Книжный куб

Основатель O’Reilly - Tim O’Reilly написал хорошую статью - AI and the Next Economy Основные идеи статьи от АI: 🔄 Экономика как циркуляция Автор утверждает, что экономика — это не просто производство, а производство + спрос. Спрос требует широко распределённой покупательной способности. Нельзя построить процветающее общество, оставив большинство людей "за бортом". ⚠️ Проблема нарративов об AGI Многие нарративы об искусственном общем интеллекте (AGI) предполагают, что: • Производительность вырастет • ВВП увеличится • Но при этом игнорируется вопрос: кто будет покупателями, если большинство людей потеряют работу и доход? 💔 Две версии будущего 1. Экономика открытий — ИИ может помочь решить глобальные проблемы (энергия, материалы, болезни), но: • Открытия ≠ экономическая ценность • Между открытием и широким внедрением — долгий путь • Если контроль над технологиями сконцентрирован, получится "феодализм открытий" 2. Замена труда — ИИ заменит интеллектуальную работу, но: • Если зарплаты исчезнут, кто будет покупать товары? • Падение доли зарплат в экономике приведёт к нестабильности 🔑 Ключевые уроки истории Автор приводит примеры: • Генри Форд платил высокие зарплаты и сократил рабочие часы, создав массовый рынок для своих автомобилей • Amazon и Google изначально создавали циркулирующую экономику (flywheel-эффект), но со временем стали извлекать ренту • Децентрализация (ПК, интернет, open source) стимулирует инновации; централизация захватывает ценность 💡 Что нужно делать AI-лабораториям: • Измерять успех не только по возможностям моделей, но и по их распространению • Создавать открытые интерфейсы, переносимость, совместимость • Избегать искусственных барьеров Компаниям: • Не просто сокращать расходы через ИИ • Инвестировать дивиденды от производительности в сотрудников (повышение зарплат, сокращение часов, переобучение) Правительствам: • Инвестировать в инфраструктуру и институты для новой экономики • Рассмотреть переход от налогов на труд к налогам на прирост капитала 🌊 Главная метафора Цитата из Уильяма Блейка: "Плодовитый перестанет быть плодовитым, если Пожиратель не будет, как море, принимать избыток его наслаждений". Иными словами: производство должно потребляться, система должна циркулировать. ИИ-экономика нуждается в "маховике" (flywheel), который обеспечит широкое распространение благ, а не их концентрацию.

[1/2] Atlassian "State of Developer Experience 2025" (Рубрика #DevEx) Изучил интересный отчет от Atlassian на тему DevEx, который вышел в прошлом году. Интересно, что это уже второй отчет, из серии, которую они запустили в 2024 году совместно с тогда еще независимой компанией DX (осенью 2025 года Atlassian купили эту компанию за $1 млрд). Исследование было построено на онлайн-опросе, в котором поучаствовали 3500 разработчиков и менеджеров из шести стран: США, Великобритании, Германии, Франции, Австралии и Индии. Опрос был проведён совместно с независимой фирмой Wakefield Research в период 13–23 марта 2025 года. Выборка разделена поровну по ролям: 1 750 респондентов – руководители (не ниже уровня менеджера разработки), и 1 750 – инженеры. Участники были привлечены по приглашениям по электронной почте. Ниже представлены основные результаты 🤖 Широкое внедрение AI-инструментов Практически все опрошенные разработчики (99%) теперь используют инструменты искусственного интеллекта и отмечают экономию времени, причём 68% экономят более 10 часов в неделю благодаря их применению. Для сравнения, в предыдущем отчёте 2024 года большинство разработчиков ещё не видели ощутимой выгоды от AI – прогресс за год оказался драматичным. 🚀 Использование высвобожденного времени Сэкономленные с помощью AI часы идут в дело: разработчики уделяют их улучшению качества кода, созданию новых функций и написанию документации. Такое перераспределение ресурсов говорит о том, что инженеры стремятся направить пользу от AI на повышение ценности продукта (рефакторинг, развитие функционала) и поддержку команды (документация, knowledge sharing). 🤡 Несмотря на выгоды, сохраняются большие потери времени ИИ ускоряет выполнение отдельных задач, однако организационные неэффективности сводят на нет эти выигрыши. 50% разработчиков теряют 10 и более часов в неделю из-за различных friction-факторов, а 90% – не менее 6 часов еженедельно. Иными словами, в среднем каждый разработчик столько же времени теряет из-за помех, сколько и выигрывает благодаря ИИ. 👾 Главные источники трений в процессе разработки Поиск необходимой информации (данные о сервисах, документация, API), необходимость осваивать новые технологии и постоянное переключение контекста между разрозненными инструментами – топ-3 факторов, отнимающих время у инженеров. Взаимодействие с другими командами также вошло в пятёрку главных препятствий, тогда как технический долг, лидировавший ранее, в этом году выпал из топ-5. Обучение новым технологиям и частые переключения между ними упоминаются как заметные новые виды трения в рабочем процессе. 👀 Кодинг не является узким местом По данным опроса, разработчики тратят непосредственно на написание кода лишь ~16% рабочего времени, и сам процесс кодирования не входит в число основных "болей". Это объясняет, почему популярные AI-ассистенты для программистов способны облегчить жизнь (ускоряя написание кода), но кардинально не решают проблему продуктивности: основные потери происходят на других этапах. Без параллельного устранения непроизводительных задач эффект от ускорения кодинга ограничен. 💔 Разрыв между инженерами и руководством Отчёт выявил усилившееся несоответствие взглядов: 63% разработчиков считают, что лидеры не понимают их ежедневных трудностей, тогда как годом ранее так думали 44%. Такой рост “эмпатического разрыва” авторы связывают с тем, что менеджмент поспешно зачитывает в плюс командам сэкономленные с помощью AI часы, не устраняя при этом существующие препятствия в процессах. Иначе говоря, руководство может переоценивать эффект ИИ, в то время как инженеры по-прежнему тонут в рутине и организационных проблемах. В продолжении я расскажу про основные выводы и рекомендации авторов отчета. #AI #ML #PlatformEngineering #Software #Architecture #Processes #DevEx #Devops

Giiker Super Reversi (Рубрика #Game) На каникулах с удовольствием поиграл в reversi от Giiker (про трехмерную игру 4 в ряд от них я уже рассказывал). По-факту, новая игрушка примерно того же качества и настолько же интересна - это полноценная настолка в форме цилиндра, причем его безель крутится и используется для управления игрой. Само игровое поле представляет собой доску 8x8, на которой светодиодами отображаются зеленые и белые фишки, сама система автоматически проверяет расстановку + подсвечивает возможные ходы. Всего режимов работы три​​ 🤖 Одиночная игра против AI - отличный способ прокачать стратегическое мышление, когда никого нет рядом. ​👬 Игра вдвоём - классический режим для партий с друзьями или коллегами. Умная доска отслеживает корректность ходов и автоматически подсвечивает доступные позиции. 🧐 Режим обучения - в этом режиме можно разыграть учебные партии, которые усложняются по мере роста номера задачи. Так как я не знал правила реверси (а китайская инструкция не помогала), то я начал играть с этого режима и достаточно быстро уловил как базовые правила, так и базовые тактики:) Отдельно отмечу, что для выбора позиции надо вращать кольцо этой игры, что добавляет этой игрушки механичекую составляющую и придает ощущение хорошо собранной вещи. В общем, я ни разу не пожалел, что купил эту игрушку и взял с собой в поездку - очень интересная игрушка, а на высоких уровнях еще и достаточно сложная. #ForKids #ForParents #SelfDevelopment #Brain

6 Predictions for the AI Economy: 2026's New Rules of Cybersecurityот Palo Alto Networks (Рубрика #Security) Продолжаю читать отчеты за 2025 год или предсказания на 2026. В этот раз речь идет про кибер-безопасность во времена развития AI и этот отчет подготовила компания Palo Alto Networks, один из столпов этого рынка. 🎭 The New Age of Deception: The Threat of AI Identity ИИ уже способен создавать идеальных «клонов» руководителей, неотличимых от реальных людей. Идентичность теперь – новый периметр безопасности: безопасность должна проактивно защищать каждого человека, машину и AI-агента, чтобы сохранить доверие. Из опыта могу отметить, что deepfake-двойники встречаются в реальности, правда, я пока видел, как они пишут через мессенджеры, звонят по телефону или проходят интервью, но верю, что в 2026 эта практика станет еще популярнее. 🤖 The New Insider Threat: Securing the AI Agent Автономные AI-агенты ускоряют работу, но без должной защиты могут стать «инсайдерами-предателями» с привилегиями на все API и данные – злоумышленник способен перехватить такого бота одним вредоносным промптом. Поэтому в 2026-м появится новый класс инструментов – «AI-файрволы», которые в реальном времени мониторят и блокируют атаки на агентов (инъекции промптов, злоупотребление инструментами и др.). Я видел как браузеры со встроенными агентами типа Comet от Perplexity могут шерстить внутренние базы знаний и куда дотекут эти внутренние данные - это большой вопрос 🧪 The New Opportunity: Solving the Data Trust Problem Атаки смещаются на данные – хакеры незаметно «травят» обучающие датасеты ИИ, встраивая в них бэкдоры и искажая модели. Традиционный периметр уже не спасает: нужен общий взгляд разработчиков и безопасников. В 2026-м инструменты видимости данных (DSPM/AI-SPM) и защиты на уровне выполнения кода (software firewall) станут обязательными для доверия к AI-моделям. ⚖️ The New Gavel: AI Risk and Executive Accountability В 2026 вопрос «кто ответит, если AI нанесёт ущерб» перестанет быть философским – за провалы ИИ начнут спрашивать с руководства. Ожидаются первые судебные иски, лично привлекающие директоров к ответственности за инциденты, связанные с неуправляемым ИИ. Чтобы инновации не встали, CIO придётся стать стратегом (или ввести должность Chief AI Risk Officer) и выстроить единый контроль AI-рисков на уровне компании. А казалось, что буквально недавно появилась должность Chief AI Officer (а помните я шутил раньше про роль CAIO), а теперь у нас будет еще и CAIRO 🤩 ⏳ The New Countdown: The Quantum Imperative Угроза «собери данные сейчас – взломай квантовым компьютером потом» становится реальностью и ускоряет крупнейшую криптографическую миграцию в истории. В 2026 регуляторы потребуют план перехода на пост-квантовое шифрование, а прорыв в квантовых вычислениях сократит “дедлайн” угрозы с 10 до ~3 лет. Уже сейчас компаниям нужно выявить, какие алгоритмы шифрования уязвимы, и стать крипто-агильными – научиться быстро менять стандарты шифрования под новые, чтобы защитить данные в будущем. Кстати, я как-то разбирал уже новость про такую инициативу от UK cybersecurity agency 🌐 The New Connection: The Browser as the Novel Workspace Браузер стал автономной платформой («новой ОС») и, как следствие, новым полем боя для ИБ. Трафик, генерируемый ИИ, вырос на 890%, инциденты утечек данных удвоились – конфиденциальные данные утекают как случайно (сотрудник вставил секретный код в ChatGPT), так и через атаки промптов, когда AI-бота обманывают выдать чужие данные. Нужен Zero Trust прямо в браузере: специальный облачный механизм проверяет действия ИИ до шифрования трафика – маскирует чувствительные данные в промптах, запрещает скриншоты и блокирует нелегальный экспорт файлов. Рекомендую почитать оригинальную статью, потому что по каждому пункту Wendi Whitmore, Chief Security Intelligence Officer @ Palo Alto Networks, приводит ссылки на дополнительные материалы о том, что это за риск и что с ним можно сделать. #Security #CyberSecurity #AI #Management #Leadership #Data #Economy #Engineering #Architecture #Software

[2/2] Databases in 2025: A Year in Review by Andy Pavlo (Рубрика #Databases) Продолжая рассказ об обзоре рынка баз данных от Andy Pavlo, расскажу про оставшиеся тезисы. 💸 Деньги, слияния и поглощения 2025-й оказался богат на крупные сделки в мире данных - Продолжилась охота на PostgreSQL-компании: Neon ушёл к Databricks, Crunchy Data – к Snowflake (за $250 млн) - IBM не остался в стороне и забрал себе DataStax (Cassandra) примерно за $3 млрд - Salesforce раскошелился на старейшую ETL-платформу Informatica (~$8 млрд) - Даже MariaDB Corp. умудрилась в том же году дважды купить «саму себя» – вернув под своё крыло отколовшуюся облачную дочку SkySQL - Неожиданностью года стало слияние Fivetran и dbt Labs – две взаимодополняющие компании объединились в ETL-колосс, метящий на скорый IPO 📉 Инвесторы охладели к новым СУБД Хайп вокруг векторных баз спал, венчуры в 2025 меньше инвестировали в молодые DB-стартапы, предпочитая нести деньги в AI. Зато лидеры отрасли продолжают получать огромные раунды: - Databricks привлёк $5 млрд (два раунда) за год - ClickHouse – $350 млн - Supabase – суммарно $300 млн (Series D + E) - И даже совсем молодые проекты вроде SpiralDB (создатели Vortex) поднимают десятки миллионов. 💀 Не все выжили Ряд компаний не пережил этот год - Закрылся FaunaDB – амбициозный распределённый СУБД‑стартап с сильной консистентностью (Pavlo был у них техконсультантом и советовал добавить SQL, но его не послушали) - Проект PostgresML (машинное обучение внутри PostgreSQL) тоже не взлетел - Команда Hydra (коннектор DuckDB↔️Postgres) разбрелась кто куда - Даже классика: Apache Derby (Java-СУБД с 1997 года) объявлен "read only" – разработка остановлена за отсутствием мейнтейнеров. GPU-базы данных тоже постигла нелёгкая судьба - Стартап-супергруппа Voltron Data с инвестициями $110M так и не успела выпустить свой GPU-ускоренный движок Theseus - HeavyDB (ранее OmniSci/MapD, пионер GPU-СУБД) тихо прекратил самостоятельное существование – команду поглотила Nvidia Andy Pavlo резюмирует: нишевые решения вроде Kinetica и Sqream по-прежнему где-то на периферии, а заметно потеснить классические CPU-ориентированные СУБД GPU-решения пока не смогли. Производительность современных колонночных систем на CPU уже настолько высока, что решающее значение имеют не сырые оптимизации, а удобство для разработчиков и «умность» оптимизатора запросов. Впрочем, Pavlo намекает, что в 2026-м мы услышим о новых попытках задействовать GPU на полную мощность – гонка продолжается. 🏆 Ларри Эллисон – вершина успеха Для основателя Oracle этот год стал поистине триумфальным. В 81 год Ларри Эллисон возглавил список богатейших людей планеты, впервые «коронованный» как самый богатый человек в мире (состояние оценивалось около $393 млрд). Oracle взлетел в цене благодаря облачным сделкам в сфере ИИ, и в сентябре 2025 акции Oracle выросли на 40% за день, сделав Эллисона не только №1 в мире, но и самым богатым человеком в истории (с поправкой на инфляцию обошёл даже Рокфеллера). Правда, спустя пару месяцев стоимость Oracle откатилась и Ларри потерял порядка $130 млрд – в масштабе миллиардера это как для нас с вами лишиться одной зарплаты, шутит Pavlo. В течение года Oracle/Эллисон засветились в крупных событиях: Oracle выступил ключевым партнёром в сделке по «американизации» TikTok и финансировал попытку поглощения Warner Bros (через принадлежащий семье Эллисона холдинг Paramount). Andy Pavlo признаётся, что был даже рад услышать новость о том, что “благодаря базам данных кто-то стал самым богатым на земле” – наконец в нашей сфере случилось нечто позитивное. Он иронизирует над критиками Эллисона: мол, Ларри уже завоевал мир корпоративных баз данных, выиграл регаты и построил сеть люкс-спа для техно-богачей, так почему бы ему не купить новостной телеканал? Эллисон не обращает внимания на разговоры, делает что хочет – фанаты и новая жена его поддерживают, а остальное неважно. #Database #Architecture #Management #DistributedSystems #Software #Engineering #Future

[1/2] Databases in 2025: A Year in Review by Andy Pavlo (Рубрика #Databases) Изучил ежегодный обзор рынка баз данных от Andy Pavlo, крутого преподавателя и исследователя мира БД из Carnegie Melon University. Ниже краткое саммари основных моментов 🐘 PostgreSQL правит бал Доминирование PostgreSQL продолжается и именно вокруг Postgres сосредоточена большая часть энергии и инноваций в СУБД. В 2025 это подтвердилось громкими сделками: - Databricks купил облачный PostgreSQL-сервис Neon (~$1 млрд) - Snowflake – Crunchy Data ($250 млн) - Microsoft запустил свой PostgreSQL-DBaaS (HorizonDB) Появились проекты масштабирования Postgres по горизонтали (шардинг): - Supabase нанял соавтора Vitess для проекта Multigres - PlanetScale анонсировал систему Neki – Postgres-на-стероидах для больших нагрузок Pavlo приветствует эту волну "шардированного Postgres", хотя напоминает, что попытки сделать масштабируемый Postgres предпринимались и раньше. 🤖 MCP для LLM в каждый дом Если 2023-й был годом "векторных индексов" в каждом движке, то 2025-й – годом поддержки Anthropic MCP (Model Context Protocol) во всех СУБД. После поддержки OpenAI этого протокола практически каждый вендор выпустил MCP-сервер к своей базе – от OLAP-систем (ClickHouse, Snowflake и др.) до NoSQL (MongoDB, Neo4j, Redis); а провайдеры PostgreSQL‑DBaaS написали свои реализации. По мнению Andy Pavlo появление такого стандарта взаимодействия ИИ с БД - это благо, но стоит нужно ограничивать и мониторить эти реализации (например, только read-only запросы, лимиты на результат и таймауты), иначе рано или поздно случится факап ⚖️ MongoDB против FerretDB – судный день? Впервые за историю индустрии СУБД одна компания подала в суд на другую за имитацию её API. MongoDB, Inc. обвинила стартап FerretDB (прокси, переводящий запросы MongoDB в PostgreSQL) в нарушении авторских прав, патентов и лицензии. Andy Pavlo сравнивает этот иск с процессом Oracle vs Google за Java API – тогда суд встал на сторону свободной реализации. Исход дела неясен, но есть пикантный нюанс: FerretDB изначально назывался "MangoDB". Интересно, что параллельно Microsoft в 2025 открыла исходники собственной Mongo-совместимой базы DocumentDB (передав проект в Linux Foundation) – то есть фактически занялась тем же, в чём Mongo обвиняет FerretDB. 📁 Война форматов данных Почти 15 лет формат Parquet царил в колонночных хранилищах, но в 2025 сразу пять новых open-source форматов бросили ему вызов (ещё несколько появились в 2024-м). Среди них – проекты от академиков (FastLanes, F3, AnyBlox), стартапов (Vortex от SpiralDB) и гигантов (Microsoft Amudai, правда, его тихо прикрыли к концу года). Сообщество Parquet встрепенулось и взялось за модернизацию стандарта. Andy Pavlo отмечает, что главная проблема Parquet – не в самом формате, а в фрагментации реализации: слишком много парсеров/писателей в разных языках, поддерживающих разный поднабор фич. В результате 94% файлов «в живой природе» до сих пор созданы с фичами v1 образца 2013 года. Никто не будет переписывать петабайты старых паркет-файлов, да и невозможно быть уверенным, что любая система прочитает новейший файл – вдруг ей не хватит поддержки специфичных опций. Новые форматы пытаются решить проблему совместимости по-разному. Например, формат F3 (разрабатываемый в том числе при участии Pavlo) встраивает в каждый файл собственные декодеры: и в виде нативных модулей, и в виде WASM-кода, лежащего прямо в файле. Идея в том, что база данных сможет прочесть колонку даже нового, незнакомого формата – исполнив прикреплённый WASM-декодер. Другие (AnyBlox) генерируют единый WASM для всего файла. Пока неясно, чей подход победит – Parquet повсеместен, и инерция огромна. Следующее сражение развернётся за поддержку GPU в форматах, прогнозирует Pavlo, но одно ясно уже сейчас: битва за эффективное хранение данных вошла в новую фазу. В продолжении я расскажу про остальные пункты. #Database #Architecture #Management #DistributedSystems #Software #Engineering #Future

Киберспорт. Игры, деньги, два клика (The Book of Esports) (Рубрика #Game) Прочитал на каникулах книгу Уильяма Коллиса, геймера и предпринимателя, что соосновал несколько стартапов в киберспорте и успешно продал их, получил прозвище “The Professor” за преподавание киберспорт в колледже, а сейчас он является совладельцем и соучредителем профессиональной киберспортивной команды Team Genji, которая считается №1 в мире по игре Hearthstone. Уильям решил написать книгу, чтобы сделать понятный гайд для всех, от геймера до инвестора, от родителя киберспортсмена до технического директора, который хочет понять, что творится в этой новой сфере. В итоге, книга вышла на английском в 2020 году и стала первым всеобъемлющим обзором индустрии, а также своеобразным учебником для курсов про киберспорт. Коллис с первых страниц обозначает амбиции: рассказать обо всех гранях киберспорта. В аннотации прямым текстом перечислено, что читатель узнает: - Как все начиналось: от первых соревнований по видеоиграм до взрывного роста стриминга – история становления киберспорта шаг за шагом. Автор прослеживает путь от игровых автоматов и LAN-пати к аренам и онлайн-платформам. - Связь с традиционным спортом: параллели между спортивными состязаниями и их цифровым аналогом. Коллис показывает, что принципы соревнований универсальны: будь то футбол или Dota 2 – важны навыки, командная динамика, зрелищность и дух соперничества. - Почему успешны именно эти игры: разбирается, как League of Legends, Fortnite, StarCraft, Dota 2 и другие стали киберспортивными хитами. Здесь автор вводит понятие факторы SCAR – четыре условия, без которых игра не станет киберспортом Skill, Community, Accessibility, Reward (мастерство, сообщество, доступность, награда). Коллис показывает, что, например, StarCraft заложил основу: высокая планка мастерства, сплоченное сообщество, легкость начать играть и серьезные призы – все это сделало его глобальным явлением. - Бизнес и инвестиции: отдельный фокус – что нужно знать компаниям, решившим вложиться в киберспорт. Автор делится стратегическими мыслями о том, на чем зарабатывают турниры, команды, стриминговые платформы. Рассматриваются модели монетизации - Коллис даже предлагает свою аббревиатуру BAMS: Blade & razors, Advertising & assets, Microtransactions, Subscriptions. Для руководителей тут ценно увидеть, как выстроена экономика индустрии: спонсорства, медиаправа, продажи внутриигровых товаров – все кирпичики большого бизнеса. - Будущее киберспорта: Коллис заглядывает вперед, рассуждая, что ждет индустрию завтра. Поднимаются вопросы: какие новые жанры появятся (он вспоминает, как жанр королевской битвы внезапно ворвался с PUBG), не превратится ли любой видеоигровой жанр в соревнование. Интересна модель OMENS, в которой автор рассказывает про факторы, что влияют на возможность игры удержаться в топе киберспортивных игр. OMENS расшифровывается как Opportunities for competition, Monetization, Ecosystem support, Network effects, Switching costs. Не обязательно, чтобы все факторы сходились воедино, но чем их больше, тем выше шансы игры приблизиться идеалу. Кстати, тут проскальзывает интересная аналогия про кетчуп и горчицу - кетчуп имеет устойчивый вкус и ожидания, а горчицы все разные. В итоге, чтобы игра могла стать киберспортивной дисциплиной, ей стоит быть похожей на кетчуп и следовать модели OMENS - Альтернативные версии киберспорта. В финальной главе обсуждается новый класс состязаний, способный сделать киберспортом даже Super Mario Bros. – намек на спидраны и другие нестандартные форматы из разряда «безупречных побед». Также автор говорит о грядущих сдвигах: слияние человеческих и машинных навыков, развитие ИИ в играх и другие футуристические идеи. Отдельно отмечу, что книга написана простым языком и понятна широкой аудитории, то есть основы киберспорта в изложении Колиинса поймет даже человек далекий от игр. Одновременно автор не скучен и для старожилов: он вплетает истории о культовых матчах, курьезах индустрии, интервью с известными киберспортсменами, делая повествование «живым». #Game #Design #Engineering #Software

[2/2] State of Web Dev AI 2025 - Анилиз для руководителей (Рубрика #AI) Продолжая рассказ про отчет, надо отметить, что AI-инструменты влияют не только на код, но и на организацию работы команд разработки. Ниже – ключевые инсайты для технических лидеров о том, как интеграция ИИ меняет рабочие процессы, роли и затраты. AI в процессах и продуктивности команды 🤖 Часть ежедневного workflow. AI-инструменты прочно вошли в повседневную практику: 59% опрошенных согласны, что ИИ стал неотъемлемой частью их разработки. Почти половина инженеров (46%) запускают генерацию кода с помощью AI несколько раз в день – фактически AI уже выступает “вторым пилотом” для разработчиков на многих задачах. 📈 ROI – рост производительности. Большинство инженеров отмечают, что AI-средства сделали их продуктивнее. Для менеджера это означает ускорение доставки: рутинные этапы (шаблонный код, документация, тесты) можно поручить ИИ и выполнить быстрее, освободив команду для творчества и решения сложных проблем. 🛠 Интеграция инструментов. Специализированные AI-IDE пока нишевы – лишь ~42% респондентов пробовали такие среды. Команды предпочитают добавлять AI-функции в знакомые IDE (VS Code, IntelliJ и др.), а не переходить на новые редакторы, поэтому эффективнее внедрять AI-плагины в существующий стек, чем заставлять всех осваивать совершенно новые решения. 💰 Бюджеты на AI. Многие компании осторожничают: ~38% вообще не тратят на AI-сервисы, тогда как ~12% уже инвестируют серьёзно (> $5000 в месяц). Большинство разработчиков также ограничивается бесплатными инструментами (94% платят <$50 в мес, из них ~52% — $0). Кадры, структура и риски 🧑‍💼 Навыки и новые роли. Важный новый skill – умение эффективно пользоваться AI. Средний разработчик уже попробовал почти 4 разных AI-модели, экспериментируя в поисках лучших инструментов. Навык написания грамотных промптов и проверки AI-результатов становится частью профессии. В некоторых компаниях появляются роли вроде AI-евангелиста или внутреннего эксперта, обучающего команду работе с ИИ. 🎓 Поддержание экспертизы. Нельзя допустить деградации навыков из-за чрезмерной зависимости от AI. 60% респондентов согласны, что переизбыток автоматизации может снизить общий уровень квалификации разработчиков. Чтобы этого не случилось, лидерам стоит поощрять полноценные ревью и разбор AI-кода – особенно для роста джунов. Обсуждение решений, полученных от ИИ, должно стать частью обучения: инженеры должны понимать, почему код работает, а не только получать ответ от машины. 🔒 Контроль качества и риски. Руководителю важно встроить AI в процесс контроля. Нужно определить правила: требовать автотесты и ревью для кода, сгенерированного AI, и ограничивать применение генерации в критичных модулях. Основные проблемы ИИ никуда не делись: модель все еще может галлюцинировать, упускать контекст или выдавать уязвимый код. Поэтому ясно обозначьте, где команда может полагаться на AI, а где обязателен ручной контроль. 🚀 Конкурентное преимущество. Правильно внедренный AI – это ускоритель для команды, а не замена живым инженерам. Опрос показывает, что AI по-прежнему дополнение, а не угроза: он ускоряет написание кода, но не отнимает рабочие места (лишь около четверти специалистов видят в ИИ угрозу для своей работы). Как отметил один из экспертов, «те, кто научатся использовать AI, получат преимущество» #Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps

[1/2] State of Web Dev AI 2025 - Анализ результатов для инженеров (Рубрика #AI) Почти год назад платформа Devographics провела первый опрос разработчиков, чтобы оценить состояние AI для веб разработки. Этот отчет я изучил еще осенью, но как-то забыл написать про него, поэтому исправлю это сейчас. Методология отчета Опрос проходил с 10 февраля по 10 марта 2025 года, участие приняли 4 181 веб-разработчик. Анкета изучала, как программисты применяют ИИ в работе, какие инструменты самые полезные и с какими проблемами сталкиваются. Опрос был открытым для всех желающих, поэтому в выборке, вероятно, больше энтузиастов ИИ (аудитория набрана в том числе из подписчиков State of JS/CSS). По итогам получились такие результаты Как разработчики используют ИИ 🤖 Генерация кода – главный сценарий применения: ~82% опрошенных используют AI для написания программного кода. Для сравнения, генерацию изображений применяет лишь 38% – несмотря на шум вокруг Midjourney и др., визуальные инструменты остаются нишевыми в веб-разработке. 😑 Доля AI-кода пока невелика. У 69% респондентов ИИ генерирует меньше четверти итогового кода, и только 8% получают с помощью AI более 75% своего кода. Иными словами, для большинства разработчиков ассистенты пока пишут отдельные фрагменты, а не весь проект целиком. ⚙️ Частота и эффективность: почти половина (46%) программистов запускают генерацию кода с помощью AI несколько раз в день или чаще. Многие включили такие инструменты в свой ежедневный workflow. Более того, большинство опрошенных согласны, что AI-помощники заметно повысили их продуктивность Популярные AI-инструменты 🤖 ChatGPT от OpenAI – абсолютный лидер по охвату: 91% веб-разработчиков хотя бы попробовали его в работе. Другие крупные модели тоже набирают пользователей: ~55–60% респондентов экспериментировали с Anthropic Claude, Microsoft Copilot (модельным бэкендом) или Google Gemini. Для сравнения, у нового xAI Grok этот показатель лишь ~25%. 🧑‍💻 GitHub Copilot – самый популярный coding assistant (AI-плагин для автодополнения кода). Им пользуются ~71% участников опроса, и он лидирует по доле положительных отзывов. Для сравнения, остальные ассистенты типа Tabnine или JetBrains AI сильно отстают (порядка 10–15% пользователей). Зато Supermaven выделяется: им пока пробовали <10%, но отзывы очень высокие – возможная «темная лошадка», способная выстрелить в ближайшем будущем. Проблемные точки ⚠️ Надежность и качество кода. Галлюцинации, фактические ошибки и ограниченный контекст модели – главные препятствия для широкого применения AI-инструментов. В итоге 76% разработчиков переписывают минимум половину кода, сгенерированного ИИ, прежде чем использовать его. Нередко причина проста: полученный фрагмент не работает так, как задумано. Без тщательного ревью и тестов доверять AI-коду пока нельзя. 💰 Расходы на инструменты. Большинство разработчиков пользуются бесплатными версиями AI-сервисов: свыше 90% тратят меньше $50 в месяц, в том числе 52% не платят ничего. Компании тоже осторожны с бюджетом: ~38% команд не инвестируют в AI совсем, а ~12% уже расходуют большие суммы (> $5000 ежемесячно). Пока многие выжидают, оценивая реальную отдачу от AI-инструментов. #Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps

История стартапа Lovable, что вырос в оценке с нуля до $6.6 млрд всего за один год (Рубрика #Startup) Компания Lovable (изначально известная как проект GPT Engineer) была официально основана в ноябре 2023 года в Стокгольме. Ее основали Anton Osika, бывший инженер CERN (опыт в ML и физике), и Fabian Hedin, серийный предприниматель и инженер. Интересно, что история компании началась с вирального open-source проекта gpt-engineer, CLI-утилиты, которая позволяла сгенерировать кодовую базу проекта по одному текстовому промпту. Проект стал хитом на GitHub (набрал десятки тысяч звезд за дни), показав огромный спрос на автоматическую генерацию кода. Увидев интерес, основатели решили превратить инструмент в полноценный коммерческий продукт для веб-разработки и запустили в конце 2023 года коммерческую версию. А в декабре 2024 года произошел ребрендинг: платформа получила имя Lovable, чтобы отразить фокус на создании продуктов, которые «нравятся людям», и уйти от технического названия. Если говорить про бизнес-модели, то они прошли путь - Бесплатного open-source инструмента - SaaS с фокусом на потребление ресурсов (usage-based pricing), где есть кредиты (что покрывают затраты на inference LLMs) В итоге, сейчас Lovable продает не просто "редактор кода", а "результат". Вы платите за вычисления (compute credits), которые тратятся на итерации агента (написание кода, фикс багов, развертывание). И этот подход очень нравится инвесторам. В 2025 году компания продемонстрировала одну из самых быстрых динамик роста оценки в истории европейских стартапов. 1. Pre-Series A (Февраль 2025) - $15 млн, лид-инвестор - Creandum, ангелы: Чарли Сонгхерст (экс-Microsoft), Адам Д'Анджело (CEO Quora), Томас Вольф (Hugging Face). 2. Series A (Июль 2025) - $200 млн, оценка - $1.8 млрд, лид-инвестор - Accel, участники: 20VC, byFounders, Hummingbird, Visionaries Club 3. Series B (Декабрь 2025) - $330 млн, оценка - $6.6 млрд, лид-инвесторы: CapitalG (фонд роста Alphabet/Google) и Menlo Ventures, стратегические инвесторы: NVentures (Nvidia), Salesforce Ventures, Databricks Ventures, Atlassian Ventures. Уже в раунде B подключилились такие тяжеловесы, что видно, что Lovable воспринимается не просто как "еще один редактор", а как ключевой игрок в инфраструктуре AI-разработки. На январь 2026 года Lovable представляет собой Full-Stack AI Builder. В отличие от Cursor (IDE для программистов), Lovable позиционируется как инструмент для создания конечного продукта, часто доступный даже не-инженерам (концепция "vibe coding" — вы описываете, что хотите, а система пишет код). Интерфейс Lovable выглядит как веб-приложение с чатом слева и живым превью приложения справа. На выходе получаются веб приложения на React, Tailwind, Node.js/Supabase код. Пользователь может видеть код, экспортировать его в GitHub и дорабатывать вручную (или при помощи других агентов). Из коробки работает интеграция с СУБД (Supabase), аутентификация и платежи. Агенты Lovable достаточно автономны - они умеют сами читать файлы проекта, находить ошибки и предлагать исправления, не требуя от пользователя указывать конкретную строку кода. Если говорить про известные планы, то они примерно такие 1. Enterprise-сегмент: Внедрение функций Governance (управление политиками безопасности кода), чтобы крупные компании могли безопасно использовать инструмент. 2. Автономные агенты 2.0: Переход от "помощника" к "автономному инженеру", который может поддерживать проект, обновлять зависимости и рефакторить код в фоновом режиме. 3. Географическая экспансия: Открытие офисов в США (Бостон, Сан-Франциско) для агрессивного захвата американского рынка. 4. Lovable Cloud: Развитие собственной облачной инфраструктуры для хостинга приложений, чтобы пользователю вообще не нужно было думать о серверах или внешних провайдерах (Backend-as-a-Service). #AI #Software #Engineering #Future #Architecture #Startup #SystemDesign

2025 LLM Year in Review by Karpathy (Рубрика #AI) Интересное ревью 2025 года от Андрей Карпаты, где он говорит про сдвиги парадигмы, которые поменяли ландшафт LLM 1️⃣ Reinforcement Learning from Verifiable Rewards (RLVR). К классическому стеку (pretrain → SFT → RLHF) добавился большой этап reinforcement learning по "проверяемым" наградам (математика/код-паззлы). Длиннее RL-прогоны → лучше capability/$, плюс появился рычаг test-time compute ("пусть модель думает дольше"). 2️⃣ Ghosts vs. Animals / Jagged Intelligence. LLM — это скорее "призраки", а не "животные". В одном месте гений, в другом — легко ломается/джейлбрейкается. Отсюда скепсис к бенчмаркам: их всё проще "обучить до смерти". 3️⃣ Cursor / new layer of LLM apps. Cursor можно воспринимать как шаблон LLM-app: отдельный слой продуктов = context engineering + оркестрация вызовов (DAG) + UI для human-in-the-loop + 🎛 autonomy slider. Отсюда появилась фраза про создание "Cursor for X". 4️⃣ Claude Code / AI that lives on your computer. Агент должен "жить" на твоей машине рядом с реальной средой (конфиги, секреты, данные, низкая латентность), а не в абстрактных облачных контейнерах. 5️⃣ Vibe coding. Интересно слышать тезисы от создателя термина vibe coding - по его мнению, порог пройден и теперь можно собирать рабочие штуки, используя самый распространенный язык программирования (английский). Код становится дешёвым, одноразовым и пластичным (хоть ради одного прогона). 6️⃣ Nano banana / LLM GUI. Чат — это консоль 80-х. Следующий UX — визуальные артефакты (слайды, схемы, whiteboard, web-app’ы). “Nano banana” у Google — ранний намёк на направление. А вообще, я рекомендую прочитать эти тезисы в оригинале, благо он очень короткий. #AI #ML #Trends #Software #Engineering #Future

Dispatch from the Future: building an AI-native Company (Рубрика #AI) Посмотерл претенциозный доклад Dan Shipper, сооснователя и CEO Every. Он запустил Every в 2020 году вместе с Nathan Baschez, а сегодня Every — это команда из 15 человек, которая управляет 6 бизнес-юнитами и 4 продуктами, публикует ежедневную рассылку об AI и консалтит. Как по мне масштаб компании небольшой, но тезисы амбициозные и интересные, поэтому я привел их здесь 1️⃣ Квантовый скачок при 100% adoption Разница между организацией, где 90% инженеров используют AI, и организацией со 100% adoption — это не 10%, а 10x. Если хотя бы 10% команды использует традиционные методы разработки, вся организация откатывается к старым процессам. Физика разработки меняется только при полном переходе. 2️⃣ 2. Один разработчик = продакшн-приложение В Every каждый из четырех продуктов построен одним инженером. Это не игрушки: Cora (AI email assistant) обрабатывает тысячи почтовых ящиков, Monologue (speech-to-text) используют для написания миллионов слов в неделю, Spiral (AI writing partner) генерирует контент с миллионами показов. 99% кода написано AI-агентами — никто не пишет код руками. 3️⃣ От code editor к делегированию агентнам Ключевое изменение — переход от редактора кода к terminal-based workflow с Claude Code, который убирает традиционный code editor и позволяет делегировать задачи агентам. Это открывает возможность параллельного выполнения: разработчики запускают 4 окна с агентами одновременно, работая над разными фичами. 4️⃣ Demo culture vs Memo culture Когда код становится дешевым, компании переходят от "memo culture" (писать документы и убеждать коллег) к "demo culture" — можно за пару часов сделать прототип и показать. Это позволяет делать более странные и интересные вещи, которые сложно описать словами, но легко почувствовать. 5️⃣ Compounding Engineering Every разработала методологию Compounding Engineering: каждая фича делает следующую фичу проще, а не сложнее. Цикл состоит из 4 этапов: - Plan (40%): агенты изучают кодовую базу и создают детальные планы - Work (20%): агенты пишут код и тесты - Review (20%): оценка качества через тесты, код-ревью, субагентов - Compound (20%): кодификация всех learnings в промпты, субагентов, slash-команды 6️⃣ Вторичные эффекты Полный AI-adoption разблокирует неочевидные преимущества: - Tacit code sharing: агенты могут читать репо соседних проектов и переносить паттерны в другой стек без явных библиотек - Новички продуктивны с первого дня: вся организационная база знаний закодирована в claude.md файлах - Cross-app commits: разработчики фиксят баги в чужих продуктах, потому что это просто - Polyglot stack: каждый продукт может использовать свой язык и фреймворк — AI справляется с трансляцией - Менеджеры коммитят код: даже CEO может коммитить production code между встречами 7️⃣ Fractured Attention Programming AI позволяет работать с "раздробленным вниманием", когда раньше нужен был 3-4 часовой фокус-блок. Теперь: вышел из встречи → дал задачу агенту → пошел на другую встречу → вернулся к готовому результату → сделал PR. Это влечет за собой следующие изменения для разработки 1) Изменения экономики разработки - Параллелизм вместо последовательности: с агентами разработчик работает с 3-4 задачами одновременно в разных worktrees, а не с одной, как было раньше - Снижение стоимости старта: prototype-first подход становится доминирующим - Инверсия роли разработчика: код пишут агенты, разработчики становятся "оркестраторами" 2) Трансформация процессов - Новые примитивы: появляются agents.md файлы с контекстом проекта, кастомные субагенты для специфичных задач и т.д (это способ кодификации знаний организации) - Сдвиг от документации к артефактам: агенты читают код и другие примитивы напрямую - Изменение hiring: больше не нужны недели на онбординг и не так важно знание конкретного стека #Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps #Architecture #Culture #Engineering #ML #SystemDesign

[2/2] Отчеты McKinsey про Gen AI (Рубрика #AI) Продолжая рассказ про исследования McKinsey, перейдем к метрикам рисков и «негативных последствий» (здесь есть данные, но опять сложно сравнимые) 4) “Experienced at least one negative consequence” 2023 - NA 2024 (начало) - 44% организаций испытали хотя бы одно негативное последствие от gen AI 2024 (середина) - 47% организаций испытали хотя бы одно негативное последствие от gen AI. 2025 - 51% организаций, использующих AI, испытали хотя бы одно негативное последствие (уже AI overall, не только gen AI). 5) “Inaccuracy” как ключевой риск (частично численно) 2023 - NA 2024 (начало) - риск, который значимо чаще стали пытаться митигировать по сравнению с прошлым годом; и "почти 25%" респондентов отмечают негативные последствия именно от неточности gen AI 2024 (середина) - NA 2025 - почти 33% всех респондентов сообщает о последствиях из‑за AI inaccuracy. 🤑 Ну и напоследок обсудим Value / EBIT, где метрика повторяется, но пороги и определения плавают Здесь McKinsey даёт числа, но в разных выпусках меняется “что считаем успехом”. 6) Доля компаний с EBIT‑эффектом (разные пороги) 2023 - 23% респондентов говорят, что ≥5% EBIT их организаций attributable to AI (flat YoY на тот момент) 2024 (начало) - только 5.2% (46 и 876 респондентов) "report that a meaningful share of their organizations’ EBIT can be attributed to their deployment of gen AI" 2024 (середина) - 17% говорят, что ≥5% EBIT attributable to gen AI; при этом >80% не видят “tangible impact” на enterprise‑level EBIT от gen AI 2025 - 39% сообщают о любом EBIT impact на enterprise level от AI (и у большинства это <5%) 7) Доля "High performers" в выборке (тоже не 1‑в‑1, но похоже по масштабу) 2023 - AI high performers тут определяются по критерию "> 20% EBIT attributable to gen AI". Прямого указания их количества нет, но оценку можно взять из других вопросов, например, про "reskill larger portions of the workforce" где ответило 50 high performers и остальных 863 (получается оценка в 5.4% high performers) 2024 (начало) - “gen AI high performers” = 46 из 876 (≈5.3%) респондентов (критерий: > 10% EBIT attributable to gen AI) 2024 (середина) - NA (в этом отчете ничего не говорится про high performers) 2025 - “AI high performers” ≈ 6% респондентов (критерий другой: EBIT impact ≥ 5% + “significant value”) В итоге, видим, что доля “топов” по self‑reported value остаётся порядка 5–6%, но из‑за смены критериев это не точный тренд. Если же глянуть на 2023 год, где 23% респондентов говорили про 5% вклад AI в EBITDA, то в 2025 году виден спад до 6% респондентов, что видят такой вклад. А значит высота достижений high performers становится ниже (или оценки влияния на EBITDA реальнее). #Engineering #AI #Metrics #Software #Productivity #Economics #Whitepaper

[1/2] Отчеты McKinsey про Gen AI (Рубрика #AI) Я продолжаю свое мета-исследование различных отчетов про внедрение AI и мне понравилась серия постов от McKinsey, которые системно и ритмично исследуют данный вопрос. Они начали делать это в 2023 году и продолжали в 2024 и 2025, а это уже позволяет отследить тренды и посмотреть как развивается ситуация во времени. Конкретно я поговорю про следующие отчеты - 2023 год: The state of AI in 2023: Generative AI’s breakout year - опрос с 11 по 21 апреля 2023, 1684 респондентов, публикация 1 августа 2023 - 2024 год - начало: The state of AI in early 2024: Gen AI adoption spikes and starts to generate value - опрос с 22 февраля по 5 марта 2024, 1363 респондентов, публикация 30 мая 2024 - 2024 год - середина: The state of AI: How organizations are rewiring to capture value - опрос с 16 по 31 июля 2024, 1491 респондент, публикация 12 марта 2025 - 2025 год: The state of AI in 2025: Agents, innovation, and transformation - опрос с 25 июня по 29 июля, 1993 респондента, публикация 5 ноября 2025 года (я подробнее уже рассказывал про результаты) Если глянуть на эти отччеты, то есть ряд метрик, что можно воспринимать как time series данные и оценивать тренды ❤️‍🔥Сначала начнем с метрик проникновения и ее широты 1) “AI use/adoption in at least one business function” — главный «сквозной» KPI Это самый стабильный KPI во всей серии: доля респондентов, у кого в компании AI используется/принят хотя бы в одной функции. 2023 - 55% 2024 (начало) - 72% 2024 (середина) - 78% 2025 - 88% Эту метрика можно назвать метрикой проникновения (“penetration”), она отвечате на вопрос "есть ли AI хоть где-то", но плохо различает пилот vs прод. 2) “Organizations regularly using gen AI in ≥1 business function” — второй сквозной KPI (но в 2025‑выпуске Nov 2025 он не акцентирован) 2023 - 33% 2024 (начало) - 65% 2024 (середина) - 71% 2025 - NA - в тексте отчета не дано отдельной цифрой (фокус смещён на agents и AI overall) 3) “AI spreads across multiple functions” — ширина применения (частично сопоставимо) С этим KPI сложнее: он «тот же по смыслу», но формулировки в разных отчетах разные (≥2 функции, >1 функция, ≥3 функции). 2023 - меньше 33% AI adopted в двух и более функциях 2024 (начало) - 50% — AI adopted в двух и более функциях 2025: больше 66% - AI используется более чем в одной функции; и 50% — в трёх и более функциях. Кажется, что авторов отчета меньше интересовала сравнимость данных год от года, а больше интересовал способ как померить широту охвата, поэтому вопрос про количество функций с adoption AI постепенно увеличивался В продолжении я расскажу про оценку эффектов AI/GenAI на компании и концепцию high performers, которые лучше справляются с внедрением инструментов. Я рассказывал об этом здесь, но в продолжении поста будет видно, как критерии high performance мутируют со временем. #Engineering #AI #Metrics #Software #Productivity #Economics #Whitepaper

Half-Life. Как Valve создала культовый шутер от первого лица (Half-Life: Le FPS libéré. Création - Univers - Décryptage) (Рубрика #Games) Прочитал на каникулах книгу 2016 года Яна Франсуа про Half Life, что совершила в конце 90х годов революцию в жанре FPS. Fвтор не просто решил пересказать игру - он поставил перед собой задачу проследить путь Half-Life от замысла до триумфа, а также показать, как Valve нашла свой уникальный стиль и какие решения определили успех проекта. Вообще, книга состоит из трех частей: исторической, повествовательной и аналитической. 1️⃣ В исторической части рассказывается предыстория основания Valve и хроника разработки Half-Life. Франсуа описывает биографию Гейба Ньюэлла и Майка Харрингтона – бывших сотрудников Microsoft, которые в 1996 году основали Valve, вдохновившись идеей сделать нечто масштабнее типичных шутеров того времени. Читатель узнает, с какими проблемами столкнулась молодая команда: от технических ограничений движка до неудачных прототипов уровней, а также переноса релиза игры на целый год – несмотря на приближение объявленной даты выхода в 1997-м, Valve выбрала довести всё до идеала 2️⃣ В повестовательной части Франсуа буквально в хронологическом порядке пересказывает сюжет Half-Life, от утренней поездки Гордона Фримена в исследовательский центр Black Mesa до финальной встречи с таинственным G-Man. Такой подробный пересказ может удивить искушенного читателя, ведь многие сами не раз проходили игру. Однако автор делает это не ради спойлеров, а чтобы проанализировать структуру истории, отметить ключевые моменты дизайна уровней и гейм-дизайнерские приемы. Так уже получилось, что я в 1998 году, когда вышла первая Half-Life в игры еще не играл, а к выходу второй - уж не играл, поэтому эта книга помогла мне понять, а в чем же сюжет культовой игры. 3️⃣ В аналитической части автор делится выводами о наследии Half-Life и влиянии игры на индустрию. Он изучает источники вдохновения разработчиков (от классических шутеров вроде Doom до фильмов ужасов и научной фантастики), внутреннюю философию Valve и то, как успех Half-Life повлиял на дальнейшие решения студии. Он старается ответить на главный вопрос: в чем феномен Half-Life? Среди поднятых тем – новаторская для 90-х интеграция сюжета и геймплея, когда история рассказывается через окружение и скрипты событий, а не через заставки. Автор обсуждает, как Valve нашла свой стиль разработки – культура, где ценится эксперименты, командная инновация и внимание к деталям. Отдельно стоит отметить, что Half-Life и Valve сильно повлияли на историю компьютерных игр - Half-Life по праву считается одной из величайших игр всех времен, которая фундаментально изменила подход к созданию шутеров. До её выхода сюжет в экшен-играх подавался в лучшем случае через брифинги или ролики между уровнями. Valve же показала, как можно рассказать сложную историю внутри геймплея – игрок сам переживает все события, оставаясь в роли персонажа. - С технической точки зрения Half-Life тоже задала планку. Игра построена на сильно модифицированном движке Quake, названном GoldSrc, и разработчики не побоялись углубиться в код предшественников, чтобы реализовать свои идеи. Результатом стали новаторские решения: продвинутый ИИ врагов, скриптовые события в реальном времени, которых раньше не видели в динамике FPS, и модульная архитектура игры, позволившая сообществу создавать тысячи модификаций (одна из них Counter-Strike) - Half-Life 2 (2004) стала качественным скачком: ради него студия создала с нуля новый движок Source, который затем стал основой множества игр на годы вперед. Source принес индустрии новые технологии графики, анимации, физики, звука и повествования, многие из которых используются до сих пор. - Half-Life и Half-Life 2 вместе не только задали стандарты геймдизайна, но и изменили сам подход к дистрибуции игр. Параллельно с HL2 в 2003 году Valve запустила сервис Steam, изначально – чтобы распространить обновления для сетевых игр вроде Counter-Strike, а затем – чтобы продать сам HL2 напрямую игрокам. #Game #Design #Engineering #Software

Парк Львов "Земля Прайда" (Рубрика #Kids) 2 января мы с детишками и друзьями мы были в парке львов "Земля Прайда" (1 и 2 января мы провели под Клином, поэтому ехать до парка было близко). Я уже как-то рассказывал про ребят, но с тех пор они переехали на территорию побольше + завели tg-канал (или он уже был). В этот раз мы приехали после обеда да еще и в зимний день, поэтому часть животных пряталась в своих домиках и уже спала (ведь зимой дни короткие). Но мы мы, прикупив ведерки с едой для животных, смогли пройтись по територии и потренироваться в метании мяса тиграм и львам, а также покормить с рук кроликов, верблюдов, ламу, оленя ... В общем, парк отличный - Многие животные были выкуплены из неволи и выхожены сотрудниками парка - видно, что они достаточно вольготно живут и хорошо питаются - На территории парка все сделано для животных и людей - вальеры для животных большие, тигры, мишки и львы живут на большой и огороженной территории, где ты поднимаешься по лестнице наверх и дальше смотришь не через прутья клетки, а как бы с высоты на зверей За час-полтора мы быстрым темпом обошли всех животных (медленно ходить было прохладно), потом взяли по капучино для взрослых и по коле для детей в кафешке, сели в машину и поехали обратно в Москву. #ForParents #ForKids #Family #Stories

AI Trends 2026: Quantum, Agentic AI & Smarter Automation (Рубрика #AI) Пока идут новогодние каникулы, можно глянуть предсказания на 2026 год. Так я наткнулся на видео Martin Keen и Aaron Baughman из IBM, что опубликовали такой обзор про AI на 2026 год. Кстати, Martin Keen, IBM Fellow, в прошлом году записывал такое видео в одиночку и я про него рассказывал (можете сравнить с реальностью и оценить что исполнилось). 1️⃣ Мультиагентная оркестрация (Multi-Agent Orchestration) 2025 был годом AI-агентов, но ни один агент не справляется со всем. В 2026 мы увидим команды специализированных агентов, координируемых оркестратором. 2️⃣ Цифровая рабочая сила (Digital Labor Workforce) Автономные AI-агенты становятся "цифровыми работниками", способными парсить мультимодальный ввод, выполнять workflow и интегрироваться с корпоративными системами. Ключевой элемент — human-in-the-loop AI для oversight, коррекции и стратегического управления. Это важно, так как цифровые работники обеспечивают force-multiplying эффект, работают 24/7 и масштабируются без массового найма персонала. 3️⃣ Physical AI и гуманоидные роботы AI покидает цифровое пространство и входит в физический мир. Physical AI — это модели, которые понимают 3D-среду, физику (гравитация, трение) и могут взаимодействовать с реальностью через роботизированные системы. Для этого нужны world foundation models (WFM), генеративные модели, создающие и понимающие 3D-окружения. Про этот подход рассказывала Fei-Fei Li, крестная мать AI, в докладе "Spatial Intelligence is the Next Frontier in AI", который я уже разбирал. 4️⃣ Social Computing — коллективный AI Мир, где множество агентов и людей работают внутри общей AI-ткани (AI fabric). Агенты и люди соединены через единое пространство, обмениваются контекстом, намерениями и действиями, создавая empathetic emergent network — коллективный интеллект или "swarm computing". 5️⃣ Verifiable AI и EU AI Act EU AI Act вступает в полную силу к середине 2026 года. Как GDPR для AI: системы высокого риска должны быть аудируемыми и трассируемыми. Требования: - Документация — технические доки, тестирование, риски - Прозрачность — пользователи должны знать, что взаимодействуют с машиной - Data lineage — откуда данные и соблюдены ли авторские права По мнению ребят EU AI Act установит глобальный шаблон для AI-регулирования, как GDPR для privacy. 6️⃣ Quantum Utility Everywhere По мнению ребят именно в 2026 году квантовые вычисления начнут решать реальные задачи лучше, быстрее или эффективнее классических систем. Quantum utility scale — гибридные квант-классические системы, интегрированные в повседневные бизнес-операции для оптимизации, симуляций и принятия решений. Это обусловлено тем, что мы уже видим прорывы в коррекции ошибок, модульности и гибридных алгоритмах ускоряются, а также появляются Quantum-as-a-Service от IBM, AWS, Microsoft и Google. 7️⃣ Reasoning at the Edge — мышление на устройстве Большие модели научились "думать" через inference-time compute (step-by-step reasoning). Теперь эти способности дистиллируются в малые модели (несколько миллиардов параметров), работающие на ноутбуках и телефонах. Модели с reasoning работают локально, данные не покидают устройство, нет задержки на облако. 8️⃣ Amorphous Hybrid Computing Будущее там, где топологии AI-моделей и облачная инфраструктура сливаются в fluid computing backbone. Модели эволюционируют за пределы чистых трансформеров, интегрируя state space models (SSM) и другие архитектуры. Одновременно облака комбинируют CPU, GPU, TPU, QPU (quantum) и нейроморфные чипы, чтобы исполнять алгоритмсы на оптимальном для инференса устройстве, обеспечивая производительность и эффективность. Итого, 2026 обещает стать переломным годом для AI: от изолированных моделей к оркестрированным системам, от облака к edge, от цифрового к физическому. #AI #ML #Trends #Software #Engineering #Future

“We Play on the Offensive.”An Interview with Revolut Founder Nikolay Storonsky (Рубрика #Leadership) Посмотрел интересное интервью Николая Сторонского, основателя компании Revolut ($75 млрд оценка), что он дал Елизавете Осетинской, иностранному агенту. В этом интервью Николай рассказал о том, как строить компанию, где работают только топ-таланты. Но сначала стоит поговорить про масштаб компании сегодня (кстати, я про Revolut уже как-то рассказывал) - 12,000 сотрудников (5,000 core team, 7,000 support/sales) - 1,200 разработчиков, примерно ~30-40% всей команды — это engineering + product + data science - 45M пользователей, 15M daily active - $6B выручка, $2B прибыль (2025 план: $9B/$3B) - 40 стран, экспансия в 60+ рынков Компания фокусируется на найме hgih avievers (достигаторов). Сам Николай провел много тысяч интервью и так формулирует свои критерии - Топ-1-5% везде — от школы до предыдущих мест работы - STEM-бэкграунд с доказанным track record - Problem-solving end-to-end — должны приходить с решениями, а не проблемами - Амбициозные цели — цитата Николая из интервью, что мне понравилась "почти всё можно достичь, что подчиняется законам физики" - Готовность увольнять слабых - большинство боятся этого делать Отдельно Николай отметил, что они не берут - Классических банкиров — "низкое качество талантов, они maintainers, а не builders" - Средних исполнителей — "как только начинаешь работать со средними людьми, они приходят: 'У нас проблемы, что делать?' Мы таких не любим" Интерес подход Николая к текучке - regrettable attrition наддо держать небольшим (1.5% в квартал), а forced attrition надо разгонять до 10-20% в год (чтобы прощаться со слабыми). По мнению Николая это работает, так как - Постоянная фильтрация открывает лестницу для новых талантов - Ранние сотрудники уходят мультимиллионерами (топ-менеджеры заработали $50-80M на вторичных продажах акций) - Компенсация выше банков: зарплата + бонусы + акции для всех 5K core team Николай поделился следующими культурными ценностями, что приняты в компании 1. Never Settle — ставь амбициозные цели и достигай их 2. Think Deep — глубокий анализ, логика, zero bullshit 3. Dream Team — маленькие команды из звёзд 4. Get Things Done — ownership без микроменеджмента 5. Deliver Wow — перфекционизм для долгосрочного качества Отдельно много фокуса на AI и автоматизации работы (кстати, я уже разбирал подход к автоматизации процессов разработки в Revolut). Конкретно в этом интервью речь была про риск менеджмент и compliance: - LLM обрабатывают 400,000+ страниц регуляций, автоматически экстрагируют obligations и линкуют к контролям - ML-модели на 200+ параметрах (IP, транзакции, connections) — точность выше аналитиков-людей - 75% customer support автоматизировано через чатботы и голосовых ассистентов Подход Николая к управлению такой командой достигаторов выглядит так 1. Flat-структура - Нет кабинета даже у CEO — работает с open space - 40+ direct reports + 30 "bright young people" (ex-McKinsey/IB/фаундеры) в office of CEO для теневого аудита performance 2. KPI-driven всё - Еженедельные 1:1 по 15 минут: Jira, метрики, проблемы - Понедельник/вторник — department reviews - Net performance 70%+, attrition <1.5% в квартал для сильных 3. Radical Honesty (примерно как в книге Radical Candor (Радикальная прямота), о которой я уже рассказывал) - Нет политики, только данные - Фидбек прямой, без эмоций - Любой может подойти к любому 4. Продуктовый подход - Команды 8-10 человек, bootstrap 9-18 месяцев - Kill <25% продуктов по gross profit - Интервьюеры обучаемы: их precision/recall трекают, худших 25% убирают #Engineering #Leadership #Hiring #Culture #AI #Management #Startup

Developer Experience in the Age of AI Coding Agents (Рубрика #Agents) Посмотрел интересное выступление Max Kanat-Alexander, Executive Distinguished Engineer в Capital One, где он рассказывал про DevEx в эпоху AI-агентов или как не утонуть в уже существующем legacy и новосозданном legacy, генерящегося агентами в ускоренном режиме:) Макс ранее работал Tech Lead в Google (над Code Health) и Principal Staff Engineer в LinkedIn (над Developer Productivity). Также он написал книги "Code Simplicity" и "Understanding Software", которые я пока не прочел:) Основные тезисы доклада такие 1️⃣ Не сражайтесь с Training Set Используйте стандартные инструменты. Если вы написали свой пакетный менеджер или используете редкий язык — агент будет тупить. Он обучен на open source стандартах. Чем "скучнее" и стандартнее ваш стек, тем умнее на нём работает AI. 2️⃣ CLI > GUI Агентам нужны API и CLI, а не браузер. Заставлять агента "кликать" через GUI — дорого и ненадежно. Если у инструмента есть текстовый интерфейс, агент справится с ним быстрее и точнее. 3️⃣ Тесты должны быть детерминированными Агенту ничего не говорит ошибка `500 Internal Error`. Ему нужны четкие сообщения валидаторов. Инвестиция в качественные сообщения об ошибках в тестах и линтерах — это инвестиция в автономность агента. Критично что тесты должны бежать быстро (30 секунд, а не 20 минут). Агент запускает их в цикле. Медленный CI убьёт продуктивность агента. 4️⃣ Документируйте "Зачем", а не "Что" Агент видит код и понимает, что он делает. Но он не был на ваших митингах и не умеет читать мысли. В документации теперь нужно писать контекст: бизнес-цели, внешние ограничения, форму данных на входе. То, чего нет в коде. 5️⃣ Проблема Code Review (Порочный цикл) Написание кода превращается в чтение. Количество PR-ов растет экспоненциально. Но, если у вас слабый процесс ревью, вы начнете "штамповать" (LGTM) плохой код от агентов. Кодовая база деградирует, агенту становится сложнее в ней работать, он пишет еще больше чуши → получается порочный круг. Решение в том, чтобы распределять нагрузку по ревью (не слать всё в общий канал "кто-нибудь гляньте") и жестко держать планку качества. 🚀 Что это значит для разработки? - Рефакторинг легаси обязателен. Если человек не может понять структуру проекта без "тайных знаний", агент там просто галлюцинирует. Хорошая структура кода теперь — экономическая необходимость. - Сдвиг парадигмы. Мы переходим от написания кода к верификации. Навык быстро читать и валидировать чужой код становится важнее навыка быстро печатать. - Золотое правило. Всё, что хорошо для AI-агента (быстрые тесты, внятные ошибки, стандартные инструменты), хорошо и для человека. Даже если AI завтра исчезнет, эти инвестиции окупятся для людей. Забавно, что это очень похоже на "золотое правило морали", универсальный этический принцип, который гласит: «Поступай с другими так, как хочешь, чтобы поступали с тобой», #Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps #Architecture #Culture #Engineering #ML #SystemDesign

[2/2] Hard Won Lessons from Building Effective AI Coding Agents (Рубрика #Agents) Продолжая рассказ про этот доклад, надо рассказать про Cline-Bench: open source benchmark для реальных задач Cline анонсирует cline-bench — попытку создать benchmark с такими данными. Каждая задача внутри бенча это: - Starting repo snapshot (git commit hash) - Real prompt from user - Ground truth tests на основе кода, который реально зашипился Этот бенч - Полностью open source, no secret sauce, no locked datasets - Любой может использовать для SFT, RL, eval - Любой может поучаствовать Как контрибьютить 1. Работайте над open source проектом с включенным Cline Provider 2. Opt into cline-bench initiative 3. Если frontier model застрял и вы вмешались, чтобы починить — это идеальный кандидат для benchmark В общем, просто используйте Cline, наблюдайте, где модель struggles, и Cline подберет эти задачи в open-source benchmark. P.S. Если подбивать мысли из доклада, то можно вынести следующее 1. Для инженеров, использующих AI coding agents - Перестаньте over-engineering scaffolding. Проще = лучше ​- Фокусируйтесь на capability модели, а не на умных абстракциях ​- Ваши real-world failure cases — самые ценные данные для экосистемы ​- Contribution в open benchmarks помогает всем ​ 2. Для исследователей и разработчиков моделей - Сдвиг от scaffolding tricks к environment design ​- Качество верификатора критично: надо ориентироваться на outcome, а не имплементацию ​- Автоматизация создания RL environments из реальных задач ​- Измеряйте модели на реальных engineering work, а не на паззлах ​ 3. Для компаний, строящих AI products - Доступ к real-world engineering data — ключевое конкурентное преимущество - RL environments > clever prompting ​- Benchmarks drive capability improvements ​- Open source collaboration ускоряет прогресс всей индустрии ​ #AI #ML #Agents #Software #Engineering #Architecture