from:adam

In one of my previous posts, I discussed congestion in the job market caused by the surge of AI tools that scrape job descriptions and auto-apply to jobs. Since that post, another problem has emerged: progress in the capabilities of coding agents has caused a sharp rise in vibe-coded pull requests in open source repositories on GitHub. This problem can also be framed as a matching market congestion problem.

I became familiar with the problem while working in a services marketplace and solving matching-market-related problems there. That gave me direct practical experience with the typical issues. In this post, I want to share that experience and knowledge.

I explore the services marketplace, a dating platform, job search, and open source contribution through the lens of matching market design and identify a common pattern: lowering search and application costs leads to more applications, resulting in less effective matching due to reviewer overload.

I argue that just automating application screening and review with AI doesn't fully resolve the problem. In some cases, it makes it even worse by creating a self-reinforcing feedback loop: more applications → more automated filtering → even more applications. AI automation tools lack private information about applicant fit and intent.

As an alternative, I propose to redesign incentives so applicants bear more of the cost of low-value submissions and use their private knowledge to apply more carefully. The proposed solution is a reputation-credit-based system for GitHub-like platforms: non-transferable reputation credits are earned through valuable contributions and debited through low-quality pull requests and issues.

Read more →

I also submitted it to Hacker News: https://news.ycombinator.com/item?id=47823902
If you have critical comments, I would be happy to answer them there.

На этом фоне Muse Spark от Meta выглядит почти контрпримером ко всей конструкции. Это первая модель новой лаборатории Meta Superintelligence Labs: мультимодальная, с рассуждением, не SOTA, но вполне конкурентоспособная. И именно поэтому позиция Meta здесь особенно интересна.

У Meta нет облачного и корпоративного бизнеса. Вообще. Microsoft выбирает между Azure и Copilot. Amazon делит мощности между AWS и собственными сервисами. Anthropic и OpenAI балансируют между потребительским и корпоративным рынком. А Meta выбирать не нужно: все мощности можно направлять на потребителей, без внутреннего конфликта за ресурсы. Плюс у неё уже есть встроенная рекламная модель монетизации.

У OpenAI ситуация обратная. ChatGPT с сотнями миллионов пользователей парадоксальным образом начинает превращаться в обузу: вычисления, которые съедает потребительский трафик, можно было бы отдать корпоративным клиентам, платящим на порядок больше. У ChatGPT в теории могла бы быть рекламная модель — OpenAI прогнозирует $102 млрд рекламной выручки к 2030 году, — но пока её нет. Значит, потребительская база остаётся чистыми альтернативными издержками. И соблазн перекидывать ресурсы в агентские задачи для корпоративного сегмента будет только расти.

Отсюда вывод Томпсона: Meta должна открыть Muse — так же, как когда-то открыла Llama. Сильная открытая модель бьёт сразу по Anthropic и OpenAI: снижает их способность диктовать цены, усиливает конкуренцию за мощности и расчищает потребительский рынок для Meta, у которой нет конфликта интересов.

Aggregation Theory не умерла — но её зона применимости сузилась. На потребительском рынке она по-прежнему работает: дистрибуция и транзакционные издержки в ИИ близки к нулю, и лучший продукт продолжает собирать больше всего пользователей. А вот на корпоративном рынке эта теория никогда толком и не действовала. Там Anthropic и OpenAI будут подниматься вверх по стеку и конкурировать уже не друг с другом, а напрямую с софтверными вендорами. Это, кстати, ещё один аргумент против широкого релиза передовых моделей: зачем усиливать чужие продукты, если можно самому занять их место.

В итоге главный спор сводится к простому вопросу: что важнее — владение спросом или владение предложением? OpenAI говорила инвесторам, что её преимущество перед Anthropic — именно в предложении: компания раньше и агрессивнее вложилась в мощности.

Томпсон ставит на спрос. Логика у него такая: дистрибуция и транзакционные издержки в ИИ по-прежнему близки к нулю, то есть базовые условия для агрегаторов сохраняются. Лучший продукт собирает пользователей, пользователи приносят деньги, деньги позволяют покупать мощности — в том числе у тех, у кого они уже есть. Сделка Anthropic по TPU — хорошая иллюстрация: это не Anthropic догоняет Google по вычислениям, а Anthropic буквально выкупает предложение у Google, потому что спрос на Claude позволяет платить больше за те же чипы.

Да, мощности стали дороже, но если у тебя достаточно сильный входящий поток выручки, это не ломает модель, а лишь повышает цену лидерства.

Тут я бы добавил оговорку. Томпсон прав, что спрос в итоге важнее предложения, но это двусторонний рынок, и он всегда про баланс. Спрос, который нельзя утолить, не накапливается — он уходит к конкурентам. Когда Uber не может подать машину, ты вызываешь Lyft. Если Anthropic раз за разом не может обслужить клиента на нужном уровне, этот клиент пойдёт в OpenAI. Владеть спросом можно только до тех пор, пока у тебя хватает саплая его удержать.

Дефицит мощностей реален, но, по Томпсону, он временный. Когда ИИ станет «достаточно хорошим» для большинства задач, себестоимость запроса снова начнёт стремиться к нулю. Просто этот момент сейчас кажется дальше, чем когда-либо.

Очередной разбор свежей статьи Бена Томпсона «Mythos, Muse, and the Opportunity Cost of Compute».

Как автор Aggregation Theory, Томпсон объяснял доминирование Google, Facebook, Amazon и Uber в 2010-х одним базовым принципом: когда обслуживание ещё одного пользователя стоит почти ноль, выигрывает тот, кто собирает максимальный спрос. Нулевая себестоимость дополнительного показа рекламы, поискового запроса или поездки в приложении была фундаментом всего интернет-бизнеса.

Пару месяцев назад Даг О'Лафлин из Fabricated Knowledge заявил, что ИИ эту модель сломал. Каждый запрос к нейросети стоит денег: вычисления, электричество, амортизация GPU. Бесплатно раздавать сервис миллиардам пользователей больше нельзя. Значит, эпоха агрегаторов закончилась.

Томпсон с этим не согласен. Да, чипы дорогие, но электричество занимает небольшую долю в их стоимости, а сами чипы скорее постоянные косты, как завод: ты платишь за них вне зависимости от того, сколько запросов обработал. Если у тебя уже стоят GPU, ты не решаешь, обрабатывать ли ещё один запрос. Они всё равно должны быть загружены. Вопрос только в том, чем именно.

И вот это «чем» — ключевая мысль всей статьи. Проблема не в себестоимости одного запроса. Проблема в том, что мощности, отданные под одну задачу, уже нельзя использовать для другой. То есть ключевой фактор — не себестоимость запроса, а альтернативные издержки. Именно они и определяют стратегию игроков.

Почему вообще возник дефицит мощностей? Из-за агентов. Ризонинг модели тратят больше токенов, чем обычные, а агенты ещё на порядок больше, потому что работают непрерывно без человека в петле. Это и есть двигатель взрывного роста Anthropic, OpenAI Codex и разворота OpenAI в сторону корпоративных клиентов.

Хороший пример того, как работают альтернативные издержки, — Microsoft. В прошлом квартале компания не дотянула до ожиданий по росту Azure, но не потому, что не было спроса. Он был. Просто Microsoft сознательно перераспределила часть GPU в пользу собственных продуктов: M365 Copilot, GitHub Copilot и внутренних исследований. CFO прямо сказала на инвест коле: если бы все GPU ушли внешним клиентам Azure, рост был бы выше 40%, но свои продукты приносят больше маржи на единицу вычислений.

Дальше Томпсон применяет эту логику к двум моделям, анонсированным на прошлой неделе.

Первая — Mythos от Anthropic. Компания ограничила к ней доступ. Формально — из соображений безопасности: модель якобы нашла тысячи критических уязвимостей в каждой крупной ОС и браузере. Томпсон относится к такой подаче скептически, называет это маркетингом через «катастрофу» и сравнивает с мальчиком, который кричал «волк». Но тут же оговаривается: в той притче волк в итоге действительно пришёл. Если эта модель ещё не представляет серьёзной угрозы, то следующая, вероятно, уже будет.

Но за этим стоит и экономика. Anthropic и без того не хватает мощностей для текущих моделей: в сети уже месяц идёт волна жалоб на деградацию качества клода. Дать Mythos подписчикам по фиксированной цене — значит отобрать ресурсы у корпоративных клиентов, которые платят за каждый запрос.

Есть и вторая причина: защита от копирования. Anthropic публично обвинила китайские лабы в дистилляции Claude. Чем сложнее доступ к лучшей модели, тем сложнее конкурентам её воспроизвести — и тем ниже конкуренция за те же вычислительные мощности.

Пару месяцев назад публиковал свой взгляд на жизнь в виде «манифеста». Получилась замкнутая и непротиворечивая система, но что-то беспокоило меня в ней, не хватало какой-то недостающей детали.

У Дэниела Пинка в Drive (писал здесь) есть модель, состоящая из трёх двигателей мотивации: мастерство, автономность, предназначение. Если посмотреть через призму манифеста на эту модель, то мастерство и автономность ложатся идеально — мастерство как процесс, автономность как осознанный выбор. А вот предназначение...

Предназначение в моём манифесте выглядит так: «пишу посты, потому что нравится влиять на мышление людей», «строю продукты, потому что видеть, как работа меняет поведение миллионов — мощное ощущение». Честно? Да. Но это мастерство, которое надело костюм предназначения и пришло на вечеринку. Мне нравится процесс, нравится результат, нравится ощущение, но всё сводится к «мне нравится».

А «мне нравится» — это предпочтение, но не миссия.

Манифест сознательно сводит даже альтруизм к эгоизму: помогаю близким, потому что видеть их в хорошем состоянии приятнее, чем не видеть. Это интеллектуально честная позиция, и она же отрезает доступ к чему-то, что не вписывается в рациональную рамку. Если всё — производная от субъективного опыта, то предназначение всегда будет калькой мастерства. Система, в центре которой «я», не может породить вектор, направленный за пределы «я», ибо она на это не рассчитана.

Недавно прочитал конспект Руслана Фазлыева — разбор книги Роберта Джонсона про легенду о Парсифале и Святом Граале. Там есть вопрос, который звучит просто, но попадает точно в эту дыру: «кому служит Грааль?»

Парсифаль — молодой рыцарь, который всю жизнь берёт: доспехи, славу, кольцо у Прекрасной Дамы. Он попадает в замок Грааля, видит раненого Короля-Рыбака, и от него ждут одного — задать правильный вопрос. Но Парсифаль молчит, потому что так учили: этикет, логика, не задавай лишних вопросов. Замок исчезает, а дальше годы скитаний, подвиги, сияющие доспехи и полное внутреннее опустошение. Только после встречи с Отшельником, когда он перестаёт брать и готов давать, замок открывается снова.

И вот что цепляет. Джонсон говорит: Грааль служит не рыцарю, Грааль служит Королю. Духовная энергия предназначена для поддержания «целого», а не для услаждения эго. Это не обязательно про Бога или служение кому-то конкретному. Это про точку отсчёта, которая находится вне тебя.

Первая реакция — начать спорить с этим внутри себя. Ведь моя система работает, я встаю по утрам, строю продукты, пишу, думаю, развиваюсь. Зачем мне что-то «больше себя», если я и так оптимизирую жизнь по собственным критериям?

Потом вспомнил свой же манифест. Раздел про след: «создание следа делает опыт богаче прямо сейчас. Не результат важен, а процесс». И раздел про смерть: «делаю максимум из доступного времени, и в любой точке вклад уже достаточен».

Вклад — куда? В субъективный опыт? Тогда это замкнутый контур. Опыт ради опыта, мастерство ради мастерства — изящная тавтология, но всё же тавтология.

Разница между «я служу этому, и это делает вопрос об оптимизации опыта нерелевантным» и «я оптимизирую свой опыт через служение» — фундаментальная. В первом случае ты часть чего-то. Во втором ты всё ещё в центре, а «служение» — очередной инструмент.

Пинк, Джонсон и Фазлыев приходят к одному и тому же с разных сторон. У Пинка предназначение — это «стремление служить чему-то большему, чем ты сам». У Джонсона — вопрос, кому служит Грааль. Фазлыев формулирует жёстче всех: «заниматься только собой — не заниматься собой». Полноценная архитектура мотивации требует вектора, который не замыкается на субъекте.

Мой манифест — хорошая операционка. Она решает «как», но «зачем» в ней — рекурсия: зачем оптимизировать опыт? Потому что нравится. Зачем нравится? Потому что нейроны так сложились. Честный ответ — «ни зачем, просто так устроен». Этот ответ работает, но до тех пор, пока не перестаёт.

У меня пока нет ответа на вопрос «кому служит Грааль». Думаю, это нормально. Парсифаль тоже промолчал в первый визит в замок — замок исчез, но дорога к нему осталась.

Принципы > Практик

Осенью 2024-го Манчестер Сити поймали серию из пяти поражений подряд, худшую на тот момент в карьере главного тренера Пепа Гвардиолы. Журналисты спрашивали, что он собирается менять, а Пеп ответил: «Что мне менять? Надо еще сильнее придерживаться наших принципов и менять меньше, чем когда-либо».

И это не про футбол.

Одна из самых частых ошибок, которую я вижу: люди учат практики, но не понимают принципы, из которых эти практики выросли. Выучили что делать, но не разобрались почему, а практика работает ровно до тех пор, пока контекст совпадает с условиями, в которых её придумали. Изменился контекст, сломалась практика, и человек стоит моргает, потому что инструкции на этот случай нет. Принцип устроен иначе, он описывает как думать о проблеме, поэтому порождает практики под любой контекст.

Гвардиола даёт игрокам принципы позиционной игры (juego de posición): создавай численное преимущество в зоне мяча, растягивай поле, при потере сразу иди в контрпрессинг и тд. Плюс набор инструментов: перегруз фланга и перевод на другой, прострелы, игра через третьего и прочие. Но какой инструмент применить и когда, игрок решает сам, исходя из принципов. Эти принципы не менялись ни в Барселоне, ни в Баварии, ни в Сити.

Тренеры, которые вместо принципов дают скрипты, превращают игроков в автоматы. Соперник сделал X, делаем Y. Работает, пока оппонент действует по сценарию. Как только он делает что-то за рамками выученного, команда зависает, потому что нет ветки в дереве решений на этот случай. И когда наступает кризис, такому тренеру некуда возвращаться, потому что принципов не было с самого начала.

В продуктовой работе бывает похожее. Скрам не на пустом месте родился, у него есть принципиальное ядро в виде Agile-принципов. Но куча команд берёт только обёртку: ритуально проводят дейлики, ретроспективы и планирования, но до ядра не докапываются. Когда фреймворк не подходит, а он не подходит часто, они не могут адаптироваться.

Румельт в Good Strategy Bad Strategy описал ту же механику для стратегии: хорошая стратегия — это guiding policy, принцип преодоления ключевого вызова, который транслируется в конкретные действия. Принцип первичен, а действия уже производные. Убери его, и останется набор активностей без логики.

Если владеешь только практикой — ты оператор чужой системы. Если же владеешь принципом, то уже можешь построить свою.

Еще недавно дочитал «The Heroine's Journey» Морин Мёрдок — книгу, которую знают сильно хуже мономифа Кэмпбелла, хотя она описывает половину лучшего кино последних двадцати лет.

Мёрдок — юнгианский психотерапевт и ученица Кэмпбелла. Работая с пациентками, она заметила повторяющийся паттерн: женщины, которых она назвала «отцовскими дочерями» — идеализировали отца или мужскую культуру, обесценивали матерей, добивались успеха по «мужским» правилам — и приходили к ней с ощущением пустоты. Она показала этот паттерн Кэмпбеллу и спросила, нужна ли женщинам своя нарративная модель. Он ответил, что женщине путешествие не нужно — она сама и есть цель, к которой герой стремится. Мёрдок с этим не согласилась и написала книгу, ставшую рабочим инструментом для сценаристов.

Если мономиф — это путь наружу (уйти, победить, вернуться с трофеем), то путь героини — движение внутрь. Героиня отделяется от женского — от матери, от уязвимости, от тела. Принимает правила патриархальной культуры, добивается успеха — и обнаруживает пустоту. Мёрдок называет это «духовной засушливостью»: «она добилась всего, но ценой души». Этой стадии в мономифе нет. Дальше — спуск к отвергнутому, встреча с юнгианской Тенью, и интеграция. Кристин в «Леди Бёрд» отвергает мать, город, класс, уезжает — и в финальной сцене звонит ей, называя себя именем, которое мать дала. Эвелин во «Всё везде и сразу» собирает все версии себя в одно — прачечная и кунг-фу, мать и воин, абсурд и любовь.

Пока читал, понял, что это вообще не про гендерный эссенциализм. Мёрдок привязала структуру к женскому опыту, потому что писала в контексте второй волны феминизма, и для её пациенток это был точный диагноз. Но одни из лучших мужских арок в кино устроены ровно так. Тони Сопрано отвергает уязвимость (панические атаки == стыд), добивается успеха через насилие, обнаруживает пустоту, идёт к терапевту — и шесть сезонов не может собрать себя. Дон Дрейпер добивается всего под чужим именем, и весь Mad Men — долгий спуск к подавленному Дику Уитмену. Те же стадии, та же механика. По сути Мёрдок описала не женскую модель, а второй тип арки вообще — интернальную. Мономиф — экстернальная арка: мир сломан, герой его чинит, меняется по дороге. Путь героини — интернальная: мир в порядке, сломан герой, антагонист — зеркало или вообще отсутствует.

А потом дошло, что обе модели работают по отдельности, но лучшие истории бьют на другом уровне — когда накладывают обе арки друг на друга. В «Начале» Нолана уровни сна — это экстернальный квест, внедрить идею в чужую голову, который одновременно становится спуском Кобба к подавленной вине за смерть Мол — чем глубже уровень сна, тем ближе к тому, от чего он бежит. В «Андоре» (абсолютное величие) Кассиан пять раз отказывается присоединиться к восстанию, и каждый отказ — одновременно отказ от того, кто он на самом деле. Он соглашается на вызов только когда Наркина последовательно снимает с него все внешние слои защиты, и двум аркам становится некуда деться друг от друга — внешнее действие делает внутренний процесс видимым, а внутренний процесс даёт внешнему действию вес.

Дошли наконец руки до Blitzscaling Хоффмана. Книга 2018 года, эпоха роста во все тяжкие. Центральный тезис: на рынках с сетевыми эффектами и winner-takes-all динамикой нужно сознательно жертвовать эффективностью ради скорости. Нанимать не тех, тратить впустую, запускать сырое. Это не баг, а фича, если альтернатива — опоздать и наблюдать, как рынок занял кто-то другой.

Отдельное удовольствие — читать такие книги спустя время. Когда они выходят, вокруг стоит шум, все цитируют, каждый второй фаундер пересказывает на конфах. Идеи сливаются с энергией момента, и отделить одно от другого невозможно, а через несколько лет шум стихает, примеры из книги уже прошли проверку реальностью, и ты читаешь совсем другими глазами.

Видишь, где автор был прав (скорость как стратегическое оружие при настоящих сетевых эффектах). Видишь, где ошибка выжившего на каждой странице — все примеры победителей, ни одного из тысяч компаний, которые «блицскейлили» прямиком под мост в банкротство. Видишь, как контекст эпохи выдаётся за универсальный принцип.

В общем, рекомендую подход: читать бизнес-литературу с задержкой в 5-7 лет или, как минимум, перечитывать спустя это время. Время — лучший рецензент.

Sequoia развернула свой тезис, который я разбирал в посте про «The Agentic Reasoning Era Begins» — что целевой рынок AI это не софт, а услуги. Тогда это была лишь часть в большом эссе. Теперь — целая статья с фреймворком и картой возможностей по индустриям.

Статья «Services: The New Software», и ключевая идея там такая: следующая компания на триллион долларов будет софтверной компанией, которая выглядит как сервисная.

Любая работа раскладывается на два слоя — дихотомия intelligence vs judgement (очень похоже на фреймворк из Prediction Machines, про которую писал). Intelligence — это правила, пусть сложные, но формализуемые: написать код по спеке, перевести медкарту в один из 70к страховых кодов, проверить NDA на стандартные клаузы. Judgement — это то, что остаётся после автоматизации правил: какую фичу делать следующей, стоит ли брать техдолг ради скорости, подходит ли кандидат по culture fit. Модели уже перешли порог, где они забирают «интеллект» автономно. Разработка дошла до этого первой — больше половины использования всех AI-тулов приходится на инженеров. Остальные индустрии догоняют.

Отсюда вытекает разделение на копилот и автопилот. Копилот продаёт инструмент — ты делаешь работу быстрее. Автопилот продаёт результат — работа сделана. Harvey продаёт юрфирмам софт для проверки договоров. Crosby продаёт бизнесу готовый согласованный NDA. Разница в бизнес-модели фундаментальная: копилот монетизирует пользователя, автопилот монетизирует единицу работы.

И тут появляется элегантный аргумент про точку входа. На каждый доллар, потраченный на софт, бизнес тратит шесть долларов на услуги — внедренцев, консультантов, аутсорс. Если задача уже отдана на аутсорс, значит компания согласилась, что работу можно делать чужими руками, бюджет выделен, и покупатель платит за результат. Подменить аутсорс-контракт на AI-сервис — это смена вендора. Заменить штатного сотрудника — это реорганизация. Трение на порядок разное.

Для текущих лидеров рынка копилотов это классическая дилемма инноватора: чтобы стать автопилотом, нужно начать делать работу целиком, но тогда ты убиваешь бизнес своих же клиентов — агентств, юрфирм, бухгалтерий. Окно для стартапов, которые сразу строятся как автопилоты, открыто прямо сейчас.

Советы Марка Андриссена для венчурных инвесторов и основателей

• Учиться на своих ошибках — опасно.
«AI был хорошим способом потерять много денег в венчуре с 1945 по 2017 год».
* Не позволяйте каждому неудачному инвестированию формировать отвращение ко всей категории.
* Ошибка бездействия (не инвестировать, например, в Google) стоит в 100 раз дороже, чем ошибка действия (одна неудачная инвестиция).

• У основателей должны быть три качества:
1. Интеллект: высокий IQ — это минимальное требование.
2. Смелость: абсолютная решимость добиться успеха.
3. Амбиции: базовая потребность что-то строить.

«Если я пишу много заметок и учусь на них, это говорит об уровне интеллекта».


• Считайте, что всё — ваша вина.
«Жизнь становится проще, если считать, что всё — это ваша ответственность».
* Принятие ответственности позволяет избавиться от обид и сосредоточиться на решении проблем.


• Каждый основатель притворяется уверенным на вечеринке.
«Каждому кажется, что у всех остальных всё получается. И каждый думает, что только он один притворяется».
* Делать вид, что всё под контролем — часть работы. Если показать слабину, команда теряет уверенность, инвесторы отступают, кандидаты не приходят. Не сдавайтесь.


• AI не отнимает у вас работу.
«До декабря AI на самом деле не был достаточно хорош, чтобы выполнять те задачи, о которых говорят».
* Текущие увольнения — это результат пере найма во время COVID и роста процентных ставок, а не AI.
* Задача технологий — повышать продуктивность людей, а не заменять их.
* AI — самая демократизирующая технология, которую мы когда-либо видели.

Разговаривал как-то с товарищем, и он обронил фразу, которая засела в голове: "все всё упрощают, у всех в голове простые модели". Он говорил про интерфейсы: все решили, что теперь всюду будет чат, пользователь пишет что хочет, агент делает, GUI мёртв. Начал наблюдать и понял, что он прав. Паттерн один и тот же: появляется новая технология, и люди схлопывают картину до "раньше было X, теперь будет Y, X мёртв".

Сразу вспомнил Гегеля. Я разбирал его диалектику в серии про Зиму пост: тезис → антитезис → синтез. Синтез у Гегеля не компромисс, а снятие противоречия: новое одновременно отменяет старое, сохраняет из него рабочее и поднимает на новый уровень. Схема из учебника, но чем дальше я смотрю на то, что происходит вокруг, тем точнее она ложится. Люди видят антитезис и принимают его за финальный ответ, не доходя до синтеза.

Про код я писал подробно раз два. Все слышат "агенты заменят разработчиков", но работа не исчезает, она смещается на края: формулировка задачи и верификация результата. Код как артефакт дешевеет, система как целое нет. Инженер никуда не делся, просто его работа стала другой. Это и есть синтез.

То же самое с интерфейсами. Классический GUI созревал 40 лет, всё отточено. Появился LLM, и сразу "кнопки мертвы, будет чат". Перевести деньги по номеру телефона всегда будет быстрее двумя тапами, чем предложением в чате. Синтез скорее всего будет таким: где проще нажать кнопку, останутся кнопки (может быть с AI-каскадом под капотом), а чат закроет длинный хвост — сценарии, которые раньше требовали пяти экранов настроек или вообще не имели интерфейса.

Поиск. "Чатботы убили Google" — но посмотрите на Perplexity или Google AI Overviews. Это не чат вместо поиска, это синтез: AI-саммари для exploratory запросов, классические ссылки для навигационных и транзакционных. Люди по-прежнему хотят видеть источник, а не просто ответ.

Контент. "Копирайтеры не нужны, AI напишет всё". AI уже пишет всё — и чистый AI-контент тонет в шуме. Синтез: AI генерирует черновики и вариации, но редакторский вкус, позиция и голос остаются у человека. Выигрывает тот, кому есть что сказать.

И мой любимый пример, потому что цикл уже завершился — удалёнка. Офис → "офис мёртв, все на удалёнке" → гибрид. Паттерн работает даже за пределами технологий.

По сути антитезис просто лучше продаётся. "Всё заменит" легко продать инвестору и запостить в Twitter, а "будет гибрид, зависит от контекста" никто не поставит заголовком, с этим на конференцию не выйдешь и на стартап раунды от венчуров не поднимешь. Синтез проигрывает антитезису в маркетинге, поэтому индустрия раз за разом застревает на втором шаге и сваливается в мышление простыми моделями.

Свежее эссе Бена Томпсона к 50-летию Apple — "Apple's 50 Years of Integration".

Томпсон проходит по всем конкурентам Apple через одну линзу: кто из них по-настоящему интегрировал железо и софт. За полвека никто не воспроизвёл модель. IBM, Microsoft, Android не в счёт. Единственные, кого он считает настоящей конкуренцией: RIM, Palm, Nokia. Мы знаем, чем это закончилось, потому что iPhone оказался полноценным компьютером на фундаменте OS X, а не телефоном с улучшенной клавиатурой.

MacBook Neo вписывается в эту историю идеально. Модульные конкуренты всегда побеждали ценой. Теперь Apple делает ноутбук за $599, который одновременно качественнее и быстрее аналогов, а софтовый lock-in при этом исчезает: Neo запускает браузер и AI-чат так же, как любая Windows-машина. Интеграция от чипа до ОС побеждает модульность на её же территории — ценой.

Siri провалилась, инвестиции в AI-инфраструктуру минимальные по сравнению с конкурентами. И при этом доля на рынках растёт. Потому что какой бы мощной ни стала AI, доступ к ней всё ещё идёт через устройство. Apple этим пользуется: по данным Bloomberg, в iOS 27 Siri откроется для сторонних AI-ассистентов через App Store. Gemini, Claude и остальные смогут интегрироваться напрямую. Модель как с Safari Search, только через подписки (30% в первый год, 15% далее). Уже сейчас ~$1 млрд/год на подписках на чатботы. Классическая агрегация — коммодитизируешь комплементарный слой, пока владеешь точкой интеграции.

Гиперскейлеры тратят 94% операционного cash flow на AI-инфраструктуру. Amazon ушёл в отрицательный FCF (Free Cash Flow). Apple просто лицензировала Gemini за ~$1 млрд/год. Томпсон соглашается с Дедиу — модели коммодитизируются, побеждает тот, кто владеет клиентом, и на коротком и среднем горизонте Apple играет правильно.

Но на длинном горизонте есть угроза. OpenAI массово перекупает инженеров Apple: Tang Tan, бывший VP iPhone Product Design, возглавляет железное подразделение, с ним ушли десятки людей из команд iPhone, iPad, Watch, Vision Pro. Apple раздаёт retention-бонусы по несколько сотен тысяч. OpenAI параллельно закрывает Sora, рефокусируется на продуктивность, но hardware-инициативу с Джони Айвом сохраняет. Логика понятная: потребители платят за устройства, не за софт. OpenAI подходит к Apple-модели с обратной стороны — от пользовательской базы ChatGPT к собственному устройству.

Томпсон ставит вопрос: сместится ли точка интеграции с "ОС + железо" на "AI + выделенное устройство"? И даёт три аргумента за Apple: смартфон с экраном и батареей — лучший форм-фактор и для AI; если инференс уйдёт на edge, чипы Apple лучшие в индустрии; Apple всегда может открыть устройства для глубокой интеграции сторонних AI. И один против: если Apple уже "отдала" AI-слой, а AI станет достаточно мощной для новой парадигмы взаимодействия, компания окажется вне игры.

Моё мнение — Apple делает всё правильно. Вероятность того, что OpenAI реально выпустит конкурентоспособное устройство, невысокая. Создать железо дорого, но это полбеды. Устройство сегодня это экосистема: iMessage, iCloud, Watch, AirPods, семейные подписки, годы покупок в App Store — с одной стороны. Разработчики, ритейл, цепочки поставок — с другой. Воспроизвести с нуля сложнее, чем обучить модель, а switching costs и экономика масштаба колоссальные. А у OpenAI всё ещё нет прибыли, и траты только растут. Переиграть Apple на её поле — красивая идея, но пока слишком дорогая.

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

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

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

Если это не величие то, что?

Болтал о GST подходе к Sequential testing в A/B. В чате сразу написал и код, сделал симуляции на синтетических данных, накидал графиков и показал все

Найм: на позицию или на задачу

Как я писал выше, первые шаги в управлении я делал в стартапе. Там я на своей шкуре почувствовал, что ошибки найма в стартапе имеют максимально разрушительные последствия (мне кажется на корпоративные деньги - это как ошибиться в найме топ менеджера). Поэтому я много экспериментировал с рекурутментом, нарабатывал подходы и обдумывал ошибки. Уже в последних своих стартапах я нанимал достаточно осмысленно, и секрет успеха всегда был в том, что я брал человека на конкретную задачу.

Это значило, что каждый найм предполагал эксклюзивный набор проблем и кейсов на интервью. Я буквально хотел услышать, как кандидат справится с конкретными вызовами, которые стоят перед командой на данном этапе. Это безусловно трудозатратно: либо самому продумать план собеса и задачи, либо найти профильных специалистов извне и правильно их забрифовать на собес, но зато каждый раз я собирал настоящий спецназ, который добегал до амбициозных результатов за очень короткое время.

Когда я ушел в корпорацию, я долго не мог нормально нанимать. Потому что корпоративный найм решает совсем другую задачу: надо нанимать взаимозаменяемых сотрудников, которые смогут пережить ротации. Отсюда - стандартизация воронки найма, профессии и грейды. Там наоборот кандидат должен решать наиболее широкий набор задач, и подходить сразу многим командам. Отсюда странные оторванные от реальности вопросы, много теории и литкода. Единственная точка маневра: это фиты, где можно попробовать загрузить своей проблематикой.

Такая среда очень расслабляет: я по себе знаю, что есть соблазн просто посмотреть на цифру грейда, и несложной калькуляцией брать любого кто набрал достаточную. И это очень плохая идея. Мне кажется любому руководителю важно понимать: корпоративный найм НЕ ВАШ ДРУГ. Он решает задачи корпорации за счет нанимающего менеджера. Поэтому ваша задача каждый раз самостоятельно строить процесс найма, осторожно опираясь на результаты стандартных секций (скорее воспринимать их как общую проверку на вшивость).

Как конкретно это сделать? Для этого берём вашу ключевую бизнесовую цель. Раскладываем ее на конкретные активности, необходимые для достижения. Смотрим, какие для этих активностей нужны компетенции. Берём текущую команду (включая себя) и закрашиваем все компетенции, которые сейчас командой закрыты. А вот недостающие и надо закрывать внешним кандидатом. Под каждую компетенцию можно придумать проверочный вопрос. Для краткосрочных проектов там будут больше Харды. В долгосрочных начнут появляться более софтовые. Часть компетенций можно проверить стандартными секциями, а часть надо проверить самостоятельно.

Достаточно трудоемко, но только так я нанимал/ротировал к себе ключевых людей. Взяв лучшее от двух миров можно построить себе действительно осмысленный найм, где вы будете промахиваться гораздо реже.

Linear объявили issue трекинг мёртвым и пивотнулись в обвязку вокруг агентов.

Я уже писал про цифровой след — агент видит только то, что записано, и если контекста нет, агент бесполезен. Linear несколько лет строил продукт, который этот контекст собирает лучше остальных — планы, спеки, решения, обсуждения, код, пользовательский фидбек — и теперь превращает всё это в harness. Стройный пайплайн от задачи до кода, но спроектированный под агентов, а не под людей.

Цифры у них соответствующие: 75% enterprise-воркспейсов уже с кодинг-агентами, объём работы агентов вырос в 5 раз за квартал, агенты создают четверть новых задач. Понятно, почему пивотнулись.

Им это ещё и проще сделать, чем кому-то другому, потому что Linear — это стартапы и молодые компании, а не энтерпрайз с JIRA на 500 кастомных воркфлоу и легаси, где агенты буксуют. Их ЦА и так AI-first и сопротивления нет, поэтому можно спокойно перестраивать продукт под агентов, не оглядываясь.

Друзья, опубликовал подробный гайд по архитектуре AI-агентов. В нем собрал:

- из каких компонентов состоит агент и как они друг с другом взаимодействуют
- какие бывают типы оркестрации у агентов
- как правильно собирать контекстное окно
- какие есть угрозы безопасности и как с ними боротся
- и много чего еще другого

Если останутся вопросы, как вам собирать надежных AI-агентов, напишите в комментариях или в личных сообщениях @seva_batareika

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

Что происходит! Теперь они завезли полноценный computer use.

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

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

Ахтунг же. Уже не успеваю за ними.

Ещё добавили виджеты в чате: структурированные доспрашивания (кликабельные опции вместо “напиши 1 или 2”), конструктор сообщений с вариантами тона и инлайн-редактированием, карты, рецепты.

Я отменил подписку на ChatGPT чуть больше месяца назад, ещё до хайпа с Пентагоном. Раньше ChatGPT закрывал жизненные задачи и дип-ресёрч, Клод — рабочие. Сейчас всё в Клоде: веб-сёрч стал работать нормально и дёргается когда надо, deep research не хуже openai’шного или даже лучше, плюс единый ассистент с памятью и контекстом. Opus почти во всех задачах сильнее всех, системным инструкциям поддаётся лучше — легко адаптировать под себя.

При этом Клод с отрывом лучший как продукт, а ChatGPT всё ещё выглядит навайбкоженным проектом студентов.