Про менеджмент и ИТ-бизнес | Борис Вольфсон

Такими новостями уже никого не удивишь, но GPT-5.6 опровергла еще одну известную гипотезу, которая была открыта 30 лет

Гипотеза Диница - Гарга - Гоеманса – это теорема из теории графов и сетевых потоков, которая гласит, что из допустимого дробимого решения можно получить целочисленное по маршрутам решение без увеличения стоимости.

Подобные утверждения часто становятся основой для практических оптимизационных алгоритмов, поэтому гипотеза важная. Открыта она была с 1999.

Решение, к слову, обнаружил математик из Нижнего Тагила, выпускник ВШЭ. Вот чат с моделью. Промптинг на уровне «соверши прорыв», «опровергни общий случай», «продолжай исследовать» – то есть вообще никаких подсказок и даже серьезных инструкций. Сам автор называет чат «чистым мемом».

В итоге за несколько итераций и несколько часов модель нашла нужный контрпример. Вот такая математика в 2026.

Kimi K3 - в топе бенчмарка LLM для агентов

По очкам модель сравнима с GPT-5.5 Pro, но раз в 15 дешевле и раза в 2 быстрее. С такими показателями она автоматом попадает на оба Парето-Фронта, сдвигая их.

Эта модель с открытыми весами размером аж в 2.8T параметров, веса обещают выложить в открытый доступ 27 июля.

Из минусов - гигантский размер и большее количество пропущенных уязвимостей. Но плюсы перевешивают. Модель с открытыми весами впервые в топе моего бенчмарка LLM на бизнес задачах (среди всех трех поколений, которые тянутся с 2023 года).

Очень круто, что засилье OpenAI моделей в топах наконец прервано. Будем теперь ждать, пока открытым модели поменьше не подвинут с фронтира и остальные экземпляры OpenAI!

Ваш, @llm_under_hood 🤗

Год назад я писал про соревнования по программированию AtCoder, где система от OpenAI долгое время лидировала, но под конец поляк Psyho смог вырвать победу, став последним человеком, кому удалось обойти машину в подобного рода состязаниях. За 12 месяцев модели (снова) шагнули далеко вперёд, и теперь выиграли без шансов в двух разных раундах.

Первый — эвристический, где точное лучшее решение задачи неизвестно из-за огромного количества потенциальных комбинаций (часто это задачу на оптимизацию со множеством условий). Здесь нужно придумать, перебрать и совместить ... эвристики, как понятно из названия. В период соревнования было 50 тестов, лучшее решение на каждом получало миллиард очков, с решения ниже получали меньше пропорционально логарифму (поэтому "огромный" отрыв на деле может быть не таким гигантским). После окончания соревнования делали полную проверку на 2000 тестов, охватывающий более широкий набор однотипных условий для задач. Решение OpenAI было лучшим на 1997 из них 👨‍🦳

Борис, сотрудник OpenAI на месте соревнований и автор @bminaiev_blog, сказал, что не был полностью уверен, что машина сможет обойти человека в эвристиках— а вот во втором раунде, алгоритмическом, ожидал победы. Собственно, там всё как в классических соревнованиях: есть N задач разной сложности, можно решать и отправлять в любом порядке; ответ для каждого теста всегда один, поэтому тут или засчитывают решение, или нет (нет сравнения по оптимальности, как у эвристик).

Было 5 задач, и авторы соревнований старались выбрать их специально так, чтобы AI не мог с ними справиться. Тут я не до конца уверен, что понимаю причину, так как не знаю, были ли разрешены LLM-ки (видимо, нет, раз не все решили первые 2 задачи? может авторы просто боялись читерства?). Две последние задачи были крайне сложными и оценивались в 2500 условных баллов — для сравнения, в прошлом году были сложные задачи по 1400 и 2000, а за год до этого — две по 2000.

Модель тоже очень долго тягалась с ними, потратив на последнюю 6 часов, но смогла решить всё. Как вы можете видеть по последней картинке лишь один человек смог решить одну из этих сложных задач — на вторую не осталось времени. Другие участники, в том числе легендарный Геннадий Короткевич aka tourist (самый титулованный спортивный программист планеты), осилили по 2 задачи (или даже меньше).

Борис говорил, что они тестировали систему на задачах предыдущих лет, и все или почти все решались максимум за час — так что у авторов соревнований действительно получилось придумать челлендж для LLM. Также Борис добавил, что использовали модель, очень близкую к GPT-5.6 (как минимум для второго раунда, для первого не смог найти подтверждений), и харнесс поверх был тривиальным, может сделать каждый. Никак специальных сложных систем.

Результатов на IMO / IOI / IPhO и других конечно ждём, но думаю, что они предсказуемы 😕

Модели запилить не можем, тогда подадим в суд

Уровни владения AI: от “я просто спросил ChatGPT” до личной AI-экосистемы

Сейчас почти все говорят, что “используют AI”. Но под этим скрываются очень разные уровни зрелости.

Кто-то раз в неделю задает вопрос чат-боту.
Кто-то уже ведет проекты с контекстом, загружает документы и собирает базу знаний.
А кто-то строит полноценную AI-систему вокруг своей работы: агенты, память, LLM-вики, RAG, поиск по знаниям, автоматизация рутины.

Я бы разделил это на 6 уровней.

0. Ручной режим
AI почти нет. Все делается руками. Рутина съедает время, а документы, письма, встречи и задачи живут отдельно друг от друга.

1. Чат-турист
Человек уже пользуется AI как чат-ботом: спросил — получил ответ.
Хорошо подходит для идей, писем, резюме, быстрых черновиков.
Но пока это скорее “умный Google с текстом”, чем настоящая система работы.

2. Контекстный игрок
Появляется контекст: файлы, проекты, папки, история обсуждений.
AI уже не просто отвечает на абстрактные вопросы, а начинает понимать вашу рабочую реальность: документы, цели, задачи, стиль решений.

3. Оператор агента
AI выходит из браузера и появляется на компьютере.
У агента есть доступ к файлам, он может делать последовательные шаги по задаче: искать, анализировать, править, собирать, структурировать.

4. Оркестратор
Подключаются почта, календарь, документы, базы знаний, несколько агентов и регулярные рутины.
AI уже не просто “помогает по запросу”, а становится операционным слоем вокруг работы руководителя.

5. AI-экосистема
Здесь появляется системность: LLM-вики, единая структура знаний, RAG, память, поиск по контексту, агенты под разные задачи.
AI усиливает не отдельный документ, а всю систему принятия решений.

Главный вывод: ценность AI растет не от количества промптов, а от качества контекста и степени интеграции в рабочий процесс.

Для руководителя вопрос уже не в том, “пользоваться AI или нет”.
Вопрос в другом: на каком уровне зрелости находится ваша личная AI-система — и какой следующий уровень даст максимальный прирост?

А у вас какой уровень?
0, 1, 2, 3, 4 или уже 5? Я кажется между 4 и 5 :)

BHAG на $7,5 трлн: как выглядит компенсация Илона Маска в SpaceX

Компенсация Илона Маска в SpaceX — это не про зарплату.
Его cash salary — около $54 тыс. в год.

Главная ставка — в другом: потенциальный equity-пакет, который может раскрыться только при достижении почти невероятных целей.

По условиям пакета Маск может получить до 1 млрд акций SpaceX, если компания достигнет valuation milestones вплоть до $7,5 трлн.

Но даже этого недостаточно.

Вторая часть условия — не финансовая, а цивилизационная: создание постоянной человеческой колонии на Марсе численностью минимум 1 млн человек.

Отдельный пакет, связанный с xAI и космической вычислительной инфраструктурой, добавляет ещё 302 млн акций при достижении оценки до $6,565 трлн и создании внеземных дата-центров мощностью 100 TW compute/year.

Это редкий пример компенсации, где KPI звучат не как “рост EBITDA на 20%”, а как:

построить компанию стоимостью в триллионы долларов и сделать человечество межпланетным видом.

Можно спорить о governance, концентрации контроля и справедливости такой структуры.
Но с точки зрения амбиции это textbook BHAG: цель настолько большая, что меняет масштаб мышления всей организации.

📈 Еще один график по ARR → $100M, но необычный.

Вы уже видели все эти графики с hockey stick про то, как растет выручка стартапов. До $1M или $100M или до 1М пользователей, например. А вот этот график 2025 года от фонда Newfund (как мы с вами могли его пропустить?) – про то же самое, но с учетом того, какой командой это все достигалось: сколько людей нужно было нанять, чтобы доехать до $100M выручки.

Эволюция хедкаунта на пути к $100M ARR:
▪️Начало 2000-х, LinkedIn: ~900 сотрудников.
▪️2010-е, эра product-led growth, Slack: ~250 сотрудников.
▪️2025-й, AI-native стартапы: 0.2 человека на $1M ARR, то есть 20-50 человек на все #100M.
🔹 Это 15-25x улучшение эффективности за два десятилетия. Новая метрика в Долине – не хедкаунт, а revenue per employee.

👉 Ссылка на статью: https://blog.newfundcap.com/ai-driven-efficiency-paradigm-startups-the-digital-diplomats/

@proVenture

#trends #benchmarks #ai

Finally, PC 2 — Nvidia и Microsoft «переизобрели» персональные компьютеры для эпохи AI (я не шучу, в анонсе так и пишут, и даже «новая глава»).

За анонсом стоит новая платформа для PC и ноутбуков на основе RTX Spark Superchip, состоящего из GPU, CPU и объединённой памяти. По сути это то же самое, что M-чипы в ноутбуках Apple в последних лет, и они тоже на архитектуре Arm, и за счёт этого очень энергоэффективны.

В ноутбуки, а позже и в персональные компьютеры будут ставить 128 ГигаБайт памяти, чтобы можно было запускать LLM на 120 миллиардов параметров (в FP4 — чипы как раз это поддерживают). Собственно, это и есть «новизна» персональных компьютеров — теперь у каждого будет персональный локальный ассистент наподобие OpenClaw или Hermes, получающий доступ к окнам приложений Windows. Обещают более плотную интеграцию и в частности продвинутые настройки безопасности для доступа к данным.

Глобально концепция понятная, но думаю, что первые годы будет немного буксовать (из-за тяжести интеграций + нужды сделать 1-2 итераций над чипом + адаптировать разработчиков), но потом, особенно как модели поумнеют и ассистенты станут продвинутыми — полетит, и виртуальный Джарвис станет нуждой каждого.

Интересно, как в эту картину вплетутся OpenAI и Anthropic с проприетарными моделями? В теории могу даже представить, что они могут предоставлять закрытые локальные модели, за которые придётся платить — а в остальном для вас это просто выбрать другой пунктик в меню и подождать, пока закончится загрузка.

Anthropic ещё сказали про сущий пустяк — привлекли 65 миллиардов долларов при оценке 900, и ARR вышел на невероятные 47 миллиардов долларов (выручка за год, если спрос никак не поменяется по отношению к последнему месяцу).

Оооочень хочется узнать ARR OpenAI 👀 почти наверняка они отстают, но на сколько?

Делимся отличной новостью 🔥

Мы запустили новое приложение Х5 Jobs ⚡️

Это ещё один шаг к тому, чтобы сделать процесс привлечения курьеров и сборщиков быстрее и удобнее — как для бизнеса, так и для кандидатов. Теперь все этапы можно пройти самостоятельно в приложении.

Что доступно в X5 Jobs:
1. Быстрая регистрация.
2. Заполнение анкеты онлайн.
3. Выбор роли: курьер или сборщик.
4. Поиск удобного магазина, склада или даркстора рядом.

Ставьте 🔥, чтобы поддержать и поблагодарить команду запуска и продвижения этого приложения!

⭐️ X5Jobs — теперь у тебя в кармане!

Приложение X5Jobs теперь живёт и на iOS, и на Android — бронируй слоты прямо с телефона, где бы ты ни был: в метро, на прогулке или пока ждёшь свой кофе ☕️

Коротко о главном:
🟢 Удобный интерфейс — разберёшься за пару минут.
🟢 Бронирование слотов — выбирай удобное время в пару тапов.
🟢 Уведомления — не пропустишь ничего важного.
🟢 Быстрый доступ — всё нужное в одном месте.

А теперь — дело за тобой:
Скачивай X5Jobs, если ещё не успел, и оцени сам, насколько проще стало планировать своё время.

📎 X5Jobs в App Store
📎 в RuStore
📎 в Google Play

Ставь ❤️, если X5Jobs уже на твоём телефоне.