OpenAI рассказали, как работают их forward deployed engineers. Команду собрали в начале 2025, чтобы закрывать "deployment gap" – разрыв между тем, что модель вроде бы умеет, и тем, на что люди реально могут опереться в работе. Девиз команды был: начни с результата, сделай все, чтобы получилось, а масштабируй потом. И это кстати реально текущая работа. Мне кажется все вендоры говорят: модели уже супер-умные, а вот внедрений по всем вертикалям не хватает. По сути сейчас сжигают токены в основном стартапы за чужой счет :) Короче, рассказали о нескольких юзкейсах: – Инжиниринг полупроводников, середина 2025: около 15 FDE на 10+ юзкейсов – генерация тестов, поиск причин сбоев, ассистент по архитектуре. Верификация в отрасли съедает около 70% усилий проекта. Часть FDE пришла в OpenAI за несколько дней до этого и в чипах не понимала ничего – сидели с инженерами заказчика, учили предметную область, вместе строили метрики. За 3–6 месяцев все юзкейсы дошли до прода: около 48% экономии времени на генерации тестов, медианно 22% прироста производительности на оптимизации ядер, недели отладки превратились в часы. – Потом подрос Codex, и все юзкейсы перевели на общую обвязку с Codex в центре: кастомные приложения стали плагинами и скиллами, свои CLI и интерфейсы выкинули. Ушло около 90% кастомного кода в каждом проекте. Первое внедрение в одном кейсе заняло 2 месяца, расширение на вторую команду – 1 день. – Налоговый AI для бухгалтерских фирм Thrive Holdings: в пилоте обработали 7 000 деклараций, пропускная способность выросла примерно на 50%. Самые сложные – декларации по сдаче недвижимости: 6 недель инженерии и проверок практиками, чтобы выйти на 90% precision и recall. Хах, заполнение декларации я тооа не всякие красивые фичи) – Голос для телекома: голос – около 90% обращений в поддержку. Модель выдавала около 60% на ключевых evals, для прода мало. Подключили Research, за 6 месяцев довели до 80%, потом 90%+. Эта голосовая модель теперь работает и у других клиентов. Прикол, что их критерий успеха – делать себя ненужными каждые пару месяцев. Когда вышел Codex, кто-то в команде спросил, что делать, если он за раз собирает то, что они строили месяцами. Ответ – идти искать задачу посложнее. И это как раз ответ для разработчиков, которые думают, что все пропало. Короче, главный вывод для интеграторов: кастомный код – временный, через полгода его заменит платформа. Долговечный актив – это знание предметной области, датасеты, метрики вместе с экспертами клиента и понимание, где модель не вытягивает. И обратите внимание: OpenAI тоже ушли от мультиагентной архитектуры к одному агенту со скиллами, ровно как советует Anthropic в предыдущем посте. https://openai.com/index/forward-deployed-engineering-means

Искусственный интеллект отнимет у нас работу во время следующей рецессии Это прогноз от Гада Леванона, главного экономиста The Burning Glass Institute.

Аргументы в пользу того, что сейчас не надо беспокоиться о влиянии искусственного интеллекта на рынок труда таковы: уровень безработицы низкий, и создается много рабочих мест, связанных с AI. Большинство исследований не выявляют значительных негативных эффектов. Если бы AI отнимал рабочие места, мы бы увидели это в данных. Как я уже писал в других статьях, я не согласен с этими исследованиями и выводами, поскольку считаю их крайне несовершенными. Но это не является предметом данной статьи.

Он приводит такой пример: В конце 1990-х в американской промышленности активно обсуждалась угроза автоматизации и переноса производства в другие страны. Но статистика занятости не подтверждала этих опасений. В 1998 году на производствах работало 17,6 млн человек. Безработица составляла около 4%, и даже Бюро трудовой статистики США прогнозировало увеличение «промышленной» занятости на 3% в 2000–2010 годах. Но в итоге сектор потерял за этот период 5,75 млн рабочих мест. 88% сокращений пришлись на последующие две рецессии (2001 и 2007 годы). Потому что именно экономические кризисы становятся ключевым триггером для масштабного исчезновения рабочих мест. А не только технологические возможности. К концу 1990-х американские компании уже располагали технологиями и подходами, позволявшими обходиться меньшим количеством работников. Но не спешили с оптимизацией. При растущих продажах и прибыльности у компаний не было достаточных стимулов проводить массовые увольнения. Рецессия переворачивает ситуацию: прибыли критически падают, а сокращения персонала становится гораздо более социально приемлемыми. Увольнения, которые в период роста вызвали бы скандал, во время кризиса воспринимаются как рациональная необходимая мера. К каким выводам и прогнозам приходит Леванон: • Занятость обрушит не столько развитие AI, а следующая большая рецессия. Она запустит процесс, аналогичный промышленному кризису в США 2001 года, но теперь в профессиях, связанных с интеллектуальным и административным трудом. • Скорее всего это будет необратимый процесс. То есть, с учётом развития AI и автоматизации, эти рабочие места исчезнут навсегда. • Особую тревогу вызывает «молодежная» занятость. Если они испытывают трудности с трудоустройством даже сейчас, в относительно благоприятной экономической ситуации, следующая рецессия может значительно усилить эти проблемы. Разумеется, Леванон анализирует американский рынок труда, и автоматически переносить его прогноз на международный и российский контекст нельзя.

Разрыв между тем, на что способны передовые AI-модели, и тем, для чего большинство компаний их фактически используют, огромен. И я ожидаю, что он будет продолжать расти. Сокращение этого разрыва станет одним из важнейших драйверов, формирующих экономику и рынок труда США в ближайшие годы и десятилетия. Этот разрыв представляет собой запас изменений, позволяющих сократить трудовые ресурсы, которые компании могли бы использовать, но не сделали этого — тот же самый запас, которым располагали производители в 1999-2000 годах.

→ https://gadlevanon.substack.com/p/ai-will-take-its-jobs-in-the-next

Toyota бросит роботов на борьбу с китайскими автопроизводителями — но первыми пострадают рабочие Toyota планирует вложить $6,4 млрд в роботизацию и внедрить до 400 тысяч роботов на своих заводах и у поставщиков. Компания хочет снизить себестоимость сборки и выдержать конкуренцию с китайскими автопроизводителями, а не превращаться в производителя роботов. Часть машин уже тестируют на заводах в Северной Америке, а новую волну автоматизации запустят после открытия предприятия в Нагое в начале 2030-х. Роботы будут перенимать навыки рабочих с помощью ИИ, поэтому первыми последствия почувствуют сотрудники, хотя дефицит кадров пока смягчает опасения по поводу сокращений. #toyota #toyotamotor #робототехника #человекообразныйробот 📎Подробнее 🔖 3DNews в TG | MAX | VK

Виртуальные сотрудники: мой опыт с Boxerbook Я уже писал про свой хобби-проект Boxerbook. Это открытый каталог профессионального бокса: все бои с источниками, рейтинги, прогнозы, сайт на четырёх языках. Много вводных дал мой тренер Тимур, Сергей Булаев рассказал, как строить медиа, а дальше мы вместе с Claude накидываем задачи в Telegram, и всю работу команды делают агенты. Я прикинул, кого бы пришлось нанять, если бы всё это делала обычная команда. Инженер данных. Разобрал протоколы боксёрских комиссий четырёх стран. Собрал таблицу судей на 175 тысяч записей, данные о 50 тысячах нокдаунов и каталог из 4 600 полных видео боёв с официальных каналов, привёл всё к одному формату и разложил по реляционной базе. Аналитик. Построил модель прогноза и Fight X-ray, наш разбор боя по видео: AI распознаёт позы боксёров, а алгоритм считает темп, давление, защиту и движение по раундам. По видео стабильно измеряется стиль, а победителя пока не угадать, зато получается подробный профиль боксёра. Около тысячи боёв он прогнал на локальных GPU. Исследователь. Прочитал 47 научных работ и книги лучших тренеров, вывел 40 гипотез и проверил их на наших данных. Дизайнер и редактор. В Telegram-чате написали, что на карточке боя слишком много информации, и за вечер он переделал страницу боя на всех четырёх языках. Теперь сверху то, что интересно человеку: кто победил, как именно и в чём у соперников самый большой разрыв. Ниже лежат все данные боя для поисковиков и AI-ассистентов. Контролёр качества. Когда агенты готовили пример для этого поста, они заметили, что одному боксёру из-за совпадения имени приписали девять чужих боёв. Ошибку доказали по датам и протоколам, исправили и закрыли дыру, через которую она попала в базу. Маркетолог. Нашёл контакты боксёрских ассоциаций и тематических журналов, списался с ними, подобрал выгодные размещения и написал статьи, одна уже вышла. Получается 6–10 вакансий, которые в обычной компании я бы открыл, а здесь не пришлось. Агенты уже умеют долго и самостоятельно работать над задачей. Решения, деньги, доверие, отношения и креатив пока остаются на людях. Ещё мы с Сергеем обсуждали, чем нам могут помочь потребительские агенты вроде Muse, Duet, Dots и бота Grok. Пока не придумали, но записали в список того, что надо изучить. Claude Code вместе с Codex Claude ведёт проект: разбивает задачу на части, раздаёт их субагентам и проверяет каждый шаг. Codex получает те же данные и отдельное задание: найти то, что мы пропустили. Сегодня Codex на проверке нашёл, что прогноз, посчитанный уже после боя, мог попасть на страницу как прогноз «до боя». Исправили это в самом источнике ещё до выкладки. Код узким местом быть перестал, теперь всё упирается в решения по длинному списку вопросов: что считать, что публиковать, а что нет, где размещать статьи, какие критерии и гипотезы развивать. Уже можно посмотреть: • Бой с разбором по видео, Хейни против Рамиреса • Новая страница боя, Наваррете против Фостера Данные открыты, для агентов есть API и MCP: https://github.com/mvtk1978/boxerbook-mcp @maxvotek | linkedin | substack

Захотел посмотреть размер пирога, на рынок мировых IT-расходов приходится $6.3T в год Из интересных циферок: • $600B / год - на всю облачную инфраструктуру (Azure, AWS, GCP и другие) • $150B / год - суммарный GenAI, т.е. выручка Anthropic, OpenAI и остальных AI-лабораторий (всего 2-3% от пирога) • самая большая статья расходов IT-услуги $1.8T, куда входят внешние подрядчики: аутсорс разработки и поддержки (EPAM, TCS, Infosys), консалтинг и внедрение (Accenture, Delloitte) и другое Сюда не входит (по крайней мере в оценках Gartner) бюджет на штатных сотрудников. По грубым оценкам, в мире 30 млн разработчиков Короче говоря, у OpenAI и Anthropic (и их клиентов) даже если они ещё долго не будут высовываться за пределы IT со своими автоматизациями, ещё большой пирог для освоения 🏖 PDF со скрина в первом комментариями

🤖 1000 роботов отправили на работу! В Китае гуманоидов проверяют на профпригодность. В Шанхае прошли международные соревнования по воплощённому ИИ, собравшие более 800 команд и около 1000 роботов, по данным организаторов. 👍 И на этот раз вместо танцев, бокса и сальто роботам предложили выполнять настоящую работу! Всего 23 дисциплины: промышленная сборка, логистика, обслуживание магазинов, контроль качества, спасательные операции и даже помощь пожилым людям. 🦾 Например, в импровизированном супермаркете роботы должны были раскладывать товары, собирать заказы и упаковывать покупки. Причём задания выдавались случайным образом, чтобы нельзя было заранее запрограммировать каждое движение. И тут началось самое интересное 😁 Робот-бармен научился открывать бутылки, наливать напитки и пользоваться шейкером. Но периодически срывал крышки, проливал воду и слишком сильно сжимал пластиковые бутылки. Оказалось, что эффектно сделать сальто гораздо проще, чем аккуратно обращаться с обычными предметами! 🔥 На мой взгляд, такие соревнования гораздо полезнее очередного чемпионата по роботизированному кунг-фу. Ведь главная задача гуманоидов — не удивлять зрителей, а выполнять полезную работу. И желательно самостоятельно, а не под управлением оператора. А вы бы доверили такому роботу собрать ваши вещи? 😁 ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

Автоматизация тестирования: возьми от IT всё Из тестирования в разработку — привычный карьерный маршрут. У специалиста 2ГИС всё сложилось в обратном порядке: сначала Python backend, затем первые e2e-тесты и переход в AQA. Возвращаться к прежней работе он не собирается, хотя со стороны автоматизация тестирования может выглядеть как бесконечное написание однотипных проверок. Стоит взяться за очередной тест, и выясняется, что отдельно он проходит, а в общем запуске падает, на ноутбуке всё зелёное, в CI красное. Приходится разбираться с окружением, базами данных, требованиями к продукту и причинами неожиданных падений. В какой-то момент обнаруживается, что на соседнем проекте срочно нужно исправить тесты в пайплайне. Так вместо одной запланированной задачи появляются ещё пять, каждая со своими проблемами и техническими нюансами. Самое забавное, что до написания того самого теста руки могут так и не дойти. И всё же именно в такой работе специалист нашёл достаточно причин, чтобы остаться в AQA.