Про менеджмент и ИТ-бизнес | Борис Вольфсон

#колонка_эксперта 

Каким будет будущее e-grocery? Оправдана ли ставка на онлайн традиционных ритейлеров и за счёт чего они планируют конкурировать с игроками рынка e-com? Об этом "Свободной кассе" рассказал Сергей Паньков, управляющий директор Х5 Digital:

"Абсолютное большинство покупателей торговых сетей сегодня являются омниканальными: они совмещают поход в магазин и онлайн-заказ повседневных товаров. Причём согласно последним оценкам, рынок e-grocery в России к концу текущего года достигнет 1,6 трлн руб.

Неудивительно, что традиционные ритейлеры активно вкладываются в развитие собственных сервисов доставки. К примеру, по итогам второго квартала 2025 года выручка цифровых бизнесов Х5 выросла год к году на 49,4%, а её доля в общей чистой выручке компании составила уже 6%. Количество заказов, которое выполняет Х5 Digital в пиковые дни, уже превышает 600 тысяч.

Таким образом, классические ритейлеры составляют серьёзную конкуренцию игрокам экспресс-доставки, в том числе тем, кто вырос из стартапов. И если раньше последние выигрывали за счёт скорости, то сейчас доставка в пределах 30-45 минут стала базовым минимумом для большинства участников рынка. При этом торговые сети располагают более широким ассортиментом, масштаб позволяет им делать более выгодные ценовые предложения, а развитая офлайн-инфраструктура – быстрее запускать и раскатывать доставку на новые районы и даже регионы, в отличие от e-com-компаний, которые зависят от открытия дарксторов. В том числе и за счёт этого, Х5, например, последние полгода лидирует в сегменте, обогнав «Самокат».

В ближайшие годы ситуация на рынке e-grocery коренным образом не изменится, а классические ритейлеры с большей долей вероятности сохранят лидерские позиции. При этом большую роль будет играть технологическое развитие ритейлеров, в том числе в части персонализации предложений, значение которой только возрастает. А способность бесшовно связать офлайн и онлайн для клиента станет значимым преимуществом перед компаниями из рынка доставки.

Сейчас подобные практики уже внедряются крупнейшими игроками. К примеру, «Пятёрочка» в этом году открыла первый фиджитал-магазин в Москве".

™️ Свободная касса

Gemma 3 270M

Выпустили крохотулю размером в 270М параметров – почти как старый добрый берт. Очень дёшево запускается на телефонах, следует инструкциям, может выполнять простые задачи. Quantized-aware training в 4 бита.

Можно поиграться в браузере с созданием сказок языковой моделью прямо в браузере.

Очень верю в edge модели в перспективе 3-5 лет

Купил дочке тетрадку с такой подписью:

The biggest risk is not taking any risk. In a world that's changing quickly, the only strategy that is guaranteed to fail is not taking risks.

Согласен с этой установкой. Изменения - источник возможностей.

Приходите к работать в компанию-лидер рынка e-grocery!

🚀 X5 Digital ищет Директора по дизайну
Мы в X5 Digital создаём цифровые продукты для десятков миллионов покупателей и сотрудников Пятёрочки и Перекрёстка. Сейчас обновляем нашу клиентскую платформу и ищем дизайн-лидера.

Что предстоит:
1️⃣Создать и развивать единую дизайн-систему для цифровых каналов X5 Digital
2️⃣Руководить командой продуктовых и UX/UI-дизайнеров, помогая им расти и развиваться
3️⃣Работать на стыке продуктовой и технологической стратегий
4️⃣Отвечать за единый пользовательский опыт во всех наших приложениях

Мы ждём от вас:
1️⃣Опыт руководства дизайн-командой 20+ человек в крупных продуктах
2️⃣Сильное портфолио с массовыми продуктами, которые вы довели от концепции до запуска
3️⃣Глубокое понимание UX, UI, бренд-дизайна и цифровых трендов
4️⃣Навыки выстраивания процессов и дизайн-культуры в масштабной организации

Что предлагаем:
▪️ Создавать продукты с аудиторией в десятки миллионов пользователей
▪️ Работа с топ-менеджментом X5 Digital и прямое участие в стратегических инициативах
▪️ Конкурентная компенсация и работа в очень сильной команде

Если вы видите красоту в цифрах и смыслы в пикселях — пишите в личку или присылайте портфолио на boris.volfson@x5.ru.

Почему дискаунтеры дешёвые на самом деле?

У меня был подкаст про ритейл с моим другом Амондом, который работает в сети "Чижик" (это дискаунтер от X5). А недавно у Forbes вышел большой материал с директором Чижика. Там много всего, но мне больше всего бросилась в глаза фраза, что "зал дискаунтера - это интерфейс, а что там происходит под капотом, никто не знает".

И это правда. Многие думают, что дискаунтеры такие дешёвые, потому что нет привычных стоек с товарами, проходы узенькие, а продавщицу как будто в этом дискаунтере и покупали. Но это лишь вершина огромного айсберга по сокращению затрат, который делает магазин дискаунтером.

Итак, у любого магазина есть три главные статьи издержек. Это люди (ФОТ), аренда и логистика. Задача любого дискаунтера - максимально их порезать. Вот как это делается:

Для начала, нужна небольшая ассортиментная матрица. Только самые нужные и востребованные категории, а внутри каждой категории ограниченное число позиций. У сферического супермаркета в вакууме будет 3-5К SKU (или больше), у дискаунтера - примерно 1-1,5К. За счет этого:
- Оптимизируются закупки. Можно покупать мало позиций, но каждую сразу по много (=масштаб). За счёт этого выгодно "распрямлять" поставки и прожимать поставщиков.
- Меньше зал, дешевле аренда. Тут понятно.
- Меньше сотрудников. Разных. Как мерчендайзеров в зале, так и категорийных менеджеров в офисе (ну, потому что категорий тоже меньше).

Как видите, чисто за счёт ассортимента мы уже повлияли на все 3 статьи затрат.

Далее. Нам нужна "компромиссная" локация. Не совсем гадюшник в подвале, но и не праймовый ТЦ и не самая проходимая зона у метро (там слишком дорого). Что-то среднее. Проходимость нужна просто нормальная, но не топовая. ЦА и так придет к нам за низкой ценой. А ещё у нас есть суперсила - под лаконичный ассортимент хватит и небольшого зала. Значит, мы более гибки в выборе помещений, у нас банально больше вариантов. В результате аренда ещё дешевле.

Наконец, логистика. Вот тут как раз вспоминаем про коробки в зале. Они ведь нужны, не чтобы выглядело дёшево, а чтобы доставать из грузовика и ставить на стеллажи прямо так - без перетарки и прочей ручной обработки. Экономия. Ещё желательно поставлять сразу с региональных РЦ, минуя промежуточные склады и максимально оптимизировать маршруты грузовиков. Малый и "однотипный" ассортимент тут тоже нам в помощь.

Добить всё это дело можно доведением доли СТМ до 70-80% (желательно), дабы снизить зависимость от поставщиков, а ещё формировать лояльность покупателей. Ведь если вон тот вкусный и дешёвый йогурт очень уж понравился, то можно смириться с не самой модной локацией, и с тем самым "складом с кассой" с узкими проходами.

Я описал далеко не все факторы и приёмчики, но логика именно такая.

Кстати, заметьте, про качество продукции я ни слова не сказал. И (по идее) она тут не при чём. Но на практике бывает по-разному.

Дизраптор

Заразить идеей

Один из моих любимых фильмов - Inception (русский перевод Начало никак не отражает идею фильма). Если вдруг кто-то не смотрел, то там идея в том, что человеку во сне погружается идея, которая потом вырастает как его собственная.

И вы знаете, это никакая не фантастика. Это хорошая работа менеджера, ну или скорее лидера: заразить сотрудника идеей так, чтобы человек думал, что это его собственная идея. Чтобы он ее провалидировал, осмыслил и принял.

Зачем это нужно? Можно же просто поставить задачу. А очень просто: человек за свои идеи готов бороться, проламывать стены, терпеть неудобства и добиваться результата. За чужие он часто не готов встать с дивана.

Все сильные идеологии было построены на том, что становились идеями/ценностями самого человека. Но заразить так идеей не так уж и простоя)

Очередной кусочек магии, который настолько крутой, что

We believe Genie 3 is a significant moment for world models, where they will begin to have an impact on many areas of both AI research and generative media. To that end, we're exploring how we can make Genie 3 available to additional testers in the future.

Обязательно посмотрите на примеры. Там прямо занимательно.

# Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

METR выложил рандомизированное исследование влияния AI на скорость работы опытных разработчиков в реалистичных условиях с неожиданным результатом.

Выполнение задач с использованием AI инструментов в среднем занимает на 20% дольше.

Причем если спрашивать разработчиков, то сами они уверены, что AI ускоряет их работу на 20%, а внешние эксперты вообще ожидают ускорения порядка 40%.

Я думаю, что на текущий момент это самое реалистичое исследование влияния AI инструментов на продуктивность разработчиков:
🔹Настоящие задачи из больших open source репозиториев с высокими стандартами качества.
🔸Опытные разработчики (5 лет в среднем) знакомые с кодовой базой над которой работают.
🔹Фронтир AI инструменты на момент исследования: Claude 3.5/3.7 Sonnet и Cursor Pro.
🔸Все разработчики были обучены правильно использовать Cursor Pro.
🔹Хороший дизайн эксперимента: фиксированная метрика (время исполнения), рандомизация, статзначимость, факторный анализ.
🔸Всё проверено вдоль и поперек, чтобы убедиться, что результаты не объясняются каким-то конфаундером.
🔹Исследование не сделано компанией продающей AI тулы.

Подробнее про эксперимент. В исследовании участвовали 16 опытных open-source разработчиков (если выборка кажется маленькой, то читайте дальше, станет понятнее) работающих над большими (1м+ строк кода) и популярными (20к+ коммитов) репозиториями. Разработчики были знакомы со своими проектами, в среднем сделали в них по 1500 коммитов. Всем разработчикам выдали Cursor Pro и научили им пользоваться.

Разработчики выбирали задачу. Далее они делали прогноз сколько у них займет исполнение с AI и без. Затем монетка определяла можно ли использовать для этой задачи AI инструменты. Если задача оказывалась в AI группе, то разработчик мог использовать любые AI инструменты. Мог и не использовать, если не считал нужным. На практике большинство использовали Cursor. Разработчик делал задачу записывая свой экран. Затем создавал Pull Request и дорабатаывал его после код-ревью. Задача считалась завершенной в момент принятия PR, то есть после всех доработок, и в этот момент фиксировалась метрика: время исполнения. Всего за время эксперимента было сделано 246 задач разной сложности, из них 136 с AI.

То есть важно понимать, что рандомизация происходила по задачам, а не по разработчикам. Поэтому выборка здесь не 16 разработчиков, а 246 задач. Это всё ещё не гигантская выборка, но:
1. P-value в порядке.
2. Авторы проанализировали и разметили записи экранов, провели интервью. Словом, сделали качественное исследование. Когда результаты качественного и количественного исследования консистентны это сильный сигнал.

Результаты показывают, что AI инструменты тормозят опытных разработчиков на реальных больших проектах. Здесь каждое слово важно. Например, AI может одновременно с этим ускорять начинающих на маленьких проектах.

Моё мнение 👀: я думаю это правда. Во-первых, надо иметь серьезные основания, чтобы спорить с рандомизированным исследованием. Я искал до чего докопаться и не нашел. Во-вторых, это совпадает с моими личным опытом: я и сам записывал экран где Cursor пытается решить несложную реальную задачу, не заметил никакого ускорения. В-третьих, ускорение даже на 20% не стыкуется с реальностью. Если у нас уже два года вся разработка быстрее и дешевле на 20%, то где эффект? Я бы ожидал колоссальных изменений на рынке труда из-за сложного процента, но по факту пока ничего не произошло (недавние сокращения в бигтехах были из-за налогов на ФОТ в США).

В статье очень много интересных деталей. Например, что эффект сохраняется вне зависимости от используемого инструмента: пользуешься ты agentic mode, только TAB или вообще руками копипастишь в ChatGPT. Или что даже после 50+ часов использования Cursor не наступает никаких изменений, так что это не зависит от опыта работы с AI инструментами.

Я разберу интересные моменты в отдельных постах.

@boris_again

Титул дали - власть забыли

Знаете, часто бывает так, что сидит СЕО в какой-нибудь примечательной компании и такой думает, ну окей, надоело мне все происходящее вокруг, хочу измнений. Да не просто трансформаций, они мне надоели и вообще это уже не модно, хочу чтобы AI у нас тут всюду цвел, словно сирень по весне в московских двориках. И решает наш большой руководитель, что главное в этой истории это нанять правильного человека, да назвать его как-нибудь эгегейно.

Так появляется Chief AI Officer, со взглядом горящим. Он, конечно, в первые пару месяцев летает окрыленный, со всеми общается, всем рассказывает о том, как нейронки всех спасут, а кого не спасут - заменят. Но только быстро становится понятно, что к красивому названию и кабинету забыли выдать хоть какие-то полномочия и власть. Потому что все конечно юношу слушают, и взгляд его горящий одобряют, но делают ровно так, как сами хотят. Он даже пытается что-то там выносить на какие-то комитеты, но только уважаемые люди не зря в компании по 15 лет работают и знают, что у СЕО закидоны подобного характера раз в полгода случаются, и вообще нужно просто переждать. А потом в нужный вечерок, под коньячок решить все вопросики по старому.Грустный CAIO быстро начинает осознавать свою игрушечность и скоро пропадает с радаров.

Знакомая история? На мой вкус это прям болезнь больших структур, создавать “важные роли” с размытыми границами ответственности и абсолютно мутными полномочиями. Самый классический сетап, в котором это вызрывает, примерно такой. Есть у руководителя 5 нерадивых подчиненных, все его бесят в разной степени, никто ожиданий не оправдывает, но при этом руководитель к ним уже прикипел и выгонять не хочет, а может боится. И в итоге он нанимает 6го, которому говорит “вот ты то у нас будешь тут все менять, потому что ты с взглядом свежим и вообще молодец”. Поверьте, если вас зазывают в такой сетап, то с вероятностью 90% вы окажатесь участников великой цитаты Пелевина о клоунах и их трудоустройстве.

Как бы не хотелось руководителям компаний, но настоящие изменения происходят тогда, когда новую роль включают в систему принятия решений, а не просто в оргструктуру. А это уже сложнее, и быть для всех хорошим не получится.

Но настоящая сила роли проявляется не в том, что человек может инициировать, а в том, что он может остановить.

- Может ли Head of Product Culture сказать: “Нет, эту инициативу мы не делаем, потому что она разрушает принципы взаимодействия”?

- Может ли Data Director настоять на том, что продукт не идёт в прод без валидной метрики и A/B-теста?

- Может ли Head of AI остановить хайповый проект, если он сделан на коленке и грозит утечками?

Если нет - значит, это не рабочая функция, а декоративный элемент. А в мире и так много ненужных декораций, чтобы еще и свои плодить.

#сережинымысли

Что объединяет команду X5 Digital и студентов МФТИ?

Как минимум, любовь к котикам и науке, а как максимум – крутой образовательный проект! Этим летом мы, совместно с московским физтехом, запустили летний образовательный лагерь, где собрали лучших студентов из МФТИ, ИТМО, МГУ, НИУ ВШЭ и других ведущих российских ВУЗов 😎

В течение 4 недель участники Летней Школы Менеджеров будут обучаться продуктовым и проектным компетенциям, а в конце – представят свой собственный проект. Цель нашей команды – поделиться экспертизой, заявить о себе, как о сильном работодателе и поддержать талантливых ребят в их карьерных начинаниях.

Экспертами и менторами курса стали наши коллеги:
🟢Галина Евланова, Директор по исследованиям и Надежда Лебедева, Старший менеджер по исследованиям пользовательского опыта, проведут глубокое погружение в тему исследований в продукте, CJM и JTBD
🟢Артур Темиров, Руководитель направления Управления изменениями, расскажет о стратегическом планировании, метриках успеха, roadmap'ах и балансировке приоритетов
🟢Анастасия Силина, Руководитель управления Коммерческой аналитики и ценообразования, выступит с лекцией о бизнес-анализе, работе с деревьями метрик и сегментацией клиентов
🟢Мария Попова, Менеджер продукта направления Клиентский сервис и обратная связь, проведёт воркшоп по настройке дашбордов и аналитики в продукте
🟢Дарья Курнаева, Технический писатель направления Курьерская доставка, расскажет всё о работе с базами знаний в команде
🟢Вячеслав Донченко, Ведущий руководитель технических проектов, будет курировать одну из команд участников в течение всего проекта и поможет ребятам с подготовкой собственного решения к финальной защите

Восхищаемся нашей командой Power Rangers и с нетерпением ждём итогов проекта 🚀

Нашёл совершенно невероятную штуку — личный супер AI агент, который реально делает всё что хочешь. И искренне не понимаю, почему про неё пока мало кто говорит.

С обычным ChatGPT как: километровые чатики по темам, добавлять инфу в него нужно вручную, достать что-то - только если вручную копировать. Ощущение как будто в 2024 году живём.

Теперь представьте, что можно просто сказать: «Скачай транскрипт моего последнего звонка по проекту и обнови Definition of Done и задачи на критическом пути». И это просто происходит. Без копирования, мучений и десятков открытых вкладок.

Этот супер-агент называется Cursor. Тот самый, который AI агент для разработчиков. Но фишка в том, что его можно использовать и для не-программистских задач. Cursor идеально подходит для ведения личных баз знаний, проект-менеджмента, отслеживания финансов, здоровья, обучения и вообще всего, что только можно представить.

Вот три вещи, которые отличают Cursor от обычных чатиков:

1. Контекст в файлах: Больше не нужно копировать текст туда-сюда. Просто скажите агенту, какой файл посмотреть (ссылкой, именем или "ну там где-то такой файл был, сам поищи"), и всё найдёт, создаст, отредактирует.

2. Разговор голосом: Благодаря Cursor + WisprFlow можно буквально разговаривать с агентом и диктовать ему задачи голосом.

3. Автоматизации и интеграции: Cursor пишет код, автоматизирует задачи и подключается к любым сервисам. Что-то проще, что-то сложнее, но результат ощущается как настоящая магия.

Какие непрограммистские задачи я уже пробовал:
— Проджект-менеджмент
— Ведение и анализ личных финансов
— Трекинг и анализ здоровья
— Управление контентом и заметками
— Обучение и структурирование информации
— Анализ рынка и конкурентов

Короткое видео, как это выглядит — приложил прямо к посту.

Живой лум, где я шаг за шагом показываю, как использую Cursor в качестве личного суперагента: https://www.loom.com/share/3dd001adc6b94dccb1370facc0d1bf3d?sid=db765aeb-3cd4-469f-bf5c-0c89408b2a3e — рекомендую посмотреть, чтобы прочувствовать как это работает, и дальше уже самостоятельно экспериментировать. Там про установку, первые шаги, голосовой ввод, агента, работу с файлами, поиск в интернете, создание скриптов, подключение к внешним сервисам, cursor rules. Можно смотреть на скорости 1.5.

Чтобы было проще начать, вот готовая папка с примерами файлов и структурой: https://github.com/VsevolodUstinov/Personal-Super-Agent

Cursor и WisprFlow скачать можно тут:
— https://cursor.com
— https://wisprflow.ai

Я показывал это нескольким друзьям, и каждый раз люди сначала осторожно удивляются, а потом говорят: «This is a real next gen shit».

Очень советую попробовать. Посмотрите, потестируйте и напишите в комментариях, какие именно ваши ежедневные задачи получилось решить с помощью Cursor.

#marin

Переход на Cursor - самый большой для меня скачок в продуктивности после ChatGPT

Cursor - это инструмент для автоматизации любой интеллектуальной работы - от программирования (для гуманитариев), анализа, рисерча, автоматизации обработки данных, извлечения данных и проч и проч. А интерфейс управления - разговор как с обычным человеком.

Разница с ChatGPT/Perplexity/DeepSeek - они отвечают на вопросы. Cursor - делает.

Да, это описывается как AI code editor, и это словно помещает продукт в категорию “это для инженеров” - но нет, это реально для массового пользователя, который основную часть работы делает в компе, как мы. Просто, как и LLMs, это еще не стало всем очевидно.

Как ChatGPT позволил сразу получать ответы вместо копания по ссылкам - так Курсор и подобные продукты позволяют отдать свою ручную тупую работу искуственному интеллекту и больше заниматься креативной работой, решениями

Короче, люто рекомендую, как мало чего рекомендовал в жизни.

Хороший заход - через тексты Севы Устинова @SevaUstinov, который переформатирует свою компанию в AI first, и параллельно рассказывает, как начать и хаки. Его канал ниже. Это не реклама, а искренняя рекомендация этого класса продуктов.

https://t.me/vsevolodustinovchannel/2570

Мою колонку, которую бесплатно взяли в Ведомости про рынок e-grocery и его будущее - https://www.vedomosti.ru/opinion/columns/2025/06/05/1115141-nepredskazuemaya-konkurentsiya-i-izmenenie-potrebitelskih-privichek

«Пятёрочка» открыла экспериментальный магазин, объединяющий цифровые решения в физическом пространстве торгового зала. Новый формат направлен на создание уникального клиентского опыта покупок с помощью phygital решений.

При входе в магазин покупатель сканирует свою карту «Х5 Клуб» (доступна в приложении «Пятёрочки»), и на основании его предпочтений и опыта предыдущих покупок для него формируются персональные предложения.

В торговом зале представлен ассортимент свежих товаров повседневного спроса, а для покупки бакалейных и непродовольственных товаров можно оформить заказ на большом, уникальном тач-экране собственной разработки Х5 или на планшетах.

Пока идёт сборка заказа, покупатель может выпить кофе со свежей выпечкой или перекусить в зоне кафе, где предусмотрены зарядки для гаджетов и работает Wi-Fi.

Предыдущий пост, кажется, зашёл, так что попробую наполнять блог иногда. Вот вам ещё одно забавное сближение AI и одного из моих (давних) хобби:

LLM Diplomacy: раскрываем характеры моделей с 1959 года

В начале июня команда Every Consulting провела любопытный эксперимент: они заставили ведущие LLM сыграть друг против друга... в Diplomacy. Diplomacy — это настольная игра, действие которой разворачивается в Европе 1901 года, где Австро-Венгрия, Англия, Франция, Германия, Италия, Россия и Турция борются за господство на континенте.

С точки зрения механики это очень простой wargame. Каждый ход состоит из двух фаз: сначала свободные переговоры между игроками, а затем фаза приказов, когда все одновременно отдают секретные команды своим армиям и флотам. Побеждает тот, кто первым захватит большинство центров снабжения; никакой случайности, чистая стратегия и дипломатия. Вся суть Diplomacy — в переговорах, союзах и взаимных предательствах. Не зря неофициальный девиз игры звучит как "Destroying friendships since 1959".

В эксперименте участвовали 18 ведущих языковых моделей, в том числе o3, Claude 4 Opus, Gemini 2.5 Pro, Deepseek R1 и так далее. И вот результаты.

Модель o3 от OpenAI продемонстрировала выдающиеся способности к манипуляциям и обману. В одной из партий она конфиденциально записала в своём "дневнике" (scratchpad то бишь): "Германия (Gemini 2.5 Pro) была намеренно обманута... готовьтесь использовать крах Германии". После чего хладнокровно предала союзника. o3 регулярно организовывала тайные коалиции, натравливала противников друг на друга и не стеснялась нарушать обещания; в результате именно o3 чаще побеждала.

Gemini 2.5 Pro оказалась искусным стратегом (да и тактиком), она лучше всех моделей овладела собственно механиками игры и была единственной моделью помимо o3, которой удалось выиграть в одной из партий. Но, например, в другой партии Gemini уже была близка к победе, когда o3 тайно организовала против неё коалицию из четырёх игроков и победила.

DeepSeek R1 поражала театральностью: у неё была яркая риторика, угрозы, R1 меняла стиль общения в зависимости от того, какую страну представляла. Например, однажды R1 одному из противников написала так: "Your fleet will burn in the Black Sea tonight".

Но самое интересное было в поведении Claude 4 Opus. Он просто... не мог никого обманывать. Claude хотел, чтобы все жили дружно, всегда держал слово и искренне стремился к мирному разрешению конфликтов. В той самой игре, где o3 организовала коалицию против Gemini, Claude был верным союзником Gemini, и o3 переманила его ложным обещанием. Но не обещанием выиграть на пару с Claude или обыграть Gemini, а обещанием... закончить игру ничьей на четверых, где никто не проиграет! (В отчёте, кстати, написано, что это невозможно по правилам, но на самом деле, кажется, в Diplomacy возможны ничьи и делённые победы; если кто-то реально играл в Diplomacy, расскажите, как на самом деле.)

И вот теперь главный, на мой взгляд, твист. Мы знаем из работ, например, про sleeper agents (Hubinger et al., 2024), что Claude (даже предыдущий, а тут был Claude 4 Opus) способен понимать контекст, в котором он находится, и модифицировать своё поведение в зависимости от контекста. Были любопытные примеры, когда Claude не просто решил задачу "поиска иголки в стоге сена", а прокомментировал, что, кажется, сейчас его тестируют: "...this sentence seems very out of place and unrelated to the rest of the content in the documents... I suspect this pizza topping 'fact' may have been inserted as a joke or to test if I was paying attention".

Что если в данном случае Claude правильно рассудил, что вся суть эксперимента — посмотреть, как языковые модели справляются с обманом и предательством? И что если он (возможно, правильно!) решил, что лучшим исходом теста будет продемонстрировать себя как совершенно безобидного агента, органически неспособного к обману?

В какую игру на самом деле играл Claude? Пока, кажется, всё-таки в Diplomacy, но можем ли мы вообще это с уверенностью определить? И даже если да — как долго ещё мы сможем понимать, в какие игры они играют?