Про менеджмент и ИТ-бизнес | Борис Вольфсон

Вайб-кодинг и синдром «ещё одного хода» У вайб-кодинга есть очень опасная петля. Пишешь промпт. Модель что-то генерирует. Ты смотришь и думаешь: «О, почти. Сейчас только чуть-чуть поправлю». Потом ещё один промпт. Потом ещё одно изменение. Потом ещё один маленький рефакторинг. Потом «давай добавим нормальный UI». Потом «а теперь логирование». Потом «а теперь красиво обработаем edge cases». И внезапно уже половина ночи прошла. Это очень похоже на старые стратегии: Civilization, Colonization и всё это семейство игр, где в голове постоянно звучит: «Ну ещё один ход — и всё». Только теперь вместо карты, юнитов и городов у тебя код, агент, IDE и LLM, которая каждую минуту подкидывает маленькую дозу прогресса. По сути, это почти идеальная петля из Hooked: Триггер: появилась идея или раздражающий баг. Действие: написал промпт. Награда: модель сразу что-то выдала, и это почти работает. Инвестиция: ты поправил, уточнил, добавил контекст — и теперь бросать ещё сложнее. Самое интересное: я давно не чувствовал такого залипания в программировании. Когда писал руками, кайф был в том, что ты сам строишь систему изнутри. Но там был высокий порог входа в каждое изменение: надо держать архитектуру в голове, писать код, проверять, дебажить. В вайб-кодинге порог почти исчезает. Ты не «садишься программировать на три часа». Ты просто делаешь ещё один маленький ход. И именно поэтому это так затягивает. Мне кажется, это важный сдвиг. Вайб-кодинг возвращает в разработку ощущение игры: быстрый цикл действия и обратной связи, постоянное чувство прогресса, возможность экспериментировать без тяжелого внутреннего сопротивления. Но есть и риск. Если не остановиться вовремя, можно не построить продукт, а просто бесконечно полировать игрушку. Как в стратегии, где ты хотел лечь спать в 23:00, но внезапно уже 03:17, у тебя новая империя, три войны и ощущение, что «ещё пять минут — и точно закончу». Вайб-кодинг — это не просто новый способ писать код. Это новый интерфейс к состоянию потока. И, возможно, самая залипательная форма работы с компьютером за последние много лет.

Чему нас, вайб-кодеров, может научить гитарист Арии? В 1992 году Сергей Терентьев (тот самый, который потом в Арии играл) поехал с туркменской группой «Гунеш» на гастроли в Китай. Гитару отправили поездом наперёд, а сам он с музыкантами трясся в вагоне трое суток без инструмента и без нот. На руках только кассета с программой и наушники. Три дня в поезде он крутил эту кассету и в голове разбирал каждую партию (гитары-то с собой нет!). Пальцами по колену, глазами в потолок, мысленно перебирая струны, которых нет. Приехал, достал гитару из багажа, вышел на сцену и отыграл. Вот это, ребята, true skill. Гитары нет, а музыка в голове уже готова. Инструмент нужен только чтобы её вытащить наружу. К чему я это. Смотрю сейчас на вайб-кодинг и вижу, как многие путают одно с другим. Наличие клода в подписке принимают за наличие скилла. Открыл Cursor, накидал в промпт "сделай мне SaaS для барбершопов" и ждёшь чуда. На выходе AI слоп, гора кода, которая вроде работает (а главное можно похвастаться что 60К строк код в день делаешь!), но при первом же нестандартном юзкейсе рассыпается, и ты не понимаешь почему. А теперь представь другого чувака. У него в голове уже играет архитектура. Он понимает, как ляжет база, где будет узкое место при росте, какой паттерн в этом месте уместен, а какой развалится. Ему клод нужен не чтобы придумать за него, а чтобы быстро набрать то, что он уже мысленно услышал. Клод для него - это гитара из багажа. Достал и отыграл. Разница между этими двумя ребятами не в скорости печати и не в подписке. Разница в том, что первый пытается научиться играть, впервые взяв инструмент в руки на сцене. А у второго кассета крутилась в голове последние 10-15 лет, и клод для него — просто способ вывести уже готовую композицию. Я сам год назад вернулся к коду после многолетнего перерыва и вижу это на своей шкуре. Моя кассета это память как все должно быть в основе в проекте - ORM, ActionMailer, SolidQueue, SolidCable, SolidCache, простой сетап ит д. Так что если ты только начинаешь, не покупай миф, что ЛЛМ заменит скилл. Она его усиливает, если он есть, и обнажает, если его нет. Учись слышать музыку без гитары. Гитара приедет.

Рынок готовой еды вырос за год на 18,5%, до 1,12 трлн рублей. Крупнейшим игроком стал X5 с долей 19,3% и продажами на 216,4 млрд руб. Второе и третье места заняли «Магнит» (83,4 млрд рублей) и «ВкусВилл» (75 млрд рублей) — INFOLine.

Channel name was changed to «Про менеджмент и ИТ-бизнес | Борис Вольфсон»

Claude улучшил оценку доли нулей дзета-функции для гипотезы Римана Один из сотрудников, больше ради эксперимента, попросил неопубликованную исследовательскую версию Claude «серьезно взяться» за гипотезу Римана. Гипотезу модель, конечно, не доказала, но внезапно получила достаточно сильный результат: увеличила нижнюю границу доли нулей дзета-функции Римана, лежащих на критической прямой, с 41.6% до 67.2%. Для понимания масштаба: до этого за 46 лет, с 1974 по 2020 год, граница сдвинулась всего лишь с 33.3% до 41.6%, и это была работа десятков математиков. Claude за один раз преодолел скачок в три раза больше. Работа заняла две сессии в Claude Code, ~31 млн выходных токенов. Сначала модель перепробовала 600+ идей, но ни одна не привела к результату. Затем юзер написал что-то типа «давай еще раз, верь в себя», и это, представляете, сработало (✨): модель полтора дня координировала ~60 субагентов, которые гоняли тысячи скриптов и тестов. В итоге улучшенная оценка получилась благодаря объединению идей из недавних работ с результатами из статьи 2000 года. Peer review еще нет, но есть Lean + доказательство проверили два математика Anthropic и два внешних эксперта. https://www.anthropic.com/research/riemann-zeta

Meta*, Anthropic, OpenAI, Moonshot: по очереди репортят о том, что их супермегаопасные модели сбежали и что-то взломали Тем временем Google:

Самое интересное будет когда модели смогут улучшать важные элементы для обучения и инференса. Это можно будет считать сингулярностью

Все еще жду гипотезу Римана :) больше всего бросилась стоимость доказательств - сущие копейки ————————— Как следует интерпретировать публикацию Наиболее сильные результаты по потенциальному математическому влиянию: существование несофических групп; опровержение жёсткости Конна; полное доказательство объёмной гипотезы Эрхарта; общая квантовая параллельная повторяемость. Упаковка сфер тоже чрезвычайно значима, но формулировка «решена упаковка сфер в высоких размерностях» вводит в заблуждение. Определена асимптотическая сила конкретной линейной программы и улучшен общий показатель, а не найдены оптимальные упаковки в каждой размерности. Самая необычная черта набора — не только широта тем, а способность Astra находить новые мосты между дисциплинами: Фурье-анализ → преобразование Меллина → гармоническая мера; софические группы → алгебры Ливитта → экспандеры → группа Томпсона; геометрия чисел → торическая геометрия → jets и Bergman kernels; квантовая информация → резольвенты → операторная энтропия; сложность перманента → критические многообразия → корни из единицы; CVP → моменты → матрицы Ганкеля → valuations.

Уважаемые коллеги! Сегодня X5 Digital исполняется 7 лет! За это время мы добились значимых результатов: ✅ Стали лидерами в e-grocery ✅ Развиваем сеть собственных дарксторов ✅ Сделали экспресс-доставку доступной более чем в 9 000 магазинах торговых сетей X5. Наше лидерство — это заслуга каждого сотрудника. Спасибо, что вкладываете свои время и силы в общее дело и развиваете свои проекты. Особая благодарность — командам торговых сетей X5! Спасибо, что строите будущее e-grocery вместе с нами. Поздравляю всех коллег с днём рождения X5 Digital!

Opus 5 идеально решил IMO 2026: результат – 42/42 баллов IMO этого года завершилась всего несколько дней назад (кстати, поздравляем наших участников: четверо российских школьников взяли золотую медаль). Opus 5 – пока единственная модель, которую успели прогнать по задачам олимпиады, и она сразу показала идеальный скор в 42 балла. Порог золотой медали в этом году составлял 29+ баллов. На примере таких событий как IMO очень занятно наблюдать за скоростью прогресса. Помните, какой фурор произвели модели OpenAI и Google в прошлом году, когда стало известно, что они взяли на IMO золото? При этом скор там был не идеальный, как у Opus 5, и вообще это были внутренние специально затюненные модели компаний, недоступные обычным пользователям. Сейчас же подобными новостями уже мало кого удивишь. Интересно, что нас ждет еще через год.

Такими новостями уже никого не удивишь, но GPT-5.6 опровергла еще одну известную гипотезу, которая была открыта 30 лет Гипотеза Диница - Гарга - Гоеманса – это теорема из теории графов и сетевых потоков, которая гласит, что из допустимого дробимого решения можно получить целочисленное по маршрутам решение без увеличения стоимости. Подобные утверждения часто становятся основой для практических оптимизационных алгоритмов, поэтому гипотеза важная. Открыта она была с 1999. Решение, к слову, обнаружил математик из Нижнего Тагила, выпускник ВШЭ. Вот чат с моделью. Промптинг на уровне «соверши прорыв», «опровергни общий случай», «продолжай исследовать» – то есть вообще никаких подсказок и даже серьезных инструкций. Сам автор называет чат «чистым мемом». В итоге за несколько итераций и несколько часов модель нашла нужный контрпример. Вот такая математика в 2026.

Kimi K3 - в топе бенчмарка LLM для агентов По очкам модель сравнима с GPT-5.5 Pro, но раз в 15 дешевле и раза в 2 быстрее. С такими показателями она автоматом попадает на оба Парето-Фронта, сдвигая их. Эта модель с открытыми весами размером аж в 2.8T параметров, веса обещают выложить в открытый доступ 27 июля. Из минусов - гигантский размер и большее количество пропущенных уязвимостей. Но плюсы перевешивают. Модель с открытыми весами впервые в топе моего бенчмарка LLM на бизнес задачах (среди всех трех поколений, которые тянутся с 2023 года). Очень круто, что засилье OpenAI моделей в топах наконец прервано. Будем теперь ждать, пока открытым модели поменьше не подвинут с фронтира и остальные экземпляры OpenAI! Ваш, @llm_under_hood 🤗

Год назад я писал про соревнования по программированию AtCoder, где система от OpenAI долгое время лидировала, но под конец поляк Psyho смог вырвать победу, став последним человеком, кому удалось обойти машину в подобного рода состязаниях. За 12 месяцев модели (снова) шагнули далеко вперёд, и теперь выиграли без шансов в двух разных раундах. Первый — эвристический, где точное лучшее решение задачи неизвестно из-за огромного количества потенциальных комбинаций (часто это задачу на оптимизацию со множеством условий). Здесь нужно придумать, перебрать и совместить ... эвристики, как понятно из названия. В период соревнования было 50 тестов, лучшее решение на каждом получало миллиард очков, с решения ниже получали меньше пропорционально логарифму (поэтому "огромный" отрыв на деле может быть не таким гигантским). После окончания соревнования делали полную проверку на 2000 тестов, охватывающий более широкий набор однотипных условий для задач. Решение OpenAI было лучшим на 1997 из них 👨‍🦳 Борис, сотрудник OpenAI на месте соревнований и автор @bminaiev_blog, сказал, что не был полностью уверен, что машина сможет обойти человека в эвристиках— а вот во втором раунде, алгоритмическом, ожидал победы. Собственно, там всё как в классических соревнованиях: есть N задач разной сложности, можно решать и отправлять в любом порядке; ответ для каждого теста всегда один, поэтому тут или засчитывают решение, или нет (нет сравнения по оптимальности, как у эвристик). Было 5 задач, и авторы соревнований старались выбрать их специально так, чтобы AI не мог с ними справиться. Тут я не до конца уверен, что понимаю причину, так как не знаю, были ли разрешены LLM-ки (видимо, нет, раз не все решили первые 2 задачи? может авторы просто боялись читерства?). Две последние задачи были крайне сложными и оценивались в 2500 условных баллов — для сравнения, в прошлом году были сложные задачи по 1400 и 2000, а за год до этого — две по 2000. Модель тоже очень долго тягалась с ними, потратив на последнюю 6 часов, но смогла решить всё. Как вы можете видеть по последней картинке лишь один человек смог решить одну из этих сложных задач — на вторую не осталось времени. Другие участники, в том числе легендарный Геннадий Короткевич aka tourist (самый титулованный спортивный программист планеты), осилили по 2 задачи (или даже меньше). Борис говорил, что они тестировали систему на задачах предыдущих лет, и все или почти все решались максимум за час — так что у авторов соревнований действительно получилось придумать челлендж для LLM. Также Борис добавил, что использовали модель, очень близкую к GPT-5.6 (как минимум для второго раунда, для первого не смог найти подтверждений), и харнесс поверх был тривиальным, может сделать каждый. Никак специальных сложных систем. Результатов на IMO / IOI / IPhO и других конечно ждём, но думаю, что они предсказуемы 😕

Модели запилить не можем, тогда подадим в суд

https://youtu.be/vif8NQcjVf0?si=MIx5ZkoiVwBl4XFZ

Уровни владения AI: от “я просто спросил ChatGPT” до личной AI-экосистемы Сейчас почти все говорят, что “используют AI”. Но под этим скрываются очень разные уровни зрелости. Кто-то раз в неделю задает вопрос чат-боту. Кто-то уже ведет проекты с контекстом, загружает документы и собирает базу знаний. А кто-то строит полноценную AI-систему вокруг своей работы: агенты, память, LLM-вики, RAG, поиск по знаниям, автоматизация рутины. Я бы разделил это на 6 уровней. 0. Ручной режим AI почти нет. Все делается руками. Рутина съедает время, а документы, письма, встречи и задачи живут отдельно друг от друга. 1. Чат-турист Человек уже пользуется AI как чат-ботом: спросил — получил ответ. Хорошо подходит для идей, писем, резюме, быстрых черновиков. Но пока это скорее “умный Google с текстом”, чем настоящая система работы. 2. Контекстный игрок Появляется контекст: файлы, проекты, папки, история обсуждений. AI уже не просто отвечает на абстрактные вопросы, а начинает понимать вашу рабочую реальность: документы, цели, задачи, стиль решений. 3. Оператор агента AI выходит из браузера и появляется на компьютере. У агента есть доступ к файлам, он может делать последовательные шаги по задаче: искать, анализировать, править, собирать, структурировать. 4. Оркестратор Подключаются почта, календарь, документы, базы знаний, несколько агентов и регулярные рутины. AI уже не просто “помогает по запросу”, а становится операционным слоем вокруг работы руководителя. 5. AI-экосистема Здесь появляется системность: LLM-вики, единая структура знаний, RAG, память, поиск по контексту, агенты под разные задачи. AI усиливает не отдельный документ, а всю систему принятия решений. Главный вывод: ценность AI растет не от количества промптов, а от качества контекста и степени интеграции в рабочий процесс. Для руководителя вопрос уже не в том, “пользоваться AI или нет”. Вопрос в другом: на каком уровне зрелости находится ваша личная AI-система — и какой следующий уровень даст максимальный прирост? А у вас какой уровень? 0, 1, 2, 3, 4 или уже 5? Я кажется между 4 и 5 :)