Автор в финальном, восьмом посте серии формулирует тезис: с помощью AI-инструментов (vibe-coding) клиент может сам за пару дней собрать себе программу для подготовки деклараций. Но собрать себе саму декларацию, за содержание которой кто-то несёт ответственность, он не может — и именно за эту ответственность люди готовы платить.
Мысль подаётся как итог серии рассуждений о ценности профессиональных услуг в эпоху доступного AI-кодинга: инструмент можно сделать быстро и дёшево, а ответственность за результат — нет, и это остаётся тем, что отличает платную услугу от самоделки.
Автор (пост 4/8 из серии) утверждает, что классическая модель SaaSi распадается сразу с трёх направлений. Сложное специализированное ПО останется востребованным и платным, но огромный сегмент простых продуктов формата «база данных + красивый интерфейс» вымирает под давлением трёх сил.
Эти силы — DIYi-решения, которые компании собирают сами внутри себя, сами LLMi-модели (когда ChatGPT выкатывает нужную фичу, целый слой стартапов и бизнесов становится не нужен), и красный океан конкурентов 20-30 лет, которые запускают аналогичные продукты буквально за два дня.
Автор в третьей части серии из восьми постов утверждает: архитектурно сложное, качественное программное обеспечение всё ещё невозможно собрать методом «вайб-кодингiа» — без понимания фундаментальных инженерных основ. Люди систематически недооценивают эту сложность, что называется «неинформированным оптимизмом».
Это напрямую влияет на бизнес-решения о покупке готового софта: заказчики решают «сделаем сами», не осознавая реального объёма работы, стоящего за качественным сложным продуктом.
Авторы двух Telegram-каналов (Dumik и AI Happens) в первой части треда из 8 постов заявляют: раньше конкурентным преимуществом компании была команда из 20 инженеров, работавших три года над продуктом. Сейчас достаточно подписки за $100, чтобы за два дня получить готовое приложение, которое можно продавать.
Тезис в том, что «софт в голове у людей» — то есть умение реализовать идею в виде кода — перестаёт быть барьером входа на рынок, поскольку стоимость строчки кода стремится к нулю.
На конференции AI RnD Day Алёна Феногенова представила пять новых линеек тестов для оценки современных LLM на русском языке. Главный тезис: один общий балл в метрике плохо описывает модель для реального применения — качество зависит от связки «модель × обвязка × промпт × окружение», поэтому нужны раздельные замеры разных навыков.
Пять линеек охватывают разные аспекты: LIBRAi — работа с длинным контекстом, MERAi Reason — математические рассуждения, MERA Text 2.0 — языковые, культурные и прикладные навыки, RUMBA — память между сессиями, harness-bench-fasti — работа в агентной обвязке (выбор инструмента vs успешное выполнение действия в среде).
ВыводLIBRA Mini: из 18 задач полной LIBRA выбрано 6 сложных, диапазон контекста от 4K до 512K токенов, запуск через lm-evaluation-harness; задачи требуют связывать факты из разных частей текста, отвечать по нескольким статьям Wikipedia, определять человека по теме диалога, считать уникальные абзацы среди повторов