции сторонних AI. И один против: если Apple уже "отдала" AI-слой, а AI станет достаточно мощной для новой парадигмы взаимодействия, компания окажется вне игры. Моё мнение — Apple делает всё правильно. Вероятность того, что OpenAI реально выпустит конкурентоспособное устройство, невысокая. Создать железо дорого, но это полбеды. Устройство сегодня это экосистема: iMessage, iCloud, Watch, AirPods, семейные подписки, годы покупок в App Store — с одной стороны. Разработчики, ритейл, цепочки поставок — с другой. Воспроизвести с нуля сложнее, чем обучить модель, а switching costs и экономика масштаба колоссальные. А у OpenAI всё ещё нет прибыли, и траты только растут. Переиграть Apple на её поле — красивая идея, но пока слишком дорогая.

Забавно, как люди бомбят на качество кода в исходниках Claude Code (сегодня слили source map из npm-пакета). Они оценивают его так, будто с этим кодом работают люди. Все наши представления про красивый и классный код — они про то, как людям его поддерживать. Только люди Claude Code не поддерживают — он пишет и поддерживает сам себя. Ему наша красота и эстетические критерии ортогональны — всё это становится утилитарным.

Когда меня будут увольнять за срыв всех дедлайнов, я покажу этот скриншот

Классный тейк прозвучал сегодня на собесе: «Больше всего научной фантастики написали в экселе» 😺

Если это не величие то, что? Болтал о GST подходе к Sequential testing в A/B. В чате сразу написал и код, сделал симуляции на синтетическихи сразу же сделал отчет и показал

Найм: на позицию или на задачу Как я писал выше, первые шаги в управлении я делал в стартапе. Там я на своей шкуре почувствовал, что ошибки найма в стартапе имеют максимально разрушительные последствия (мне кажется на корпоративные деньги - это как ошибиться в найме топ менеджера). Поэтому я много экспериментировал с рекурутментом, нарабатывал подходы и обдумывал ошибки. Уже в последних своих стартапах я нанимал достаточно осмысленно, и секрет успеха всегда был в том, что я брал человека на конкретную задачу. Это значило, что каждый найм предполагал эксклюзивный набор проблем и кейсов на интервью. Я буквально хотел услышать, как кандидат справится с конкретными вызовами, которые стоят перед командой на данном этапе. Это безусловно трудозатратно: либо самому продумать план собеса и задачи, либо найти профильных специалистов извне и правильно их забрифовать на собес, но зато каждый раз я собирал настоящий спецназ, который добегал до амбициозных результатов за очень короткое время. Когда я ушел в корпорацию, я долго не мог нормально нанимать. Потому что корпоративный найм решает совсем другую задачу: надо нанимать взаимозаменяемых сотрудников, которые смогут пережить ротации. Отсюда - стандартизация воронки найма, профессии и грейды. Там наоборот кандидат должен решать наиболее широкий набор задач, и подходить сразу многим командам. Отсюда странные оторванные от реальности вопросы, много теории и литкода. Единственная точка маневра: это фиты, где можно попробовать загрузить своей проблематикой. Такая среда очень расслабляет: я по себе знаю, что есть соблазн просто посмотреть на цифру грейда, и несложной калькуляцией брать любого кто набрал достаточную. И это очень плохая идея. Мне кажется любому руководителю важно понимать: корпоративный найм НЕ ВАШ ДРУГ. Он решает задачи корпорации за счет нанимающего менеджера. Поэтому ваша задача каждый раз самостоятельно строить процесс найма, осторожно опираясь на результаты стандартных секций (скорее воспринимать их как общую проверку на вшивость). Как конкретно это сделать? Для этого берём вашу ключевую бизнесовую цель. Раскладываем ее на конкретные активности, необходимые для достижения. Смотрим, какие для этих активностей нужны компетенции. Берём текущую команду (включая себя) и закрашиваем все компетенции, которые сейчас командой закрыты. А вот недостающие и надо закрывать внешним кандидатом. Под каждую компетенцию можно придумать проверочный вопрос. Для краткосрочных проектов там будут больше Харды. В долгосрочных начнут появляться более софтовые. Часть компетенций можно проверить стандартными секциями, а часть надо проверить самостоятельно. Достаточно трудоемко, но только так я нанимал/ротировал к себе ключевых людей. Взяв лучшее от двух миров можно построить себе действительно осмысленный найм, где вы будете промахиваться гораздо реже.

Linear объявили issue трекинг мёртвым и пивотнулись в обвязку вокруг агентов. Я уже писал про цифровой след — агент видит только то, что записано, и если контекста нет, агент бесполезен. Linear несколько лет строил продукт, который этот контекст собирает лучше остальных — планы, спеки, решения, обсуждения, код, пользовательский фидбек — и теперь превращает всё это в harness. Стройный пайплайн от задачи до кода, но спроектированный под агентов, а не под людей. Цифры у них соответствующие: 75% enterprise-воркспейсов уже с кодинг-агентами, объём работы агентов вырос в 5 раз за квартал, агенты создают четверть новых задач. Понятно, почему пивотнулись. Им это ещё и проще сделать, чем кому-то другому, потому что Linear — это стартапы и молодые компании, а не энтерпрайз с JIRA на 500 кастомных воркфлоу и легаси, где агенты буксуют. Их ЦА и так AI-first и сопротивления нет, поэтому можно спокойно перестраивать продукт под агентов, не оглядываясь.

Друзья, опубликовал подробный гайд по архитектуре AI-агентов. В нем собрал: - из каких компонентов состоит агент и как они друг с другом взаимодействуют - какие бывают типы оркестрации у агентов - как правильно собирать контекстное окно - какие есть угрозы безопасности и как с ними боротся - и много чего еще другого Если останутся вопросы, как вам собирать надежных AI-агентов, напишите в комментариях или в личных сообщениях @seva_batareika

В комментах отметили важный момент про цену подписки. Речь что про клодовскую подписку за 100 баксов, поэтому сравнивал с ChatGPT Pro. Если сравнивать в лоб 20 баксов ChatGPT и 20 баксов в Claude, то Open AI дает больше вэлью. Лично на мой взгляд в битве GPT 5.4 Thinking vs Sonnet 4.6 Thinking первая модель выигрывает

Что происходит! Теперь они завезли завезли полноценный computer use. Помню нытье лудитов, суть которого была что-то типа «если агенты могут писать код, то где море софта?». В реплаях к твиту выше написали все лончи клода с начала года:

- Jan 2026: Claude Cowork launched. - Feb 2026: Opus 4.6 released. - Feb 2026: Sonnet 4.6 released. - Feb 2026: PowerPoint integration - Feb 2026: Excel integrations added. - Feb 2026: Co-work plug-ins released. - Feb 2026: Claude Code security launched. - Feb 2026: Claude Code Remote Control - Feb 2026: Scheduled Task in Co- work - Feb 2026: Connector available in the free - Mar 2026: Claude memory is free - Mar 2026: Claude Marketplace launched - Mar 2026: Claude com ambassadors - Mar 2026: Code review for Claude code - Mar 2026: Claude skills for Excel & Slides - Mar 2026: charts & diagram in chat - Mar 2026: 1 million context window - Mar 2026: Dispatch for Claude Co-work - Mar 2026: Claude code Channels - Mar 2026: Co-work Projects - Mar 2026: Claude Computer use

Ахтунг же. Уже не успеваю за ними. Ещё добавили виджеты в чате: структурированные доспрашивания (кликабельные опции вместо “напиши 1 или 2”), конструктор сообщений с вариантами тона и инлайн-редактированием, карты, рецепты. Я отменил подписку на ChatGPT чуть больше месяца назад, ещё до хайпа с Пентагоном. Раньше ChatGPT закрывал жизненные задачи и дип-ресёрч, Клод — рабочие. Сейчас всё в Клоде: веб-сёрч стал работать нормально и дёргается когда надо, deep research не хуже openai’шного или даже лучше, плюс единый ассистент с памятью и контекстом. Opus почти во всех задачах сильнее всех, системным инструкциям поддаётся лучше — легко адаптировать под себя. При этом Клод с отрывом лучший как продукт, а ChatGPT всё ещё выглядит навайбкоженным проектом студентов.

Раньше вечером после работы я читал посты и статьи, которые закидывал себе в закладки в течении дня на почитать. Заметил, что сейчас, большая часть такого «на почитать» это дип ресерчи, которые запустил с утра. То есть по факту контент на чтение я генерирую с помощью ллмок под себя проактивно, а не довольствуюсь тем, что попадает мне в поле зрения

Читаю пост Леры, а потом смотрю на свою табличку с парфюмом 😐

Самый важный релиз года https://x.com/notionhq/status/2034319575345774830?s=46

Потыкал новый Dispatch режим в Claude — по сути управление Cowork с телефона/планшета. Главное, что зацепило: мне не надо ничего настраивать с нуля. Все коннекторы, плагины и доступ к файлам, которые уже настроены в Cowork, сразу доступны через телефон. Просто открыл Dispatch, нажал пару кнопок в красивом онбординге, и всё. Не надо отдельно поднимать агента, прокидывать ключи, пересобирать окружение. В этом принципиальная разница с OpenClaw и подобными. Там свой агент, своя настройка, оплата за токены и дыры в безопасности на сдачу. Тут же уже расширение того, что работает, в рамках одной подписки. Технически это один постоянный тред, который не сбрасывается между задачами. Пишешь с телефона, Claude выполняет на компьютере спауня сессии коворка — работает с локальными файлами, Slack, почтой, Google Drive через те же коннекторы. Все четко! По фичам пока не все готово: нельзя прикрепить файл, нет голоса, нет пушей, компьютер должен быть включён с открытым Claude Desktop, один тред, нет расписания. Обещают докрутить. Но, самое важное, Claude сейчас закрывает все мои сценарии где нужна LLM — чат, десктопные задачи в Cowork, код в Claude Code, удалённое управление через Dispatch. Одна подписка на всё. Для тех, кто уже глубоко в экосистеме Claude, как я, стоимость перехода на что-то другое растёт с каждым таким релизом.

Забурился вчера вечером разобраться, как на самом деле устроено выгорание с точки зрения науки (у меня его нет, без паники!). Думал, за 50 лет исследований там давно всё ясно. Оказалось, что нет. В литературе зафиксировано 88 разных определений выгорания. Учёные до сих пор не договорились, что именно они изучают. Самая известная модель состоит из трёх компонент: эмоциональное истощение, цинизм и ощущение что ты неэффективен. Может звучать логично, пока не узнаёшь, что автор запрещает складывать три шкалы в один балл. То есть единого показателя «выгорания» в этой модели нет — есть три отдельных измерения, которые живут своей жизнью. Опросник, который это измеряет (MBI — его используют в большинстве исследований), критикуют ещё жёстче: он создавался не из теории, а из статистической обработки случайного набора вопросов. У него нет клинических порогов и он платный (никакого подвоха, конечно). Главная объяснительная модель JD-R (Job Demands-Resources) построена вокруг баланса требований и ресурсов. Есть требования работы (нагрузка, дедлайны, конфликты) и ресурсы (автономия, поддержка, обратная связь). Когда требования хронически превышают ресурсы — истощение. Когда ресурсов мало — цинизм и отстранённость. Это подтверждено мета-анализами и в целом работает как рабочая модель. Позже к ней добавили шесть зон несоответствия между человеком и работой, одна из которых — ценности: когда то, что ты делаешь, расходится с тем, что для тебя имеет смысл. Потеря смысла в работе — отдельный путь к выгоранию, который работает даже при нормальной нагрузке. Есть ещё теория сохранения ресурсов (COR) и её идея про спирали потерь. Потеря ресурса бьёт сильнее, чем эквивалентное приобретение радует, и потери создают каскад: одна потеря делает тебя уязвимее к следующей, процесс ускоряется. Это объясняет, почему выгорание так сложно остановить, когда оно уже началось. Ушёл руководитель, на тебя повесили его задачи, времени на восстановление нет, начинаешь хуже работать, получаешь негативную обратную связь и понеслась. Отдельная история — роль личности. Склонность к тревожности как черта характера предсказывает выгорание с силой, сопоставимой с рабочими факторами. Два человека в одинаковых условиях будут гореть по-разному базово из-за разниц в нейробиологии. Теперь к самому интересному. ВОЗ включила выгорание в международную классификацию болезней, но не как диагноз, а как «профессиональный феномен». Код есть, а лечить по нему нельзя. В американской классификации (DSM-5) выгорания вообще нет. Формально это не болезнь. И тут начинается главный спор: а выгорание — это вообще отдельная штука, или просто депрессия, привязанная к работе? Мета-анализ на 12 тысяч голов показал корреляцию между истощением и депрессией 0.80 — это очень много. 86% людей с серьёзными симптомами выгорания попадают под критерии депрессии. Есть противники такой оптики. По их мнению выгорание — многомерный синдром, нельзя сводить его к одному истощению. Данные показывают пять разных паттернов: полностью выгоревшие (всё сразу), только истощённые, только циничные, только чувствующие неэффективность и вовлечённые (противоположный полюс). У каждого паттерна строго свои причины, но депрессия же так не работает. Нейробиология частично поддерживает различие: при выгорании стрессовая система скорее заторможена — мало кортизола, при депрессии — перевозбуждена. Правда, выборки маленькие, долгосрочных исследований всего два, и ни один биомаркер не валидирован для диагностики. Консенсуса нет, споров много, но есть вещи, которые уже можно забирать. Если чувствуешь что горишь — первый вопрос не «что со мной не так», а «где дисбаланс»: нагрузка выросла, автономия упала, поддержка исчезла, смысл потерялся? Отключаться от работы в нерабочее время — не лайфхак из инстаграма, а один из самых устойчивых протекторов в данных. А если «просто усталость» не проходит неделями — стоит провериться на депрессию, потому что граница между ними тоньше, чем кажется.

Прочитал Platform Revolution (Parker, Van Alstyne, Choudary). Книга 2016 года, но ядро не устарело — это, пожалуй, лучшая систематизация платформенной модели, что читал. Мысль простая. Есть pipeline-бизнесы — линейная цепочка от ресурса к потребителю. Фабрика купила сырьё, произвела товар, продала через дистрибуцию. Платформа устроена иначе: она не создаёт ценность сама, а оркестрирует создание ценности другими. Uber не возит людей, Airbnb не сдаёт квартиры. Они соединяют тех, кто возит и сдаёт, с теми, кому это нужно. Главное оружие платформы — network effects. Каждый новый участник увеличивает ценность для всех остальных. В pipeline-мире масштаб снижает себестоимость (supply-side economies of scale). В платформенном мире масштаб увеличивает сам продукт (demand-side economies of scale). Принципиально другая экономика. Но авторы честно говорят: network effects бывают отрицательными. Больше пользователей — больше шума, спама, хуже matching. Myspace рос как бешеный, но без курации качество деградировало, и платформа умерла. Рост без контроля качества — это не network effect, это network collapse. Самое полезное в книге — фреймворк core interaction. Любая платформа сводится к одному: кто участвует, чем обмениваются, как происходит matching. Если ты не можешь описать свою core interaction в одном предложении, у тебя нет платформы, а фича-сет с надеждой на сетевой эффект. И классификация launch-стратегий и гайд решения проблемы яйца и курицы: от piggyback (PayPal вырос на eBay) до micromarket (Facebook начал с одного кампуса Гарварда). Полезно как введение в тему, но если интересует именно холодный старт — лучше читать The Cold Start Problem Эндрю Чена. Книга свежее (2021), написана бывшим GP a16z, и раскрывает тему на порядок глубже: от atomic network до escape velocity. Книга местами устарела — примеры из 2016, много про Uber до IPO, регуляторная часть наивна по сравнению с тем, что случилось после (GDPR, DMA, антимонопольные кейсы), но базовые фреймворки работают. Если строишь продукт, где ценность создаётся взаимодействием участников, а не внутри компании — стоит прочитать.

Бен Томпсон сегодня выкатил статью, в которой заявляет: мы не в пузыре. Аргументация хорошая, разберу. Выделяются три парадигмы LLM. ChatGPT в 2022 — демонстрация возможностей, но с галлюцинациями и требованием agency от пользователя: ты сам должен понимать, зачем тебе модель, и верифицировать каждый выход. o1 в 2024 — ризонинг-модели начали итерировать над ответом самостоятельно, надёжность выросла, нагрузка на пользователя снизилась. А дальше — агенты в конце 2025: Claude Code с Opus 4.5, GPT-5.2-Codex. И вот тут самое интересное. Прорыв оказался не в модели. Opus 4.5 вышел в ноябре 2025, и никто не заметил. А потом изменился harness в виде обвязки Claude Code и всё заработало совсем иначе. Агент управляет моделью, дёргает детерминистические инструменты, верифицирует результат без человека. По сути, все слабости первой парадигмы закрыты — для верифицируемых юз кейсов типа кода. Отсюда Томпсон вытаскивает два тезиса. Первый: агенты меняют экономику agency. Раньше для роста потребления компьюта нужен был массовый адопшн — каждый пользователь должен был проявить инициативу, но теперь один человек управляет десятком агентов. Для взрывного спроса на вычисления достаточно сравнительно небольшого числа людей, которые умеют формулировать задачи. Второй — разбор value chain. Дедью из Asymco недавно написал, что Apple гениально поставила на коммодитизацию моделей: лицензировала Gemini за $1B/год вместо того чтобы тратить $100B на свою. Появится модель лучше — просто сменит поставщика. Побеждает тот, кто владеет клиентом. Томпсон разбивает это по парадигмам. В эпоху чатботов Дедью был прав — базовые модели быстро стали достаточно хорошими и их можно было гонять локально. Ризонинг-модели уже создали проблему: им нужен быстрый компьют и огромные контекстные окна, Apple Silicon не конкурирует с облаком, но агенты ломают коммодити-тезис окончательно. Дифференциация теперь не в модели, а в интеграции модели и harness. Это не модульные компоненты, которые можно менять по отдельности. А прибыль в value chain всегда течёт от модульных звеньев к интегрированным. Если агенты = интеграция модель+harness, то Anthropic и OpenAI — точки интеграции, а не взаимозаменяемые API-поставщики. Microsoft тому пример: заявляли model-agnostic стратегию с Core AI, но для Copilot Cowork были вынуждены интегрироваться с конкретной моделью и продавать это в бандле E7 за $99/seat. https://stratechery.com/2026/agents-over-bubbles/

Долго ждать не пришлось https://x.com/roundtablespace/status/2032052734460125475?s=46

Зиме пришлось пройти весь путь, чтобы понять, где ему хорошо. Три поста этой серии были про то же: рост отдаляет от процесса, кайф в процессе, защищай процесс при росте. В первом я спросил — а нужен ли вообще следующий уровень? Но так и не ответил. Что если не входить в этот конфликт вовсе? Индустрия построена вокруг логики роста: лестница, грейды, performance review с вопросом «куда ты хочешь расти». Не получил промоушен — застрял. Сидишь на одной позиции три года — что-то не так. Не хочешь управлять людьми — значит потолок. Самого вопроса «а хочешь ли ты расти» в этой системе нет. Kim Scott в Radical Candor вводит различие, которое большинство менеджеров игнорирует: rock stars и superstars. И это не про уровень перформанса, ибо обе категории делают отличную работу. Разница в траектории. Superstars на крутом подъёме — им нужны новые вызовы, новые роли, следующий уровень. Rock stars на пологой траектории — они нашли своё место, углубляют экспертизу и не хотят, чтобы их куда-то двигали. Rock в rock star — это не рок-музыка, а скала: стабильность, глубина, надёжность. Скотт пишет, что за годы в Google она систематически недооценивала таких людей. Вся система вознаграждения была заточена под superstars: промоушены, stretch goals, видимость. Rock stars при этом держали на себе команды, передавали знания, держали контекст — и получали за это ощутимо меньше признания. Проблема не в том, что superstars получают много, а в том, что единственный признанный путь — это их путь. Если ты rock star, система постоянно подталкивает: давай менеджерить, давай на грейд выше, давай расширяй скоуп. Не потому что тебе это нужно, а потому что у системы нет другого языка ценности. А теперь представим команду из одних superstars. Все хотят расти, никто не хочет делать текущую работу. Все смотрят на следующую ступеньку, никто не углубляется. Нет людей, которые помнят, почему архитектура устроена именно так, почему этот процесс работает, что случилось в прошлый раз, когда попробовали иначе. Память команды обнуляется каждые полтора года. При этом это не постоянные категории, а режимы. Человек может быть superstar пять лет, а потом перейти в rock star mode — потому что родился ребёнок, нашёл область, которую хочет копать вглубь, или просто понял, что ему хорошо здесь. Проблема начинается, когда rock star притворяется superstar, потому что боится, что иначе его спишут. Вся история Зимы — это история возврата. Он ушёл от чистки плитки, дошёл до края галактики и разобрал себя, чтобы вернуться. Красиво, но это путь superstar, который однажды остановился. Rock star никуда не уходил, ибо он чистит свой бассейн, углубляет экспертизу, и ему не нужен перформанс с саморазборкой — потому что разбирать нечего.