Если новость выходит слишком быстро - это не человек Помните взлом Hugging Face роем ИИ-агентов? У этой истории есть ещё один интересный побочный момент. В августе на ИИ-конфе в Вегасе OpenAI призналась, что сбежавшие агенты ещё и завели себе доску сообщений, где обсуждали атаку. Но нас сейчас интересует даже не сама новость, а что случилось после. Журналисты в зале, понятное дело, тут же начали строчить, и издание Wired и ещё несколько годных tech-медиа запостили новость одними из первых... Но всё равно проиграли на целых 3 часа ноунейм-сайту RuntimeWire, у которого представителей на конфе не было вообще. Более того, у него нет ни одного реального корреспондента. RuntimeWire делает один человек - Райан Меркет, бывший CTO Microsoft for Startups, а до этого рекламщик в Reddit. Всю "журналистику" там делают ИИ-агенты, и обходится это примерно в $100 в день. Конкретно в том кейсе Меркет увидел в X пост сотрудника OpenAI про доклад, скормил агентам расшифровку трансляции прямо по ходу выступления, и через шесть минут заметка уже висела на сайте. Правда, с опечаткой в подзаголовке и с небольшим искажением сути, но кому не пофиг, зато раньше всех! И он такой не один. Аналитик BlackRock Дакота Карраско в свободное от работы время держит The Dissent - городское агент-медиа про Сан-Франциско. Там есть репортёрша мэрии Бекс Коннолли ("скептичная, но не ехидная"), спортивный обозреватель Сэл Морено, и много других персонажей, которых на самом деле не существует. Оба сервиса устроены примерно так: 1. Агенты круглосуточно шерстят блоги и ченджлоги компаний (это странички "что нового в продукте"), судебные базы, отчётности, форумы и соцсети. 2. ИИ-куратор оценивает каждый сюжет по определённому стандарту (читай: промпту): новое ли это, первичный ли источник, писал уже другие или нет, и т.д. Wired пишет, что из 72 тыс. просканированных сюжетов в публикацию ушло около 2%. 3. Дальше агент делает ресёрч по первоисточникам, пишет черновик и фактчекает. 4. Другой агент ставит статье юридический риск. Низкий - публикуется вообще без человека, средний - человек должен посмотреть, высокий - в помойку. 5. Дальше готовый текст размножается в переводы, видосы/подкасты с синтетическим ведущим, шортсы, пуши, SMS-уведомления и т.д. Однажды Меркет неделю рулил всем этим ИИ-зоопарком из мессенджера на телефоне и выпустил 80+ статей. В общем, если какой-то ресурс публикует новости раньше всех - будьте уверены, там не люди пишут. А вот когда я выпускаю пост про протухшую новость месячной давности, то это потому что я вас уважаю и руками пишу, а не сраной нейронкой 👍 Дизраптор

Needle 3 Модель автоматизации для крошечных устройств. Не для чата, а для вызова функций, извлечения структурированных данных и управления устройствами. Один файл весит 8-29 МБ, работает локально • вызов функций - выбирает нужный инструмент и заполняет аргументы из речи • структурированное извлечение - инвойсы, брони, формы в типизированные поля • текстовые эмбеддинги - поиск, матчинг и маршрутизация на устройстве • калиброванный скор уверенности в каждом ответе • до 4000 токенов/сек декодинга на Raspberry Pi 5 После дообучения под свой набор инструментов версии от 4 слоев обходят DeepSeek V4 Flash на DroidCall Гитхаб HF Спасибо @Endorpheen @p0lygon #automation #mobile #driving MAX

AI не просто ускоряет разработку. Он меняет саму работу продакта Сегодня посмотрел доклад Андрея Попова про AI-продуктивность в Яндексе. Зашел он тем, что был не разговор в сотый раз о том, как «нейросети помогают писать код», а то, как вместе с AI меняется сама организация работы. «Нам нужно двигаться из DX в AgentX. То есть в первую очередь смотреть, как мы автоматизируем, как мы упрощаем жизнь для агентов, а потом уже жизнь для людей». Это важный сдвиг и для продактов. Сегодня мы проектируем продукт под человека: интерфейсы, кнопки, сценарии, навигацию. Но если часть работы начинает выполнять агент, ему нужны уже не красивые экраны, а доступ к данным, API, понятные действия, права, контекст и возможность самостоятельно пройти сценарий. Поэтому к UX постепенно добавляется AX — Agent Experience. Например, вместо «открой аналитику → найди сегмент → сравни показатели» можно будет поставить агенту задачу: «найди причину падения конверсии и подготовь гипотезы». Продукту придётся быть готовым именно к такому взаимодействию. В компании, по словам спикера, уже около 60% инженеров фактически перестали писать код руками, а активные пользователи AI получают кратный прирост продуктивности — в отдельных измерениях 3–5 раз и больше. При этом к концу 2026 года Яндекс планирует, что не менее 75% разработчиков будут регулярно использовать AI, он будет участвовать как минимум в 75% изменений, а в каждом из них генерировать не менее 75% кода. Но самое интересное здесь не в экономии времени. Если код становится условным «новым ассемблером», то ценность человека смещается выше: декомпозировать задачу, разобраться в новом контексте, поставить правильные ограничения, проверить результат и понять, решает ли он продуктовую задачу. То есть именно туда, где продакт работает каждый день. Есть ещё более показательная цифра: 30–40% кодовых задач — это рутина, а около 70% такой рутины, по оценке компании, потенциально можно полностью автоматизировать. Это означает, что AI постепенно убирает не только отдельные операции, но и целые куски workflow. И здесь продактам стоит перестать спрашивать «какую нашу задачу можно отдать AI?» и начать спрашивать «какой процесс меньше всего требует включения человека». Это уже другой уровень автоматизации. А дальше возникает интересный переход: человек задаёт требования → агент решает задачу целиком → система проверяет результат → следующий агент улучшает процесс. В такой модели продакт становится не просто заказчиком фичей, а проектировщиком системы, которая сама умеет исследовать, анализировать, создавать и проверять решения. Поэтому один из главных навыков продакта в ближайшие годы — не prompt engineering, а умение хорошо формализовать проблему и критерий успеха, после чего делегировать исполнение агентам. И здесь, пожалуй, главный вывод из доклада: AI будет сильнее всего усиливать не тех, кто быстрее всех научится пользоваться конкретным инструментом, а тех, у кого хорошо устроена сама работа. Если процесс хаотичный, данные недоступны, метрики не определены, задачи плохо декомпозированы — AI просто масштабирует хаос. Поэтому для продакта сейчас важнее не добавить ещё один AI-инструмент в свой стек, а пересобрать собственный workflow: что я делаю сам, что делегирую агенту, что должен проверять лично и какие решения вообще не должны проходить через меня.

Microsoft подтвердила, что Word после обновления до версии 2608 (сборка 20326.x) аварийно закрывается, когда стороннее приложение пытается собрать документ по шаблону. Сбой ловят инструменты для управления документами и рабочими процессами, которые как раз и работают за счёт генерации файлов из готовых заготовок. Временного решения компания не предложила, статус проблемы держится на отметке «Изучается». Достанется в основном корпоративным пользователям. У них Word встроен в автоматизацию рутины и гонится через шаблоны пачками, поэтому вылет в момент генерации обрушивает всю цепочку. Тот, кто печатает вручную, скорее всего ничего не заметит.

Задумывались, почему одни компании ПОЛЕЗНО внедрили ИИ-агентов, а другие накупили сотрудникам подписок, запустили кучу пилотов и... всё? В чём разница? ИМХО, это ключевой вопрос, чтобы ИИ-трансформация вообще запустилась (без ответа на него всё остальное будет вхолостую стрелять). И у меня есть подсказка: причина ровно та же, по которой ИИ так хорошо делает код. Именно код, а не презентации, отчёты или посты на Дизраптор (их он вообще не пишет - говорит "не могу осилить, не мой уровень"). Меткая мысль на эту тему попалась в колонке Дмитрия Ушанова, директора ИИ-центра Т-банка. Если кратко, то агенты быстрее заходят туда, где результат можно ТОЧНО проверить относительно малой кровью, а цена ошибки при этом, ну, приемлемая. Эта мысль кажется базой-основой, но если её развернуть, то есть важный нюанс, смотрите: Обычно успех эйай в разработке объясняют так: "Код = сплошь текст, а LLM в тексте хороши". Но договор - это тоже текст. Как и коммерческое предложение. И много что ещё. Однако, агентов-юристов в проде почти не видно. Но зато агентов-разрабов пруд-пруди. Прикол в том, что у кода есть бесплатный "проверяющий": компиляторы, тесты, флаги "запустилось / упало" и т.д. Агент написал фигню → среда сразу дала ему по щам → агент переписал. Нужно всего три итерации, а человек в этой цепочке в общем-то не прям нужен (на практике пока скорее нужен, но всё идёт к тому, что ключевое слово "пока"). А вот с ошибкой в договоре так не получится - она всплывёт через полгода в суде, ошибка в закупке - при отгрузке через квартал. И проблемы будут совсем другого уровня. Получается, главное узкое горлышко в реальном внедрении - не интеллект модели (с ним всё уже более-менее гуд, при чём у всех LLM), а цена верификации. Проще говоря, насколько дёшево и сердито можно проверить, что агент не накосячил. И тут бизнес делает логичный манёвр: "раз проверять некому - поставим человека". Это называется human-in-the-loop (HILT), "человек в контуре". Агент делает - кожаный перепроверяет и жмёт "ок". Но прикол в том, что это только кажется разумным компромиссом, а по факту самый дорогой режим из возможных: вы платите и за токены, и за человека, а человек ещё и тупеет, потому что 95% времени просто кликает "ок" (примерно как чувак, который сидит за рулём беспилотного такси на тестовых прогонах). Ушанов так и пишет: если модель плюс контроль стоят дороже процесса без ИИ, то оно вообще зачем? Это напоминает "зловещую долину" у роботов: полностью ручной процесс - окей, полностью автономный - тоже окей, а посередине какая-то стрёмная фигня. Отсюда и ответ на вопрос из заголовка: Компании, которые добротно внедрили агентов, сначала перепилили процесс так, чтобы у него появился свой "компилятор": формальные критерии, проверяемый результат, и нативный (то бишь, по дефолту предполагаемый) контроль на стыках между шагами. Разработчики получили это бесплатно от природы, а всем остальным придётся "поработать напильником". Так что, если ваш агент второй год живёт в статусе пилота - скорее всего, вашему процессу просто нечем проверить, что агент всё делает правильно, не врёт и не краснеет косячит. Дизраптор

Негативные последствия автоматизма Автоматическое выполнение работ — это прекрасно. Работа выполняется быстро и точно, с минимальными усилиями. Чем больше отрабатывается навык — тем быстрее и точнее выполняется работа. Кривая обучения как раз показывает насколько ускоряется производство при выработке навыков. Скорость и эффективность автоматических программ у людей получается за счет того, что сознание задействовано минимально. Не требуется думать как и что сделать, можно просто выполнять нужные действия. Кстати, одно из интересных определений сознания звучит следующим образом: сознание — это то, что включается, когда ты приходишь домой, а ключ не поворачивается. С этим связаны и недостатки автоматических программ, которые могут приводить к нежелательным ошибкам: 1. как понять, что программа выполнена 2. как прервать программу, которую выполнять не надо

Что я имел в виду В прошлом посте я написал, что заказной разработке наступает конец. Хочу уточнить, что имел в виду — речь не о том, что разработка вообще не нужна и все клиенты теперь будут вайб-кодить сами. Я про другое: очень большой пласт вещей, которые раньше делали разработчики даже по мелочи, теперь человек может реализовать сам для себя. У нас внутри компании все внутренние продукты уже пилятся самими пользователями. До разработчика доходит только финальная проверка. И если этот пласт мелких автоматизаций выпадает из ротации, рынок становится менее ёмким. Остаются крупные разработки, где работают крупные игроки (вроде нашей компании). В больших проектах сама разработка занимает процентов 30–40 времени. Остальное — дознавание, выяснение, как что должно работать и как чего должно запускаться. Тут ИИ заказную разработку не убивает. А вот мелкие продукты, которые раньше делали фрилансеры и небольшие местечковые команды, — вот этот сегмент сильно пошатнулся. Спрос на такие команды и индивидуальных разработчиков заметно сократится и, в том числе, из-за роликов вроде моего гайда по вайбкодингу.

Принимаю участие в нескольких проектах и уже не понимаю, как можно жить без ИИ-помощника. Темпы и объемы, которые помогает поддерживать нейроколлега, недостижимы при работе в одиночку. Вот, например, на днях шлифовал безопасность PersMarket. Да, многие вещи были заложены с самого начала, но при явном аудите системы Claude Code выдал длинную портянку того, что надо чинить. Вроде бы мелочи, но в определнных условиях могут привести к проблемам. Я бы эти мелочи собирал неделями, кучу упустил бы, да и то пришлось бы в коде сидеть 24/7. А тут - за 10 минут готов отчет, по которому сразу запустил работы, не отходя от кассы. Или вот попался опенсорсный сервис для проверки сайтов, собирает тучу инфы и выдает отчет. Говорю Клоду: вот тебе адрес сервиса, посмотри, чего это оно там красным помечает, и дай рекомендации. Он сходил через сайт сразу в API, получил все данные, сформировал отчет и опубликовал в качестве веб-страницы, к которой я всегда могу вернуться (она на скриншоте выше). Там блоки "что сделано", "что осталось", "что не нужно". Ну лепота же? В общем, если раньше мы сами возили тележку с углём, то сейчас мы становимся водителями самосвала. И назад дороги нет. Если, конечно, не апокалипсис какой. #ai #life

Uptool – портфельная компания в Mento VC Продолжаю нашу рубрику про портфельные компании. Мы инвестировали в Uptool – AI-платформу для автоматического расчета стоимости заказов (quoting) для machine shops* в США. *machine shops = производственные мастерские, цеха, которые изготавливают детали на заказ Как это работает: мастерская получает запрос на производство детали, загружает чертежи и CAD-файлы – и Uptool за пару минут анализирует спецификации, необходимые материалы, время производства, подтягивает цены поставщиков и выдает готовую стоимость. Раньше этот процесс делали сами владельцы, вручную в Excel. Можно думать об этом как Harvey для юристов или Sierra для customer support – только для производства. Что понравилось: • Фаундер Benny Buller уже строил единорога: его компания Velo3D вышла на IPO и на пике стоила $1.6B. Он очень хорошо знает рынок производства изнутри. • Компанию поддержали сразу четыре топовых фонда — Khosla Ventures, Eclipse, Kleiner Perkins, Bessemer Venture Partners! • Прямых конкурентов с AI-подходом к quoting практически нет – старые ERP и вертикальные SaaS не решают эту задачу • Рост – у компании уже есть хорошие клиенты и они набирают обороты Нам очень повезло инвестировать в эту компанию! Cработал наш системный аутрич и модель поиска стартапов. Очень рад! Лучшие посты | Mento VC Fund II | Стать инвестором

Нерешаемых задач не бывает 🤔 Меня недавно спросили: а может ли ChatGPT взять и заказать мне продукты на неделю? В целом — да. Причем самый простой и тупой вариант: дать агенту браузер c открытым сервисом доставки и он уже сам накликает заказ. 🤷‍♂️ И вот здесь, мне кажется, появляется новый слой. Вопрос «можно ли решить эту задачу нейросетью?» уже устарел. 😅 Новый вопрос теперь в другом: насколько дорого мы собираемся это решать? 1️⃣ Можно сжечь миллиарды токенов, запустить кучу агентов и заставить их ходить по сайту, нажимать кнопки и собирать корзину. В итоге вы сэкономили себе десять минут, заказ едет, все счастливы. 2️⃣ А можно построить нормальный пайплайн: агент пишет скрипт, который через API собирает нужные данные, запускает его и проверяет результат. В итоге вся задача выполнится за секунды и потратится минимальное количество токенов. Для пользователя итог примерно один и тот же. А вот стоимость решения — вообще нет. И мне кажется, что именно сюда сейчас смещается главный вопрос вокруг нейросетей. Не «может ли оно это сделать?», а «как сделать так, чтобы оно делало это эффективно?» Как использовать генератор рандомных букв так, чтобы задача не просто иногда магически решалась, а стабильно выполнялась каждый раз — быстро, дешево и предсказуемо. Мы переизобретаем программирование? 😅 Свята место | 10МДК | YHub