Кого вы на самом деле дрессируете своими KPI Неважно где и независимо с кем ты будешь работать — рано или поздно в воздухе обязательно возникнет задача: надо поставить команде или командам царь-KPI, по которым их будут потом гонять. Часто ещё, чтобы солиднее звучало, можно назвать это Northstar-метрикой (даже если по продуктовому смыслу она ею и не является). И тут часто есть неочевидная ловушка: любая такая метрика — всегда одна из. Одна из десятка, которые вместе и описывают, как команда работает, но стоит повесить её на стену и сказать команде «вот по этому мы вас и меряем» — как всё остальное тут же уходит на задний план, что логично, ведь мотивация завязана именно на неё. Но цимес в том, что бизнесу эта метрика не всегда приносит пользу. Когда метрика перестаёт быть индикатором или термометром и становится самоцелью, её, понятное дело, начинают стимулировать любой ценой. И вредительства со стороны команды тут никакого нет, если что, — просто так была поставлена задача. И вот так вы быстро оказываетесь в ситуации, когда метрики вроде все зелёные, а финрезультат чего-то не бьёт ключом, а чаще ещё и убыток ловите. И тут сразу всплывает другой вопрос: кто виноват? Ответ — подход к целям. С лёгкостью фокусника, даже вспоминать долго не пришлось, достаю из ментального "загашника":

«Нам нужен дешёвый трафик» → лови дешёвый трафик, но либо нецелевых клиентов, либо с хреновым чеком.

«Нужна ниже стоимость привлечения» → дропаешь цену на товар и убиваешь маржинальность, зато конверсия растёт и стоимость падает. Либо ведёшь на самые дешёвые товары и показываешь номинально хороший результат. Разбираться всё равно не тебе, ты продал.

«Дайте больше лидов» (клэссик стори)→ маркетинг режет форму до одного телефона и нагоняет вагон заявок, план перевыполнен, а продажи потом неделю разгребают этот шлак, из которого в сделку не конвертится почти ничего, — и звучит справедливое «Лиды у вас дерьмовые».

«Нужен NPS повыше» → менеджеры начинают выпрашивать десятки («поставьте 10, пожалуйста, мне за это премия капает»), цифра ползёт вверх, а что у клиента в голове на самом деле — уже хрен поймёшь.

Причём заметьте: люди в этих историях не злодеи и не дураки — они просто делают то, чего от них ждут. Любой KPI — это ведь рельсы: что поощряешь, то и получаешь. А поощряешь ты, если присмотреться, просто цифру, а не тот смысл, который за ней должен стоять. И всё это называется законом Гудхарта, который и придумал-то не он. Сам Гудхарт в 1975-м писал довольно нудную работу про денежную политику британского центробанка, а хлёсткую формулировку — «когда мера становится целью, она перестаёт быть хорошей мерой» — спустя двадцать лет выдала антрополог Мэрилин Стратерн. Но народная любовь досталась Гудхарту, так и живём. Хотя баек на эту тему хватает. Одна из классических: британцы задолбались от кобр в Индии и назначили награду за каждую убитую — а местные быстро смекнули, что кобр выгоднее разводить, чем ловить. Когда программу прикрыли, разведённых змей просто выпустили, и кобр стало больше, чем до всей затеи. Метрика «сдано мёртвых кобр» — выполнена на ура. Из современного и уже нашего с вами: соцсети годами оптимизировали время в приложении — и получили ровно его: залипание, кликбейт и дофаминовую иглу, на которой мы теперь всей планетой сидим. А стартапы носятся с vanity-метриками — скачивания, регистрации, подписчики. В презентации для инвестора это, может, и смотрится бодро, но на вопрос «а заработает ли эта штука хоть рубль» не отвечает никак. При этом сами метрики я люблю и топить против них не собираюсь — без цифр ты в бизнесе просто слепой. Но привычку с годами выработал такую: как только вижу, что какая-то метрика стала «главной» и её начали качать любой ценой — иду смотреть, что творится с соседними. Потому что за благой целью почти всегда тянется неприятная побочка. Да и пост этот я пишу под впечатлением: квартал закрыли отличный, но пару целевых метрик подобрали второпях — вот и отстрелило там, где не ждали. Какую цифру вы натягивали, чтобы она выглядела здоровой? Константин Сухачев

Measuring the Impact of Personalized Recommendations Netflix предлагает раскладывать эффект рекомендаций на три части: • Exposure - тайтл посмотрели, потому что его вообще показали. • Selection - его показали тем, кто и без рекомендации был склонен посмотреть. • Targeting - показ изменил решение именно этого пользователя. Наблюдаемый просмотр смешивает все три эффекта. Поэтому высокий CTR рекомендации ещё ничего не говорит о её причинной ценности - система могла просто хорошо предсказать уже существующий спрос У Netflix чистый targeting почти в семь раз сильнее exposure. То есть основная ценность современного рекомендатора - не в том, чтобы найти релевантный контент, а в том, чтобы найти пользователя, чьё решение рекомендация действительно изменит, а не просто предсказать его выбор И сильнее всего это работает не на хитах и не на совсем нишевых тайтлах, а в середине каталога - там, где спрос существует, но без персонализации не реализуется. https://netflixtechblog.medium.com/measuring-the-impact-of-personalized-recommendations-4c26be3a4d96

Малышева вздрогнула, когда узнала… Проблема такая: вы отравились пирожком из Пятерки, но ради отравления к врачу не пойдёте — зато будете гуглить, как лечиться. Всё закончится тем, что в аптеке вам продадут волшебный мульти-комплекс «Говно-Плюс», и лучше вам от него не станет. Чтобы узнать, как лечиться, придется найти официальные клинические рекомендации, потом по каждому лекарству прочитать РКИ, убедиться, что они опубликованы в нормальном издании, посмотреть рецензии, бла-бла-бла. Естественно, вы никогда не будете этим заниматься. А можно написать в Клод: «разбери мне препарат Х, найди актуальные РКИ за последние 5 лет, скажи есть ли доказательная база, не учитывай маркетинговые материалы». Клодик за вас почитает Cochrane, пороется в PubMed, вытащит клинические рекомендации. Через 15 минут отчет: «доказательная база отсутствует, зарегистрирован как БАД в РФ, EMA и FDA не одобряли, единственное РКИ проведено производителем в 2011 году на 60 пациентах, вот ссылки». Использую по любому чиху: 1) Стоит ли вообще пить/колоть/мазать препарат X 2) Что реально работает при N симптомах - только официальные протоколы и клин. рекомендации 3) Сравнить два препарата, которые прописали «на выбор» 4) Разобрать анализы 5) Найти действенные процедуры — для косметологии самое то. Я благодаря Клоду узнала, какой лазер убирает пигментные пятна с лица за 2 процедуры. Важно: все это мы делаем в режим /deep search. Тогда Клод будет спорить сам с собой — выдвигает тезис, потом идёт искать, что этот тезис опровергает, находит контр-исследование, сопоставляет и только после этого выдаёт вывод.

🧑‍⚖️ AI-галлюцинации в судебных делах — статистика год спустя Про Дамьена Шарлотина я вам рассказывал чуть больше года назад. Он собирает случаи с AI-косяками в судебных делах разных стран. И тогда я удивлялся, что подобных кейсов больше сотни. Это казалось много. Спустя год коллекция Шарлотина выросла в 12(!) раз. Что значит AI-галлюцинация в суде? Например, AI добавляет в документы несуществующие цитаты или ссылается на дела, которых вообще никогда не было. И вот Шарлотин ищет такие кейсы и собирает у себя на сайте. Голубая линия на графике — это суммарное количество случаев с зафиксированными AI-галлюцинациями. В июне 2025, когда я писал первый пост, их было 138. По итогам второго квартала 2026-го, таких кейсов было уже 1720. Рост в 12 раз. Фиолетовая линия на графике — число кейсов по кварталам. И там есть любопытная тенденция. Количество выявленных AI-галлюцинаций стало уменьшаться. Правда, только в последнем квартале. Почему так может быть? Например, стали меньше использовать AI, что вряд ли. Или судьи стали пропускать галлюцинации, что тоже так себе объяснение. Вероятнее всего, AI прокачался или участники стали лучше проверять материалы. Или просто еще не все решения, принятые в том квартале, опубликованы. Кстати, по статистике Шарлотина, сильно чаще AI-галлюцинации встречаются в делах, где люди представляют сами себя — не привлекают юристов. Соотношение сейчас — 71,4% против 21,4%. В кейсах, где известно, каким конкретно AI пользовались, больше всего косяков у ChatGPT (115). Но, вероятно, это просто объясняется популярностью ChatGPT. У остальных инструментов примерно поровну — по 10-15 кейсов. @TheEdinorogBlog — тот самый канал про стартапы🦄

Задачи, которые годами лежали в столе, теперь решаются за вечер В агентствах давно копились задачи, которые не окупали полноценную разработку — слишком мелкие, слишком разовые, чтобы звать программиста. Сейчас их делать вайб-кодингом стало экономически разумно. Когда есть смысл браться: задача локальная, результат виден сразу, данные можно восстановить, а поломка не остановит работу ни агентства, ни клиента. Проще говоря, то, что можно безболезненно выбросить, пересобрать заново или в крайнем случае сделать руками. Что реально можно сделать: 🔵 Прототип сайта или личного кабинета для проверки гипотезы. Можно быстро собрать черновик, поиграть со шрифтами и провести первый раунд согласований без лишних затрат. 🔵 Сборщик отчётов. Экспорт данных из рекламных кабинетов и любых других источников, который раньше менеджер собирал руками, теперь можно завайбкодить как автоматический скрипт. 🔵 Дашборд для проекта в цветах брендбука. 🔵 Заполнение проекта "рыбой". Если сайт перед сдачей выглядит пустым, ИИ отлично добавит тестовые материалы и картинки — гораздо приятнее глазу, чем lorem ipsum. 🔵 Очистка и импорт данных. Конвертировать форматы, переделать таблицы под вставку, поменять формат чисел. С этим справится любая современная модель. 🔵 Проверочные программы. Сравнить данные в нескольких местах и прислать сообщение в мессенджер при несовпадении. А вот если задача критична для бизнеса клиента и ошибка приведёт к потере денег и остановке работы, или если код придётся дальше поддерживать и развивать, то тут лучше уже подключать программиста. Пост помог подготовить резидент Галеры Михаил Сенсеев 🔵

💰 НКД: почему цена облигации и сумма списания не совпадают Инвестор выбрал облигацию номиналом в ₽1000 по цене 95% от него. Купил. Со счета списалось не ₽950, а ₽964,75 рублей. На что ушли ₽4,75 понятно — комиссия брокера 0,5%. Но куда делся еще червонец? А ₽10 совершенно справедливо перешли предыдущему держателю облигации. Это так называемый накопленный купонный доход (НКД).

🔶 Что такое НКД НКД — это не комиссия и не скрытая переплата Дело в том, что купон по облигации начисляется ежедневно. Пока предыдущий владелец держал бумагу, он постепенно "зарабатывал" часть будущего купона. Но купон эмитент выплатит только в установленную дату тому, кто будет держателем облигации на этот момент. Чтобы продавец не потерял уже заработанный доход, покупатель при сделке компенсирует ему накопленный купонный доход. Именно поэтому вместе с ценой облигации вы платите НКД. Затем, когда наступит дата выплаты купона, весь купон получите уже вы. В нем будут и те ₽10, которые вы заранее компенсировали продавцу, и доход за дни, пока облигация находилась у вас.

🔶 Почему это справедливо? Представим, что купон по облигации выплачивается раз в полгода. Продавец держал бумагу три месяца после прошлой выплаты, а затем решил ее продать. Если бы НКД не было, продавец потерял бы доход за эти три месяца – как если бы он три месяца держал деньги на вкладе, а при досрочном закрытии банк не выплатил бы ему начисленные проценты. НКД решает эту проблему. Продавец получает свою часть накопленного купона при продаже. Покупатель платит НКД сейчас, но потом получает полный купон от эмитента в дату выплаты. Поэтому НКД — это не дополнительная комиссия и не потерянные деньги, а лишь перераспределение купонного дохода между старым и новым держателем облигации.

🔶 Почему цена в стакане не равна сумме списания На рынке облигации обычно котируются по чистой цене – без учета накопленного купонного дохода (НКД). Именно эту цену инвестор видит в стакане и терминале. Например, если облигация торгуется по цене 95% от номинала, это означает, что сама бумага стоит ₽950 при номинале ₽1000. Но это еще не итоговая сумма, которая спишется со счета. При покупке инвестор оплачивает: стоимость самой облигации + накопленный купонный доход предыдущему владельцу + комиссию брокера. Именно поэтому сумма списания всегда оказывается больше цены, которую инвестор видит в стакане. И это нужно учитывать.

🔶 Что происходит после выплаты купона В день выплаты купона НКД обнуляется. С этого момента начинается новый купонный период, и НКД снова ежедневно растет. Чем дальше от предыдущей выплаты и чем ближе следующая купонная дата, тем больше становится НКД. Сразу после выплаты купона он равен нулю (или близок к нулю, если прошло несколько дней). Поэтому итоговая сумма покупки зависит не только от рыночной цены облигации, но и от размера НКД. Даже если две сделки проходят по одной и той же цене в стакане, покупателю может потребоваться разная сумма денег: если в одном случае НКД составляет ₽5, а в другом — ₽40, то и списание со счета будет отличаться именно на эту разницу.

📍 Подписаться на канал | Мы в MAX #инвестликбез

🧳 Четыре основных угрозы для стартапа Дефицит финансовых ресурсов. Следует тщательно контролировать расходы, сокращая их там, где это не ухудшит качество продукта или услуги, предлагаемых стартапом. Неподходящий коллектив. Подбор команды требует четкой стратегии. При найме важно оценивать не только профессиональный опыт кандидатов, но и их личные качества. Хаос из-за ускоренного роста. С развитием стартапа необходимо вводить рабочие процессы, создавать планы и фиксировать внутренние процедуры, чтобы поддерживать стабильность. Постоянное общение внутри команды поможет своевременно выявлять и устранять проблемы. Ошибки в управлении временем. Команде стартапа жизненно важно уметь расставлять приоритеты. Вместо попыток справиться со всеми задачами сразу, следует фокусироваться на самых критичных вопросах. Фаундер | Бизнес и Стартапы

ICML 2026: как агенты справляются с контекстом Об агентах и агентских системах в этом году говорили примерно все — тема стала одним из фокусов конференции. Главные тренды и новости собрала наша коллега Кристина Гуртова.

Было много работ о бенчмарках и диагностике агентов — пожалуй, самый крупный кластер. Пользовались популярностью мультиагентные системы и их обучение, agentic RL и tool use. Отдельное активное направление — safety. Общий тренд: рассматривать агента как инженерную систему, где каждый компонент (среда, обучение, оценка или память) становится отдельным объектом оптимизации. А я углублюсь в актуальную проблему агентов: как не захлебнуться в собственном контексте. Сжимать его, сворачивать или выносить во вне? Путь 1. Агент сам решает, что исключить из истории Раньше агент линейно накапливал всю историю в один растущий контекст. Теперь — он ей управляет. В Context-Folding (CMU, Stanford, ByteDance) агент разветвляет подзадачи с помощью двух тулколов: branch() создаёт подзадачу, return() возвращает итог этой подзадачи. Промежуточные шаги не попадают в основной контекст. В Agent-Omit (HKUST) авторы посчитали, что размышления съедают около 45% токенов, наблюдения — 52%, а действия — всего 3%, поэтому их статья сфокусирована на сокращении ризонинга. Агент выборочно опускает свои мысли и наблюдения. Conversational Inertia (ZJU, Ant) описывает отдельный побочный эффект длинной истории — «инерцию». Агент начинает имитировать собственные прошлые ответы как few-shot и перестаёт исследовать. Проблема лечится периодической очисткой истории. Путь 2. Сжатие контекста — оптимизируемый навык, а не фиксированное правило ACON (KAIST, Microsoft) оптимизирует не веса, а промпт для сжатия. Авторы собирают трейсы с полной и сжатой историей, сравнивают их с помощью LLM-критика и дополняют этим промпт. Затем дистиллирует такой навык компрессии в маленькую модель и используют его. Путь 3. Внешняя память и переиспользование опыта Ещё один вариант — не выбрасывать, а сохранять надолго. EAM держит память как граф знаний, где узлы — это состояния системы, а рёбра — действия для перехода между ними. Darwinian Memory — training-free память, где записи конкурируют за «выживание». Полезные переиспользуются, устаревшие и ненадёжные удаляются. SE-GA хранит три вида памяти: эпизодическую, семантическую и экспериенциальную. Агент достаёт малую часть из каждой из них, добавляя к себе в контекст. UMEM (Xiamen, Alibaba) обучают внешнюю модель работать с банком памяти. Для этого они замораживают модель-агента и обучают отдельный оптимизатор, что записать, обновить и удалить. Отдельно — как это честно мерить. AMA-Bench проверяет память в реальных агентных траекториях, а не на сырых диалогах, и дополнительно показывает, что многие memory-системы пока проигрывают простому long-context.

#YaICML2026 Душный NLP

🆚Багбаунти против даркнета: почему белые хакеры уходят на теневой рынок Разрыв между легальными выплатами за уязвимости и предложениями в даркнете остается критическим. Аналитика показывает неприятную для бизнеса математику: медианная выплата за критическую дыру в программах багбаунти за прошлый год составила скромные 200 тысяч рублей. В это же время на теневом рынке готовый доступ к корпоративной инфраструктуре стабильно торгуется в диапазоне от $10 000 до $100 000. 🔍Разница не только в деньгах, но и в товаре. На легальных платформах компании платят за отчет о воспроизводимой ошибке в конкретном сервисе. Теневым покупателям отчеты не нужны - им нужен рабочий рычаг для атаки. Именно поэтому в даркнете 43% объявлений приходятся на RCE (удаленное выполнение кода) и 25% - на LPE (повышение привилегий в системе). В связке эти два класса уязвимостей позволяют зайти в сеть и мгновенно закрепиться на уровне администратора.

🟦По данным исследователей, около половины предложений на черном рынке - это чистые уязвимости нулевого дня (0-day), о которых разработчик софта еще даже не догадывается. Покупают их под конкретные цели. 🟦Первичный доступ к инфраструктуре крупного промышленного объекта или ритейлера продается как самостоятельный продукт - через VPN-аккаунты, RDP-доступы или слитые токены. 🟦Доступ к госучреждениям или банкам на теневых площадках может доходить до $1–1,5 млн.

Ситуацию усугубляет правовой вакуум. В России до сих пор нет вменяемого юридического статуса для независимых исследователей. Прошлый законопроект о легализации белых хакеров благополучно отклонили. Пока легальный рынок предлагает исследователям копейки и риск уголовного преследования за инициативный аудит, даркнет гарантирует анонимность и миллионные бюджеты в крипте. 🦔 CyberYozh

Люблю подглядывать за чужими принципами Михаил Грачев несколько лет назад сформулировал правила в компании, которые вытекали из личной боли. Его бизнес начался в 2003 году в гараже с пищевым котлом на 150 литров, а в этом году компания Grass превысит выручку в 50 млрд рублей. Сегодня это самая крупная российская компания производитель бытовой и автохимии. 10 принципов, которые попали в меня: — Задача, выполненная на 99%, считается невыполненной — Если хочешь в чём-то разобраться, начни разбираться, и ты разберёшься — Нет понятия «дорого», есть понятие «окупаемость» — На вопрос «да или нет» отвечай — да или нет Всё возможно, главное — определить ресурсы — Не изобретай велосипед — найди сначала тех, кто решал эту проблему: люди, коллеги, другие компании, конкуренты — У нас нет понятия «это вне зоны моей ответственности» — Мы не боимся признать, если в нашей команде что-то плохо работает — Кто по-настоящему много знает — тот постоянно сомневается — Приходи к руководителю как минимум с двумя вариантами решения Выпуск на «Основателях» в августе.

Я уже давно говорю, что Open AI делают классные модели, но абсолютно ублюдские продукты. Даже новый ап ChatGPT тому подтверждение: • Есть два режима: чтобы сделать работу и для разработчиков. Разработчикам не судьба сделать работу? При этом переключение тумблера ничего не меняет в интерфейсе. • Абсолютно невнятная навигация. К примеру, чтобы найти скилы, надо зайти в раздел плагины, в которых есть плагины и отдельно вкладка скиллы. Гайды NNG про работу с ожиданиями не дистилировались в модель? Или пролились по пути? Все бы ничего, если бы на фоне не был ап клода, где видно, что продумывают UX, а не вайбкодят в режиме красного кода. Очень плохо. А модели классные, да.