Мысли вслух

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

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

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

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

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

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

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

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

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

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

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

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

Купит ли Anthropic Salesforce?

Мы много лет занимаемся Salesforce, и я всегда считал Марка Бениоффа одним из самых гениальных маркетологов в корпоративном мире.

Salesforce не обязательно первой создаёт новый технологический тренд, зато Марк умеет его увидеть, дать ему название и превратить в большое корпоративное явление. Когда-то это была Social Revolution, теперь Agentforce и идея, что интерфейсом становится сам AI.

С Agentforce всё шло очень непросто, и Salesforce вовремя сделала сильный ход: открыла платформу для headless/MCP/agentic-взаимодействия и договорилась с Anthropic.

Партнёрство назвали Claudeforce, а первым продуктом стал Salesforce in Claude - плагин с 37 готовыми навыками для команд продаж. Теперь Claude может работать с реальным Salesforce-контекстом, правами доступа и бизнес-правилами и выполнять разрешённые действия в CRM.

Anthropic при этом получает не просто доступ к данным. Для них это потенциально один из самых мощных каналов выхода в корпорации в мире.

Salesforce уже стоит внутри крупнейших компаний. Там пользователи, данные, модель безопасности, процессы, согласования и тысячи интеграторов, которые умеют превращать платформу в реальные бизнес-процессы. Плюс у Salesforce есть Slack.

Slack я вообще считаю одной из лучших покупок Salesforce. Chatter так и не стал корпоративным стандартом коммуникации, а Slack оказался практически идеально готов к агентной эпохе.

Его любят разработчики, им активно пользуются продажи, и он естественно превращается из мессенджера между людьми в среду, где общаются человек с агентом и агент с агентом.

Конструкция складывается мощная. Slack становится интерфейсом для людей и агентов, Claude отвечает за рассуждение, а Salesforce держит данные, права, процессы и сами действия.

Для Anthropic это возможность заходить в корпорации с невиданной скоростью, не продавая Claude каждой компании с нуля.

Вижу, что многие интеграторы загрустили и размышляют о будущем своих бизнесов по внедрению, настройке и поддержке. Если агент способен сам делать всё большую часть работы внутри Salesforce, то что тогда остаётся от классической модели внедрения.

Мы в Customertimes смотрим на это иначе.

Одними из первых начали продуктизировать слой знаний для Salesforce внедрений, чтобы агенты на базе Anthropic и SpaceX Cursor могли не просто писать код, а понимать, как именно нужно внедрять и настраивать Salesforce и продукты на его основе.

В этот слой постепенно попадает то, что раньше жило только в головах старших консультантов: архитектурные решения, шаблоны внедрения, ограничения платформы, типовые ошибки и выводы с предыдущих проектов.

Поверх него агенты уже помогают нам с оценкой объёма работ, дизайном решений, настройкой, тестированием и документацией.

Многие корпоративные клиенты ещё даже не начали внедрять AI внутри себя. Но внедрения быстрее и дешевле они хотят уже сейчас, и это как раз то, что мы можем предложить в гибридном формате и через кредиты на использование наших агентов.

Пока никто никого не покупает. Но Salesforce становится гигантским каналом выхода Claude в корпорации, а Anthropic постепенно превращается в интеллектуальный слой для всей экосистемы Salesforce.

Эффект от квартального отчёта и совместного выступления Марка с Дарио уже виден в цене акций: капитализация выросла на 23% за день.

@maxvotek | linkedin | substack

Модель даёт понимание. Цифра даёт опору.

Продолжаю собирать свой виртуальный хедж-фонд, где решения по сделкам принимают AI-агенты.

Торгую по стратегии колеса опционов, а я в этой конструкции одновременно и директор, и главный инвестор.

Один из агентов автоматически читает транскрипты квартальных звонков компаний с инвесторами (earnings calls).

Вопрос простой: стал ли менеджмент говорить осторожнее, чем квартал назад?

Логика такая, что сначала меняется язык, потом режут прогноз, потом акция падает на 20%.

Сначала оценку тональности делала LLM. Она хорошо понимает контекст, но есть большая проблема: LLM недетерминированы.

Завтра на том же тексте модель поставит другую оценку. Другая модель даст третью. Через месяц провайдер обновит модель и результат снова изменится.

Для финансов это плохо. Если оценка риска выросла с 1.0 до 2.0, я хочу понимать, что компания правда заговорила тревожнее, или просто поменялась модель?

Оказалось, эту задачу в академических финансах начали решать ещё в 2011 году. Есть специальный словарь для финансовых текстов - Loughran-McDonald.

Внутри 2355 негативных слов, 297 слов, выражающих неопределённость, 903 юридических.

Так почему нужен именно финансовый словарь, а не обычный анализ тональности?

Обычный алгоритм считает liability или cost негативными, а в отчётности это просто "обязательства" и "затраты", нейтральные термины.

Метод простой до примитивности, мы считаем количество негативных и неопределённых слов на тысячу слов текста.

В этой простоте и вся сила. Было 8 слов неопределённости на тысячу, стало 14? Это факт.

Через год на том же тексте будет ровно то же число. Можно сравнивать кварталы, компании, руками перечитать какое хочешь слово.

Теперь у меня работают оба подхода параллельно. LLM понимает смысл и контекст. Словарь даёт цифру, которая не меняется.

Если LLM говорит, что риск резко вырос, а словарные показатели стоят на месте - это сигнал, что стоит перечитать транскрипт самому.

Для себя я понял, там, где AI участвует в решении о деньгах, рядом с его оценкой должна быть цифра, которую можно проверить руками.

@maxvotek | linkedin | substack

Технология уже готова, люди ещё нет

Я уже больше года 96% времени провожу за рулём на автопилоте Tesla.

Писал про 11-часовую поездку с сыном, после которой Oura показала уровень стресса ниже, чем в обычный день в офисе.

Про Shadow Mode и страховку Lemonade, которая оценивает мили на FSD вдвое дешевле обычных.

Пару раз FSD в буквальном смысле спасла меня: выкладывал ролик, как сама притормозила и ушла вправо за секунды до того, как мимо пролетел лихач, решивший обогнать через островок.

Для меня вопрос, работает ли технология, уже закрыт.

Но недавно увидел цифры от GM, ближайшего конкурента Tesla в США по этой технологии.

Hands-free система Super Cruise у GM существует с 2017 года.

Сегодня она установлена примерно на 750 тысячах машин, пользователи проехали с ней больше миллиарда миль, а сеть поддерживаемых дорог выросла до 600 тысяч миль.

Новым покупателям GM даёт Super Cruise бесплатно на три года.

Когда бесплатный период заканчивается, платить $25 в месяц продолжают только 30–40% пользователей.

То есть шесть-семь человек из десяти три года ездили с технологией, которая позволяет не держать руки на руле, и решили, что $25 в месяц она не стоит.

Продукт на рынке уже девять лет.

Мне кажется, мы постоянно переоцениваем, с какой скоростью люди меняют привычки под новые технологии.

Особенно сейчас с AI. Технология может быть готова намного раньше, чем люди готовы её принять. Здесь проблема уже не инженерная.

Отпустить руль - это акт доверия.

Я вижу ровно то же самое с AI-агентами. Если агент делает работу, а ты после него проверяешь каждое действие, экономии практически нет. Порой работы становится даже больше.

Пока не отпустишь контроль - не сработает.

Похоже, именно на этом мы застрянем в ближайшие годы и в автомобилях, и в компаниях.

Не качество технологии, а скорость, с которой человек научится ей доверять.

@maxvotek | linkedin | substack

Что надо успеть сделать до 40, чтобы дольше жить

Посмотрел большое интервью с Петром Федичевым - биофизиком и сооснователем Gero, которая с помощью AI ищет препараты против старения.

До сорока лет надо набрать высоту. После сорока VO2 Max, мышечная масса, когнитивные способности и прочие функции начинают снижаться, и важно, с какой базы ты падаешь.

То есть до сорока создаёшь максимальный физический и когнитивный резерв, а после стараешься как можно дольше его удержать.

Рекомендации при этом удивительно банальные:

1. есть меньше: убедительных доказательств особой магии интервального голодания нет;
2. не толстеть и особенно не доводить себя до диабета, ранний диабет может стоить примерно шести лет жизни;
3. сохранять мышечную массу: белок плюс силовые;
4. постоянно двигаться, ходьба ненамного хуже бега, а умеренные веса дают большую часть пользы от тяжёлых;
5. не курить;
6. следить за VO2 Max хотя бы раз в год;
7. после 40–50 не пытаться повторять спортивные рекорды двадцатилетнего себя.

Дальше в интервью пошло то, что к спорту уже не имеет отношения.

Федичев говорит про корреляцию социального статуса и продолжительности жизни.

Причём объясняется она не только деньгами и доступом к медицине. Существенным фактором может быть постоянная тревога потерять своё место в социальной иерархии.

Предпринимателям это знакомо: после определённого уровня деньги уже мало меняют качество жизни и превращаются в единицу измерения собственного места.

Остановиться нельзя, выпасть из обоймы нельзя. Получается, что можно идеально следить за сахаром и VO2 Max, параллельно годами живя в хроническом стрессе из-за страха потерять статус.

Дальше про то, можно ли старение остановить в принципе.

Федичев обращает внимание на животных, у которых практически нет привычного нам возрастного роста смертности. Сам факт, что такие организмы существуют, показывает: старение не обязательно фундаментальный и неизбежный закон природы.

Значит, теоретически его механизм можно выключить, и первые эксперименты дают надежду, что серьёзно вмешаться получится ещё при нашей жизни.

Gero анализирует медицинские данные порядка 100 млн человек с помощью AI и ищет новые мишени для лекарств. Одну найденную уже проверили на очень старых мышах: один укол увеличил их оставшуюся продолжительность жизни примерно на месяц. Разработку лицензировала Chugai/Roche.

Интересен и Ozempic.

Его создавали для диабета и ожирения, а выяснилось, что GLP-1 препараты заодно снижают вероятность сразу нескольких серьёзных проблем со здоровьем, от сердечно-сосудистых событий до почек.

Это уже похоже на первые препараты для продления жизни: воздействие идёт не на одну болезнь, а сразу на несколько возрастных рисков.

Государства, кстати, тоже заинтересованы в том, чтобы люди дольше оставались здоровыми и работоспособными, так что регуляторные подходы к клиническим исследованиям постепенно начинают меняться.

Мне понравилось, что Федичев в этом контексте похвалил Брайана Джонсона.

Его принцип такой, что если предполагаемый эффект достаточно большой и его можно объективно измерить на себе, не всегда нужно начинать с исследования на тысяче человек. N=1 тоже даёт полезный сигнал, хотя доказательством для всей популяции это, конечно, не становится.

Экономика тут совершенно другого масштаба. Ozempic нужен сотням миллионов, а препарат, который действительно остановит или радикально замедлит старение, потенциально нужен всем.

Ещё недавно я бы назвал это фантастикой, а сейчас больше похоже на инженерную задачу, которую могут решить при нашей жизни.

@maxvotek | linkedin | substack

Cursor выпустил Origin - собственный хостинг кода, то есть пошёл прямо на территорию GitHub.

Но мне интересно не то, что появился ещё один хостинг, а зачем он вообще понадобился.

GitHub архитектурно сделан под человеческий темп: один разработчик, одна ветка, пул-реквест раз в несколько часов.

Вся механика ревью, обсуждений и слияний выросла из этого ритма. Агенты работают иначе, они пушат непрерывно и параллельно. На демо Cursor показывали 22.6 коммита в секунду в один репозиторий.

Я как раз писал, что GitHub из хранилища кода превратился в память проекта и операционную систему для AI-разработки.

Под такой сценарий Origin и хотят построить, чтобы такой системой был он сам. Пока там только база: репозитории, пул-реквесты, просмотр кода.

Свои репозитории с GitHub синхронизируются напрямую за минуту, источником правды при этом остаётся GitHub.

В любом случае сделка со SpaceX обеим сторонам пошла на пользу: Cursor стал заметно чаще выкатывать интересные обновления, а Grok 4.6 подтянулся к уровню OpenAI и Anthropic и уже ничем им не уступает.

Заодно Cursor стал заметно активнее продвигать Grok как одну из основных моделей.

Любопытно то, что раньше их сильной стороной была как раз независимость от провайдера - выбирай любую модель и ни от кого не зависишь.

Дёшево это не выходит. Grok через Cursor обходится заметно дороже, чем стандартный план Anthropic за $200 в месяц.

Но как мы видим по крупным корпоративным клиентам, похоже, это не так важно.

Cursor у многих уже закрепился как основной инструмент разработки на уровне всей компании, и там ценят единую среду, контроль доступов и сложившийся рабочий процесс сильнее, чем цену конкретной модели.

@maxvotek | linkedin | substack

Обычно я в канале пишу про AI, фарму, предпринимательство и свои мысли и безусловно, часть вдохновения я получаю от других авторов, которым благодарен за интересные инсайты и контент.

Сегодня расскажу про один интересный канал, где каждый пост внимательно читаю.

Саша Журавлев — основатель венчурного фонда Mento VC. Инвестирует в гиперрастущие стартапы в США совместно с top-tier: a16z, Sequoia, Google Ventures.

В своем канале @exitsexist Саша очень открыто и искренне рассказывает, как видит рынок и принимает инвестиционные решения. Фонд у него нового типа, прозрачный и для читателей, и для инвесторов: есть посты и про ошибки, и про потери, и про личное.

Пару постов для знакомства:

• как зашли в стартап дочери Билла Гейтса и про скандал с этим проектом
• 3 компании, в которые фонд НЕ инвестировал за последнее время
• как небольшому фонду вообще удается попадать в сделки с top-tier игроками?

Так что если венчур и AI вам интересны — рекомендую подписаться @exitsexist

Посмотрел свежее интервью Митчелла Грина из Lead Edge Capital. Понравилась его формулировка: мы вполне можем быть в AI пузыре, он когда-нибудь лопнет, и при этом AI всё равно окажется больше интернета.

Одно другого совершенно не исключает. Но занимает меня сейчас другое. Где в итоге останется экономическая ценность?

Сегодня кажется, что ответ очевиден и это в железе. На фондовом рынке уже видна ротация от software к hardware.

Nvidia стала главным символом AI бума, рядом растут производители памяти и сетевого оборудования, а также энергетическая инфраструктура.

Хотя тут есть любопытный парадокс дешёвых токенов. Сами модели стремительно дешевеют: open source догоняет frontier-модели, Китай тоже.

Тот же Kimi выпускает модели, которые по ряду задач приближаются к Claude, но стоят в разы дешевле.

Корпорации уже активно считают экономику токенов - Uber, Spotify, Airbnb и другие могут запускать inference на открытых моделях через Fireworks, Baseten и аналогичные платформы существенно дешевле.

Для огромного количества корпоративных задач прошлогодняя модель уже хватает с головой. То есть интеллект постепенно превращается в обычный товар.

Казалось бы, для AI-инфраструктуры это медвежий сценарий: токены дешевеют, значит и денег на вычисления уйдёт меньше. Я думаю, будет ровно наоборот.

Это парадокс Джевонса: рост эффективности ресурса часто не уменьшает его потребление, а увеличивает.

Если inference подешевеет в 10 раз, компании не станут тратить в 10 раз меньше. Они запустят в 100 раз больше агентов.

То, что сегодня экономически оправдано только для Fortune 500, станет доступно компании из 50 человек. А крупная корпорация вместо нескольких AI-use cases сможет постоянно держать тысячи агентов в продажах, разработке, finance, procurement, legal, customer service и R&D.

Цена токена падает, а количество токенов растёт ещё быстрее.

Поэтому среди моих фаворитов на этот год Nvidia, Micron и Broadcom.

Для меня это три слоя одной ставки на экспоненциальный рост вычислений: ускорители, память и сетевая часть с заказными чипами.

Но есть и риск. Исторически каждый раз, когда казалось, что вся ценность теперь навсегда осталась у производителей чипов, сами чипы со временем тоже коммодитизировались.

Так что совсем не факт, что Nvidia будет забирать непропорциональную часть экономики AI следующие 20 лет.

Но вот что произойдёт выше, на уровне приложений, понятно ещё меньше.

Появятся ли огромные специализированные AI компании в медицине, legal, finance и enterprise software? или Claude, OpenAI, Gemini и open-source модели постепенно съедят большую часть этих приложений сами?

По-моему, это сегодня и есть главный инвестиционный вопрос.

Тут я честно не знаю. Мы пытаемся угадать победителей игры, которая началась пару лет назад и спокойно может тянуться ещё лет тридцать.

Так что я допускаю и пузырь в оценках, и коммодитизацию моделей, и даже коммодитизацию чипов когда-нибудь, а вот коммодитизацию самого спроса на вычисления представить пока гораздо сложнее.

Чем дешевле становится интеллект, тем больше железа потребуется миру, чтобы его производить.

@maxvotek | linkedin | substack

В Дании нашли правильный ответ на ChatGPT в школах

Никакой детектор уже не покажет, писал ученик сам или ему помог ChatGPT. Поэтому там пошли другим путём и поменяли сам способ проверки знаний.

Теперь старшеклассники должны устно защищать письменные работы, выполненные дома.

Параллельно школам рекомендуют чаще проводить письменные задания в классе, контролировать экраны на экзаменах и ограничивать доступ к внешним ресурсам.

Я учился в медицинском институте, и большая часть зачётов, коллоквиумов и экзаменов сдавалась лично одному или нескольким преподавателям.

На многих предметах причинно-следственные связи разбирали в диалоге прямо в аудитории. Каждый прогул занятия - устная отработка и сдача лично преподавателю.

Многие предметы до сих пор процитирую, даже если меня разбудить ночью.

Качество и глубина аргументации, суждения и причинно-следственные связи всегда были ключевыми добродетелями в медицинском образовании.

Но за последние пару десятилетий их подменили виртуальными лекциями, формальными тестами, рефератами и прочими форматами, где погружения в тему почти не происходит, а в лучшем случае студент читает работу перед сдачей.

Вот когда после письменной работы тебя десять минут спрашивают, почему ты сделал именно такой вывод, откуда взял аргумент и что произойдёт, если изменить исходные условия, довольно быстро становится понятно, понимаешь ты предмет или нет. Это и есть проверка judgement, которую ни один тест не заменит.

Забавно, что чем умнее становится AI, тем больше ценности снова приобретает самый традиционный формат образования - разговор учителя с учеником.

@maxvotek | linkedin | substack