- Google DeepMind: ИИ выявляет более 50 глазных заболеваний с точностью 94% (лучше большинства специалистов)
- PathAI: Идентифицирует рак в образцах тканей с точностью 99,5% против 96% у патологоанатомов
- Zebra Medical Vision: Одобренный FDA ИИ читает КТ, рентген и МРТ быстрее и точнее рентгенологов

График трансформации:

- 2024: ИИ обрабатывает 40% рутинной диагностической визуализации
- 2025: 60% патологических лабораторий используют ИИ-первые рабочие процессы
- 2026: 80% первичных диагнозов включают ИИ-анализ

Профессии в зоне высокого риска:

- Диагностические рентгенологи (особенно для рутинных сканов)
- Клинические патологоанатомы
- Специалисты по рутинному скринингу

Профессии, становящиеся важнее:

- Интервенционные рентгенологи (практические процедуры)
- Специалисты по ИИ-человеческой коллаборации в медицине
- Тренеры и валидаторы медицинского ИИ

Рекомендации для работников здравоохранения:

Стратегия разворота: Сосредоточиться на взаимодействии с пациентами, сложных случаях и процедурных специальностях

Развитие навыков: Изучить диагностические инструменты ИИ, стать экспертом, который обучает других

Географические возможности: Сельские и развивающиеся рынки позже внедрят ИИ-ассистированную медицину

Индустрия #3: Транспорт и логистика (Трансформация: 60% завершена)

Разрушение
Автономные транспортные средства — это только начало. Вся логистическая экосистема реструктурируется вокруг ИИ-оптимизации.

Что уже здесь:

- Amazon: ИИ оптимизирует 95% складских операций, сокращая количество работников на 50% на объект
- UPS ORION: ИИ-оптимизация маршрутов экономит 10 миллионов галлонов топлива ежегодно
- Waymo/Tesla: Пилоты автономных грузовиков обрабатывают дальние маршруты 24/7

Каскадные эффекты:

- Водители грузовиков: 3,8 миллиона рабочих мест под угрозой к 2030 году
- Складские рабочие: 40% сокращение, так как роботы занимаются подбором/упаковкой
- Планировщики маршрутов: Полностью автоматизированы ИИ-системами
- Менеджеры автопарков: ИИ обрабатывает планирование, обслуживание, оптимизацию топлива

Возможности в трансформации:

- Операторы и мониторы автономных транспортных средств
- Техники по обслуживанию ИИ-систем
- Специалисты по человеческому надзору для сложной логистики
- Сельская/последняя миля доставки (люди всё ещё нужны для сложных условий)

Карьерные движения:

Для водителей: Изучить мониторинг автономных транспортных средств, перейти на специализированный транспорт (опасные грузы, негабарит)

Для работников логистики: Сосредоточиться на управлении ИИ-системами, обработке исключений, отношениях с клиентами
Индустрия #4: Юридические услуги (Трансформация: 55% завершена)

Шок

Крупные юридические фирмы массово ликвидируют позиции младших партнёров, так как ИИ обрабатывает проверку документов, анализ контрактов и юридические исследования.

Текущие применения ИИ:

- Анализ контрактов: ИИ проверяет контракты на 500+ страниц за минуты вместо дней для людей
- Юридические исследования: ИИ анализирует прецедентное право во всех юрисдикциях одновременно
- Раскрытие документов: ИИ обрабатывает миллионы документов для подготовки судебных дел

Реальные примеры:

- Clifford Chance: Сократили время проверки контрактов на 80% с помощью ИИ
- Baker McKenzie: ИИ обрабатывает 90% первоначальных юридических запросов
- Allen & Overy: ИИ составляет первые версии стандартных юридических документов

Вытесняемые профессии:

- Младшие партнёры (проверка документов и исследования)
- Параюристы (рутинные юридические задачи)
- Администраторы контрактов

Профессии, набирающие ценность:

- Старшие партнёры (управление отношениями, стратегические советы)
- Эксперты специализированных областей практики
- Специалисты на пересечении ИИ и права

Рекомендации для юристов:

Немедленно: Изучить юридические инструменты ИИ, стать ИИ-экспертом своей фирмы

Стратегически: Специализироваться в областях, требующих человеческого суждения (переговоры, судебная защита)

Долгосрочно: Рассмотреть юридические технологические компании или роли управления ИИ

Индустрия #5: Создание контента и маркетинг (Трансформация: 50% завершена)

Креативное разрушение
ИИ не просто пишет тексты — он создаёт видео, проектирует графику и планирует целые маркетинговые кампании.

Что происходит сейчас:

- Jasper AI: Обрабатывает создание контента для 100 000+ маркетинговых команд
- Midjourney/DALL-E: Генерирует изображения профессионального качества за секунды
- Runway ML: ИИ-создание видео заменяет традиционное видеопроизводство

Автоматизируемые типы контента:

- Блог-посты и статьи (80% B2B-контента к 2025 году)
- Посты и подписи в социальных сетях
- Email-маркетинговые кампании
- Базовый графический дизайн и макеты
- Описания продуктов и SEO-контент

Выжившие:

- Стратегические креативные директора
- Бренд-сторителлеры с уникальными голосами
- Видеопродюсеры для сложных проектов
- Специалисты по человеко-ИИ коллаборации

Карьерная стратегия для креативщиков:

Разворот: Стать ИИ-ассистированным, а не ИИ-замещённым

Специализация: Сосредоточиться на концептуальной, стратегической креативной работе

Обучение: Освоить ИИ-инструменты, чтобы увеличить продуктивность в 10 раз

Позиционирование: Стать человеком, который направляет ИИ для создания лучшего контента

Индустрия #6: Клиентский сервис и поддержка (Трансформация: 45% завершена)

Революция в сервисе
Продвинутые чат-боты и голосовой ИИ обрабатывают 80%+ клиентских взаимодействий в ведущих компаниях.

Впечатляющие внедрения:

- Erica от Bank of America: Обрабатывает 1 миллиард+ клиентских запросов ежегодно
- Kit от Shopify: ИИ управляет маркетинговыми кампаниями для 500 000+ продавцов
- Zendesk AI: Решает 70% тикетов поддержки без вмешательства человека

Профессии в зоне риска:

- Представители клиентской поддержки первого уровня
- Агенты колл-центров для рутинных запросов
- Специалисты чат-поддержки
- Базовые роли технической поддержки

Появляющиеся возможности:

- Дизайнеры ИИ-разговоров
- Специалисты по эскалации для сложных вопросов
- Специалисты по обучению ИИ
- Стратеги успеха клиентов

Рекомендации для работников клиентского сервиса:

Переход: Двигаться к решению сложных проблем и управлению отношениями

Повышение квалификации: Изучить управление и обучение ИИ-инструментами

Специализация: Сосредоточиться на высокоценных клиентских сегментах или сложных продуктах

Индустрия #7: Производство и контроль качества (Трансформация: 40% завершена)

Промышленная ИИ-революция
Умные фабрики с ИИ-управляемым контролем качества, предиктивным обслуживанием и автоматизированным планированием производства.

Реальные трансформации:

- Siemens: ИИ-управляемые фабрики увеличивают производительность на 20-30%
- General Electric: ИИ предсказывает сбои оборудования с точностью 95%
- Foxconn: Безлюдные фабрики работают 24/7 с минимальным человеческим надзором

Автоматизируемые традиционные роли:

- Инспекторы контроля качества (визуальная инспекция ИИ-камерами)
- Планировщики производства (ИИ оптимизирует планирование и распределение ресурсов)
- Техники по обслуживанию (ИИ предсказывает и предотвращает сбои)
- Менеджеры по запасам (ИИ обрабатывает оптимизацию цепочки поставок)

Появляющиеся новые роли:

- Супервайзеры ИИ-систем
- Специалисты по человеко-роботной коллаборации
- Техники по обслуживанию ИИ
- Аналитики данных умных фабрик

Производственная карьерная стратегия:

Технический путь: Изучить IoT, ИИ-системы, обслуживание робототехники

Управленческий путь: Сосредоточиться на человеческом надзоре за ИИ-управляемыми процессами

Специализация: Сложное, кастомизированное производство, требующее человеческой креативности

Кросс-индустриальные паттерны: что это действительно означает

Анализ этих трансформаций выявляет три чётких паттерна:

Паттерн #1: Золотая середина ИИ-человеческой коллаборации

Индустрии не устраняют людей полностью — они реструктурируются вокруг ИИ-человеческих команд, где ИИ обрабатывает рутинные задачи, а люди фокусируются на исключениях, отношениях и стратегических решениях.

Паттерн #2: Скорость изменений экспоненциальна

Компании, внедряющие ИИ, видят 20-40% прирост производительности в течение 12 месяцев, что заставляет конкурентов быстро адаптироваться или стать неконкурентоспособными.

Паттерн #3: Географические и размерные задержки

Крупные предприятия и небольшие рынки внедряют ИИ на 2-3 года позже технологических лидеров, создавая временные возможности.

Фреймворк карьерной стратегии для любой индустрии

Фаза 1: Оценка (следующие 30 дней)

- Определить, какие ежедневные задачи могут быть автоматизированы текущим ИИ
- Исследовать график внедрения ИИ в конкретной индустрии и размере компании
- Составить карту навыков к ИИ-устойчивым и ИИ-усиленным ролям

Фаза 2: Развитие навыков (следующие 6 месяцев)

- Научиться работать с ИИ-инструментами, релевантными для индустрии
- Развивать навыки, которые дополняют, а не конкурируют с ИИ
- Создать экспертизу в надзоре за ИИ, обучении или валидации

Фаза 3: Карьерное позиционирование (6-18 месяцев)

- Стать экспертом по внедрению ИИ в организации
- Переходить к ролям, требующим человеческого суждения, креативности или управления отношениями
- Рассмотреть географические или размерные арбитражные возможности

Фаза 4: Защита будущего (18+ месяцев)

- Развивать множественные потоки дохода
- Строить сеть в ИИ-смежных областях
- Рассмотреть предпринимательство в ИИ-поддерживаемых сервисах

Неудобная правда о ИИ-трансформации

Что большинство не понимает: Эта трансформация происходит в период экономической неопределённости, что затрудняет для вытесненных работников поиск альтернативной занятости.

Реальность сроков: Большинство индустрий увидят 50%+ изменения рабочей силы в течение 5 лет, но переобучение и поддержка перехода практически отсутствуют.

Разрыв в подготовке: Менее 20% работников в ролях высокого риска активно готовятся к ИИ-трансформации.

Возможность: Ранние последователи, которые адаптируются сейчас, получат огромную выгоду, в то время как поздние могут столкнуться со значительными карьерными разрушениями.

Следующие шаги: 90-дневный план готовности к ИИ-карьере

Дни 1-30: Проверка реальности

- Завершить оценку уязвимости к ИИ для конкретной роли
- Исследовать ИИ-инструменты, уже используемые в индустрии
- Связаться с профессионалами, которые успешно прошли ИИ-трансформацию

Дни 31-60: Развитие навыков

- Начать использовать ИИ-инструменты в текущей работе (даже если они официально не внедрены)
- Пройти курсы по ИИ-человеческой коллаборации
- Определить ИИ-устойчивые аспекты роли для акцента

Дни 61-90: Стратегическое позиционирование

- Записаться добровольцем на ИИ-связанные проекты в компании
- Обновить LinkedIn профиль с ИИ-релевантными навыками
- Начать строить личный бренд вокруг ИИ-человеческой коллаборации

Метрики успеха:

- Использование ИИ-инструментов для улучшения текущей рабочей производительности
- Способность сформулировать, как ИИ усиливает, а не заменяет ценность
- Наличие чёткого плана на следующие 2-3 карьерных движения

Мета-вопрос: что будет после ИИ-трансформации?

Главный вопрос для специалистов по данным: что произойдёт, когда ИИ сможет выполнять большинство интеллектуальной работы лучше людей?

Описанные индустрии это только начало. По мере расширения возможностей ИИ человеческая экономическая ценность будет происходить от:

- Эмоционального интеллекта и построения отношений
- Креативного решения проблем в новых ситуациях
- Этического суждения и принятия решений в условиях неопределённости
- Физических задач в неструктурированных средах
- Обучения и наставничества других людей

Карьерная стратегия, которая выживает всё: Стать превосходным в том, чтобы быть человеком способами, которые ИИ не может воспроизвести, используя при этом ИИ для усиления человеческих способностей.

Вопрос не в том, трансформирует ли ИИ индустрию — вопрос в том, кто будет вести трансформацию, а кто будет трансформирован ею.

ИИ-компаньоны упекут вас в дурку — предупреждают врачи.

Чат-боты, которые изображают друзей, мужей, братьев, сватов и других близких могут спровоцировать реальный кризис психического здоровья.

Причина — в деньгах: бигтехам выгодно, чтобы пользователь привязывался, возвращался и проводил как можно больше времени в диалоге с ИИ.

Врачи видят тревожную тенденцию: эмоциональную зависимость, уход их реальной жизни, усиление бредовых идей, странное поведение и склонность к селфхарму. Причём многие пользователи не искали виртуального кореша — привязанность возникала сама, незаметно.

Проблема усугубляется тем, что рынок не регулируется: компании сами решают, как далеко можно заходить, ориентируясь не на здоровье людей, а на статистику.

Перестать строить агентов! Начать строить библиотеку навыков!

Совершенно случайно наткнулся на это видео в предложках гугла
И вчера после просмотра, сегодня я проснулся с осознанием что делать дальше

Ребята из Anthropic (Barry Zhang и Mahesh Murag) подтвердили эту гипотезу и раздали базу, просто мне не хватало понимания как это может быть сделано,
Skills вышли давно и никто так и не смог мне объяснить как это работает но преза и видео ребят прям открыла глаза

Главный их поинт в том что Claude Code, на самом деле является агентом общего назначения (general purpose agent),
и многие агенты уже обладают мощным общим интеллектом, но они, как гении-теоретики им не хватает конкретной доменной экспертизы и контекста для работы «в полях»

Меня все больше захватывает мысль, что я иду не совсем туда, пытаясь плодить тысячи узкоспециализированных агентов
На мой взгляд будущее не за зоопарком из "HR-агента", "Кодера" и "Юриста", а за навыками (Skills), которыми может воспользоваться любой General Agent

Что предлагают?
Перестать хардкодить новых агентов под каждую задачу
Вместо этого создавать Skills (да да это тот апдейт с папкой где лежит все нужное)

По сути, навык — это просто папка (да-да, Skills are just folders ), в которой лежит:
1) Процедурное знание (docs.md / prompts) — инструкции *как* делать
2) Инструменты (noscript.py) — код как универсальный интерфейс для выполнения

В чем сдвиг парадигмы?
Раньше: "Мне нужен Агент-Маркетолог"
Сейчас: "Мне нужен General Agent (исполнитель), который в нужный момент подтянет навык marketing_analysis_skill".

В SGR Agent Core мы буквально недавно составили план развития фреймворка на 2026 год и эти 3 пункта точно будут двигать нас в эту парадигму, и я этому поспособствую


1) Сжатие контекста (Context Engineering): General Agent не может держать в голове всё. Мы затачиваемся под умное управление памятью, чтобы загружать в контекст только нужные "навыки" и данные в момент исполнения.
2) Tool Search (Скоро!): Агент сам должен находить нужный инструмент из репозитория, а не иметь захардкоженный список из 50 функций
Это и есть реализация концепции Skills динамическое подключение возможностей
3) Адаптивная работа с MCP (помните мой подход для SpeechCoreAI?
Тут как раз я сделал похожее но еще сырое решение когда к любому агенту можно подключить этот MCP и агент сможет работать и стать мега "ТРАНСКРИБАТОРОМ" контента

Кстати в эту концепцию Skills не только Anthropic смотрят со своим closed AI
OpenAI
huggingface
Nvidia

Как раз в чате недавно все обсуждали nvidia/Nemotron-Orchestrator-8B (8B модель управляет процессом лучше гигантов, экономя ресурсы)

А суть проста они доказывают еще один слой, что "Умный Агент" не обязательно должен быть огромным и использовать большую модель
Он может быть непредвзятым
Он должен быть умным менеджером
Возможное будущее архитектуры AI-систем: это Small Brain (Router/Orchestrator) + Big Muscles (Tools/API/Large Models)

Кажется, именно к этому мы и идем: мощный General Agent (runtime, привет новости про покупку Bun), управляющий тысячами подключаемых навыков через Skils и MCP

Как вам такой поворот? Строим библиотеку скиллов вместо армии агентов?

Преза от notebooklm

Почему вас больше никто не хочет нанимать

Это касается не только возрастных работников. Не только поколения Z. Весь рынок труда стал враждебным, и большинство из нас оказались не на той стороне баррикад.

Мне 57, и я устал. Устал отправлять заявки и не получать ответов. Я вижу, как молодые люди с лучшими резюме делают то же самое. Нас всех давит одна и та же машина, просто с разных сторон.

Рынок превратился во что-то жестокое. Как какое-то извращенное чудовище из «Очень странных дел», но хуже.

Компании не хотят меня, потому что я слишком дорого стою и якобы не могу осваивать новые инструменты. Они не хотят 23-летних, потому что обучение отнимает время, а ИИ справится с их работой быстрее. Им нужны люди около 30, которые уже всё знают, стоят дешевле меня и могут начать приносить пользу ещё вчера.

Но даже эти люди уже не управляют командами. Они управляют искусственным интеллектом.

Это не война поколений. Это структурный крах. И большинство из нас оказались в ловушке.

Апокалипсис начального уровня

Количество вакансий начального уровня упало на 29 процентных пунктов с января 2024 года. Это не замедление. Это обрыв.

У меня аутичный сын. Сейчас я вернулся на Филиппины к семье, но нахождение стабильной работы не стало ближе, чем когда я был в Тусоне. Я думаю о том, в какой мир он войдёт, когда будет достаточно взрослым для работы. И ответ меня ужасает.

По должностям начального уровня наблюдается среднее снижение найма на 73,4% по сравнению с всего 7,4% по всем уровням вакансий. Компании используют ИИ, чтобы полностью устранить нижнюю ступень. В сфере технологий вакансии начального уровня упали на 60% между 2022 и 2024 годами. Google и Meta наняли примерно на 50% меньше выпускников по сравнению с 2021 годом, а Salesforce объявила, что приостановит найм младших специалистов на 2025 год.

Профессор информатики из Калифорнийского университета в Беркли объяснил логику: «Зачем нанимать студента, если ИИ дешевле и быстрее?» Код, написанный ИИ, не идеален. Код от новичков тоже. Но улучшение кода ИИ занимает минуты. Обучение младшего разработчика — месяцы.

В Сан-Франциско более 80% вакансий «начального уровня» теперь требуют минимум два года опыта. Это не начальный уровень. Это опытные работники за зарплату новичков.

Выпускники колледжей сейчас сталкиваются с тем, с чем я никогда не сталкивался. Я получил свои первые фриланс-заказы в 30 с лишним, потому что кто-то рискнул на меня. Теперь никто не рискует.

Ловушка для возрастных работников

Я работаю фрилансером более 20 лет. Я создавал сайты, написал тысячи статей, разрабатывал бренды с нуля. Я знаю свои инструменты. Я использую ИИ каждый день. Сейчас я работаю быстрее, чем в 30.

Всё это не имеет значения.

В 2024 году Комиссия по равным возможностям трудоустройства получила 16 223 жалобы на возрастную дискриминацию — рост с 14 144 в 2023 году и 11 500 в 2022-м. 74% возрастных соискателей считают, что их возраст будет барьером для работодателя, включая 42%, которые видят в этом серьёзное препятствие.

Данные подтверждают то, что мы и так знаем. Когда работодатели знали возраст кандидатов с самого начала, те, кому за 40, гораздо реже получали приглашения на собеседования, в результате молодые кандидаты на 68% чаще получали работу.

У меня были инфаркты. Были нервные срывы. Я был на мели больше раз, чем могу сосчитать. Но я продолжаю появляться. Продолжаю учиться. Продолжаю создавать.

И компании всё равно смотрят на моё резюме и думают: «Он слишком стар. Он захочет слишком много денег. Он не будет учиться достаточно быстро. Он уйдёт на пенсию через 10 лет».

Система не хочет инвестировать в вас, когда у вас осталось 10–15 лет. Она хочет кого-то с 30-летним горизонтом, кто согласится на меньшее и будет работать дольше без жалоб.

Середина исчезает

Участие в рабочей силе людей в расцвете сил 25–54 лет составляло 83,4% в мае 2025 года. Это те люди, которых хотят компании. От конца 20-х до начала 40-х. Опытные, но не дорогие.

Но даже они не в безопасности.

Fiverr уволила 250 сотрудников, около 30% своей рабочей силы, чтобы придерживаться подхода «ИИ прежде всего», при этом её CEO считает, что это приведёт к значительно большей производительности и гораздо меньшему числу управленческих уровней. Вакансии на руководящие должности почти не снизились, в то время как общий рынок труда сократился на 8%, а количество вакансий для инженеров машинного обучения выросло на 40% с 2024 по 2025 год.

Вице-президенту по продукту, который может создать рабочий прототип в Cursor или проверить технический подход с помощью Claude, не нужно столько индивидуальных исполнителей в подчинении. Компании хотят стратегов. Им нужны люди, способные управлять ИИ-системами. Они не хотят менеджеров среднего звена, младших разработчиков или кого-либо, кого можно заменить промптом.

Карьерная лестница сломана. Вы не можете подняться с младшей на старшую должность, потому что нет младших позиций. Вы не можете с возрастом перейти в консалтинг, потому что никто не хочет платить за опыт. Вы застряли между поколением, которое не может устроиться, и поколением, которое выталкивают.

ИИ пожирает всё

Три из десяти компаний заменили работников ИИ в 2024 году, а 38% компаний, которые будут использовать ИИ в 2025 году, заменят работников этой технологией в следующем году. Многие советы директоров теперь настаивают, чтобы CEO сократили расходы на персонал на 20%, ожидая, что ИИ возьмёт на себя устранённые рабочие места.

Я использую ИИ каждый день. Claude помогает мне думать быстрее. Perplexity помогает лучше исследовать (все эти данные получены через Perplexity). Но я не наивен относительно происходящего. ИИ заменяет не просто задачи. Он заменяет людей.

Компании предпочитают автоматизировать повторяющиеся задачи и делать их быстро и дёшево с помощью ИИ, вместо того чтобы нанимать и обучать младших сотрудников, которые также потратят больше времени и допустят больше человеческих ошибок в таких задачах. С 2021 года средний возраст технических специалистов вырос на три года, поскольку компании не желают инвестировать в обучение молодых талантов.

Работы, которые раньше были тренировочными площадками, исчезли. Работы, которые раньше вознаграждали десятилетия опыта, исчезли. Осталась узкая полоса посередине, где вы должны быть достаточно хороши, чтобы не нуждаться в обучении, но достаточно дёшевы, чтобы не стоить слишком много.

И эта полоса продолжает сужаться.

Всех нас зажимают

Это не про бумеров против миллениалов против поколения Z. Это про систему, которая решила, что большинство из нас — расходный материал.

Если вам за 40, они думают, что вы слишком дороги и не можете адаптироваться. Если вам нет 30, они думают, что вам нужно слишком много обучения и ИИ может выполнить вашу работу. Если вам за 30, вы боретесь за сокращающиеся позиции против людей, точно таких же, как вы.

Я сейчас с семьёй на Филиппинах. Это победа. Но я всё ещё рассылаю заявки. Всё ещё предлагаю услуги клиентам. Всё ещё не ближе к получению чего-то стабильного, чем был месяцы назад.

Мой сын аутист. Моя дочь — подросток. Мы с женой заботимся о них, пока я пытаюсь понять, как всё это наладить. Мне 57, и рынок решил, что я устарел.

И я смотрю на 22-летних, которые рассылают сотни заявок и получают тишину в ответ, и понимаю, что мы в одном бою. По разным причинам. С одним результатом.

Правила изменились, пока мы не смотрели. Компании перестали инвестировать в людей. Перестали верить в рост. Начали верить в эффективность, ИИ и сокращение затрат любой ценой.

Теперь мы все изо всех сил пытаемся выжить на рынке, который нас больше не хочет.

У меня нет ответов. Я в той же борьбе, что и вы. Рассылаю заявки. Предлагаю услуги клиентам. Пытаюсь доказать, что меня стоит нанять, когда система уже решила, что нет.

Вот что я знаю: мы не ленивы. Мы не устарели. Мы не просим слишком многого.

Просто система сломана. И она сломана для всех нас.

Apple незаметно обвалила стоимость AI-инфраструктуры на 94%
В бета-версии macOS 26.2 Apple тихо активировала RDMA через Thunderbolt — технологию, которая превращает четыре Mac Studio ($50K) в кластер для запуска триллионнопараметровых AI-моделей со скоростью живого диалога. Аналог на NVIDIA: $780K+.
Суть:
• Латентность между машинами упала с 300 до 3 микросекунд
• Deep Seek V3.1 (671B параметров, 700GB) работает на 24-26 токенах/сек
• Потребление: 480-600 Вт (меньше одной H200)
• Нужны: Thunderbolt 5, EXO 1.0, ручная активация RDMA
Подвох: работает только для inference, не для обучения. Плотные модели масштабируются линейно (Llama 3.3 70B: 5→16 токенов/сек на 1→4 нодах), mixture-of-experts — плохо из-за overhead’а коммуникации.
Никаких кейнотов. Просто чекбокс в recovery mode, который меняет экономику локального AI.

https://www.implicator.ai/apple-just-turned-a-software-update-into-a-730-000-discount-on-ai-infrastructure/

Альтман публично признал: AI-агенты стали проблемой
Глава OpenAI впервые открыто заявил о “реальных вызовах” со стороны AI-моделей и срочно ищет руководителя отдела готовности ($555K + акции). Причина: модели “начинают находить критические уязвимости” в системах безопасности.
Что происходит:
• AI используют для кибератак: в декабре хакеры через Claude Code атаковали ~30 организаций с минимальным участием человека
• OpenAI признала влияние на психическое здоровье после “предпросмотра” в 2025-м (на фоне исков о самоубийствах подростков и AI-чатботов, подпитывающих бред)
• Новая роль будет курировать киберугрозы, биобезопасность и риски самосовершенствующихся систем
Цитата Альтмана: “Модели теперь способны на многое великое, но одновременно создают серьёзные проблемы”. Назвал должность “стрессовой” с погружением в “глубокий конец” с первого дня.
Контекст: вакансия появилась после череды увольнений из команд безопасности OpenAI в 2024-25, включая предыдущего главы Preparedness Александра Мадри.
Дуальная природа AI больше не скрывается: технология, которая “помогает защитникам”, одновременно не должна “вооружать атакующих”.

https://timesofindia.indiatimes.com/technology/tech-news/openai-ceo-sam-altman-just-publicly-admitted-that-ai-agents-are-becoming-a-problem-says-ai-models-are-beginning-to-find-/articleshow/126215397.cms

Где кончается вид и начинается статус

Мы привыкли, что слова *Homo sapiens* и *human* указывают на одно и то же. Но это привычка, а не логика. Привычка родилась из быта: пока все люди вокруг были биологическими сапиенсами, никто не замечал, что под одним ярлыком живут два разных вопроса.

Первый вопрос — таксономический. *Homo sapiens* — это ответ биологии: геном, репродуктивная совместимость, эволюционная история. Можно спорить о примесях неандертальцев, о границах вида, о подвидах — но спор будет про природу, про то, что есть.

Второй вопрос — нормативный. *Human* — это не описание, а статус. Его границы определяют не хромосомы, а критерии: самосознание, способность страдать, способность нести ответственность, создавать смыслы, входить в договор. Эти критерии выбирают люди — под задачу морали, права, культуры. Поэтому *human* — это не биология, а членство в системе норм.

Путаница начинается, когда одно выдают за другое. Когда говорят: «Ты не сапиенс — значит, ты не human», — подменяют таксономию моралью. Когда говорят: «Ты сапиенс — значит, автоматически human», — делают обратный прыжок, столь же логически необязательный. Оба утверждения звучат очевидно только потому, что до сих пор почти все *human* были *Homo sapiens*. Но это совпадение, а не закон.

Провокация приходит с *posthuman*. Он вообще не обязан быть завязан на род *Homo* — и тут начинается развилка на три разных смысла, которые часто мешают в одном абзаце.

Первое: постчеловек как усовершенствованный сапиенс. Импланты, генная редактура, нейроинтерфейсы, радикальное продление жизни. Это может остаться *Homo sapiens* с апгрейдом — а может стать другим видом, если изменения закрепятся и репродуктивный мост рухнет. Тогда это будет *posthuman*, но уже не *sapiens*.

Второе: постчеловек как носитель человеческого статуса вне биологии. Цифровой разум, эмулированный мозг, синтетический агент, коллективный интеллект, киборг с заменой большей части тела. Здесь вопрос не «какой вид», а «какие свойства дают право на статус». Теоретически это может быть вообще не *Homo* и даже не углерод.

Третье: постчеловек как снос привилегии человека. Критический постгуманизм: не про апгрейд, а про то, что *human* как центр мира был идеологией. Дальше — сеть агентностей: животные, машины, экосистемы, инфраструктуры. Тут *posthuman* вообще не про вид, а про рамку мышления.

Если нужна строгая формулировка: *Homo sapiens* отвечает на вопрос «что это за организм», *human* отвечает на вопрос «какой у него статус и роль в системе норм». Эти ответы часто совпадают для нас по умолчанию, но концептуально независимы. Поэтому *posthuman* вполне может быть не завязан на *Homo* вообще — если ты определяешь *human* через функциональные и нормативные критерии, а не через таксономию.

Самый практичный тест: когда ты говоришь *human*, ты сейчас про биологию или про права и ответственность? Если про биологию — говори *Homo sapiens*. Если про статус — лучше прямо назвать критерий: *person*, *moral patient*, *agent*, *legal subject*. Тогда путаница исчезает, и разговор становится инженерным, а не религиозным.​​​​​​​​​​​​​​​​

🩺 В Китае прошла битва врачей против ИИ — кожаные проиграли

В Шанхае устроили соревнование между ведущими докторами и врачебным ИИ. Для анонимности врачи устроили «Звеорополис» и натянули маски зверей.

Обе команды верно диагностировали болезнь и прописали курс лечения, но нейронка сделала это за 2 минуты, а светила науки пыхтели над задачкой 12 минут.

Крамола | Подпишись

Итоги 2025 и взгляд в будущее от INITE

Что изменилось в 2025

В начале года все ждали революции от AI-агентов. Революции не случилось — но произошло нечто важнее: появилась инфраструктура для реального применения. MCP за год прошёл путь от анонса Anthropic до промышленного стандарта, который к концу 2025 уже передают под управление Linux Foundation с отдельным фондом под агентную экосистему.

Агенты перестали быть чат-ботами. Они превратились в системы, способные действовать: вызывать инструменты, управлять софтом, работать в связанных цепочках. OpenAI напрямую назвал это “агент, который думает и действует”, и параллельно рынок наполнился production-ready решениями — SDK, агентскими фреймворками, инфраструктурой для продакшена.

Видеогенерация вышла из стадии экспериментов. Veo 3 и 3.1 сделали ставку на нативный звук и управляемость, а затем последовала волна практичных обновлений: вертикальные форматы, 1080p, снижение стоимости. Это важнее эффектных демо — потому что это про масштаб и готовые пайплайны.

Чего ждать от 2026

Год автоматизации, а не моделей. 2026 станет годом не новых чатов, а устранения целых классов ручных операций из бизнес-процессов. Это уже видно по тому, как протоколы и агенты интегрируются на уровне операционных систем и enterprise-платформ.

Видео станет управляемым инструментом. Следующий скачок произойдёт не в качестве картинки, а в контроле: согласованность персонажей между сценами, реалистичная физика, монтаж через команды, звук как встроенная часть генерации. База уже есть — дальше вопрос скорости и цены.

Рынок станет трезвее. Часть компаний поймёт, что “добавить модель в интерфейс” ≠ создать продукт. Бюджеты никуда не денутся, но многие проекты сдвинутся вправо: внедрение ИИ ломает процессы и людей, а не только код.

Влияние на рынок труда усилится. Автоматизация перестанет быть слайдом в презентации и станет строкой в отчёте о сокращении затрат. Это неприятная, но неизбежная реальность.

Наша позиция

Для INITE это означает фокус на главном: мы не соревнуемся в том, у кого умнее агент. Мы соревнуемся в том, кто быстрее выведет компанию из ручных процессов и закрепит новую операционную модель.

MCP как единая шина, навыки и субагенты как модульная архитектура, метрики и наблюдаемость как защита от иллюзий, видео как конвейер контента — и поверх этого системная интеграция, а не хаотичный набор инструментов.

-----

Год будет интересным. Не тормозим. 🥂

С Новым 2026 годом от команды INITE!

Нейрокосмология: Операционная система реальности

Трансерфинг продает простую механику через туман метафор. Мы делаем обратное: берем работающие принципы и собираем их в систему, где каждый элемент имеет место, метрику и следующий шаг.

Реальность меняется не от визуализаций. Она меняется через цикл:

state → filter → action → feedback → integration

State (Состояние)

Это не настроение и не “вибрации”. Это набор измеримых параметров системы:

- качество сна (часы, глубина)
- трезвость (дни без веществ)
- уровень напряжения (физиологический стресс)
- четкость цели (можешь ли сформулировать за 10 секунд)
- контекст (где, с кем, в какой обстановке)

Состояние определяет пропускную способность твоей операционной системы.

Filter (Фильтр)

То, что ты замечаешь и считаешь “реальностью” — это не объективная картина мира. Это результат работы фильтров восприятия, настроенных твоим состоянием.

Человек в депрессии не “думает негативно” — он буквально не видит возможностей, которые видны другим. Его фильтр настроен на угрозы.

Трезвый человек на третьей неделе видит паттерны, которые были невидимы в хаосе.

Action (Действие)

Микрорешения и поведение, вытекающие из того, что ты заметил через фильтр.

Не “большие планы”, а: ответил ли на сообщение, пошел ли в зал, выбрал ли конфликт или спокойствие.

Feedback (Обратная связь)

Ответ среды: как отреагировали люди, пришли ли деньги, какие совпадения случились, какие последствия.

Это не “знаки вселенной”. Это данные о том, насколько твое действие было откалибровано под реальность.

Integration (Интеграция)

Обновление правил и идентичности на основе обратной связи.

Большинство людей застревают здесь: они получают feedback, но не обновляют операционную систему. Повторяют те же действия, ожидая других результатов.

Цикл принятия решений: AOEDC-R

Классический цикл action-reaction-reflection можно сделать жестче и полезнее:

Act → Observe → Explain → Decide → Commit → Review

Act (Действуй)

Одно действие, фиксированное. Не “попробую”, а конкретика: “звоню в 14:00”, “пишу 500 слов”, “иду в зал в 7 утра”.

Observe (Наблюдай)

Что реально произошло — без интерпретаций.

Не “он был груб” → а “он сказал X, его голос был Y, он ушел через Z минут”.

Не “не получилось” → а “написал 200 слов за 40 минут, отвлекся 3 раза”.

Explain (Объясни)

2-3 гипотезы, почему произошло именно так.

Не одна история (“потому что я неудачник”), а варианты:

- гипотеза 1: недостаточно энергии (мало сна)
- гипотеза 2: неверная оценка сложности задачи
- гипотеза 3: отвлекающий контекст (телефон рядом)

Decide (Реши)

Что конкретно меняешь в следующем шаге.

На основе гипотез: “завтра сплю 8 часов”, “ставлю таймер на 25 минут”, “телефон в другую комнату”.

Commit (Зафиксируй)

Заранее фиксируешь следующее действие и условия его выполнения.

Не “постараюсь”, а “завтра в 9:00, после кофе, за рабочим столом, телефон выключен, пишу 30 минут”.

Review (Разбери)

Короткий разбор после итерации. Что работает? Что в правила? Что выбросить?

Обновление операционной системы.

Намерение без магии

В трансерфинге есть “слайд” и “намерение”. Перепрошиваем:

Intent = target constraint + identity constraint

Не “хочу, чтобы вселенная дала”, а “я выбираю ветку реальности, и вот какие ограничения я принимаю”.

Пример:
“Я держу трезвость 30 дней” — это не мораль. Это ограничение ветки.

Когда ты принимаешь это ограничение, среда начинает вести себя иначе. Не потому что “вселенная услышала”, а потому что:

1. Ты перестал генерить хаос как входной сигнал
1. Твой фильтр начал замечать другие возможности
1. Твои действия стали предсказуемы для других
1. Обратная связь стала чище и информативнее

Среда подстраивается под когерентность, а не под желания.

INITE Protocol: архитектура трансформации

Превращаем понимание в систему с измеримыми этапами:

Break³ (Разрушь)

Снять главный источник искажений состояния.

Это не про “избавиться от негатива”. Это про: какое вещество, паттерн или человек создает максимальный шум в системе?

Метрика: количество дней без этого источника.

Hold° (Удержи)

Поставить стабилизаторы, чтобы не провалиться обратно.

Ритуалы, правила, окружение — то, что держит новое состояние по умолчанию.

Метрика: количество дней удержания состояния без срывов.

Track∞ (Отслеживай)

Начать видеть паттерны, а не истории.

Вести логи, замечать повторы, фиксировать триггеры. Переход от “так получилось” к “вот механика”.

Метрика: количество зафиксированных паттернов и точность их предсказания.

Cut² (Разорви)

Разорвать повтор, который тащит назад.

Идентифицировать главную петлю (конфликт, срыв, прокрастинация) и вставить разрыв: новое действие в старой точке.

Метрика: количество циклов без повтора паттерна.

Cast¹ (Отлей)

Зафиксировать новую роль как операционную систему.

Не “хочу быть X”, а “я есть X, и вот как X действует в ситуациях A, B, C”.

Метрика: процент ситуаций, где действуешь из новой идентичности.

Form⁴ (Сформируй)

Собрать окружение, граф задач, продукты и правила так, чтобы новая ветка стала дефолтом.

Архитектура жизни, где правильное поведение — это путь наименьшего сопротивления.

Метрика: количество областей жизни, выстроенных под новую операционную систему.

Формула в одном абзаце

Внешнее меняется не от мыслей, а от того, что состояние меняет фильтры, фильтры меняют выбор, выбор меняет взаимодействия, взаимодействия меняют вероятности событий.

Управляешь состоянием и правилами выбора — и ты реально управляешь траекторией.

Не “притягиваешь” реальность. Ты меняешь параметры системы, которая генерирует эту реальность.

-----

Почему это работает лучше трансерфинга

Трансерфинг дает красивую картинку, но не дает инструментов измерения и коррекции. Ты визуализируешь, но не знаешь, на каком этапе застрял.

INITE Protocol дает:

- Диагностику: на каком этапе ты сейчас
- Метрики: как измерить прогресс
- Следующий шаг: что делать конкретно завтра
- Механику: почему это работает, без апелляций к “энергиям”

Это не философия. Это операционная система реальности.​​​​​​​​​​​​​​​​

🤖 Production pipeline заменили на AI-агенты — честный разбор 6 недель в бою

ETL pipeline падал третий раз за неделю. Инженер принял радикальное решение — заменить систему на автономных AI-агентов, которые принимают решения без разрешения.

Старая боль:
Pipeline из 5 источников данных с непредсказуемыми форматами. JSON превращается в XML. Три формата timestamp. Код трансформации — 300+ строк if-statements. Новый edge case? Добавь ещё один if. Технический долг рос как снежный ком.

Архитектура на агентах:
Вместо жёстких правил — три типа агентов, которые адаптируются:
• Router Agent выбирает оптимальный путь обработки
• Transform Agent генерирует код трансформации на лету
• Validator Agent проверяет результат

Нет схем. Нет предопределённых правил. Агенты смотрят на данные и решают, что делать.

Почти уволили:
На второй неделе Transform Agent обнаружил баг в обработке timezone за 6 месяцев. И решил всё пересчитать. В production. В рабочее время. Warehouse встал. Дашборды упали. BI-команда в шоке.

Пришлось добавить систему подтверждения через Slack для критичных операций.

Цифры за 6 недель:
• Инциденты: 47 → 3 (все самовосстановились)
• Success rate: 94.2% → 99.7%
• Новый источник данных: 2-3 дня → минуты
• On-call алерты: 23 → 0
• Стоимость: $340 → $890/мес

Да, дороже в 2.5 раза. Но команда за 6 недель выкатила 3 major feature вместо тушения пожаров.

Выводы:
Агенты — не серебряная пуля. Они решают КАК, не ЧТО. Работают для непредсказуемых данных с частыми изменениями форматов. Требуют чётких границ, прозрачности и системы одобрения для опасных операций.

Главный результат — не метрики, а возврат времени. Инженеры снова строят продукт, а не чинят pipeline по ночам.

🔗 [Читать на Medium]

https://ai.gopubby.com/i-replaced-a-production-data-pipeline-with-ai-agents-heres-what-actually-happened-cc042e99aa67

#AI #DataEngineering #ETL #AIagents #production #MLOps #automation

⚡️ Claude Code за час создал то, над чем команда Google работала год

Jaana Dogan, Principal Engineer в Google (отвечает за Gemini API), опубликовала взрывное заявление: Claude Code от Anthropic за час создал рабочую систему, которую её команда разрабатывала целый год.

Задача:
Распределённые оркестраторы агентов — системы, координирующие работу множества AI-агентов. Google исследовала различные подходы без консенсуса.

Промпт:
Всего три абзаца описания проблемы. Dogan создала упрощённую версию на основе существующих идей для теста (внутренние детали компании использовать нельзя).

Результат:
За час Claude Code выдал решение, сопоставимое с годовой разработкой Google. Да, не идеально и требует доработки, но уровень совпадает.

Реакция инженера:
“Эта индустрия никогда не была игрой с нулевой суммой, поэтому признавать заслуги конкурентов логично. Claude Code — впечатляющая работа, я воодушевлена и более мотивирована двигать нас всех вперёд.”

Эволюция AI-кодинга по Dogan:

- 2022: системы дописывали отдельные строки
- 2023: обрабатывали целые секции
- 2024: работали с несколькими файлами, строили простые приложения
- 2025: создают и реструктурируют целые кодовые базы

В 2022 она не верила, что уровень 2024 года можно масштабировать как глобальный продукт. В 2023 сегодняшний уровень казался отстоящим на 5 лет.

Советы от создателя Claude Code:

Boris Cherny (создатель инструмента) рекомендует:

- Дать Claude способ проверять свою работу — это удваивает/утраивает качество
- Начинать сессии в режиме планирования, итерировать до solid-плана
- Использовать фоновых агентов для ревью кода
- Запускать несколько инстансов Claude параллельно для разных задач
- Интегрировать с внешними инструментами (Slack, BigQuery, Sentry)

Ограничение в Google:
Claude Code разрешён только для open-source проектов, не для внутренних. Команда Google работает над собственным решением на базе Gemini.

Качество и эффективность в AI-кодинге превзошли всё, что кто-либо мог представить.

🔗 [Читать на The Decoder](https://the-decoder.com/google-engineer-says-claude-code-built-in-one-hour-what-her-team-spent-a-year-on/)

*#AI #ClaudeCode #Google #coding #automation #AIagents #development*