IT

Африканский 5G, где Алжир обгоняет Британию втрое, а вышки питаются соляркой Средняя скорость скачивания в 5G-сетях Алжира к февралю 2026 добралась до 300 Мбит/с, тогда как замыкающая европейский список Великобритания держит 84. В пригороде Могадишо связь оказывается надёжнее, чем в некоторых регионах Британии, а мобильный интернет в Сомали самый дешёвый на континенте и седьмой по дешевизне в мире. А теперь ложка дёгтя, причём большая. Доступ к 5G есть лишь у 1,2% африканцев при среднемировых цифрах выше 20%. Больше 70% из полумиллиона вышек работают на топливных генераторах, а в одной только Нигерии операторы сжигают около 40 миллионов литров дизеля в месяц, потому что до 80% вышек южнее Сахары ежедневно остаются без электричества на восемь часов и дольше.

За что платят программисту? Когда я был frontend-разработчиком, я писал код весь рабочий день в таком цикле: задача-реализация-задача. Свободного времени почти не оставалось, и мне казалось, что так и выглядит работа программиста. Сейчас я делаю фронт, бэк, инфраструктуру, мониторинг, разбираю проблемы на проде. Обязанностей стало больше, и они почти все технические 🙃 Но если посчитать часы, то на само написание кода уходит меньше 1/3 рабочего дня. Всё остальное это обсуждения, созвоны, скрам-церемонии, споры о том, каким должно быть решение.

Мне платят деньги не за код.

🧑‍💻 Моя ценность как сотрудника в другом. - Я понимаю, как устроена система, могу объяснить это команде и вместе с ними принять решение, за которое потом никто не будет отдуваться. На ответственных позициях требуют именно максимальной активности в обсуждениях, где решается, куда пойдёт проект. А не молча закрыть свой тикет. Мидл обычно думает, что до сеньора ему не хватает технологий "Выучу ещё фреймворк, ещё базу, буду писать хороший код - и на ревью" 🤞 Я тоже так думал. Но разница в том, что cеньор смотрит на задачу со стороны бизнеса и умеет это донести словами, а не только коммитом. 🧰 Сколько технологий ещё нужно выучить? Возможно, дело уже не в них. Стоит выйти за пределы своих задач: разобраться, как устроен проект целиком, вслух объяснять свои решения на ревью и обсуждениях и помогать людям в команде. Звучит не так эффектно, как новый фреймворк в резюме. Но именно это в какой-то момент начинает отражаться на зарплате :) — А сколько часов в день у вас уходит на код? Интересно сравнить. #карьера · yt · tg · ig

Открытые модели догнали фронтир – и это плохая новость для Anthropic Хорошая статья и правильные мысли. Пострадает от китайцев в первую очередь Антропик. Вот почему: – Главная статья расходов после обучения – инференс, то есть использование видеокарт и электричество – Три стратегии: арендовать дата-центры (Anthropic, Moonshot, Knowledge Atlas), строить свои (Meta, Alibaba) или владеть и генерацией, и дата-центрами (SpaceX) – Чем больше стека ты контролируешь, тем больше переменных затрат превращаются в фиксированные – и тем быстрее растет маржа с ростом использования – Если инфраструктуры нет, твои затраты масштабируются вместе с выручкой – маржа не растет Почему Anthropic в уязвимой позиции – Компания без собственной инфраструктуры выживает только за счет спроса на модели: нужно быть либо лучшей, либо дешевой и «достаточно хорошей» – Fable 5 – лидер по качеству, но почти в 3 раза дороже конкурентов в пересчете на выполненную задачу (данные Artificial Analysis) – Ставка на продукты-«харнесы» (Claude Code, Cowork) рискованна: барьер входа в этот сегмент почти нулевой. – У OpenAI, наоборот, модели немного слабее, но есть более понятные защиты вокруг: консьюмерский продукт, голос, железо и готовность инвестировать в собственные дата-центры В 2025-м открытая модель догнала фронтир один раз – сейчас это делают сразу несколько лабораторий (GLM 5.2, Kimi K3, Qwen 3.8). Это уже устойчивый паттерн: догоняют, конкурируют и, возможно, скоро начнут обгонять – особенно с учетом цены Вывод автора: model-only компании (Anthropic, Moonshot, Knowledge Atlas) стратегически проигрывают тем, кто владеет инфраструктурой и дистрибуцией – OpenAI, Alibaba, Meta, Google, SpaceX. Текст хороший, но с одной слепой зоной: автор сводит защищаемость к инфраструктуре и недооценивает энтерпрайз-инерцию. Компании, которые уже встроили Claude в свои процессы, комплаенс и безопасность, не мигрируют на открытую модель из-за 3-кратной разницы в цене инференса – стоимость переключения выше. Но часто задают вопрос: «а можно то же самое на open-source в нашем контуре?» Раньше честный ответ был «нет». Приходилось либо мириться с "глупостью" опенсорса, либо анонимизировать данные. После Kimi K3 и Qwen 3.8 он все чаще будет «да, и возможно даже дешевле» (если конечно у вас есть деньги на серверную стойку). https://www.emergingtrajectories.com/lh/frontier-lab-economics/

Почему стоит держаться подальше от OpenCode Интересный обзор от инженера Luke Wren. Автора бесит и качество работы, и безопасность. 1. Тратит ваши деньги впустую Когда агент общается с LLM, провайдеры (Anthropic, OpenAI) умеют кешировать уже отправленный контекст: повторно те же токены стоят в разы дешевле. Но кеш работает только если начало разговора не меняется ни на символ. OpenCode ломает это постоянно: перечитывает одни и те же файлы заново, вставляет в промпт текущую дату (изменилась минута – кеш умер), выкидывает куски контекста без необходимости. Итог – вы платите полную цену за токены, которые могли стоить копейки. Вторая беда – обрезка контекста. Если прервать агента на полпути, он может «забыть» важное – например, спеку проекта, которую вы ему скормили. Дальше он работает, не помня, что вообще нужно было сделать. Плюс мелочи: с подагентами нельзя пообщаться, когда они тупят, интерфейс в терминале жрёт память, ломает многострочный ввод и не поддерживает базовые шорткаты редактирования. 2. Это дыра в безопасности AI-агент выполняет команды на вашем компьютере. Чтобы он не натворил дел, ему нужны ограничения – «вот это можно, вот это спрашивай у пользователя». Вопрос в том, как эти ограничения устроены. OpenCode проверяет команды по тексту: смотрит на строку, которую агент хочет выполнить, и решает, опасная она или нет. Например, можно запретить команды git. Проблема: shell – это полноценный язык программирования, и одну и ту же команду можно записать бесконечным числом способов. Автор показывает десять обходов, вот пара для понимания: – echo 'git clean -fdx' | bash – формально это команда echo, «безобидная». Но она передаёт запрещённый git прямо в shell, и тот выполняется – python3 -c 'import subprocess; subprocess.run(["git", "checkout", "."])' – формально это python, а не git. Фильтр пропускает То есть запрет работает только против агента, который не пытается его обойти. А LLM может обойти его даже случайно, просто потому что так «удобнее» написать команду. Дальше хуже. Кнопка «Always» (разрешить навсегда) запоминает разрешение слишком широко: один раз одобрили безобидный echo hello – и теперь агент может выполнить echo 1 > /sys/class/gpio/gpio21/value. Это уже запись в системный файл. Перенаправление вывода (>) вообще не проверяется. И на десерт: у OpenCode уже был CVE – уязвимость, при которой можно выполнять произвольные команды на машине пользователя. Показательно, как закрыли issue об этом: его закрыл бот для «протухших» тикетов. Не человек, разобравшийся в проблеме, – бот, который чистит старые обращения. Автор говорит: фильтровать команды по тексту – бесполезно в принципе, это "и так сойдет", а не безопасность. Настоящая изоляция делается средствами операционной системы: Landlock в Linux, Seatbelt в macOS – механизмы, которые физически не дают процессу трогать файлы за пределами разрешённых. Тогда неважно, как хитро записана команда, – ОС просто не даст ей навредить. Стоит прочитать целиком, если пользуетесь, особенно раздел с обходами правил безопасности. https://wren.wtf/shower-thoughts/stop-using-opencode/

Ключевое за 3 дня ⚡ Главное • Moonshot AI выпустил открытую модель Kimi K3 — 2,8 трлн параметров, превосходит топ-модели США, цена от $3/млн токенов. • Alibaba представляет Qwen 3.8-Max с 2.4 трлн параметров — Модель уступает только Claude Fable 5, обещает открыть веса. • ВВС США и DARPA провели полет AI-управляемых истребителей F-16 — Флот AI-управляемых истребителей F-16. 📈 Рост и Оптимизация • Физик Юджи Тачикава — Claude Fable решил задачу, над которой он и коллеги бились 6 месяцев — Claude Fable решил сложную научную задачу. • +39% конверсий после удаления заметного призыва к действию — Удаление CTA на главной странице увеличило конверсии на 39%. • Nvidia объединяется с японскими фирмами в крупном продвижении робототехники — Партнёрство с Fanuc и Yaskawa, Sony-backed Noetra купит 27,500 чипов Nvidia Rubin. • Школьный округ в Нью-Йорке тестирует человекоподобного робота-учителя Sally — Робот помогает в курсах AI и робототехники. • Опрос Bloomberg: как лондонские финансисты внедряют ИИ на своих условиях — 85% профессионалов считают владение ИИ важнее традиционных навыков. • Как Netflix построил стек для LLM-инференса — Подробности о выборе движка, упаковке моделей, дизайне API. • Китайский AI-стартап Z.ai приближается к $1 млрд продаж — Зарабатывает на развёртываниях для госсектора и облачном бизнесе. 🤖 Промпты и Практика • 10 промптов для редактирования реальных фото — Изменение выражения, ретушь кожи и другие улучшения. • 5 советов по использованию NotebookLM — Практические советы. • Когда использовать временный чат в ChatGPT — Temporary Chat не сохраняет историю, подходит для личных вопросов. • Как экономить токены при исследованиях — Используйте дешёвые модели для поиска, точные — для проверки. 🛠 Инструменты • Canva запустила Code 2.0 — Создание интерактивных сайтов и приложений по текстовым запросам. • Bono — Генерация контента в вашем стиле после 10-минутного разговора. • HeyGen — Создание видео без камеры и навыков монтажа. • SnapBlock — Создание сайтов и приложений за минуты с помощью ИИ. • FreeOCR — Бесплатный инструмент для извлечения текста, таблиц и данных из документов. • Kimi Code CLI — AI-агент для кодирования в терминале от Moonshot AI. • Alibaba открывает софтверный стек для AI-чипов — Open source стек для чипов Zhenwu снижает барьеры миграции с CUDA.

Почему при обеднении домохозяйств проблемы возникают даже у B2B/B2G бизнеса и причем тут ИИ Сегодня я хочу обсудить, как сокращение персонала в больших масштабах повлияет на B2B бизнесы. Не буду полемизировать, насколько я верю в масштаб сокращений людей из-за ИИ. Предположим, что производители LLM правы. В итоге будут сокращены десятки процентов людей. И предположим, что эти люди не найдут новой работы. Я знаю предпринимателей, которые смотрят на все это и говорят: “Ну да, люди потеряют работу. Мне то какое дело. Я ведь продаю в B2B/B2G”. Сегодня я хочу вам показать, что это будет для вас проблема тоже. Есть такая формула расчета ВВП страны по расходам. По этой формуле ВВП - это сумма конечного потребления домохозяйств, инвестиций, государственных расходов и чистого экспорта (экспорт минус импорт). Интересно в этой формуле то, что все слагаемые в конечном счете оплачены домохозяйствами. Инвестиции нужны, чтобы создать средства производства, которые потом станут частью себестоимости продукции, то есть это часть, которую домохозяйства оплатят в будущем. Государственные расходы - это собранные налоги, причем налоги компаний будут заложены в себестоимость продукции, которые купят домохозяйства. Чистый экспорт - это расходы домохозяйств в другой стране. Почему смотрим на ВВП? Потому выручка всех компаний в нем учтена. Теперь возвращаемся к вашей B2B/B2G компании. Ваша выручка становится себестоимостью другой компании, а их выручка - себестоимостью другой компании, и так до того момента, пока товар не купит домохозяйство. Если у домохозяйств становится меньше денег, они меньше покупают. Таким образом рано или поздно упадет и ваша выручка. Если произошло краткосрочное снижение доходов, то можно взять кредит. Государство может выпустить больше займов. Можно проинвестировать впрок до тех пор, пока экономика и доходы домохозяйств восстановятся. Но ИИ-оптимисты же говорят не об этом. Они говорят, что десятки процентов людей потеряют работу навсегда. Соответственно если они не получат другую работу или на них не свалятся дивиденды, то им нечего будет тратить. Теперь посмотрим на компании, которые сократили людей. Допустим, они сократили 10% расходов. Часть этих денег они отдадут LLM-провайдерам (обычно 10-20% от сэкономленного, то есть 1-2%). Остальное выплатят в виде дивидендов своим акционерам. Акционеры могут потратить эти деньги на машины, дома, яхты. Но у этих расходов есть предел. И чем богаче человек, тем больший процент дохода уходит на инвестиции, то есть в создание средств производства, а не на потребление.  А теперь представьте, что эта ситуация длится десятилетиями. Нет смысла инвестировать в средства производства, которые будут делать продукцию, которую никто не купит. В лучшем случае будут стоять заброшенными цеха. Либо их будут демонтировать, как сейчас целыми кварталами демонтируют недостроенную недвижимость в Китае (это прям отдельно интересная история, но лучше почитайте профильных экономистов). Зачем я рассказал вам это? Если хотите, чтобы у вашего бизнеса было все хорошо, все хорошо должно быть и у ваших клиентов, и у обычных людей, которые живут рядом с вами. Это не значит, что не нужно оптимизировать процессы в вашей компании и повышать производительность труда. Но полезно помнить, что если все будут заняты только этим, если всем будет плевать на то, найдут ли сокращенные вами люди работу, то рано или поздно костлявая невидимая рука рынка дотянется и до благополучия вашей компании и вашего собственного благополучия. Подумайте об этом. Возможно вам придут идеи, как вы можете сбалансировать ситуацию.  Но есть и хорошая новость. Я верю, что у этой задачи есть решение. Нужно только хорошенько подумать. Как говорила Сарра Коннор: “Будущее не определено”. От нас с вами зависит то, как будут жить наши дети. Плодотворных вам размышлений! #economicsforstartups

⚡️GPT-5.5-Cyber обходит Mythos:

ИИ-агент для легального пентеста от OpenAI

🔍OpenAI запустила ИБ-инициативу Daybreak и показала GPT-5.5-Cyber - специализированную версию своей флагманской модели. Главное отличие от базовой версии: нейросети радикально снизили порог отказов. Она больше не читает мораль, когда безопасник просит сделать реверс-инжиниринг бинарника, разобрать малварь или написать рабочий эксплойт для теста. На профильных бенчмарках (включая тесты британского UK AISI и команды XBOW) новинка от OpenAI обошла закрытую модель Claude Mythos от Anthropic:

🟦Смерть белого ящика: В режиме White-box (при наличии исходного кода) GPT-5.5-Cyber пропускает всего 10% реальных уязвимостей. Для сравнения, предыдущие поколения моделей не видели от 18% до 40% критических багов.

🟦Мощный Black-box: Модель отлично реверсит скомпилированные программы без исходников, находя логические дефекты и строя векторы атак с нуля.

🟦Рабочий Remediation: Система не просто вываливает очередную пачку ложных срабатываний. Через фреймворк Codex Security агенты сами разворачивают песочницу, проверяют уязвимость на эксплуатируемость и выдают инженеру уже готовый, протестированный патч.

❗️OpenAI начала раздавать GPT-5.5-Cyber корпоративным ИБ-командам через жесткую верификацию Trusted Access. Рынок окончательно переходит от ИИ-советчиков к автономным цифровым пентестерам. Именно этот тренд меняет правила игры в индустрии прямо сейчас. В современном мире кибербезопасности умение искать уязвимости руками - это лишь необходимый минимум. Главным хард-скиллом становится навык грамотно настраивать автономных ИИ-агентов и автоматизировать свою рутину. Специалист, который понимает архитектуру нейросетей, умеет разворачивать ИИ-пентестеров и делегировать им первичный анализ или написание эксплойтов, закрывает задачи в десятки раз быстрее. Искусственный интеллект не лишит безопасников работы - её заберут те спецы, которые научились управлять ИИ-агентами и превратили их в свое главное оружие. 🦔 CyberYozh

ЭВМ в народном хозяйстве: поколения, тяжёлая промышленность и энергетика К началу 80-х у «Татнефти» работала иерархическая трёхуровневая система, где датчики на скважинах связывались с кустовыми вычислительными центрами, а те сходились на сердце всего хозяйства в Альметьевске. Локальная сеть тянулась не по одному зданию, а между десятками объектов на сотни километров. По тем временам считайте интернет, только за 15 лет до отраслевой модели уровней, которую промышленность опишет позже. Проблема была в последней миле. До каждой скважины в тайге и болотах кабель не дотягивался, релейки помогали не везде. И тогда данные с удалённых объектов носили в прямом смысле на собственных ногах, в стальном ящике с застёжками и ручкой, прародителе флешки. Посмотрим, как из таких чемоданчиков и американской ЭВМ собралась работающая сеть задолго до термина «корпоративная».

Граф: циклы, наблюдающие за циклами (часть 2) Если присмотреться к тому, как Системы на практике реализуют процессы совершенствования, вырисовывается определенная закономерность: они никогда не сводятся к одному циклу.

Системы — это сети циклов, соединённые с другими циклами

Так, грамотно управляемая компания представляет собой граф циклов: быстрые операционные циклы (ежедневный/еженедельные совещания/анализ метрик) встроены в более медленные управленческие циклы (квартальное планирование), те – в циклы аудита (ежегодные и, что важно, независимые, которые проверяют, соответствуют ли реальности цифры, выдаваемые операционными циклами), а все они — в самый медленный цикл уровеня совета директоров, который задаётся вопросом верны ли сами цели. Технологии ИИ пришли к такой архитектуре аналогичным путём. Грамотный конвейер обучения ИИ – это цикл типа «чемпион = претендент», когда модель-кандидат должна превзойти текущую модель, прежде чем заменить её, а также циклы мониторинга дрейфа, отслеживающие, соответствуют ли поступающие данные тем, на которых модель обучалась и механизмы отката (автоматический возврат к предыдущей версии, если показатели после развертывания выходят за допустимые пределы). Сюда же входят отложенные оценочные выборки, недоступные для цикла обучения, своего рода "слепой" цикл, чья единственная задача выявлять случаи, когда оптимизирующий цикл пытается обхитрить свои собственные тесты. Каждый элемент здесь — это цикл. Надёжность системы кроется в связях между ними: какой цикл передает данные другому, какой наблюдает за каким и какой может наложить вето на действия другого. Проблема Гудхарта решается методом парных показателей: каждому оптимизирующему циклу сопоставляется цикл, отслеживающий контрметрику и выявляющий способы "дешёвого" достижения KPI. Проблема "слепоты" по отношению к вышестоящим уровням решается иерархией, в которой более медленный цикл определяет целевые показатели для быстрого, а пересмотр целей сам по себе является регламентированным циклом, а не случайным решением того, кто установил их изначально. Конфликты разрешаются через явный арбитраж: над конфликтующими циклами стоит ещё один цикл, который принимает решение по поводу возникающих компромиссов. Проблему деградации показателей решают с помощью аудиторских контуров, единственная функция которых – периодически проверять, сохраняют ли данные других контуров связь с реальностью.

Иными словами, меняется структура процессов цикла. Цикл больше не изолирован в Системе

Человеческий организм работает так же: терморегуляция – это не один термостат, а сеть взаимодействующих рефлексов, а иммунная система, по сути, выступает как цикл аудита всего организма, в котором медленные процессы меняют физиологические параметры, которые помогают быстрым циклам его адаптации. Создание одного чётко работающего контура было искусством прошлой эпохи (ещё каких то пару месяцев назад). Мастерство эпохи ИИ — это архитектура контуров Понимание того, что метрика не должна существовать в отрыве от других, что у контрольных точек должны быть ответственные лица, что скорости процессов нужно разграничивать, чтобы быстрые контуры не разрушали то, что поддерживают медленные, и что некий контур в такой Системе должен отвечать за саму реальность.