Новые книги для новых прикладных идей продакту Читая новинки книг от «Альпина Паблишер», фиксирую следующие инсайты для себя: 1. «Новая версия» – Андрей Дороничев. Хорошая продуктовая рамка для собственной карьеры: относиться к себе как к продукту, формировать желаемую версию себя и проверять изменения небольшими экспериментами. Лайфхак: если думаете о смене роли или направления, не принимайте решение сразу. Сначала возьмите реальную задачу из новой области и протестируйте себя на ней. 2. «Рождение разума» – Гаурав Сури, Джей Макклелланд. Полезно для понимания AI не как магии, а как системы, где сложное поведение возникает из взаимодействия множества простых элементов. Для продакта это хороший повод смотреть не на отдельную AI-фичу, а на то, какую интеллектуальную работу пользователя меняет вся система. Лайфхак: при проектировании AI-сценария раскладывайте работу пользователя на «воспринять - понять - принять решение - действовать» и ищите, какой этап система реально сокращает. 3. «Неидеальный человек» – Лоуренс Херст. Эволюция хорошо объясняет, почему человек далеко не идеальный пользователь: мы ограничены, ошибаемся, действуем нерационально и живем с кучей компромиссов. Для продукта вывод простой: не заставляйте пользователя компенсировать недостатки системы. Лайфхак: любой важный сценарий прогоняйте через три вопроса: «что будет, если пользователь забыл?», «если ошибся?», «если передумал?». 4. «Бережливые инновации» – Нави Раджу, Джайдип Прабху. Инновация не обязательно требует больше денег, людей и технологий. Часто конкурентное преимущество как раз в способности создать больше ценности при меньшем количестве ресурсов. Лайфхак: перед тем как отдавать фичу в разработку, спросите: «каким самым дешевым способом мы можем доказать, что пользователю это действительно нужно?» Читайте книги, всем роста!

Mento VC под управлением Александра Журавлева инвестировал американский стартап brand.ai. Об этом управляющий партнер фонда написал в сообщении в своем Telegram-канале. Детали сделки не разглашаются. brand․ai был создан в 2022 году. Основатели проекта ранее занимали топовые позиции в таких брендах как Burton, The North Face, LVMH, Fender, Herman Miller и др. brand․ai разработал платформу на базе искусственного интеллекта, помогающую крупным брендам создавать контент в соответствии с их брендбуком, стилем и проверять его перед публикацией. Компания загружает свои стратегии, tone of voice, исследования и другие материалы, а сервис превращает их в набор правил, доступный и людям, и ИИ-агентам. Платформа также отслеживает состояние рынка и новости, касающиеся своих клиентов. Среди клиентов brand․ai - Google, HP, Amazon, Oura, McLaren, DocuSign. Mento VC был запущен в 2023 году. Управляющим партнером является бывший портфельный директор AltaIR Capital Александр Журавлев. Фонд инвестирует в глобальные стартапы из США, Израиля, Великобритании и Европы. Фокус сделан на такие сферы как: Productivity Tools, Future of work, B2B SaaS Enterprise, Fintech и HRTech. Фонд предпочитает работать с командами, разрабатывающими программные решения и сервисы, ориентированные на корпоративный сектор и массовый рынок. В 2025 году стало известно, что в Mento VC вложился Игорь Рябенький. Он стал партнером [non-managing] в управляющей компании и одним из якорных инвесторов фонда. @rusven

Люблю мотивирующие доклады на конференциях. Этот, от Димы Тимко из Алисы AI, как раз из таких. Очень наглядное сравнение работы продакта в 2011 и в 2024. Подписываюсь под каждым словом! В большой компании ШВЖ начинает мешать, а не помогать продакту быть полезным. Что такое ШВЖ вы узнаете из доклада 😁 И во второй части живые примеры работы в команде Алисы из 2026. Как использование AI помогает сделать из рутины интересные задачи, убрать ожидания в очереди на дизайн, аналитику и иногда разработку, вернуть контроль над процессом. Вдохновляйтесь, просите у руководства подписку на доступный в вашем регионе GPT сервис (если её ещё нет) и возвращайте себе удовольствие от работы над продуктами! https://youtu.be/q93xe7mVtqM #videoholidays #aifuture

Я думаю, что нас ждет локальная llm как часть операционной системы. Мы в Steelman тренируем модели на computer use тректориях, поэтому активно догфудим дату. У нас есть навайбкоженный мной рекордер для записи экрана и системных ивентов с тонной кастомной логики. Установщик у него такой: "дай своему клоду/кодексу эту ссылку и скажи поставить, вот конфиг и ключи." Для обновления: "скажи своему этому пусть обновит." Я уже не помню когда последний раз разбирался в деталях как что-то поставить или настроить. А помните старые времена, до докера, когда частью навыков программиста было понять, как на одной машине установить две версии постгресса? Хорошо, что этот кошмар позади. Другой пример. Я поставил себе на Rog Ally X Готику 2 (точнее фанатский мод Archolos), но она жутко лагала. Запряг клода, он там нашел какой-то патч, чтобы перевести игру на современный DirectX. Все стало летать и графика стала лучше. Думаю смержить мегапак модов на New Vegas и заставить их запуститься оно тоже может. В общем, я думаю это новая норма. Причём мне кажется такой помощник/инсталлятор не обязан быть Фейбл 5.1. Я думаю и небольшая модель справится. И я думаю это может поменять как делается и дистрибьютится софт. Раньше вся работа ложилась на разработчика. Он должен сделать билд под все платформы которые хочет поддерживать и постоянно всё тестировать. Предполагается, что клиент не может и пальцем пошевелить. Однако в мире где к каждому компьютеру прилагается LLM разработчик может делать лишь некоторое ядро функционала, а затем каждый клиент допилит под себя всё необходимое, чтобы это запустилось на конкретно его утюге. Возможно это будет частью процесса инсталляции. В детстве мы смотрели за ползунком прогресса установщика где в основном была распаковка. А в будущем будем смотреть за ползунком, а под капотом там пережатый в 300 шакалов GLM Flash пишет драйвера.

​​Running a Software Factory Efficiently at Uber Scale В начале года была новость, что в Uber за первые 4 месяца 2026 года умудрились потратить весь плановый бюджет токенов за год. Они пытаются экономить и вот недавно выложили блогпост о том, как они держат под контролем расходы на агентов. Почему это актуально: больше 70% PR у них сейчас создают локальные или облачные агенты, инженеры написали 3.6k+ agent skills, и в день выполняется больше 30 тысяч запусков этих скиллов. С февраля по август 2026 недельные активные пользователи выросли в 7 раз, а количество агентных запросов - в 9.4 раза. Резать доступ они не хотели, поэтому стали резать стоимость. Всё считается через одну формулу: total spend = users × sessions/user × turns/session × requests/turn × tokens/request × price/token. Первые два множителя они хотят растить, а оптимизируют средние три - то есть ту работу, которую агент делает сам по себе. Что именно сделали: - Выбор модели по бенчмаркам из реальной работы. Для uReview (их агент код-ревью) бенчмарк собран из настоящих PR с известными багами, размеченных по сложности; считают precision/recall/F1 плюс cost per review, latency и шум. Смена модели подняла F1 и заметно уронила стоимость ревью. - Дефолтная модель для субагентов - послабее и дешевле. Это оказалось самым эффективным изменением: основная модель декомпозирует задачу и проверяет результат, субагенты просто выполняют. - Auto-compact на 400K токенов (даже для моделей с контекстом в 1M) и reasoning effort по умолчанию Medium. - Prompt caching с часовым TTL вместо пятиминутного. - MCP через CLI и tool search вместо предзагрузки схем. При сотне с лишним инструментов схемы съедали 50-70K токенов в каждом запросе. - Code-mode: несколько вызовов инструментов складываются в один Python-скрипт вместо отдельного хода модели на каждый. На простых SQL-запросах экономия 55-71%, на bulk-сценариях больше 90% (status poll просто не попадает в контекст). - Отдельная боль - SaaS MCP от вендоров: один workspace-сервер приносит 49 инструментов и ~22K токенов схемы. Их завернули в тот же гейтвей и тоже спроецировали в CLI. - AI Context Graph: 24 млн узлов и 80 млн рёбер из 30+ внутренних систем, с запросами на естественном языке. Пример из статьи: агент с графом нашёл нужную таблицу за 38 секунд, а тот же агент без графа 20 минут лазил по коду сервисов, поднял двух сабагентов, словил три ошибки и в итоге решил, что данные недоступны. - Видимость вместо жёстких лимитов: счётчик текущей стоимости прямо в статуслайне, алерты в Slack на 50/80/100% бюджета, и дашборд разбора сессий, который ищет 16 антипаттернов - Opus там, где хватило бы Sonnet; 40KB MCP-ответы, висящие в контексте и оплачиваемые на каждом ходу; протухший кэш после перерыва; 100K токенов инструкций и схем ещё до первого слова пользователя. Результат при фиксированной модели (февраль-июль): стоимость 1000 запросов упала почти на 34% от пика, стоимость сессии - на 52% от июньского пика, и это при семикратном росте использования. Главный вывод они формулируют так: гоняться за дешёвыми токенами менее выгодно, чем переносить работу из интерактивных сессий в managed-агентов, где полностью контролируешь роутинг моделей, харнесс и бюджет, и где у каждого агента есть свой бенчмарк. Uber blog #ai

K2-Horizon-MoVA-36B-A4B Открытая MoE-модель с новой архитектурой внимания — Mixture-of-Values (#MoVA). 36B параметров, но на токен активируется только 4B — быстрая как маленькая, умная как большая. Контекст 512K, Apache 2.0 - MoVA — собственный архитектурный прием: вместо одного значения на внимание — смесь значений, что дает больше выразительности при тех же затратах - 4B активных против 36B общих — можно запустить на том, на чем dense-модель такого же качества не влезет - Агентные задачи, кодинг и рассуждения — сильные стороны: Terminal-Bench, GPQA Diamond, SciCode - 512K контекста — длинные цепочки вызовов и документы не режутся старшая версия на 375B / 23B Кванты Спасибо @Endorpheen #agent #coding #reasoning

DeepSeek готовит гигантский кластер на 160 000 чипов Huawei По данным Bloomberg, DeepSeek планирует развернуть во Внутренней Монголии не менее 160 000 ускорителей Huawei Ascend 950DT - это может стать одним из крупнейших известных AI-кластеров на китайском железе. Чипы будут использоваться для запуска моделей DeepSeek. Для обучения компания пока продолжает опираться на Nvidia. По заявленным характеристикам Ascend 950DT выглядит серьёзно: - 144 ГБ HBM - 4 ТБ/с пропускной способности памяти Для сравнения, Nvidia H200 предлагает: - 141 ГБ HBM - 4,8 ТБ/с По памяти Huawei уже очень близка к H200, хотя это не означает сопоставимой реальной производительности. Bloomberg относит 950DT примерно к уровню более старого поколения Nvidia Hopper. https://www.bloomberg.com/news/articles/2026-09-04/deepseek-plans-big-huawei-ai-chip-order-to-power-new-data-center @ai_machinelearning_big_data #DeepSeek #ai #ml

Astra по индексу Epoch.ai (ECI - 50 наборов топовых тестов и статистически сводит их в одну шкалу) уже обгоняет прогнозы проекта AI-2027 Напомню, что согласно модели - в ноябре 2027 появляется AI-кодер который почти без человеческой помощи может автоматизировать работу над ИИ-рисерчем для достижения ASI - в конце 2028 появляется ASI - то есть ИИ, у которого разрыв в способностях с лучшими людьми в 2 раза больше, чем разрыв между лучшими людьми и медианным профессионалом практически во всех когнитивных задачах. Прошлый перформанс не гарантия будущего, но пока что за последние 3 года реальный прогресс оказывался куда быстрее, чем большинство оптимистичных прогнозов.