Как сейчас устроен рынок AI-приложений Подборка a16z от 9 марта 2026 года хорошо показывает, что рынок AI-приложений расслоился: рядом с AI-native продуктами вроде ChatGPT, Midjourney или Perplexity теперь стоят обычные потребительские приложения, где AI встроен в привычное действие — смонтировать видео в CapCut, собрать презентацию в Canva, обработать заметки в Notion. Если разложить рынок по категориям, получается несколько крупных слоёв: Первый слой — универсальные AI-ассистенты. ChatGPT, Claude, Perplexity и похожие продукты. Это входная точка в AI для массового пользователя. Второй слой — AI-компаньоны и ролевые боты. Character.AI, Replika и похожие сервисы. Они обеспечивают общение, эмоции, ролевые сценарии, персональную привязанность и глубокую персонификацию. Третий слой — креативные инструменты. Генерация изображений, видео, музыки, голоса, аватаров, эффектов, дизайна. Сюда попадают Midjourney, Suno, ElevenLabs, Heygen, Runway, Kling, CapCut, Canva. Здесь рынок особенно быстро меняется: отдельные генераторы начинают конкурировать не только между собой, но и с большими редакторами, которые встраивают AI прямо в привычный рабочий процесс. Раньше генерация изображений была отдельной большой категорией. Теперь часть этого спроса уходит внутрь ChatGPT, Gemini и крупных редакторов. Midjourney, например, по данным a16z, с первых мест опустился до 43-го. Похожая история происходит в кодинге. Сначала рынок рос вокруг отдельных AI-инструментов для разработчиков, но теперь долю рынка забирают продукты, встроенные в большие модели и экосистемы: Claude Code у Anthropic или Codex у OpenAI. Зато там, где нужна специализация, отдельные продукты сохраняют преимущество. Suno остаётся заметным музыкальным продуктом. ElevenLabs закрепился в голосе, дубляже и аудиопроизводстве. Если продукт даёт не просто «сгенерировать что-нибудь», а закрывает конкретный рабочий сценарий с качеством выше встроенной функции, у него есть шанс. Четвёртый слой — письмо, грамматика, знания и офисная работа. Grammarly, Notion, Gamma, разные AI-ноутбук-сервисы, инструменты для презентаций, документов, заметок и встреч. В этом сегменте AI ценен, потому что сокращает рутинный цикл. Пятый слой — разработка и код. Cursor, Replit, Lovable, Claude Code, Codex и другие инструменты. Это один из самых плотных рынков по деньгам, потому что в кодинге AI встраивается прямо в производственный цикл и значительно ускоряет его: от идеи и прототипа до исправления ошибок, тестов и доработки уже существующего продукта. Шестой слой — AI-агенты: OpenClaw, Manus, Hermes, Scout. Сделай за меня цепочку действий. Найди, сравни, собери, оформи, отправь, создай проект, пройди по нескольким сервисам. Пока этот рынок менее зрелый, но по нему видно направление: AI постепенно двигается от генерации контента к выполнению задач. Седьмой слой — встроенный AI внутри крупных платформ. Google Workspace, Microsoft Office — браузеры, почта, таблицы, редакторы, мессенджеры. Этот слой сложнее измерять рейтингами, потому что пользователь может каждый день работать с AI, но не заходить на отдельный AI-сайт/приложение. a16z прямо пишет, что по мере превращения AI из отдельного направления в функцию текущие рейтинги начинают недосчитывать реальное использование, которое растёт геометрически, так как пользователи получают AI внутри привычной среды. Например, не так давно для всех пользователей мессенджера Telegram внутри во всей среде появились AI функции. Самостоятельным продуктам становится сложнее жить там, где крупная платформа может просто добавить функцию в интерфейс. Если приложение просто «использует AI», этого уже мало. Нужно понимать, в какой слой рынка оно попадает, с кем на самом деле конкурирует и какое регулярное действие пользователя забирает на себя. Следующий этап рынка AI-приложений будет определяться частотностью конкретного сценария. Выиграют те продукты, которые станут частью ежедневного поведения пользователя и будут делать это с исключительным качеством. ↗ Алексей Королюк #подмечено

# Зачем сравнивать Claude Fable 5 с Claude Sonnet 4.6 (который выше обзвали Sonnet 3.5) в агентных цепочках? 🤔 В комментариях к предыдущему посту спросили, зачем проводить сравнение Fable 5 с "устаревающей" Sonnet 3.5, если в продакшене все равно должна крутиться самая умная модель. Ответ лежит в плоскости экономического арбитража и математики ROI: 1. Claude Sonnet 4.6 (выпущенный в феврале 2026 года) — наш главный локомотив. Это сбалансированная флагманская модель от Anthropic, которая радикально превосходит старую серию Sonnet 3.5. Она приближается к уровню интеллекта Opus, имеет контекстное окно в 1 млн токенов и значительно улучшает исполнение кода, качество UI и агентное использование компьютера (Computer Use) на реальных десктопных и браузерных задачах. На основе логов нашей телеметрии за последнюю неделю 93% всех задач кодинга (26 вызовов из 28) были успешно решены именно на Claude Sonnet 4.6. Она быстрая и стоит всего $3 / $15 за миллион токенов (ввод/вывод). 2. Claude Fable 5 — тяжелая артиллерия. Да, она выдает невероятные 95.0% на SWE-bench Verified. Но её вызов стоит в 3.3 раза дороже (**$10 / $50** за миллион токенов). 3. Спекулятивный роутинг (Speculative Routing). Мы используем Gemini 3.5 Flash как легковесный классификатор на входе. Если задача простая — ее решает Claude Sonnet 4.6. Если классификатор видит пограничную сложность, запрос отправляется к Claude Fable 5. Итог за неделю: Вместо $10.65 USD (если бы мы все слали напрямую в Fable 5), наш фактический счет составил всего $2.13 USD. Это 80.0% чистой экономии бюджета при сохранении точности пайплайна на уровне 92%+. Слайды с архитектурой нашего Model Council и раскладкой по тирам прикрепляем к посту! 👇 (Попозже пришлю, протестирую nano banana 🍌 2)

Пока я откисаю в Корее от очередного сезона исхода дорогих коллег [1, 2, 3, и др.] перед ICML, наша с читателями любимая Лилиан Вэн – авторка топ-1 блога по диплёрнингу – написала первый за почти два года пост про историю и развитие науки об оценке правил масштабирования (scaling laws) языковых моделей. Почему "правил", а не "законов" – чтобы не создавать ощущения универсальности самих законов: всех необходимых факторов для по-настоящему точных предсказательных правил для конкретных архитектур, моделей, данных, оптимизаторов и других факторов, на них влияющих. Особого почтения заслуживает упоминание статьи Lovelace et al., где в первый раз в академическом мире разбираются, как влияют повторения данных на scaling laws. Так что у кого знания остановились на шиншилле – бежим освежать знания, чтобы фронтир толкался предсказуемо и безопасно.

Как Cursor построили свой ChatGTM для отдела продаж George Hou, глава корп. продаж в Cursor был так любезен, что рассказал как устроен весь их AI-GTM workflow. Они держат его в собственной тулзе ChatGTM, которую использует 400 менеджеров по продажам. Это по сути набор агентов, в которых интегрированы: • знания о Cursor и как компания продает; • Salesforce, Gong, Slack, LinkedIn и другие системы; • статусы сделок; • какие новые детали появились сегодня утром по конкретным ICP. ChatGTM получает все сигналы в реальном времени через API. Как выглядит рабочий день SDR Утром продавец закуривает, выпивает редбулл, открывает Slack и получает дайджест по встречам, новости, список сигналов, новые регистрации с крупными корп. доменами. Последний пункт кстати важен: однажды на прошлой работе мы нашли в битриксе Goldman and Sachs (?!), а мои знакомые увидели что в их продукт втихую зарегался Perplexity. Таких клиентов легко потерять без автоматизации скоринга в крупных SaaS. Но вернемся к Cursor. Их агент готовит: • 25 персонализированных outbound-писем; • индивидуальные лендинги под каждого клиента с учетом его техстека и роли. Перед встречей ChatGTM сам изучает компанию и может, например, предупредить: «CEO недавно писал в Х, что ненавидит агрессивные продажи» Во время звонка можно задать вопрос AI, если клиент спросил про миграцию с легаси-инфраструктуры или сложную техническую тему. Отдельно пишутся письма для спящих клиентов. Еще ChatGTM самостоятельно анализирует сделки и готовит еженедельный отчет менеджеру. Тулза работает поверх Salesforce, Gong и остальных GTM-инструментов, а не вместо них, так что никто никого по сути не заменял. Все по API. ChatGTM строили всего три инженера, но сегодня продукт развивается уже силами самих продавцов. Они создали более 500 собственных Skills и 1000+ автоматизаций, просто описывая новые сценарии работы на обычном человеческом языке.

PostgreSQL для бэкендера: 10 фич, которыми мало пользуются, а зря В PostgreSQL уже хранятся пользователи, заказы и платежи, а потом стек начинает расти сам собой, когда рядом появляются Redis для очереди задач, отдельный Python-скрипт для дедупликации событий, Go-цикл, который считает интервалы между статусами заказа, свой поисковик вместо простого поиска по тексту и самодельная таблица locks для координации воркеров. Большая часть этой инфраструктуры дублирует то, что PostgreSQL умеет делать сам, причём атомарно, транзакционно и с индексами, без лишней сетевой болтовни между приложением и базой. Механизм, который снимает необходимость в отдельном брокере задач, живёт в PostgreSQL ещё с версии 9.5, просто про него редко вспоминают. Та же история с оконными функциями, полнотекстовым поиском и блокировками на уровне базы, где задачи, ради которых обычно поднимают отдельный сервис, часто закрываются прямо в таблице. Обсудим, сколько из этой цепочки сервисов держится просто на привычке.

📌 OpenAI собрала бенчмарк на научное суждение в биологии GeneBench-Pro - набор тестов, проверяющий, способны ли модели самостоятельно принимать исследовательские решения при работе с биологическими данными. Он оценивает умение проводить сложный анализ данных в генетике и смежных областях биологии и медицины. Моделям дают неструктурированные, как в реальной лаборатории, данные, краткое описание задачи и целевую величину, которую нужно оценить (но не говорят, как считать). Чтобы прийти к верному ответу, система должна сама пройти цепочку зависимых решений: очистить данные, выявить артефакты, выбрать подходящий статистический метод и пересмотреть план, если промежуточные результаты противоречат исходной гипотезе. Для всех 129 задач условия смоделированы так, чтобы проверять ответ однозначно, по принципу "всё или ничего". Набор охватывает 10 областей и 21 подобласть, а 82 задачи прошли проверку у экспертов-биологов. Сильнейшая из протестированных моделей, GPT-5.6 Sol, верно решает 28,7% задач на максимальном уровне рассуждений и 31,5% в режиме Pro. Лучший результат среди моделей других вендоров у Claude Opus 4.8 (16,0%).

OpenAI называет такой результат заметным для настолько трудного теста.

🟡Практическая ценность По опросу рецензентов, одна задача GeneBench-Pro заняла бы у специалиста порядка 20–40 часов, что при ставке около $200 в час выливается в несколько тысяч долларов. Расчёт той же задачи моделью стоит значительно меньше, но конкретных цифр OpenAI не дает. Для стандартных моделей в техотчёте приведён средний расход токенов как приблизительная оценка вычислительных затрат (около 33 200 токенов для Sol в максимальном режиме). 🟡Дисклеймер

Обозначение Pro в контексте бенчмарка - это режим работы модели, а не отдельная линейка продуктов или новые тарифы ChatGPT.

@ai_machinelearning_big_data #news #ai #ml

Как говорит один мой хороший товарищ, за последние дни много чего "наклодил" и все-таки тариф Max не зря выбрал для своих задач. 1. Меня подвел хостинг VPS и почти два дня не давал студентам нормально учиться на курсе, так как все песочницы, помощники и прочие ништяки были заблокированы. Поэтому было принято решение переехать на Railway, так как уже надоело поддерживать самостоятельно работу VPS. хотя меня это сильно прокачало. На арену вступил Claude и за полдня перенес все, а это скажу вам "хлопотное дельце". И какой же кайф после Gemini, где надо делать 10-20-30 итераций, потом руками все переносить, беситься от ошибок, теперь работать с ИИ-агентами, которые все делают за тебя в рамках нескольких больших сессии. По итогу все перенесено и студенты довольны. 2. Вчера собрал себе тулу для генерации каруселей в LinkedIn и Instagram. С разными темами, типами слайдов, возможностью ИИ-генерации, редактированием, версионированием и другими полезными фишками. Магия какая-то. 3. Сегодня продолжаю работу над созданием инструмента для отложенного постинга с одной страницы, так как я хочу, когда хочу и где хочу. Ибо текущие решения бесят в своей разрозненности и ценовой политике. В общем, игрушка, которая затягивает... А что вы с помощью Claude или других агентов автоматизировали из своей рутины?

Добавлю про Японию важное: она значительно дешевле, чем многие думают! Все цены кроме жилья низкие, потому что йена сейчас на исторических низах. Например кафе, рестораны дешевле, чем в Тбилиси, Анталии, Бангкоке, Уфе и др. А качество еды в Японии ну просто мировой топ. Многие регионы Японии вымирают, много доступной недвижимости, в т.ч. в аренду. На airbnb на месяц в Осаке нормальное жилье можно найти за 700+ евро. Пару лет назад Мила была в арт-резиденции в Японии, жила в классическом японском доме рядом с океаном два месяца - 3 спальни, кондиционеры, красивый японский сад, полтора часа до центра Токио на поезде (в Японии везде удобный транспорт). Я из любопытства посмотрел, сколько такой стоит в аренду на долгосрок - 350 евро в мес! Главная проблема Японии в том, что там сложно жить долго легально - либо учеба, либо через бизнес (посложнее). Но на месяц приехать - ну просто топ, что вообще сейчас в мире лучше? По numbeo Осака с арендой на месяц дешевле Белграда, Пхукета, Бали, Вильнюса, Бангкока и многих других городов. Если айтишник работает удаленно, периодически номадит в Азии, то не пожить пару раз по месяцу в городах Японии - ну просто преступление! 🙂 @kyrillic

Сегодня разбирал paper про память для AI агентов решил собрать инфу в пост Из чего состоит любая такая память (4 части) Первое — как хранить: просто текстом, деревом (от общего к деталям) или графом (факты связаны стрелками — кто с кем и когда связан). Второе — что записывать: вытаскивать из разговора отдельные факты или сохранять всё подряд. Третье — как искать нужное: по смыслу, по ключевым словам, по связям в графе или дать самому ИИ решить, что искать. Четвёртое — как поддерживать порядок: обновлять факты, удалять устаревшее, сжимать лишнее. Главные выводы: 1. Идеальной системы нет — каждая хороша под свою задачу. Для обычных диалогов лучше «гибридные» (MemOS , MemoryOS ), для поиска конкретных фактов — графовые (Zep , Cognee ). Но графовые плохо отвечают на вопросы вида «что было раньше, а что позже». 2. Чем старее нужный факт, тем хуже его находят. Если что-то было сказано много сообщений назад, система часто это упускает. 3. Обновления фактов лучше всего держат графовые системы. Простые системы, которые только «дописывают» новое, плохо умеют заменять старый факт на новый — и потом выдают устаревшую информацию (авторы называют это «галлюцинациями прошлого»). 4. На длинных историях простые системы часто ломаются. Причём для вопросов, где важен порядок во времени, иногда выгоднее вообще не мудрить с памятью, а скормить модели весь текст целиком — потому что «умное сжатие» стирает подсказки о том, что за чем шло. 5. Дороже — не значит лучше. Навороченные системы тратят в разы (иногда в сотни раз) больше времени, но точность не всегда выше. Часто выгоднее что-то лёгкое (LightMem , MemTree). Ещё пара наблюдений: лучше сохранять исходный текст разговора, чем агрессивно его сжимать; и не стоит слишком сильно фильтровать факты при записи — потом их может не хватить для рассуждений. Итог: готовой «идеальной» памяти для агентов пока нет, и систему нужно подбирать под конкретную задачу. Плюс можно еще посмотреть в сторону провайдеров памяти для Hermes, сам хочу покопать в сторону OpenViking(понравился core-concept ) и Hindsight - is the most accurate agent memory system (но аккуратный не всегда значит, что полезный для работы)

Международная команда физиков при участии НИУ ВШЭ в Санкт-Петербурге разработала микролазеры диаметром всего 2 микрометра, работающие в диапазоне глубокого ультрафиолета с длиной волны 255 нанометров. Такие устройства способны заменить громоздкие и токсичные ртутные лампы или газовые лазеры. Новинка функционирует при комнатной температуре и потребляет в разы меньше энергии, что упрощает ее интеграцию в компактные биосенсоры, газоанализаторы и фотонные чипы. Основой для лазера послужила подложка из доступного в производстве сапфира. На ней вырастили тонкие полупроводниковые слои, из которых вытравили микродиски. Свет внутри такой конструкции удерживается без зеркал за счет эффекта шепчущей галереи, многократно отражаясь от краев диска и усиливаясь в квантовых ямах. Пороговая плотность мощности для самого маленького образца составила 280 кВт/см², что соответствует лучшим мировым результатам. Пока прибор запускается оптическим методом от внешнего источника, но следующим этапом инженеры называют переход на стандартную электрическую накачку.