AI vs IT: кто победит на рынке труда в 2025?🤖

Откапал график, который будто бы прошел мимо всех)

IT-рынок в 2025 году - это история о двух трендах.

С одной стороны, общее количество IT-вакансий упало. С другой - спрос на специалистов по искусственному интеллекту и машинному обучению растёт, несмотря на общий спад.

Нашел статистику в этой любопытной статье (источник) с графиком вакансий в технологической сфере США.

Как четко видно по графику, после пандемии спрос на IT взлетел - в начале 2022 года вакансий было в 2 раза больше, чем в феврале 2020-го.

Но с конца 2022-го начался резкий спад, и сейчас IT-вакансий на 36% меньше, чем до пандемии 😂

Почему так случилось? Есть две основные версии:
1️⃣ Последствия бурного найма после пандемии и ужесточение экономических условий (рост ставок ФРС, общая стагнация рынка).
2️⃣ Влияние ИИ - автоматизация и новые технологии снижают потребность в ряде IT-специалистов.

Так кто же в итоге победит - AI или IT-спецы? На мой взгляд, выигрывают те, кто успеет адаптироваться и прокачать AI-навыки.

📈 А вы как думаете? Интересный график?)

✍️ Mikhail Shufutinsky typing

Агент или пайплайн? Разбираемся на пальцах 🤌

Понять, чем агент отличается от пайплайна - это первый шаг к созданию ИИ, который действительно умеет думать и принимать решения самостоятельно.

Из каждого утюга мы слышим слово «агент», но далеко не все агенты действительно агентны. Большинство - это просто скам пайплайны.

Агентность - это когда система сама решает, что делать дальше, исходя из результатов предыдущих действий. Это не просто «выполнить шаг 1, потом шаг 2», а гибкий, адаптивный процесс.

Как отличить?

☑️ Если после шага X заранее известно, что будет дальше - это пайплайн.
☑️ Если система сама выбирает следующий шаг - это агент.
☑️ Если выбор алгоритма жёстко прописан извне - это всё ещё пайплайн, пусть и с условиями.

Примеры:
Пайплайн:

sites = await search_google(query)
response = await generate_response(query, sites)
Всё просто и линейно.

Пайплайн с условием:

sites = await search_google(query)
if len(sites) < 10:
query = await optimize_user_query(query)
sites += await search_google(query)
response = await generate_response(query, sites)
Решение о ветвлении принимает программист, не ИИ.

Частичный агент:

sites = await search_google(query)
if not await check_enough_info(query, sites):
query = await optimize_user_query(query)
sites += await search_google(query)
response = await generate_response(query, sites)

Здесь модель решает, искать ли ещё, но порядок шагов фиксирован.

Настоящий агент:

state = {"query": query, "sites": []}

while "response" not in state:
action = await choose_next_step(state)
if action == "search_google":
state["sites"] += await search_google(state["query"])
elif action == "optimize_query":
state["query"] = await optimize_user_query(state["query"])
elif action == "generate_response":
state["response"] = await generate_response(state["query"], state["sites"])

Агент сам выбирает, что делать дальше, исходя из текущего состояния.

Как сделать агента надёжным?

Используйте структурированные описания действий и состояния - например, через pydantic. Это помогает модели лучше понимать, что от неё хотят, и выбирать следующий шаг. Такой подход называется Structured Guided Reasoning (SGR).

🔘 Мини-пример pydantic моделей

from pydantic import BaseModel
from typing import List, Literal, Optional, Union

class SearchGoogleAction(BaseModel):
action: Literal["search_google"]
query: str

class OptimizeQueryAction(BaseModel):
action: Literal["optimize_query"]
query: str

class GenerateResponseAction(BaseModel):
action: Literal["generate_response"]
query: str
sites: List[str]

AgentAction = Union[SearchGoogleAction, OptimizeQueryAction, GenerateResponseAction]

class AgentState(BaseModel):
query: str
sites: List[str] = []
response: Optional[str] = None

🔘 Краткий цикл агента с SGR

async def choose_next_step(state: AgentState) -> AgentAction:
if state.response:
return None
if not state.sites:
return SearchGoogleAction(action="search_google", query=state.query)
if len(state.sites) < 5:
return OptimizeQueryAction(action="optimize_query", query=state.query)
return GenerateResponseAction(action="generate_response", query=state.query, sites=state.sites)

Итоги:

✅ Агент - это не просто набор шагов, а система, которая сама выбирает, что делать дальше.
✅ Большинство «агентов» - на самом деле пайплайны.
✅ Структурированный подход с pydantic и SGR помогает создавать настоящих, гибких агентов.

Если интересно - могу поделиться еще более подробными примерами и другими продвинутыми патернами.

🧑🏻‍🎤ВБ украл твою идею виртуальной примерочной

С помощью новой функции можно примерить любую одежду на свою фигуру

В мобильном приложении можно найти кнопку «Посмотреть вещь на себе». Пока опция, разработанная на базе GenAI, тестируется, поэтому доступна не во всех карточках товаров.

Чтобы ей воспользоваться, нужно загрузить своё фото или сделать новое и посмотреть, как вещь будет сидеть на вас 🛍

Я уже писал про похожую штуку на Ozon. Видимо вот и ВБ до бежал 🦒

🎚️ Сколько раз вам самим приходила эта стартап-идея в голову?)

Как я уже писал про Comet - это браузер Chrome c AI-расширением.

Он мне зашел, потому что прикольно выглядит при запуске и работает очень быстро.

Тут все в одном окне - можно прямо там же гуглить через Perplexity.

🦄 Агент, кстати, очень помогает. Он может действовать как оператор: сам кликает по ссылкам и собирает информацию, причем делает это тоже очень быстро. Делегируешь ему всю грязную работу, а сам в это время вайбкодишь 🤓

Единственный минус, который легко исправить, - не всегда хочется использовать поиск от Perplexity. Но это можно поменять на Google в настройках.

Сейчас браузер доступен только по инвайтам для подписчиков Pro или тем, у кого подписка за $200 в месяц.

Давайте сделаем цепочку инвайтов в комментариях?

Когда ты активируешь, получаешь два инвайта, которые можешь передать другим, и так далее, пока не кончится цепочка.

🔥 Я дарю вам свои инвайты! А вы кидайте свои в комментарии для следующих! Поехали!

🏆Update: длина цепочки 53

Если у вас уже установлен Comet, то можно просто рассказать про свои примеры использования!

Шок: на московских курьеров начали нападать роботы.

Возможно потому что в боксе у роботов пока не прёт, решили сменить нишу.

Последствия пятничных гуляний скайнета 😂

🔥 Текстовый ИИ-фотошоп, наконец-то:

разработчики из Reve выпустили мощного конкурента хайповой модели Nano-banana.

Я Кайфую от таких видео-демок. Вслушайтесь. Звуки и фильтры классно гаражную атмосферу передают. 🤗

Вот, что он умеет:

— Может удалить или заменить любой объект;
— Легко меняет перспективу кадра;
— Восстанавливает и раскрашивает старые фотки;
— Практически нулевая цензура;
— Всё это бесплатно.

Пользуемся здесь.

🎚️ С вас буст канала @datafeeling

🎚️ Хорошая новость: роботов все еще можно побить.

Плохая: они быстро встают 💀

👀 Именно поэтому нам нужна конкуренция — ChatGPT Plus на 3 месяца можно получить за 30$.

Для этого нужно пригрозить OpenAI, что отмените подписку, и вам предложат значительную скидку. Работает не у всех, но Твиттер завален сообщениями от халявщиков.

🎚️ Пробуем 😊

👻 За 2025 год ИИ-агенты вышли на новый уровень! 💪

Вдумайтесь, AI агенты уже сегодня - это целые многоуровневые экосистемы, где каждый агент играет свою роль — как полноценный “цифровой сотрудник” в команде.

🙂 Voice Agents - голосовые ассистенты, которые заменяют живого менеджера на звонке.

😥 Agentic RAG - "живые эксперты", которые ищут данные в реальном времени и дают точные ответы.

🚃 AI Agent Protocols - стандарты, позволяющие агентам общаться между собой и строить целые ИИ-команды.

🕗 CUA - агенты, которые работают за компьютером так же, как человек: открывают приложения и управляют файлами.

💻 Coding Agents - виртуальные разработчики, которые пишут и отлаживают код в разы быстрее команд программистов.

📊 DeepResearch Agents - ИИ-исследователи, которые собирают и структурируют огромные массивы данных за считанные часы, а не недели.

🎚️ За 2025 - год, агенты перестали быть просто инструментами. Теперь это все чаще полноценные экосистемы, работающие в связке, чтобы гибко оптимизировать бизнес процессы.