ИИ

💀 Половина интернета теперь пишут нейронки... умирает пацан Если мы читаем длинный пост в LinkedIn или X или ТГ или без разницы где — мы уже не уверены, человек это написал или ИИ. Хотя судя по комментариям специалистов — все всегда уверены (ведь в тексте есть ДЛИННОЕ ТИРЕ, КАВЫЧКИ и ДРУГИЕ НЕТИПИЧНЫЕ ЗНАКИ), что любой текст пишет нейронка. И в целом если делать такие предположения 100 раз, то примерно раз 50 — это будет правда... Ребята из Pangram (детектор AI-текста,который сканит ленту в X, Medium, Reddit и других ) прогнали через модель больше миллиона постов. Разбирали отдельно длинные посты (от 250 слов). Взяли калькулятор, бусы, счёты и ручки с листочками, чтобы считать в столбик. Потом всё посчитали и получились след выводы: 1. В среднем по всем площадкам — четверть длинных постов написана AI от начала до конца. Не "с помощью", а буквально без участия человека. Преславутые контент-бл.дь-заводы... 2. LinkedIn — безусловный чемпион слопа. 41% длинных постов там чистый AI, живых людей у клавиатуры — 55.2%. И что забавно: там либо чисто человек, либо чисто нейронка, гибридов почти нет (4.3%). Даже короткие посты (50-250 слов) — треть машина. 3. На Твиттере тоже четверть постов полностью AI, плюс еще 23% с его помощью. Люди пишут чуть больше половины ленты... 4. Medium — треть контента с примесью нейронки. Substack держится лучше всех, но и там почти каждый пятый пост не от человека. 5. Reddit неожиданно последний оплот человечности — постов-слопа всего 11.6%, комментарии на 98% человеческие... CEO Pangram сказал правильную штуку, что эти ваши интернеты, залитые неразмеченным AI-контентом — это грустно, но не приговор, если людям честно показывать, что сгенерено. Подобные "исследования" от компаний, выручка которых напрямую зависит от того насколько люди зохотят детектить ИИ контент, выглядят мягко говоря не объективно. Но не думаю, что эти данные далеки от правды. ссылка на статью У меня к вам вопрос. Если бы вы были всесильным и у вас было желание спасти интернет от нейрослопа — какие 2 или 3 действия вы бы сделали?

Дэвид Брукс (автор «Бобо в раю» и «Путь к характеру») написал для The Atlantic лонгрид про тип людей, которых ждёт успех в эпоху AI. Ключевым атрибутом станет потребность в познании. И, в зависимости от отношения к когнитивным усилиям, Брукс предлагает три категории: ◼ Productive Passengers Люди с низким стремлением к познанию. Они используют AI, чтобы меньше думать. Хотя их продуктивность как будто растет, их собственные интеллектуальные способности атрофируются. ◼ Reluctant Optimizers Люди со средней потребностью в познании. Они осознают риски, но часто поддаются соблазну сделать свою интеллектуальную жизнь легче и проще. Что со временем снижает их любознательность и мотивацию. ◼ Mental Marathoners Люди с высоким стремлением к познанию. Они используют AI для развития собственного потенциала. Стремятся к оригинальности и глубокой работе с информацией. И взаимодействуют с AI, в первую очередь, как с партнером для дискуссий. Перевод и аудио в комментариях. → https://www.theatlantic.com/ideas/2026/06/ai-open-ai-anthropic/687689

Вы небось слышали, что в современном мире MOAT это маркетинг а вовсе не создание продукта. На самом деле, это не совсем так, есть еще очевидная штука, например данные. Третья еще менее очевидная штука — доступ к капиталу/регуляторам. На некоторые рынки тупо не зайти без десятки грина в кармане. Но сейчас я вам расскажу про четвертую еще менее очевидную штуку (вы скажете что конечно же она вам и так была очевидна, ну значит вы умнее меня). Короче говоря, это пользовательская база в многопользовательских продуктах. Маркетплейсы это хрестоматийный пример, но еще, например, есть ОГРОМНЫЙ сегмент онлайн-игр. Игрушку скоро сможет сделать любой дурак. Но если вы добьетесь того, что именно в вашу будет играть скажем сотня тысяч человек, при этом без них она бессмысленна — это очень сильный барьер, а значит защита от конкуренции со стороны толп страждущих вайбкодеров. В общем, moat в эпоху AI определенно есть, а для стартаперов становится чрезвычайно важным баланс понимания — насколько фича реализуема и одновременно, защищена барьерами от таких же голодных челов с клод кодексом в кармане.

Нейросети: кому на самом деле принадлежат права на то, что вы там генерируете — разбираемся по-человечески Компания нарисовала картинки для товаров на маркетплейсе, конкуренты их спёрли и разместили у себя. Дошло до суда. Конкуренты уцепились за модный довод, мол, это нейросеть рисовала, значит творческого вклада человека нет, значит и не объект авторских прав, и взыскивать нечего. Суд с этим не согласился и взыскал 120 тысяч рублей в пользу той компании, что картинки сгенерировала. Пишет это юрист по авторским правам, которому надоели статьи в духе «всё, что вы создали в нейросети, уже не ваше». По российской практике выходит перевёртыш, суд по умолчанию считает правообладателем тебя, а доказывать, что вклада не было, придётся нарушителю. Вот только автор тут же ставит чёткую границу, за которой сгенерированное через нейросеть превращается в нарушение с компенсацией до миллионов. Обсудим, почему довод «это же нейросеть» в суде не сработал и где проходит та самая опасная граница.

Ключевое за 3 дня ⚡ Главное • OpenAI запускает GPT-Live, а GPT-5.6 получает разрешение на публичный запуск — GPT-Live: полнодуплексная голосовая модель + разрешение на GPT-5.6 • SpaceXAI и Cursor запускают свою первую передовую модель (Grok 4.5) — Grok 4.5: класс Opus, вдвое эффективнее, $2/$6 за токен • Гуманоидные роботы под управлением хирургов провели первую в мире операцию на живых свиньях — Робот Unitree G1 удалил желчные пузыри, меньше места • Meta Superintelligence Labs выпустила три новые модели — Muse Image, Video, Spark 1.1 для кодинга • Atlas от Hyundai дебютирует на ЧМ-2026 по футболу — Робот Atlas на ЧМ-2026: надежная работа в реальных условиях • Anthropic назначает бывшего главу ФРС Бена Бернанке в Long-Term Benefit Trust — Для управления экономическими последствиями ИИ 📈 Рост и Оптимизация • Переписывание Bun на Rust — Bun на Rust: быстрее и экономичнее через Anthropic • Как переворот воронки увеличил заказы на 22% — Персонализация раньше повысила конверсию на 22% • Финансовые команды тратят 13 часов в неделю на проверку результатов ИИ — Финансисты тратят 13 ч/нед на проверку ИИ, предпочитая объяснимые системы • OpenAI выявила 30% сломанных задач в SWE-Bench Pro и отзывает поддержку бенчмарка — 30% задач SWE-Bench Pro сломаны, поддержка отозвана • Трафик разработчиков США к китайским ИИ-моделям превысил 40% — Трафик к китайским ИИ вырос из-за низких цен • Перестаньте быть узким местом при код-ревью — Делегируйте код-ревью AI-агентам для скорости • Доверие — новое SEO: маркетинг в эпоху AI с Кевином Индигом — Доверие как SEO: упоминания важнее цитирования 🤖 Промпты и Практика • Клонирование Fable — Руководство по извлечению способностей Fable для других моделей • Совет по SEO и AI: используйте GSC, Screaming Frog и Claude Sonnet для выявления промптов — Пайплайн GSC, Screaming Frog, Claude для AI Overviews • Vibe-coding рабочие процессы: создание утилит через простые промпты — Создавайте утилиты через простые промпты • Как запретить Meta использовать ваши фото из Instagram для ИИ — Отказ через настройки приватности Instagram

🛠 Инструменты • Анонс TypeScript 7.0 — TypeScript 7.0: нативная скорость, ускорение в 8-12 раз • Waymo запускает беспилотные поездки в Сан-Диего, Лас-Вегасе, Тампе и Денвере — Waymo запускает роботакси в 4 новых городах • Новые руки с 25 степенями свободы для робота 1X NEO — Руки 1X NEO: 25 степеней свободы, тактильные датчики • ChatGPT Work на базе GPT-5.6 — агент для корпоративных команд — ChatGPT Work: агент для создания документов и таблиц • Meta запускает Muse Spark 1.1 — мультимодальную модель для агентного кодинга — Muse Spark 1.1: агентный кодинг, $1.25/млн токенов • Mistral представляет Robostral Navigate — модель для навигации роботов — Robostral Navigate: навигация с одной камерой, 79.4% • Google Photos добавляет AI Video Remix на базе Gemini Omni — Video Remix: меняет освещение и фон, для подписчиков

AI НЕ ДЕЛАЕТ ВАС ПРОДУКТИВНЕЕ Незыблемый факт: AI уже очень хорош в маленьких задачах. Написать плагин, скрипт, небольшую tool'у, UI для UnityEditor окна, вытащить текст из аудио, накидать интеграцию с Google Sheets — вот здесь он реально экономит время. У меня таких историй уже пачка: — история буфера обмена на macOS — парсинг локализаций из Google Sheets в MySQL — извлечение текста из аудиозаписей — терминальный чат для тестирования внутриигрового чата — интеграция BenchmarkDotNet в Unity И тут спорить бессмысленно: да, это ускоряет. Многие мелкие автоматизации можно сделать буквально за 1 промпт. Когда раньше, я даже не брался за это, т.к. на отладку и написание могло уйти полдня-день. 🔸Проблема - большой production Когда я работал в Playtika, уже тогда менеджмент пытался понять, как ускорить процессы разработки через AI. Но модели упирались в контекст. Они могли решить локальную задачу, но плохо держали систему целиком. Сейчас модели стали намного сильнее. Контекст вырос. Opus уже технически способен написать кусок фичи почти полностью. Но я всё равно не готов просто взять и запушить это в большой production-проект. Почему? Потому что в проекте на сотни тысяч строк AI все равно не хватит контекста, чтобы изучить и прочитать все что есть, из-за этого: 🔹Генерируется функционал, который уже есть в проекте 🔹Системы используются не правильно или не полностью 🔹Агент может посчитать, что функция в другой системе написана не правильно и "исправить". И кажется что сделано много, так много кода и анализа никто бы из нас быстро не делал. Но из-за того что это нужно потом вычитать внимательно, проверить и/или переписать, общее время на разработку может только увеличится. 🔸И это не только мое наблюдение METR проверили это на 16 опытных open-source разработчиках, которые в среднем 5 лет работали на своих репозиториях. Результат: с AI они стали медленнее на 19% 🤯 При этом ожидания до начала эксперимента были: ускорение на 24% А после, разрабы думали что AI их ускорил на 20%. Т.е. человек делает больше и из этого создается эффект ускорения. И эти результаты нужно поправлять за Echoes of AI, где:

на чужой кодобазе среднего размера AI действительно ускорял — медианное время падало на 30.7%.

Т.е. получается примерно такой парадокс: 🔹 Если проект маленький или среднего размера, то с AI можно в среднем получать +30% к продуктивности 🔹 Если проект большой или огромный, то важно выделять места, где AI может быть полезен, но не отдавать все ему на откуп. Несоблюдние баланса = +20% к времени выполнения задачи. Этот вывод я и сам ощущаю, когда иной раз проще самому написать, чем промптить, а потом ходить и все переписывать. Это может показаться бредом, если опираться на новостной фон и хайпа вокруг AI. Но это отлично согласовывается даже с тем, что я писал еще до AI хайпа:

Природа разработки ПО - это перенос информации из мира реального в мир абстрактный. Где человек играет ключевую и незаменимую роль.

А скорость переноса ограничена особенностями мозга и ростом синаптических связей. Что ограничено естественным жизненным циклом организма. И это естественное ограничение продуктивности. И даже когда скорость написания кода стремится к бесконечности, проекты НЕ стало разрабатывать быстрее или дешевле. 🔸Функция снижения AI-продуктивности Точных цифр нет, но если накидать порядок величин, кривая выглядит логарифмической. Пусть: x — текущий размер проекта в kLOC, y — прирост продуктивности в %, Smin — kLOC-min, минимальный размер проекта, когда появляется сложность, Smax — максимальный размер проекта, когда эффект от AI = 0 Тогда формула снижения влияния AI на продуктивность будет выглядеть примерно так: y ≈ Smin · ln(Smax / x)

 kLOC | эффект
------+-------
    5 | +23%
   50 | +12%
  500 |   0%

🔻Проще запомнить: продуктивность падает примерно на ~3-5% на каждое удвоение размера проекта. Ставь 👍 если тебе заходит такого рода контент! Ты знаешь кому переслать эту статью 💪 #ai@UniArchitect

Вот реально смотрю на то, что может современный ИИ и прям верю, что через несколько лет никто не будет нанимать программистов в классическом смысле. Они просто неэффективны по сравнению с теми системами, что я вижу и использую - долго, прокрастинируют, косячат. А ИИ просто берет и кодит. Собственно,а куда катится мир профессий? McKinsey проанализировали 10 500 навыков по уровню их уязвимости перед ИИ и автоматизацией к 2030 году. Результаты заставляют задуматься. Главный парадокс эпохи ИИ: технические хард-скиллы, которые годами считались элитными и безопасными, теперь первыми идут под нож. Знание SQL, бухгалтерия, инвойсинг и даже классическая разработка ПО (Software development) оказались на самом верху графика — то есть в зоне максимального риска автоматизации. Нейросети пишут код и сводят балансы быстрее людей. В середине удерживаются аналитика, исследования и генерация инноваций. А что на дне, в зоне "безопасности"? Чисто человеческие качества. Психологическая устойчивость (Resilience), эмпатия, лидерство и способность влиять. Машины легко осваивают алгоритмы, но не умеют сопереживать, мотивировать и чувствовать. Будущее — за развитием "humans-only" навыков. Гуманитарное образование, короче.

Пхах, маркетплейсы захватил новый феерический скам: Жулики продают фейковые семяна растений, которые эпично выглядят и взрывают мозг, но само собой, не существуют. Таких объявлений дохрена на Amazon, eBay и Etsy, но на наших ВБ с Озоном тоже пруд пруди (ещё бы, скамеры быстрее всех адаптируют лучшие практики). В ассортименте есть космические цветы с огромными бутонами, растения в виде фантастических тварей, плюшевые подсолнухи, гигантская фиолетовая клубника и прочая растительная фантасмагория (см. картинки). Юзеры ведутся и охотно покупают, а мошенники просто отправляют им самые дешёвые семяна или какой-нибудь несчастный птичий корм. Но ценник при этом берут как за чудо-растения с другой планеты (в этом и суть скама). Главный вопрос: почему такое делают именно с семянами растений, а не с чем-то другим? Главная причина - семяна невозможно сразу проверить и вернуть. Они должны прорасти. И обычно это дольше 2-3 недель, которые маркетплейсы закладывают на возврат. То есть, семяна - идеальный вариант, чтобы вскрыть главную защиту маркетплейсного юзера. К тому же, семяна в основном покупают бабушки/дедушки, а это не самая продвинутая и осмотрительная аудитория (ну, в среднем). Их банально легче развести. Конверсия клика в успешный скам выше, чем в других товарных категориях. Но интереснее даже не это. Такой скам с семянами не вчера придумали, он существует столь же давно, сколь и сами маркетплейсы. Но раньше он не был массовым, потому что растения надо было рисовать в фотошопе ручками. А это а) затратно и ресурсоёмко и б) придумать и изобразить что-то реально необычное и пробивающее баннерную слепоту было надо было ещё суметь. Экономика сходилась хуже, поэтому скам был нишевым. А сейчас каждый мамким темщик может сгенерить гигантскую плюшевую розу с бутоном в виде Пикачу за 1 промпт. Экономика стала офигительно сходиться, и сей кринж заполонил торговые площадки. Скидывайте этот пост вашей бабуле, пусть не ведётся. И вообще, сегодня бабуля прочитает пост Дизраптора, а завтра уже навайбкодит свой B2B-SaaS. Семяна вообще не понадобятся, и у скамеров будет на одну цель меньше 👍 Дизраптор

Обратная связь — Поделитесь мнением о продукте, — попросил меня в письме сервис продажи авиабилетов. — Ага, когда-нибудь... Сейчас стало модно собирать обратную связь от пользователей. Нам шлют имейлы, показывают всплывающее окна, пишут в мессенджеры; а мы — молчим. А даже если нет, отвечаем «все норм» и заканчиваем диалог. Пару месяцев назад провел практикум по Claude и тоже попался на эту удочку — решил собрать мнения. Написал 10 людям лично — получил 3 ответа в стиле «вау», одну «гениальная» идею от городского сумасшедшего и 6 тихих игноров. И это от людей, многие из которых знают меня. Тогда поменял подход: взял следующую десятку и написал каждому — «давай встретимся, за 30 минут покажу, как решать твои задачи с Claude в 3 раза быстрее и качественнее». Календарь забился мгновенно. Провел 8 встреч, увидел, где люди реально тупят; от чего конкретно в восторге и что можно смело выкинуть. А еще трое купили следующий практикум. Четыре часа я помогал разобраться людям в Claude, а они мне в моем продукте. И каждый получил вагон пользы. Вывод прост: люди не хотят давать обратную связь. Они хотят получать пользу. Дай им второе и получишь с избытком первое.

Наткнулся на занятную штуку: Fable Advisor — Claude Code plugin для паттерна, который я всё чаще считаю правильным в агентной разработке. Самая сильная модель не должна писать весь код руками. Она должна быть архитектором: понять задачу, разложить её на части, написать нормальный spec, выбрать исполнителя и потом проверить результат. А само «печатающее мясо» можно отдавать более дешёвым/релевантным моделям. Вот думаю многие из вас когда юзают какой нибудь Plan Mode, выбирают самую «умную» модель, а для кодинга чаще всего используют Kimi2.7, новый Grok4.5 или Composer. Брейнрот хорошо напишет любая модель, вот я весь день юзал sol5.6 ультра, потратив все токены и какого то вау эффекта на простых задачах не было. И зачем тогда их тратить вообще, если если условно бесплатный Composer. Ещё мне нравится идея cross-vendor review. Когда Claude пишет spec, Grok или Codex делают diff, а Claude потом проверяет результат, у тебя хотя бы частично расходятся blind spots моделей. Как минимум видел пару исследований, что нельзя писать код и делать ревью одной и той же моделью — так у нее все равно есть определенный bias. Вот интуитивно возьмем идею брейншторма — суть собрать разные взгляды, разных людей с разным жизненным опытом. Почему такое не должно работать с ллмками? Ну как будто должно.

Study and learn У ChatGPT есть спрятанный и недооценённый режим - он вызывается через прописывание @Study в диалоге. Любые наши вопросы обычная модель стремится быстро упаковать в готовые ответы и шаблоны, что создаёт ощущение эффективности в моменте, но долгосрочно приводит к постепенному cognitive offloading и делегированию способности думать. Около года назад ChatGPT добавили “Study and Learn”, режим, который старается не давать нам делегировать весь процесс мышления, педагогически определяет наши задачи, задаёт хорошие вопросы (а не для галочки, как обычные модели). Последнее время всё чаще им пользуюсь. Рекомендую, если вы часто приходите с вопросами типа: • объясни концепт • как это работает? • хочу понять • хочу освоить навык • в чём отличие? Я использую этот режим в супер разных сценариях: • перед началом чтения книг, когда нужно оценить свой уровень понимания темы, особенно, когда понимаю, что книга на вырост и сложная. • когда нужно решить сложную рабочую задачу, с которой я не сталкивался + мне нужно хорошо подумать • когда нужно освоить какой-то навык. Например, недавно с ним учился писать музыку в новом для меня стиле, он хорошо помог не только механически увидеть где должна стоять бочка, где хэты, но и понять, почему оно работает именно так • самое неожиданное - когда нужно сделать саммари видео, большой статьи или даже книги. Я змечаю, что саммаризация контента языковыми моделями не особо работает, потому что создаёт только поверхностную иллюзию понимания. А когда инструмент просит сформулировать идею, мысль - становится сразу понятно, где я плаваю, а где норм. Короче, это универсальный инструмент для того, чтобы включаться в работу. И, конечно, очень показательно, что ChatGPT так глубоко спрятали этот режим в своём интерфейсе. В 2023 году казалось, что LLM изменят опыт обучения, но они довольно быстро сдались - видимо, в среднем пользователи лучше реагируют на быстрые ответы, подхалимство и понятные чек-листы на выходе. А инструмент Study and Learn только лишнее место занимал.