Мысли вслух
Відкрити в Telegram
Когда я что-то осознаю, мне хочется об этом рассказать. Здесь делюсь мыслями и открытиями - про технологии, предпринимательство и инвестиции. Max Votek @Mkitt - предприниматель, сооснователь Customertimes, инвестор. linkedin.com/in/max-votek
Показати більше6 415
Підписники
+124 години
+67 днів
+29530 днів
Триває завантаження даних...
Схожі канали
Немає даних
Виникли проблеми? Будь ласка, оновіть сторінку або зверніться до нашого support-менеджера.
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
вересень '26вер '26
вересень '26
+357
в 7 каналах
серпень '26
+347
в 4 каналах
Get PRO
липень '26
+727
в 5 каналах
Get PRO
червень '26
+217
в 4 каналах
Get PRO
травень '26
+149
в 3 каналах
Get PRO
квітень '26
+347
в 9 каналах
Get PRO
березень '26
+250
в 3 каналах
Get PRO
лютий '26
+144
в 6 каналах
Get PRO
січень '26
+80
в 1 каналах
Get PRO
грудень '25
+262
в 3 каналах
Get PRO
листопад '25
+648
в 6 каналах
Get PRO
жовтень '25
+238
в 4 каналах
Get PRO
вересень '25
+61
в 4 каналах
Get PRO
серпень '25
+389
в 10 каналах
Get PRO
липень '25
+512
в 8 каналах
Get PRO
червень '25
+389
в 10 каналах
Get PRO
травень '25
+1 472
в 9 каналах
Get PRO
квітень '25
+653
в 12 каналах
Get PRO
березень '25
+6
в 1 каналах
Get PRO
лютий '25
+245
в 1 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 28 вересня | 0 | |||
| 27 вересня | +5 | |||
| 26 вересня | +5 | |||
| 25 вересня | +2 | |||
| 24 вересня | +8 | |||
| 23 вересня | +5 | |||
| 22 вересня | +1 | |||
| 21 вересня | +7 | |||
| 20 вересня | +10 | |||
| 19 вересня | +4 | |||
| 18 вересня | +14 | |||
| 17 вересня | +15 | |||
| 16 вересня | +20 | |||
| 15 вересня | +39 | |||
| 14 вересня | +8 | |||
| 13 вересня | +10 | |||
| 12 вересня | +6 | |||
| 11 вересня | +19 | |||
| 10 вересня | +151 | |||
| 09 вересня | +8 | |||
| 08 вересня | +4 | |||
| 07 вересня | +1 | |||
| 06 вересня | +3 | |||
| 05 вересня | 0 | |||
| 04 вересня | +3 | |||
| 03 вересня | +6 | |||
| 02 вересня | +2 | |||
| 01 вересня | +1 |
Дописи каналу
О профессиональном боксе и ноге рефери
Вчера смотрел бой Отара Эраносяна - ученика моего тренера Тимура Ибрагимова, о котором я писал раньше.
Десять раундов Отар контролировал бой. На последних секундах он вдруг качнулся и чуть не упал. Показалось, что соперник попал. Пересмотрел видео и оказалось что нет.
Отар зацепился за ногу рефери, и об этих секундах я и хочу написать.
Отар защищал пояс WBA NABA во втором полулёгком весе (130 lb / 59 кг) против колумбийца Дувана Зулеты.
Оба без поражений: 17–0 у Отара, 10–0–1 у Зулеты. Это был второй главный бой турнира Championing Mental Health 3 в Commerce Casino под Лос-Анджелесом - серии Bash Boxing, где профессиональные бои совмещают с разговором о ментальном здоровье спортсменов.
Этот же пояс NABA Тимур в 2010-м отобрал у Оливера Макколла в тяжёлом весе, а теперь его ученик защищает титул в 130 lb.
Профессиональный бокс отличается от любительского не одним словом в названии:
- в любителях 3 раунда, у профи это 10–12
- в любителях считают очки, у профи продают зрелище
- у профи обоим бойцам платят деньги, и жалеть друг друга никто не собирается
Отар выиграл единогласным решением: 99–91, 96–94, 98–92. Рекорд 18–0, 9 нокаутов, пояс остался у него.
Смотрел я этот бой не как зритель: у меня было несколько учебных спаррингов с Отаром, и его стиль я знаю на себе.
Много лёгких ударов, чтобы ты не мог дышать, потом в связке один тяжёлый. Очень быстрые ноги, постоянная смена углов атаки, нырки. Темперамент, который чувствуешь сразу: он тебя не отпустит. Отсюда и прозвище - Pitbull.
В первом спарринге я еле дотянул до последнего гонга. Просто нечем было дышать.
Вчера на ринге был тот же Pitbull, только невозмутимый: он делал ровно то, что должен был. В глазах тренера то же спокойствие - он видел всю картину боя.
К предыдущему бою мы разбирали для Отара соперника с помощью AI - у того было много записей на YouTube, и мы искали уязвимости. Насколько это помогло, сказать сложно. Но статистика очень чёткая: ошибки у боксёра из боя в бой почти не меняются. Про сам подход писал здесь.
В этот раз AI не использовали. Зулета оказался очень неудобным: сыпал ударами без особой системы, на провокации не вёлся, сам на удар не шёл.
Профессиональный бокс - непредсказуемый спорт. Я всегда считал, что непредсказуемость - это соперник.
Но за десять раундов соперник Отара пошатнуть не смог, а чуть не уронил его человек, который в бою вообще не участвует.
В спорте и в бизнесе у тебя должен быть запас всего: сил, навыков, подготовки. Без него на ринг выходить нельзя. Случайность запас не отменяет, но делает её нефатальной.
Отар вёл 99–91 на одной из карточек, споткнулся и ничего не изменилось. При равном бое такая картинка на последней секунде могла стоить пояса.
Готовишься к сопернику, разбираешь его по кадрам, а спотыкаешься о того, кого в плане не было.
В бизнесе так же: у конкурента есть паттерны, и AI их найдёт. К сильному конкуренту можно подготовиться по данным, а на ногу рефери данных нет, и запас нужен как раз для неё.
Феноменальный бой. Поздравляю Отара и Тимура Ибрагимова. Ждём боя с Ломаченко - Отар всё ближе к элите бокса в США.
@maxvotek | linkedin | substack
| 2 | Немає тексту... | 1 592 |
| 3 |  Стэнфорд без лекций
a16z запустили Horowitz Andreessen Academy - годовую школу в Сан-Франциско для ребят сразу после старшей школы. Бесплатно, 50 человек в первом наборе, старт осенью 2027.
Диплома и аккредитации не будет. Основал её Гаган Бияни, сооснователь Udemy и Maven. Заявленная цель - это научить строить.
Что внутри:
- 75–80% времени свои проекты: обучить модель с нуля, собрать гуманоида, основать компанию, снять фильм, доказать теорему
- каждому $50 тыс. в compute-кредитах и $5 тыс. на поездки
- сентябрь–апрель кампус, май - поездка за границу, лето - работа в компании
- спикеры: Альтман, Хуанг, Фей-Фей Ли, Коллисон, Наделла
- партнёры-основатели: OpenAI, Anthropic, NVIDIA, Google, Meta, Palantir, Anduril, Stripe
- отбор по proof of work вместо оценок, иностранцев тоже берут
- жильё за свой счёт, около $1700 в месяц
Формально это школа, но работает она как воронка фонда. Университет берёт деньги вперёд и за результат не отвечает.
Здесь наоборот: студент не платит, а a16z заработают, только если кто-то из пятидесяти построит компанию и придёт за деньгами к тем, кто год кормил его compute-кредитами.
Thiel Fellowship давал $100 тыс. на человека и получил Виталика Бутерина и Дилана Филда из Figma. Академия подняла на ту же идею $42 млн, раунд возглавили a16z.
Отбор по proof of work значит, что берут тех, кто уже строит. Так что научить строить - неточная формулировка: скорее собрать таких людей в одной комнате, дать им compute и посадить рядом тех, кто подписывает чеки.
Это всегда и было главным продуктом Стэнфорда: фильтр на входе и соседи по общежитию. a16z оставили фильтр и соседей, а лекции и диплом выбросили.
Диплом - это сигнал для работодателя, который тебя не видел. Здесь работодатели сидят в списке партнёров и смотрят proof of work сами.
В марте я писал про Year at Palantir, там звали студентов бросить универ на год за $10 тыс. в месяц. Тогда я спрашивал, сколько университетов начнут терять студентов, когда таких программ станет больше.
Ответ пришёл быстро: Palantir теперь партнёр-основатель целой школы.
С 2028 года планируют платную двухлетнюю программу за 60$–90$ тыс. в год, если одобрят регуляторы. Это цена обычного университета. Похоже, бесплатный год здесь витрина, а бизнес начнётся с платных двух.
Для этих пятидесяти вопрос «заменит ли это диплом» лишний. Арлан из Алматы бросил школу, поднял $6,2 млн и получил американскую визу
O-1 для людей с выдающимися способностями, без всякой академии. Такие находят дорогу сами, академия ставит их поиск на конвейер.
Я бы смотрел на это как на новый тип венчурной сделки: фонд инвестирует в человека за три года до того, как появится компания. Если сработает, через пять лет своя академия будет у каждого крупного фонда.
Тогда университеты начнут терять уже лучших студентов, а это для них куда больнее.
theacademysf.com
@maxvotek | linkedin | substack | 1 592 |
| 4 | Агент знает твою цену
Google знает, что ты искал, Amazon что купил, банк - сколько потратил. Но никто из них не знает, сколько ты был готов заплатить. Но агент, который торгуется за тебя, это знает.
В посте про экономику лени я писал, что агенты убирают ренту, которую бизнес собирал на нашей лени, но сама рента не исчезает, она переезжает к тому, кто владеет агентом. Продолжу эту мысль.
Напрямую данные никто продавать не будет. Google и Meta двадцать лет на них живут и не продают: продают доступ к человеку, а данные держат внутри как moat. Владелец агента будет делать так же.
Только у него в руках то, чего не было ни у кого: он видел, где ты сломался - тут согласился доплатить, тут ушёл. Экономисты называют это reservation price, то есть максимальная цена, которую ты готов отдать.
Ритейл давно пытается её угадывать: Orbitz показывал владельцам Mac более дорогие отели, Staples менял цены по почтовому индексу. Получалось грубо, а агент знает её точно.
Монетизировать это можно на трёх уровнях.
Невинный - обезличенная панель для фондов и брендов, как Mastercard SpendingPulse. В ней видно каждую покупку и отмену 100 млн человек в реальном времени.
Полезный - агент раскрывает данные в твою пользу: «три года истории, низкий риск, дай скидку». Так работает Tesla Insurance, где данные о вождении снижают цену полиса.
Опасный - продавец платит за доступ к твоей reservation price. Четыре ренты Citrini из прошлого поста были трением на пути к лучшей цене. Здесь под ударом уже сама цена.
Самая сильная позиция у того, кто держит агентов с обеих сторон и знает, сколько готов заплатить покупатель и какая маржа у продавца. Это маркет-мейкер, который видит всю книгу заявок.
Amazon за использование данных сторонних продавцов уже получил антимонопольные претензии в ЕС и США.
В финансах десять лет воевали за fiduciary rule: брокер продаёт то, что подходит, а советник обязан продать то, что лучше для клиента. AI-агентов ждёт та же война, только ставки выше: советник распоряжался сбережениями, а агент видит всю твою жизнь.
Главное здесь, кому принадлежат эти данные. Если тебе, агент раскрывает их, когда это выгодно тебе.
Если платформе, ты каждый раз платишь максимум, который готов заплатить. Какой из этих миров наступит, решит битва за потребителя.
@maxvotek | linkedin | substack | 1 849 |
| 5 | Про сон, который повторяется
Мне много лет снится один и тот же сон.
Забираюсь на что-то высокое, стою наверху, вид потрясающий, и я счастлив, что долез. Потом смотрю вниз и понимаю, что не знаю, как слезать. В этот момент обычно отваливается лестница.
Долго не понимал, откуда он. Потом вспомнил.
Класс четвёртый или пятый. Рядом со школой стояло полузаброшенное здание, а на нём что-то вроде старой пожарной вышки. Добраться до неё можно было только по соседним крышам. Мы ходили туда с одноклассниками несколько раз.
Путь шёл по самому краю. Бортики ржавые, скользкие, отваливаются под руками, торчат гвозди. Никто не сорвался, хотя пару раз было близко. Зато наверху был последний балкончик и панорама на весь город. Ради этого вида всё и делалось.
Забраться было тяжело, слезать ещё тяжелее. Спуск потом и снится.
Я писал про Андрея Рублёва, и сцена с колоколом ложится на этот сон точнее всего. Бориска берётся отлить колокол для князя и уверяет всех, что отец передал ему секрет. Месяцами руководит сотнями людей, ставка - собственная жизнь. Колокол поднимают, бьют, он звучит.
Только тогда Бориска падает на землю и рыдает: секрета не было, отец ничего не сказал.
Страх приходит после. Пока лезешь по крыше, бояться некогда. Накрывает наверху, когда оборачиваешься и видишь, по каким гвоздям шёл.
Со Сталкером та же история: идёшь в Зону, бросаешь гайки, никаких гарантий. Мне кажется, эти страхи есть у каждого предпринимателя. Не знаешь, что получится, но внутри живёт что-то, что заставляет туда лезть.
Снаружи это выглядит странно. Нормальные люди на эту крышу не лезут, и по здравому смыслу они правы. Предприниматель тот, кому почему-то надо. Тиль и Маск не зря спрашивают на интервью, взрывал ли ты что-нибудь в детстве и строил ли ракеты.
Мне повезло родиться в такое время. Стройки, строительные патроны, дюбели в асфальт, у кого выше улетит, серебрянка, которая взрывается в фольге. Трудно объяснить это людям, которые растят детей в изоляции от опасностей и убирают любую угрозу за километр. Но такие вещи закаляют и остаются на всю жизнь. В том числе в виде снов.
Про смелость начать написаны тонны книг, а про момент, когда ты уже наверху, вид красивый, колокол звучит, а лестницы назад нет, почти ничего. Хотя страшно именно там.
Сон при этом не кошмар, скорее страшный и интересный одновременно. В нём то же желание заглянуть: а что там, на самой верхней площадке? Что там, когда можешь сделать сильно больше, чем делал когда-либо?
Отсюда и растёт готовность брать риск: показаться нелепым, сделать что-то в первый раз, забраться выше.
Упасть тоже придётся. Если постоянно куда-то лезешь, падения неизбежны, и они такая же часть маршрута, как вид сверху.
@maxvotek | linkedin | substack | 1 837 |
| 6 |  Всю карьеру разработчик избегал писать документацию.
Теперь это вся его работа.
@maxvotek | linkedin | substack | 2 234 |
| 7 | Агенты против экономики лени
Огромная часть consumer-бизнеса зарабатывает не на продукте, а на том, что нам лень. AI-агенты этот источник дохода закрывают.
Это рамка из новой статьи Citrini Research. Их прошлый текст про 2028 год и белых воротничков я разбирал.
Между человеком и лучшим решением почти всегда есть трение, а бизнес берёт за него деньги. Авторы называют это рентой и делят на четыре типа:
1. Tedium rent - час висеть на линии, чтобы отменить подписку;
2. Inertia rent - лень искать лучший тариф или переложить деньги;
3. Attention rent - покупаем то, что первым попалось на глаза;
4. Asymmetry rent - посредник знает рынок лучше нас и берёт комиссию за поиск.
Для агента ничего из этого не существует. Ему не скучно час висеть на линии с провайдером.
Он каждый месяц проверяет подписки, раз в год переторговывает страховку, ищет рейсы напрямую у авиакомпании. Замечает, что деньги лежат под ноль процентов, хотя их можно без риска переложить в фонд денежного рынка.
Я уже делился, сколько агенты сэкономили мне на авиабилетах, медицинских счетах и забытых подписках.
Какие бизнесы в итоге потеряют? Вероятно, не производители.
Отель нужен, Booking уже меньше.
Страховка нужна, сайт сравнения страховок не очень.
Ресторан нужен, агрегатор доставки под вопросом.
Под ударом не продукт, а слой посредников вокруг него.
С подписками то же. LTV многих consumer-компаний держится на том, что клиент забудет отменить или не захочет звонить. У каждого из нас болтается пара таких подписок. Агент превращает этого клиента в человека, который следит за своими деньгами 24/7.
Два важных уточнения, которые я отметил для себя.
1. Рента не исчезает, она переезжает. Ренту за внимание сегодня собирает Google, завтра её соберёт тот, чей агент стоит у людей по умолчанию. Booking потеряет маржу, но не факт, что она достанется отелю. Скорее тому, кто владеет агентом.
2. Скидка для умного клиента существует, потому что большинство клиентов ленивые. Кэшбэк по карте во многом оплачивают те, кто платит проценты по долгу. Дешёвый тариф для тех, кто торгуется, субсидируют те, кто не торгуется.
Когда агент есть у всех, торгуются все. Разница цен схлопывается. Потребитель выиграет меньше, чем кажется, а маржа посредников упадёт сильнее.
В плюсе те, кто ниже интерфейса: платёжные сети, identity, cybersecurity, данные, инфраструктура и сами производители товара или услуги.
Мне это кажется одной из главных идей agentic economy. AI заменяет не только работу человека, он убивает выручку, которая существовала только потому, что человеку было лень сделать пять лишних кликов.
Вопрос, который я бы задал любому consumer-бизнесу: какая часть выручки исчезнет, если у каждого клиента появится помощник, которому не лень?
P.S. Для себя отметил Shopify как акцию, которой готов владеть, и опционы на неё хорошо оплачиваются. Особенно интересно на фоне успеха Muse: агент может убрать витрину, но Shopify остаётся инфраструктурой: каталог, checkout, payments, Shop Pay. При такой оценке я бы скорее продавал на SHOP страховку, чем просто покупал акцию.
@maxvotek | linkedin | substack | 2 137 |
| 8 |  Кто будет чинить то, что накодили агенты
McKinsey в State of AI 2026: 32% компаний отказались минимум от одной покупки софта, потому что собрали нужное сами с помощью coding agents.
Из этого делают вывод, что следующие на очереди после SaaS - интеграторы.
Я вижу это чуть иначе.
Starbucks строит замену системе Microsoft для учёта запасов и инструменту IBM для обслуживания оборудования. Экономия $30 млн техбюджета в год, из них около $10 млн на самом софте. Всего компания тратит на софт $400 млн ежегодно. Запуск на все кофейни в конце 2027, после тестирования.
Сроки тут важнее суммы. Код агенты напишут за недели. Остальные полтора года уйдут на то, чтобы связать его с кассами, складом и данными с оборудования в тысячах кофеен и ничего не сломать по дороге.
Клиент не будет интегрировать это сам. Не потому что не хочет, а потому что не может.
Собрать модуль с агентом стало дёшево. Встроить его в ландшафт - нет.
Нужно знать, почему и на каком складе есть исключение из общего правила, что случится с проводкой, если агент поправит остаток, и какая настройка 2011 года сломается от нового поля.
Это знание на стыке техники и бизнеса. В документации вендора его нет. В промпт оно не помещается, потому что клиент не знает, что спрашивать.
Я писал про агента-архитектора SAP, который читает настройки за двадцать лет и рассуждает о последствиях изменений. Он делает нас быстрее. Но вопросы ему задаёт человек, который эти двадцать лет внедрял.
Есть и вторая часть, о которой в заголовках ни слова. Всё, что накодили агенты, надо тестировать, поддерживать и обновлять.
Код подешевел, поэтому его станет больше: больше кастомных модулей, больше интеграций между ними, больше мест, где ошибка сработает сразу в тысяче магазинов.
Держать команду поддержки под каждый самодельный модуль клиент не станет. Дешевле отдать это тем, кто такое уже сопровождает.
Так что часы никуда не деваются. Умирают часы за типовую настройку, которую агент делает за десять минут.
Часы человека, который понимает и таблицы, и склад, и что случится с закрытием месяца, дорожают.
Клиент платит за них больше, если результат виден в его P&L(отчёт о прибылях и убытках): меньше пустых полок, меньше простоя оборудования, закрытие месяца на два дня быстрее. Ставка растёт вместе с тем, за что ты готов отвечать.
Build-vs-buy - плохая новость для производителей ПО. Для интеграторов это другое: переход от типовых настроек и простого программирования к глубокому погружению в бизнес клиента, к тестированию и поддержке - конечно, с помощью агентов.
Мой прогноз такой, что через три года самая большая строка в их выручке - сопровождение того, что клиенты собрали сами или придумали с агентами и отдали на доработку.
@maxvotek | linkedin | substack | 3 393 |
| 9 | Об AI-грамотности и обучении
Получил от бухгалтера версию отчёта для возврата налога. Просмотрел главное и решил проверить с Claude: загрузил все исходные документы в одну папку и дал краткий контекст.
Claude Code за десять минут выдал большой список мелких несоответствий и толковых вопросов, которые задал бы аудитор по существу.
Подсветил возможные риски и самое главное - нашёл вычет, который бухгалтер пропустил совсем, причём на очень значительную сумму.
Большую часть вопросов я снял, они оказались избыточны. Но внёс много изменений в классификацию расходов и отправил список правок обратно бухгалтеру.
Ещё составил с Claude письмо, почему прошу скидку: часть работы за его команду я сделал сам.
Подумал при этом, что навык для такого анализа осваивается за пару часов, и что многие наши клиенты, получив результат проекта с такими же мелкими несоответствиями, будут ждать от консультантов другого уровня и большего осмысления того, что они получают.
Стараюсь при случае показывать коллегам и друзьям, как работать с Claude на простых примерах из их жизни.
Вижу, что на рынке не хватает простых учебных курсов, видео, подписки на полезные находки: как применять передовые модели для повседневных задач.
Почти все, кого научил, пользуются уже на другом уровне: нашли свои ноу-хау и свой режим работы, в зависимости от того, насколько комфортно им побыть чуть-чуть техническим администратором.
Базовые курсы от Anthropic на мой вкус слишком технические.
Думаю составить простой курс по уровням:
• Как выбрать подписку и какие есть ограничения в разных тарифах на сегодня
• Как работать в диалоговом режиме в чате с проектами и где чат проигрывает полноценным Claude Code и Codex
• Claude Code и Codex - базовые команды и режимы использования, skills, loops, goals, code review
• Claude Cowork - сам не пользуюсь, но понимаю, что для многих это ценный инструмент для индивидуальной и командной работы, когда нет желания заходить в Claude Code
• VPS-серверы: как и где арендовать для простых агентов
• Недорогие компы для агентов и их базовая инфраструктура
• Базовые команды и настройки Ubuntu/Linux, tmux, SSH-ключи, Tailscale VPN, Termius (терминальный клиент)
• Режимы remote control, автономные сессии Claude и Codex, которыми можно пользоваться через десктопное приложение и с телефона
• Cloudflare: Workers, Pages, настройка токенов, хранилище R2 и база D1, сайты
• Как использовать Claude Code и Codex на примерах. Как соединить их вместе, чтобы повышали качество решений и программ
• GitHub - основы использования с агентами
• Как подключать внешние сервисы по API, OpenRouter
• Как делать интерактивные отчёты, сайты, интерфейсы на Cloudflare
• Как хранить API-ключи и делиться ими с Claude и Codex
• ElevenLabs и бесплатные голосовые модели
• Xcode, Apple Developer account и как сделать простое нативное приложение для iPhone
Инструменты меняются ежедневно: скиллы, агенты, интерфейсы. По-хорошему я бы сам платил подписку за обзоры новых фич, если бы кто-то делал их удобно и кратко.
Уверен, что всё это есть на просторах YouTube и X по отдельности, но такой широты покрытия в одном разрезе пока не видел.
Внедрение AI в командах во многом зависит от того, как пройдут первые попытки, и от понимания скучных технических деталей, в которых легко застрять.
Записал для вас свой ход мысли и план. Если найдёте что-то удобное или поймёте, чего в списке не хватает, тоже поделитесь в личку.
@maxvotek | linkedin | substack | 2 797 |
| 10 | Лучшие в 16 и лучшие в 30, обычно разные люди
Прочитал в Science обзор траекторий более чем 34 000 человек, добравшихся до вершины: олимпийские чемпионы, нобелевские лауреаты, сильнейшие шахматисты и музыканты.
Мне стало интересно: в детстве они тоже были первыми?
В основном нет. Спортивным академиям, олимпиадным школам и корпоративным программам для high potentials такой ответ не понравится.
Что нашли:
1. Юниорские звёзды и взрослая элита почти не пересекаются. В шахматах топ-10 среди юниоров и топ-10 среди взрослых - практически разные люди. В спорте картина похожая.
2. Ранний успех устроен понятно: узкая специализация с детства, много тренировок в одной дисциплине, быстрый прогресс. Это хорошо предсказывает, кто лучший сейчас.
3. У взрослой элиты паттерн обратный: несколько видов спорта или областей в детстве, позднее начало в своей дисциплине, медленный старт. Многие будущие лидеры поначалу уступали сверстникам.
Получается странно. Все системы отбора смотрят на скорость раннего прогресса, а она плохо предсказывает, каким человек станет на пике. Мы берём тех, кто раньше выйдет на плато, и отсеиваем тех, кто через десять лет мог бы стать лучшим.
Причины довольно приземлённые. Широкий опыт даёт навыки, которые переносятся с одного дела на другое, и умение быстро осваивать новое.
Пробуя разное, человек находит то, где он действительно силён, а не то, куда его записали в семь лет, и меньше выгорает: кто выжал всё из одной дисциплины к 12, к 20 часто уже устал.
Мне это интересно не столько про спорт, сколько про найм: рейтинг вуза, олимпиады, скорость роста в первый год. Ровно те сигналы, которые исследование называет слабыми.
AI толкает рынок труда в ту же сторону. Агенты быстрее всего забирают узкую исполнительскую работу.
Ценность уходит к тем, кто связывает несколько областей и может оценить результат. Я писал, что judgment - единственный навык, который не обесценится. Он вырастает из широкого опыта, а не из ранней заточки под один KPI.
Это не аргумент против глубины. Умение глубоко осваивать дело как раз необходимо. Но строить его выгоднее после широкой разведки, а не вместо неё.
Федерации, школы для одарённых, программы для high potentials живут на раннем отборе. Их KPI - юниорские медали и быстрые повышения. Тех, кого они отсеяли, они никогда не увидят. Сама эта машина исправляться не будет.
Хотя есть и обратные примеры: топовые американские вузы смотрят не только на оценки, но и на заслуги перед обществом, на способность самостоятельно довести проект до масштаба и признания, на личность целиком.
Если ребёнок или сотрудник начинает медленно, это ещё ни о чём не говорит. Ранний успех тоже ничего не обещает.
Смотреть стоит более широко: продолжает ли человек расти, когда лёгкие победы закончились, и что он довёл до конца сам.
@maxvotek | linkedin | substack | 3 016 |
| 11 | О часах, которые измеряют старение, и лекарствах, которые его замедляют
Представьте, что у вас два возраста.
Первый - паспортный, он совпадает с календарём.
Второй настоящий - возраст организма.
Он идёт быстрее или медленнее в зависимости от того, как вы спите, едите, двигаетесь и какие препараты принимаете.
Учёные научились анализировать тысячи белков в капле крови и обнаружили, что с возрастом их набор меняется. На этом построили биологические часы - они показывают скорость старения.
Свои версии таких часов сделали команды Гарварда, Оксфорда и Пекина, и считают они немного по-разному.
Фармкомпании выдвигают тысячи гипотез о механизмах старения. После знакомства на конференции с Александром Жаворонковым я внимательно слежу за Insilico Medicine, которая недавно успешно вышла на Гонконгскую биржу.
Я упоминал её, когда писал про заход Anthropic в разработку лекарств: у Insilico давно свои лаборатории и свои модели, а не только инструмент для чужих учёных.
Здесь они дали AI найти в организме мишень, которая отвечает и за старение, и за болезнь лёгких, когда те покрываются рубцами.
Потом другой AI нарисовал молекулу против этой мишени. От идеи до готового кандидата ушло всего 1,5 года вместо обычных пяти.
Лекарство давали 42 больным в течение 12 недель, брали кровь и прогоняли её через шесть разных биологических часов. Все шесть показали одно и то же: у тех, кто принимал лекарство, тело помолодело на 3–4 года, по одним часам до 6.
У тех, кто принимал плацебо, нет. Функция лёгких у пациентов тоже заметно улучшилась.
Оговорки обычные для клинических испытаний: выборка маленькая, и сами авторы признают, что выводы трактовать сложно - лекарство замедлило старение или просто подлечило лёгкие, а белки в крови этот результат отразили.
Нобелевский лауреат Майкл Левитт, комментируя работу, сказал, что хочет увидеть то же самое на здоровых людях. При таком темпе уверен, что дождёмся.
Я писал про интервью Федичева. Gero тоже ищет мишени против старения с помощью AI, но их результат пока на очень старых мышах: один укол дал им ещё примерно месяц жизни. Здесь уже люди.
Там же упоминал про Ozempic: его делали от диабета, а он снизил сразу несколько возрастных рисков, и это уже похоже на первое лекарство от старения. В старение попали случайно.
У Insilico мишень с самого начала выбирали так, чтобы она была направлена и на болезнь, и на старение.
То есть впервые лекарство от старения не взяли с полки, как рапамицин или метформин, а придумали с нуля машиной и по-настоящему проверили на людях.
Insilico за счёт AI, роботизированных лабораторий и фокуса на лекарствах для продолжительности жизни собрали новую модель, главное преимущество которой - это скорость.
Испытание на продолжительность жизни у здоровых людей длится десятилетиями, дольше, чем живёт средний биотех, поэтому лекарства от старения было экономически почти невозможно разрабатывать. А часы дают ответ за 12 недель.
Если модель сработает, через несколько лет такие часы будут стоять в каждом испытании любого лекарства просто как бесплатный бонус: кровь всё равно берут.
Тогда мы узнаем про старение больше, чем за все годы до этого.
@maxvotek | linkedin | substack | 2 894 |
| 12 | Про идеи, которые вы отдаёте моделям.
OpenAI заявила, что её внутренняя модель решила задачу Навье-Стокса - одну из семи Millennium Prize Problems.
88 часов, до 10 000 агентов, 130 млрд output tokens, 165 страниц доказательства и формализация в Lean. Если результат выдержит проверку, это один из самых сильных примеров, когда AI не помогает учёным, а добывает новое знание сам.
Но тут есть неожиданный нюанс.
Профессор NYU Тристан Бакмастер вместе с Левентом Алпёге из Anthropic уже шёл к этой задаче довольно редким путём. Работу ещё не публиковали, вели её в основном через Codex.
О том, что у них есть прогресс и куда они идут, узнали в OpenAI.
Через несколько дней компания бросила на задачу compute, которого нет ни у одного университета, и дошла до полного доказательства. По словам Бакмастера, тем же путём.
Он задал очевидный вопрос: могла ли его работа внутри Codex помочь модели? Ответ OpenAI: его данные никто не смотрел, работа независимая.
При этом компания не может полностью исключить, что обезличенные данные использования продуктов улучшили модели.
Доказательств кражи нет. Цифра в $22,5 млн, которая гуляет по X - это оценка TechCrunch, во сколько такой прогон обошёлся бы по публичному тарифу, а не реальный счёт. Так что история не про воровство.
Мы уже думаем внутри Claude и Codex. Туда уходят неопубликованные статьи, код, инвестиционные гипотезы, архитектура новых продуктов.
Помощник может научиться на вашей идее быстрее, чем вы успеете её реализовать.
После DeepSeek я писал, что модели становятся commodity, а ценность в ваших данных. Эта история - обратная сторона того же тезиса: ваши данные ценны и для того, кто делает модель.
Для 99% запросов это неважно. Но если у вас есть что-то действительно новое: исследование, алгоритм, продуктовая идея, то к контексту frontier-моделей стоит относиться так же, как к исходному коду и коммерческой тайне.
Ценность в AI может оказаться не в промптах и не в моделях, а в том, что вы решили им не отдавать.
@maxvotek | linkedin | substack | 3 789 |
| 13 | Индекс или отдельные акции?
Обсуждали с другом: покупать S&P 500 или выбирать акции самому.
Аргумент за индекс понятен. Сотни компаний, слабые вылетают, сильные добавляются по формальным критериям. В хорошие периоды даёт 14–17% в год с дивидендами. Главное преимущество индексных фондов - они снимают головную боль с выбором и включают автопилот.
В этом году индекс идёт около +13%, что нормально. Но это средняя по пятистам компаниям, а внутри разброс огромный.
Про когда покупать я уже писал: если держишь долго, момент входа почти не важен. Интереснее вопрос, а что именно держать.
Внутри индекса есть компании с по-настоящему качественным бизнесом. Баффет и Мангер были чемпионами именно в этом: умели выбирать такие бизнесы. Berkshire за шестьдесят лет делала 20% в год против 10% у индекса.
Понятно, мы с вами не Чарли Мангер, но у нас есть то, чего не было у него, а именно Claude и ChatGPT с доступом к финансовым API.
Пара простых подписок на данные, и модель прочитает отчёты за вас. Вам остаётся проверить результат глазами. Данные аналитиков Wall Street - buy / hold / sell и price target тоже будут учтены.
Что я считаю качественным бизнесом:
- выручка растёт из года в год
- маржа растёт
- дивиденды поднимаются каждый год, это умеют не все
- бизнес-модель, которую сложно или невозможно скопировать, потому что место уже занято, как у Coca-Cola или McDonald's
- консенсус аналитиков buy, а price target до конца года, двузначный процент
Такие компании, даже вне хайповых тем вроде AI, стоит купить и держать. Шансы обойти индекс тут выше. Тем более что за индекс вы ещё платите комиссию и ограничиваете себе upside.
В любом портфеле очень важна диверсификация. Не один сектор, не одна тема, низкая корреляция между секторами. По сути, вы собираете свой индекс.
Про рост. Nvidia или Palantir на старте разглядеть почти невозможно, но когда компания на середине пути и из года в год показывает результат, найти её не так сложно. Доля быстрорастущих акций в портфеле - это и есть ваш риск. Асимметричные ставки на x100 другая корзина, про неё я писал раньше.
Хайп при этом не обязателен. Есть акции - производные от роста других: энергетика, электросети. Капитальные инвестиции там длинные, бизнес почти невозможно повторить. Построить газопровод - это годы.
Например, у меня в портфеле были небольшие позиции Energy Transfer (ET) и MPLX. За пять лет с дивидендами обе дали больше 200% против 80% у индекса. Новых труб при этом больше не стало. Риски есть везде, вплоть до войны. Но фундамент плотный, P/E около 13 против 26 у S&P: за качество мы не переплачиваем.
Ещё пример качественного бизнеса - Costco. Вчера как раз обсуждали их модель. У всего ритейла наценка гуляет по категориям, а у Costco она зафиксирована: 14% на бренды, 15% на Kirkland. Плюс подписка, которая даёт половину операционной прибыли.
Покупатель знает, здесь не обманут, цена всегда хорошая. Отсюда лояльность и очень стабильный бизнес.
Индекс - отличный ответ для тех, кто не хочет глубоко вникать.
Но времена поменялись и раньше чтение отчётов по двадцати компаниям было работой на неделю, сейчас это вечер с Claude и парой подписок, ещё и в режиме диалога.
@maxvotek | linkedin | substack | 3 500 |
| 14 |  Обсуждали с другом, насколько изнашиваются колени от езды на велосипеде.
Попросил GPT-6 Astra объяснить это наглядно: показать биомеханику, мышцы, связки и нагрузку в каждой фазе движения.
Практически с первого раза получилась интерактивная 3D-модель. Колено можно вращать, включать слои: кости и хрящ, связки, фасции, нервы, сосуды и смотреть сгибание.
За такое ещё недавно платили студиям $10–15к.
Медицинская анимация казалась мне нишей, защищённой экспертизой: медицина, анатомия плюс сложный 3D. Теперь большая часть этого ремесла превращается в промпт.
Потыкать можно тут: https://knee-cycling-ru.pages.dev/
@maxvotek | linkedin | substack | 3 501 |
| 15 | Токены подешевели, а время нет
Хотел проверить, можно ли заменить повседневную работу в чатах с ChatGPT и Claude локальной моделью. Ответ: пока нет, и дело не в железе.
Контекст. У нас есть пара машин Asus - это аналоги NVIDIA DGX Spark. Гонять через них большие объёмы данных отлично, а вот в чате мучение: токены выдают медленно.
Локальные модели у меня и так крутятся в сетапе с OpenClaw, но это фон и триангуляция, а не живой диалог.
Обсуждали взять новый Mac Studio: Apple даёт лизинг и беспроцентный кредит для жителей США. Осталось понять, какую модель на него ставить.
Взял GLM 5.3, которую все сейчас рекомендуют, и последний DeepSeek. Пока через OpenRouter, чтобы не покупать железо вслепую. Дал несколько простых задач.
Разочаровался быстро. Отвечают шустро и чётко, но по глубине заметно отстают даже от базового ChatGPT.
DeepSeek понравился чуть больше, но восторга тоже нет. Те же задачи у последних ChatGPT и Claude, для меня полный вау.
Как разговор с рассудительным, начитанным собеседником, который думает глубже и держит больше измерений задачи одновременно.
Это субъективно, ни на что не претендую, но идея с Mac Studio и домашним чатом отпала сразу.
Год назад я писал про DeepSeek, что цена токена будет падать очень быстро. Так и вышло, но дешёвые токены не сделали работу дешевле.
Счёт просто переехал из API в моё время.
В программировании и исследованиях я плачу не токенами, а итерациями.
Код от слабой модели не работает, и я превращаюсь в промпт-инженера и тестировщика, который вытягивает из неё результат.
Модель фантазирует там, где надо было подумать, а я перепроверяю выводы и переписываю тексты. Экономия на токенах съедается с большим запасом.
Так недавно вышло с Perplexity и похоже, они стали экономить на моделях. Это сразу чувствуется, и я почти перестал им пользоваться.
В большой организации то же самое, умноженное на сотрудников. Модель нестабильна, ошибается, не дорассуждает там, где нужно, и компания платит часами людей вместо долларов за API. В отчёте это выглядит как экономия.
При этом для простых коммерческих задач дешёвых моделей более чем достаточно, и там экономить надо. Дилемма в том, что фронтир дорогой, а граница между простой и непростой задачей размыта.
Думаю, будет всё больше умных роутеров, которые подставляют модель под уровень задачи. Пока их мало.
Китайские модели молодцы: дают жару и поджимают. Побочный эффект - это подписки за $200 приносят эквивалент нескольких тысяч долларов потребления по API.
Пока лимиты не исчерпаны, я сижу на фронтире и считаю это подарком от их инвесторов.
Моё правило пока простое. Если результат приемлем на 90% рутинных задач, то можно использовать дешёвую модель. Если сложная задача и результат проверяю я, то только фронтир.
Своё время на роль тестировщика тратить пока нет смысла
@maxvotek | linkedin | substack | 3 126 |
| 16 | AI начинает экономить мне деньги совсем не там, где я ожидал
Подписчики периодически присылают способы использовать ChatGPT или Claude для поиска скидок, купонов и более дешёвых вариантов покупки.
Подтверждаю, это действительно работает и уже сэкономило сотни долларов.
Делился с вами, что написал агента для поиска авиабилетов. Дал ему доступ к Google API, Amadeus и другим источникам, пару раз он нашёл большие скидки. На направлениях, которые я хорошо знаю, он меня пока не обыгрывает, но потенциал очевиден.
Мой близкий друг рассказывал, как с помощью Claude вернул большую часть денег за несостоявшуюся поездку из-за забастовки Lufthansa. Агент разобрал правила авиакомпании и помог правильно построить претензию к перевозчику и отелю в Австрии. Экономия в тысячах долларов.
Недавно нашёл ещё один дорогой сценарий: медицинские счета в США.
Американское здравоохранение устроено так, что пациент часто вообще не понимает, сколько стоит услуга, потому что больница нигде не публикует расценки.
Ты получаешь лечение, потом приходят счета от разных компаний. Внутри десятки кодов, процедур, препаратов, правил страховой, франшиза, потолок собственных расходов, сроки подачи заявки и апелляции.
Чтобы нормально проверить такой счёт, надо одновременно немного понимать медицину, страхование, выставление счетов и право.
Преимущество здесь почти всегда было на стороне системы. У госпиталя есть отдел биллинга, у страховой специалисты и юристы, а у тебя PDF на двадцать страниц и желание понять, почему ты должен десятки тысяч долларов.
Мы с сыном попробовали разобрать несколько таких счетов с Claude. Получилось трудоёмко, но думаю, в следующий раз пойдёт сильно быстрее.
Claude раскладывает счёт по кодам, проверяет процедуры, сопоставляет назначения, ищет несоответствия, читает правила страховки, находит сроки, в которые больница или страховая обязаны ответить.
Помогает составлять апелляции и письма и отправляет их через API, включая бумажные письма с подписью и в конвертах.
Результат вышел вполне материальный. По одному счёту госпиталь перестал отвечать и пропустил процессуальные сроки.
По другому выяснилось, что страховая просто не покрыла часть расходов, которую должна была покрыть, и после повторного обращения оплатила их. Тысячи долларов не ушли бюрократам, и это очень приятно.
Передовые модели сокращают неравенство в знаниях. Многие системы десятилетиями были сложными не случайно: медицинский биллинг, страхование, налоги, банковские комиссии, договоры.
Чтобы защищать свои интересы, надо знать тысячи страниц правил, исключений, классификаторов и судебных решений. Корпорация может нанять для этого сотни специалистов, обычный человек нет.
Теперь у него появляется машина, которая читает эти тысячи страниц за несколько минут.
То же самое вижу с налогами. Американский налоговый кодекс настолько сложный, что даже хороший CPA специализируется только на его части. При этом незнание одного правила или льготы может стоить человеку десятки тысяч долларов.
На бюрократии уже рождается отдельный класс AI-бизнесов.
Что-то вроде сервисов возврата денег за отменённые рейсы, только для медицинских счетов, страховок, налогов и прочих сложных систем. Агент получает документы, проверяет их, находит нарушения, пишет обращения, следит за сроками и эскалирует дальше.
Несколько подписок по $200 в год, которые защищают мои интересы, уже выглядят реальной ценностью. Правда, без обвязки с контекстом, знаниями и API они пока требуют многих часов проб и ошибок.
Думаю, это только начало, и скоро бюрократия нанесёт ответный удар: регуляции, ограничения и показательные суды, где будут наказывать потребителей за использование моделей.
@maxvotek | linkedin | substack | 3 094 |
| 17 | Есть расход, который растёт вместе с командой, хотя самой работы больше не становится. Я про комиссии на выплатах.
Почти все сервисы для оплаты распределённых команд берут процент от суммы, и пока платежей не много и суммы незначительные этого просто не замечаешь.
Потом людей в команде становится больше, средний чек растет, и в конце года ты видишь в отчёте пятизначную сумму, ушедшую в никуда.
Сервис при этом делает ровно то же самое, что и раньше: проводит транзакцию. Получается налог на собственный рост.
Таких сервисов на рынке немало, условия и юридическая обвязка похожи, но есть и необычные исключения.
Недавно общался с ребятами из Kleos (раньше назывались Stape, я про них уже писал).
У них фиксированная комиссия, всего $50 за транзакцию на подрядчика, независимо от суммы, что делает расходы более предсказуемыми.
На мелких выплатах разницы с процентом почти нет, а вот на зарплате даже от $1500 разница между фиксом и процентом становится чувствительной.
Легко прикинуть на своих расчетах разницу % и фиксированных 50 долларах на сотрудника.
Сильно упрощает жизнь один договор на всю команду, а локальное законодательство 200+ локаций и логистика полностью на их стороне, как юридические риски.
Подключение нового подрядчика занимает пару часов, сама выплата за минуты вместо (в лучшем случае полудня) возни финансового отдела.
Если у вас распределённая команда и вы давно не пересчитывали, во что обходятся сами выплаты, самое время это проверить.
@maxvotek | linkedin | substack | 3 029 |
| 18 | Не продавайте AI в токенах
Увидел хороший тезис про AI pricing от a16z, который, мне кажется, на самом деле не столько про pricing, сколько про то, где в AI-экономике останется маржа.
Токены появились как правильная единица для model layer. OpenAI продаёт inference: отправил токены, получил токены, заплатил за compute.
Проблема начинается, когда эту же модель переносят на AI-приложения и агентов.
Если агент изучил компанию, прочитал данные CRM, нашёл новости и подготовил account brief, клиент покупает не 184 тысячи токенов. Он покупает готовый account brief.
Если coding agent исправил баг, клиенту не особенно интересно, сколько было model calls, retries и context window. Он покупает исправленный баг.
Поэтому логика вроде простая:
— продаёшь модель → продавай tokens;
— продаёшь работу → продавай credits за понятную единицу работы;
— можешь доказать результат → продавай outcome.
С последним, правда, всё сложнее.
Agentforce хорошо показал проблему outcome pricing. На презентации красиво звучит «платите за resolved case». На практике компании не очень хотят делиться частью созданной прибыли, а платить одинаково за каждый case resolution или назначенную встречу тоже не всегда кажется им справедливым. Один case мог закрыться сам за 20 секунд, другой потребовал сложной работы.
Более острый вопрос это Что будет защищать вашу маржу, когда сами модели становятся commodity?
Claude, Codex и open-source модели становятся всё сильнее. GPU можно арендовать. Fine-tuning и обучение специализированных моделей становятся доступнее на порядки.
Самое сложное всё чаще не модель.
Самое сложное — dataset.
каждой компании сейчас стоит провести инвентаризацию не только своих databases, но вообще всех данных, которые рождаются в процессе её жизни.
Код и история его изменений. Tickets. Customer conversations. Requirements. Contracts. Decisions. Исправления ошибок. Код, видео хирургических операций, лабораторные анализы, данные с приборов. Рассуждения почему один проект получился, а другой нет.
можно ли на этом чему-то научить модель?
Недавно услышал ещё более интересную вещь: frontier labs в некоторых закрытых программах уже платят скомпаниями за доступ к специализированным данным, включая анонимизированный код, потому что качественные proprietary datasets становятся одним из ограничений дальнейшего обучения моделей.
На поверхности стратегический риск.
Если у вас 10–20 лет накапливался уникальный dataset и вы просто отдаёте его frontier lab, завтра часть вашего преимущества может оказаться внутри следующего поколения модели.
Теперь ренту с ваших данных будет собирать уже не ваша компания, а владелец модели.
Поэтому AI strategy сегодня — это уже не только «какие модели и агентов нам внедрить».
Возможно, гораздо более важный вопрос:
какие уникальные данные мы производим каждый день, кому они принадлежат и как сделать так, чтобы именно мы капитализировали то, чему на них можно научить?
Я бы именно этот тезис сделал центральным: models commoditize, proprietary datasets становятся капиталом. Он сильнее и менее очевиден, чем очередная дискуссия про tokens vs outcomes. | 1 |
| 19 |  Как понять, что пузырь действительно начал сдуваться
Вчера писал про данные Ramp: 80% корпоративной выручки OpenAI и Anthropic приходит от 1% клиентов, и значительная часть этих денег крутится внутри самой технологической индустрии.
Продолжу разбором тезисов Эда Зитрона. Он, наверное, один из самых последовательных AI-медведей и хоронит этот рынок уже несколько лет, хотя рынок регулярно доказывал ему обратное.
Прогнозы дело неблагодарное, а вот конкретные признаки, по которым можно будет понять, что AI-экономика действительно начала ломаться, у него есть.
Первый кто-то из гиперскейлеров режет капзатраты. Microsoft, Google, Amazon и Meta сейчас вкладывают сотни миллиардов в дата-центры, GPU и энергетику.
Пока эта гонка продолжается, деньги текут по всей цепочке. Goldman даже считает, что рынок может отреагировать положительно на первую компанию, которая скажет хватит.
Второй - это OpenAI или Anthropic не могут закрыть очередной огромный раунд. Экономика AI-лабораторий пока требует постоянного внешнего капитала.
По цифрам Зитрона, OpenAI сожгла $20,9 млрд за 2025 год, и проблема тут не только в размере убытков: инференс стоит денег каждый раз, когда пользователь нажимает Enter.
Третий и, возможно, самый важный, закрывается долговое окно для дата-центров.
Oracle строит гигантские мощности фактически под одного клиента, OpenAI. Вокруг Nvidia вырос целый слой неооблаков вроде CoreWeave, Nebius, IREN и Cipher.
Заявлены десятки гигаватт новых мощностей, которые нужно кем-то профинансировать, построить и потом ещё загрузить. Пока долговой рынок готов это финансировать, машина едет, а если перестанет, картина изменится быстро.
Подозрительным мне кажется ещё один момент. Microsoft и Amazon много говорят про темпы роста использования AI, но почти не раскрывают отдельно реальную выручку от него. Публичные компании обычно очень любят показывать хорошие цифры.
При этом буквально прогнозы Зитрона я бы не принимал. Он медведь с 2023 года, рынок с тех пор несколько раз их не подтвердил и поехал дальше. Оценка всего объёма AI-рынка в $10–30 млрд тоже выглядит слишком пессимистично: один Broadcom вчера показал $16,7 млрд выручки от AI за квартал.
Но набор признаков у него хороший, и я бы за ними следил.
Мой вывод после вчерашнего поста не изменился: заработать на волне AI можно, но размер ставки должен позволять пережить момент, когда рынок решит проверить всю эту конструкцию на прочность.
Первым в моём списке идёт вопрос, кто из гиперскейлеров моргнёт и начнёт резать капзатраты.
@maxvotek | linkedin | substack | 3 729 |
| 20 |  80% выручки OpenAI и Anthropic дают 1% клиентов
Увидел интересные данные от экономиста Ramp Ары Харазяна.
Ramp обрабатывает корпоративные карты и платежи тысяч компаний, так что довольно хорошо видит, кто реально тратит деньги на AI.
Примерно 80% корпоративной выручки OpenAI и Anthropic приходится всего на 1% клиентов, и состоит этот процент в основном из технологических компаний и AI-стартапов.
Экономика получается довольно замкнутая.
Венчурные фонды дают деньги стартапам, стартапы покупают токены у OpenAI и Anthropic, те покупают вычисления у Microsoft, Google и Amazon, а облака закупают Nvidia и Broadcom. Деньги ходят по одному большому кругу.
Конечных денег из банков, фармы, заводов, ритейла и прочих отраслей при этом заметно меньше, чем можно подумать, глядя на общий AI-бум.
Мы привыкли смотреть на Nvidia, Broadcom, облака, AI-лаборатории и AI-стартапы как на разные инвестиции.
Но при серьёзной коррекции они вполне могут оказаться одной и той же ставкой. Венчурные деньги начинают заканчиваться, стартапы меньше покупают токенов, AI-компании медленнее наращивают вычисления, облакам нужно меньше новых GPU.
Удар проходит по всей цепочке.
У данных Ramp есть важное ограничение. Они хорошо видят стартапы и средний бизнес, но не видят значительную часть огромных прямых контрактов Fortune 500 с OpenAI, Anthropic и облаками.
Так что реальная концентрация почти наверняка ниже.
Сама постановка вопроса от этого не меняется. Производители инфраструктуры уже получают вполне реальные деньги: Broadcom только что показал $16,7 млрд выручки от AI за квартал и огромный денежный поток.
Насколько быстро все эти вычисления превращаются в новую прибыль обычных компаний, а не просто в следующий раунд расходов внутри технологической индустрии, мне кажется сейчас одним из главных вопросов рынка.
Десять разных AI-тикеров в портфеле не обязательно означают десять разных ставок, иногда это одна ставка, просто разложенная по разным частям одной цепочки.
@maxvotek | linkedin | substack | 3 925 |
