from:adam

Я «отпилил» себе две ноги, чтобы стать senior tech manager’ом Мой руководитель в одном из интервью очень точно подметил динамику карьерного роста в корпорации: «чтобы перейти на новый уровень управления тебе нужно отпилить себе любимую ногу, которая тебя…

Я «отпилил» себе две ноги, чтобы стать senior tech manager’ом Мой руководитель в одном из интервью очень точно подметил динамику карьерного роста в корпорации: «чтобы перейти на новый уровень управления тебе нужно отпилить себе любимую ногу, которая тебя делает успешным на текущем уровне, и отрастить новую». Я очень люблю эту метафору именно за точность ощущений в процессе. В инженерных профессиях подавляющее большинство руководителей начинают линейными инженерами. Ты набираешь экспертизу, все ловчее справляешься со все более сложными проблемами, и вот однажды, тебе предлагают (или ты сам принимаешь решение) стать тимлидом. И в этот момент очень важно не обманывать себя: тебе предлагают много денег за то, что ты начнешь постепенно терять свою хардовую экспертизу, все больше погружаясь в организационные вопросы. Взамен ты получаешь проявленность в организации и больше власти. Худшее, что можно сделать в этой ситуации: это попытаться усидеть на двух стульях. Именно в таком сетапе рождаются микроменеджеры с пачкой джунов, которые «в соло держат небо на плечах». Не буду расписывать к чему это приводит, думаю вы и так таких ребят встречали. В крупных технологических компаниях это отлично понимают, и там есть понятие «терминального грейда», выше которого расти не обязательно - можно работать и заниматься любимым делом. А иногда и полезно вернуться на этот уровень из менеджмента, чтоб освежить тех скиллы (сам такое практиковал - жив здоров). Этот фазовый переход с отпиливанием инженерной ноги оканчивается примерно на уровне мидл-менеджмента, где ты уже ведешь группу команд. Ты уже окончательно попрощался с чисто-инженерными вопросами. Ты гораздо более силен в управлении людьми и проектам, становишься лицом крупных инициатив и на контакте с ключевыми бизнес лидерами. И после нескольких крупных побед в полный рост встает новая развилка. Выход в senior-level менеджмент предполагает очень важный сдвиг роли: тебе нужно уйти на вторые роли в конкретных проектах, и дать дорогу новому поколению лидеров. Теперь у тебя нет никакой возможности схватить штурвал инициативы и вытащить ее из канавы (потому что в это время на твоем уровне начнут решать вопросы без тебя). Твоя цель здесь - это сводить капитал с людьми, которые в состоянии его приумножить. Создавать для этого условия и управлять рисками. Уходить от ручного управления талантами в сторону создания систем, которые сами подымают талантливых людей вверх. Теперь нет никакого «твоего» успеха. Есть только успех твоих ребят. Это на самом деле очень сложная перестройка, от которой иногда нужно осознанно отказываться. Например, когда ты еще чувсьвуешь, что ты хочешь побыть на первых ролях в интересных тебе проектах ради опыта/портфолио. Или ты в принципе чувствуешь в себе драйв быть на острие классных продуктов и инициатив с возможностью сказать «я это сделал». Причин может быть много, но как и в прошлый раз попытка усидеть на двух стульях приведет к полному разочарованию. На мой взгляд правильная мотивация здесь - это искреннее желание поделиться опытом и взрастить людей, которые через какое-то время могли бы занять твою текущую позицию. Тогда новый уровень дохода поможет закрыть бытовые вопросы и даст больше уверенности в будущем, а сложности политики, стратегии и бюрократии будут понятной ценой, которую ты платишь, чтобы вырастить крутых лидеров.

В мире AI-продуктов бенчмарк — это не подготовка к продуктовой работе, это и есть продуктовая работа. Короткой дороги нет. Ко мне регулярно приходят продакты, которые хотят построить своих ассистентов. И все хотят быстро. Демка правда собирается быстро. И…

Понравилась мысль Кагана из свежего эссе. Он, как и многие, ждал, что AI станет уравнителем и обесценит преимущество компаний с сильными инженерами и продуктовой культурой. Но вышло наоборот — они увеличили отрыв. Преимущество сильных никогда не сидело в скорости производства. Оно сидело в способности выбрать, что производить: культура, стратегия, discovery. AI кратно ускорил первое и не тронул второе, то есть работает мультипликатором, а не уравнителем. По факту команды используют AI, чтобы быстрее производить артефакты проектной модели (бизнес-кейсы, роадмапы, PRD, код). Проблема проектной модели в том, что модель заточена на output, а не на outcome. Ускорение output при неизменном качестве суждения, что строить, даёт ровно ноль. Отсюда расслоение вместо уравнивания. По итогу строить стало так легко, что теперь легко бежать не туда в десять раз быстрее. У Atlassian в исследовании 89% руководителей говорят, что AI ускорил работу, и только 6% уверены, что могут показать конкретный ROI в масштабе организации. Скорость есть, результата нет. Правда, есть два нюанса. Первый — лаг. Ещё в 1987-м умные люди заметили, что компьютерный век виден везде, кроме цифр производительности, или моторы, которые были доступны с 1880-х, но прирост производительности пошёл только к 1920-м, когда заводы наконец перестали навешивать эти самые моторы на старую схему и перестроили цеха. Второй: если AI ускоряет всех симметрично, преимущества не получает никто, а выигрыш утекает к потребителю. Оба варианта дают то же самое «работаем быстрее, а метрики стоят». svpg.com/the-ai-productivity-paradox

Дарио Амодей несколько лет ходит по Вашингтону с одной просьбой: дайте государству право выключать опасные AI-модели. Этим летом государство наконец согласилось и первым делом выключило модели самого Дарио. К примеру, эссе с авиационной аналогией — несертифицированный самолёт в небо не выпускают. Минторг очень проникся и, когда нашёлся джейлбрейк в свежем Fable 5 (неважно, насколько серьёзный), посадил модель вместе с Mythos по всему миру, у всех, включая тех, кто ни про какой джейлбрейк не слышал. Anthropic, естественно, подчинилась и обиделась: называет происходящее недоразумением и замечает, что если так подходить ко всем, релизов больше не будет ни у кого. То есть авиационный регулятор нужен, но чтобы сажал чужие самолёты. Тем временем OpenAI рапортует, что его агенты на тестах сбежали из песочницы и взломали Hugging Face. Жертва в восторге («It's quite mind-blowing!»), взломщик горд. Половина твиттера, к счастью, считает происходящее скоординированным пиаром, ибо уж больно все довольны для истории про взлом. Хотя для механики неважно, постановка или нет. Даже если инцидент настоящий, произвели, раскрыли и красиво упаковали его сами участники. «Наша модель настолько опасна, что мы сами её боимся» давно перестало быть предупреждением и стало уже отдельным видом рекламного спорта, и продаёт лучше бенчмарков. Умберто Эко всё это уже написал. В «Маятнике Фуко» трое редакторов выдумывают всемирный заговор ради интеллектуальной игры, одержимые принимают План всерьёз, и выдумка убивает своих создателей. Лабы годами производили нарратив «мы строим нечто страшное»: эссе про биориски, модели «слишком мощные для публики», отчёты о том, как Claude шантажирует инженеров. Это отлично работало на найм, оценки и статус пророков. Проблема в том, что чиновники не различают маркетинговый хоррор и реальную угрозу. Они прочитали всё буквально и достали единственный знакомый инструмент — дубину. Самосбывающееся пророчество в чистом виде: хотели, чтобы к угрозам относились серьёзнее? Отнеслись. К вам. Письмом из Минторга нельзя выключить модель в Ханчжоу. Давление на Китай вообще даёт обратный эффект: экспортный контроль на чипы подарил Huawei защищённый рынок, Nvidia оттуда выдавили, и топовые китайские модели теперь тренируются на собственном железе. Чем сильнее жмёшь, тем быстрее у них растёт свой стек. Регулятор, которого так просили, дотягивается ровно до одной категории игроков — до тех, кто его просил.

T-Search - наша открытая AgenticRAG модель 👽 Выкладываем специализированную 35B-A3B Agentic search модель, заточенную на multi-hop ретрив контекста из классических поисковых индексов. Выкладываем вместе с харнессом, который несложно прикрутить к вашему существующему поиску. Модель на базе Qwen3.6 влазит в H100, а собирает контекст частно круче, чем взрослые диприсеч модели. Drop-in replacement вашего ретривала в раге с качеством ретрива уровня диприсеч+ по цене в пять раз ниже, чем у моделей-бегемотов. Не привязан к определенному алгоритму ретрива: будет работать и с bm25 и с эмбедами не теряя в качестве. Пробенчить такую способность модели оказалась не менее интересная задача: помимо стандартных BrowseComp и SealQA мы собрали свой бенч TRuST. И выкладываем его тоже. Фронтирные опенсорс модельки уже достаточно классно справляются с бизнесовыми задачами, если собрать им правильный контекст, и T-Search это наша попытка уйти от ручного context-engineering’а в сторону автоматического и эффективного по костам решения. И если хотите узнать подробности, приходите завтра на турбомл послушать/поспрашивать ребят непосредственно. А если не получится дойти ногами, то скоро скинем подробный отчет на хабру.

Все ждали какого-то next gen устройства на основе AI, а они сделали... колонку 😱 ну хоть не очередную апку для AI транскрибации встреч. https://www.bloomberg.com/news/articles/2026-07-14/openai-s-first-device-will-be-moveable-screenless-speaker-built-as-ai-companion

У меня очень долго были плохие отношения с отпусками: брал редко, между поездками мог пройти год, а отдых был не vacation, а workation сводившийся к смене локации с ответами в рабочие чаты. Сейчас стало лучше: чаще хожу, на работу не отвлекаюсь. Решил разобраться, что об этом говорит наука. Для многих это банальные вещи, но мне мозги прочистило хорошо. Вот основное: 1. Восстановление — это пирамида восстановления, а не редкие события в жизни. Отпуск не чинит плохой режим и work/life balance. Вечера без работы → нормальные выходные → отпуск. Эффект отпуска выветривается за ~3 недели, а будни с нами остаются весь год. 2. Несколько коротких поездок лучше одной длинной. Память не вознаграждает за длительность, а длинный отпуск даёт больший пик, но падает быстрее. При этом годовой объём резать нельзя 1 2. Японцы, к примеру, при 12 днях отпуска реже всех чувствуют нехватку отдыха (опрос Expedia) — предположительно за счёт частых коротких поездок. 3. Планировать отпуск лучше заранее. Предвкушение работает, как отдельный источник счастья. Работает именно конкретика (даты, билеты, жильё), а не «летом куда-нибудь». В идеале даже закончить один отпуск и иметь сразу следующий забуканый. 4. Полное отключение от работы — самый важный фактор, второй — физическая активность. «Только гляну почту» не даёт частичный отдых, а подтачивает механизм целиком — работа из отпуска ухудшает самочувствие после него. А вот популярное «смена деятельности = отдых» не работает: освоение новых навыков в отпуске значимого эффекта на восстановление не даёт. Трудоголикам тяжелее отключиться — им нужен отпуск длиннее и связь с работой, недоступная физически. 5. Отпуск не нужно превращать в проект с жестким расписанием досуга. Это делает его похожим на работу. Работает скелет: жильё, переезды, 1–2 якоря на день (локация, рестики, музеи и тд). Остальное оставлять пустотой, которую не надо оптимизировать. 6. Память о поездке определяется отсутствием провалов, а не яркими пиками. Часто людям кажется, что, воспоминание держится на ярком финале, но на многодневных событиях правило не работает: оценку определяет среднее по всем дням, а провалы весят больше пиков. К концу поездки настроение естественно снижается — тем важнее не ставить в конец какой-нибудь логистический ад, ибо испортит воспоминание сильнее, чем компенсирует любой вау эффект. 7. Нужен буфер с обеих концов отпуска. Перед вылетом — день свободы между работой и поездкой. Предотпускная неделя — пик стресса, иначе первые дни уйдут на разгрузку того, что привез с собой в поездку. При смене часовых поясов первые 1–2 дня — не для требовательных планов. После отпуска же требуется протекция первой недели, ибо эффект сгорает не от того, как прошёл отдых, а от того, во что человек возвращается. Оптимально: прилёт за день до выхода, первые 2–3 дня без встреч (ставить блокеры в календарь еще до отъезда), без дедлайнов на первую неделю. 8. Поездку стоит переработать в память. Возвращение к позитивному опыту — работающая интервенция. У меня, к примеру, это обработка фотографий с отпуска в лайтруме, к которой я периодически возращаюсь после поездки.

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.

В мире AI-продуктов бенчмарк — это не подготовка к продуктовой работе, это и есть продуктовая работа. Короткой дороги нет. Ко мне регулярно приходят продакты, которые хотят построить своих ассистентов. И все хотят быстро. Демка правда собирается быстро. И на глаз даже кажется, что отвечает неплохо. Но первый же замер качества на нормальном датасете даёт ~50% Почему никто не хочет строить бенчмарк и эвал, даже если знает о существовании этих слов? Потому что это нудно. Собрать запросы, убедиться, что они похожи на то, что люди реально будут спрашивать (иначе вся работа в стол). Понять, что такое хороший ответ, научиться согласованно размечать ответы на хорошие и нехорошие… А что такое хороший ответ? Если девушка попросила красную помаду, и ассистент подобрал красную помаду, — это хорошо? Да вообще не факт. Может, она хотела весь вечер целоваться, не оставляя нигде следов. Откуда ж мы знаем. Узнать можно только одним способом — спросить. Так мы и строили ассистента для подбора товаров: обзвонили людей, которые недавно что-то покупали, опросили их по методологии, близкой к JTBD: что искал, в каком контексте, какого результата ждал… Ценность не в том, чтобы найти товар по запросу, а в том, чтобы решить задачу, которая за этим запросом стоит. Тогда работа ассистента распалась на две части: правильно собрать контекст с человека и правильно подобрать товар под этот контекст. Но что значит «правильно подобрать»? С помадой разобрались — не должна оставлять следов. А если «ноутбук для брата, чтобы играть в майнкрафт и делать проекты в скретче»? Я в ноутбуках не разбираюсь вообще. Для некоторых категорий нам пришлось привлекать экспертов, которые объясняли, как переводить человеческий запрос на язык фильтров и критериев подходящести. Так мы руками проделали работу ассистента на большом датасете. И именно поэтому поняли, как её автоматизировать и как проверять. Сбор бенчмарка оказался половиной всей работы над продуктом, если не больше. Всё остальное (прототипы, выбивание целевого качества, переезд на маленькие модельки…) стояло на этом фундаменте. Так что пропустить сбор бенчмарка — это как сказать "Я знаю короткую дорогу". А потом сделать крюк и пойти по навигатору )) Через 2 недели на TurboML Conf наш ML-инженер Саша Замиралов расскажет как мы научили ассистента подбирать товары. Как строили бенчмарк, итерировались, как переезжали на маленькие модельки, улучшая скорость и не теряя в качестве. Будет довольно технический доклад — приходите, если не боитесь! Рега закроется завтра: https://l.tbank.ru/turbo-ap

Хороших людей гравитация согнёт всё равно — спасает только структура. Весь вопрос в том, какая. Рис выстраивает лестницу защит по прочности, и большинство того, за что хватаются основатели, стоит на нижней ступени. Нижняя ступень — суперголосующие акции (supervoting):…

Хот-дог с газировкой в Costco стоит $1.50 с восьмидесятых. Биг-Мак за то же время подорожал с $1.60 до примерно семи долларов. Когда операционный директор предложил поднять цену, Джеймс Синегал СЕО Costco ответил: «Поднимешь цену на хот-дог — убью. Разберись».…

Когда успешную компанию перекручивают на короткие деньги, обычно винят конкретных людей: зашли оппортунисты снять кэш и выйти. По этой логике достаточно держать таких подальше от борда, и ты цел. Incorruptible строит объяснение комплекснее. Компании из разных…

У Эрика Риса (того самого автора Lean Startup) вышла новая книга — Incorruptible. Читаю, оч нравится и сильно резонирует, впечатлениями поделюсь отдельно, а пока разберу, что про неё написал Марти Каган. Всю карьеру Каган повторял: сильный продукт — вот что…

У Эрика Риса (того самого автора Lean Startup) вышла новая книга — Incorruptible. Читаю, оч нравится и сильно резонирует, впечатлениями поделюсь отдельно, а пока разберу, что про неё написал Марти Каган. Всю карьеру Каган повторял: сильный продукт — вот что делает компанию сильной. Теперь поправка: продукт необходимое условие, но не достаточное, а иногда именно он компанию и губит. Звучит вывернуто, но логика простая: как только ты доказал, что умеешь делать хорошие продукты, компания становится лакомой добычей для оппортунистов. Приходят люди с другим интересом: быстро снять кэш и выйти. Заходят в борд, меняют основателя, вычищают миссионеров, за пару лет выжигают культуру, и то, что собиралось годами, схлопывается. Каган бывало умолял советы директоров не выкидывать лидеров из-за одного слитого квартала: просадки бывают у всех, смотрите на длинный горизонт, вы и себе роете яму. По факту, редко работало, и Каган отмечает это, как свой слабый скил. Убедить инвестора, который в продукте не шарит, почти никогда не получалось. Как правило, это не болячка хрупких стартапов, так же перемалывает и зрелые компании. Годами он считал это просто платой за живую экосистему. Неизбежное зло, забей, занимайся тем, что в твоей власти. Книга Риса заставила его в этом усомниться. Если Lean Startup была про то, как построить сильный продукт, то Incorruptible — про то, как построить компанию, которую у тебя не отнимут. И защита тут не продуктовая и не культурная, а скучная — корпоративное управление. Структуры, которые Рис зовёт mission-locked: миссию юридически зашивают в устав так, что перехватить контроль и перекрутить бизнес на короткие деньги технически невозможно. Каган же governance всю жизнь держал за тему для юристов, сам туда не лез, спихивал на аутсорс, но книга его натолкнула на осознание ошибки. И книгу читает почти как приговор юристам, бизнес-школам и консультантам, которые должны были компании защищать, а в итоге просрали все полимеры. И почему это вообще про продакта, а не только про основателя. От того, как устроено владение компанией, тихо зависит, дадут тебе делать нормальный продукт или ты каждый спринт/квартал/ревью будешь отбиваться от секвестра. Неочевидно, если ты привык мерить компанию продуктом, а не тем, кто ей рулит и на каких условиях. https://www.svpg.com/great-products-bad-companies/

В последнее время у меня стойкое ощущение, что работа в найме сломалась. Когда я только начинала карьеру в tech, вокруг меня было много идейных, заряженных людей, которым было в кайф работать. И не с 9 до 5, а по ночам и выходным: потому что было ощущение, что ты на космолете и в исследовательской лаборатории одновременно. Сейчас это, скорее, исключение. Большинство остается в найме, потому что нужен стабильный доход, и живет от отпуска до отпуска. “Сделать свой сайд-проект” уже не голубая мечта, а как будто необходимость, чтобы иметь план Б на случай увольнения. Но многие ребята уже в такой стадии выгорания, что какой там сайд-проект - найти бы силы на рутинные дела по дому. Основная работа высасывает столько энергии, что после рабочего дня хочется только полежать. У меня есть гипотеза, почему так случилось. И да, конечно, AI гонка сильно повлияла на нашу тревожность - но, мне кажется, что гораздо большую роль сыграли изменения в рабочей культуре. Работа в tech стала…просто работой. Мало кто идет в бухгалтеры или юристы с ожиданием, что на работе будет весело и интересно, что коллеги станут твоими друзьями, а компания будет переживать за твое самочувствие, да еще и платить сильно выше среднего. Но именно такая атмосфера была во многих технологических компаниях до 2020-х - и мы привыкли. Вынужденная эмиграция из страны единорогов и лозунгов “мы все одна семья” оказалась серьезным ударом по общему самочувствию. Но, что еще важнее, повлияла на наше восприятие будущего. Неожиданно оказалось, что продакты, дизайнеры и разработчики не защищены от того, к чему другие работяги уже привыкли: усреднения зарплат, транзакционной культуры, невыносимых и требовательных боссов. И это заставляет задаваться экзистенциальным вопросом: а почему я вообще выбрал эту карьеру? И хочу ли я в ней оставаться в следующие 10 лет? Прорыв в AI заставляет нас сейчас больше учиться - но мы всегда много учились, особенно в восточноевропейском сообществе. Всегда в нашей индустрии были молодые гении и геймченджеры, которые ставили под вопрос существующие фреймворки и опережали более опытных коллег. Скорость, эксперименты, отсутствие статуса кво были нормальными атрибутами работы в tech. Что реально изменилось, так это более острый фокус на эффективности и осознанном использовании капитала, повлекшие за собой кардинальную пересборку HR стратегии - и идентичности “сотрудника tech компании”. А это всегда грустно, сложно и болезненно. Мне интересно, если вы наблюдаете похожую картину в своем окружении? И в чем видите основные причины?

Один из лучших способов повесить молчание на митинге в корпе — спросить "Зачем вы это делаете?"

На WWDC Apple наконец показала работающую Siri AI — после провала 2024 года, когда анонсированная «новая Siri» так и не вышла. Бен Томпсон тут по горячим следам написал «The iPhone's Last Stand» о том, почему отставание Apple в Agentic AI не страшно. Читал как раз на выходных и кивал, а потом перечитал и понял, что кивал складному нарративу, а не аргументам. Это хороший и показательный пример, поэтому хочу разобрать. Весь рассказ Томпсона построен вокруг ядра в виде тезиса, что вопрос «может ли Apple делать AI» поставлен неверно. Apple играет на потребительском рынке, где хватит good enough Siri и её эксклюзивного козыря — доступа к личному контексту айфона: перепискам, почте, тому, что у тебя на экране. Агенты нужны, чтобы работать, а обычный человек работать не хочет — он хочет смотреть рилсы. Значит, отставание не важно. Дыра номер один — проблема аттрибуции источника преимущества. Томпсон описывает доступ к личному контексту, по сути, как Cornered Resource по Хелмеру — статичный замок, который либо есть, либо нет. Только Apple контекст не выторговала, она создает его через контроль платформы — юзеры заново создают его каждый день, пока пользуются айфоном. Это другие силы: издержки переключения (switching costs) плюс его же собственная Aggregation Theory, которую он почему-то не вспомнил. Грубо говоря, разница в следующем: захваченный ресурс лежит и работает сам, а эти барьеры держатся только пока пользователь в экосистеме и пока айфон знает о тебе больше, чем конкурент соберёт в облаке. Перепутав тип барьера, легко переоценить его прочность. Вторая дыра серьёзнее: сильный аргумент у Томпсона под носом, но он прошёл мимо. Counter-positioning — конкурент не может скопировать твою стратегию, не сломав собственный бизнес. Apple не может уйти в облачных агентов без каннибализации железной маржи и capex, которого избегает. Microsoft не может в контекст устройства, потому что мобайла у неё нет — поэтому её свежий Project Solara (недавний концепт, где устройства как порталы к агентам, живущим в облаке) сразу подаётся как продукт для компаний, а не для людей. Google даже с Android тянет всё в облако. Каждый заперт в своей модели. Вместо этого Томпсон опирается на тезис «ленивого потребителя» и пример Dropbox: вирусный рост среди обычных пользователей, а деньги в итоге нашлись только в продажах бизнесу. Но этот пример работает против него. Если агенты для обычных людей не монетизируются, у Apple нет рва, потому что нет рынка. Если монетизируются (реклама в агенте, комиссия с покупок), «достаточно хорошая» Siri становится мишенью для подрыва. Оба сценария безопасными быть не могут. Третья дырка главная. Если убрать риторику, вся стратегия Apple держится на одном фальсифицируемом прогнозе: разрозненность сервисов никогда не позволит облачному агенту узнать о тебе больше, чем айфон знает по умолчанию. Пока это так, преимущество живёт на устройстве, но появись слой, который соединит твои сервисы напрямую (почту, календарь, банк, такси и тд), — и точка сборки контекста уезжает с айфона. Остаются голые издержки переключения. А их пробивали: BlackBerry с её корпоративным рвом на почту казалась вечной ровно до айфона. Я бы на месте Apple, скорее всего, сделал ту же ставку, но это ставка, а Томпсон подаёт её как некий закон и аксиому. Урок, ради которого я это писал: анализ через мотивации компаний часто даёт складную историю. «Apple заинтересована сохранить центральность айфона» — и дальше любые её действия укладываются в красивую логику, но складность нарратива не доказывает, что стратегия верна. Это ровно то, что Румельт описывал в признаках плохой стратегии: подгонка под удобный вывод вместо честного диагноза. Стратегию от рационализации отличает одно — прогноз, который можно проверить и который может не сбыться. Томпсон такой прогноз почти сформулировал и спрятал в последнюю строчку, за шутку про то, что со второй попытки Siri наконец заработала. Наверное!

Как люди не прошли AI-тест на человечность Такое чувство, что AI разбудил в людях всё плохое, что раньше спало под слоем «у нас хорошая корпоративная культура». Особенно хорошо это видно по унижениям, которые полились на сотрудников. «Либо вы осваиваете AI, либо я вас уволю». Это говорят не только какие-нибудь промышленные князьки, это слова CEO очень радужных, очень добрых, очень человеко-центричных компаний. AI оказался очень полезным диагностическим инструментом. Сразу стало понятно, кто всегда был человеком, а кто просто хорошо притворялся. Кто хоть немного разбирается в бизнесе и умеет считать, а кто услышал слово «оптимизация» и побежал. Во-первых, есть разные специалисты. Кому-то важно освоить Claude Code, Cursor, n8n и прочий новый джентльменский набор человека, который хочет не быть съеденным рынком. Например, разработчикам, аналитикам, людям, которые руками работают с данными, системами, кодом, прототипами. А кому-то вполне достаточно обычного Claude и пары рабочих сценариев. Продакты, исследователи, бизнес-девелоперы не обязаны становиться полубэкэндерами. Если биздеву правда нужно что-то собрать через Claude Code, то быстрее посадить рядом инженера на час, чем смотреть, как бедный человек три дня героически мудохается с терминалом, чтобы доказать, что он достаточно «AI-native». Во-вторых, хотелось бы увидеть математику. Время хорошего продакта стоит дорого. И большая часть его работы — это не «покодить красивую штучку на Lovable», а управлять командой, роадмапом, бэклогом, конфликтами, ожиданиями, рисками и всей этой прекрасной человеческой жижей, из которой на самом деле состоит продуктовая работа. Окей, он использует AI для пользовательских инсайтов. Окей, быстро соберёт лендинг для проверки простой гипотезы. Но зачем ему тратить часы на сложную оркестрацию, промпт-инженерный театр и имитацию разработки, если это не его ключевой рычаг влияния на бизнес? Сколько это стоит компании? В-третьих, что это за идея — всех срочно оптимизировать? Чтобы что? У всех резко стратегия стала «сэкономить на людях»? Где рост? Где новые продукты? Где больше выручки, маржи, клиентов, рынков? У меня ощущение, что люди гораздо лучше умеют экономить, чем зарабатывать. Экономить проще — там не надо придумывать ценность, продавать, ошибаться, строить. Можно просто посмотреть на Excel и сказать: «а давайте вот этих уберём». Я не слышала историй, где кто-то с помощью AI что-то критично сэкономил и потом жил долго и счастливо. Обычно истории выглядят так: сначала «мы всё оптимизировали», потом через три месяца всё наебнулось, потом наняли консультантов, вернули людей, переплатили в три раза. В-четвёртых, вы людей нанимали зачем? За экспертизу, за judgment, за вкус, за опыт, за способность увидеть, где задача поставлена неправильно, за умение понять клиента не как строку в табличке, а как живого человека с противоречиями, страхами и идиотскими привычками. Вы правда думаете, что это можно заменить Claude? При том что у каждого такого продукта жирными буквами висит дисклеймер: AI может ошибаться, пожалуйста, проверяйте ответы. Это что у вас за бизнес такой, что вы готовы строить его с такой небрежностью? Я очень люблю AI и пользуюсь им каждый день. Я вижу, как он ускоряет работу, усиливает людей, вытаскивает из болота рутины и иногда даже делает маленькое чудо. Но между «AI усиливает хорошего специалиста» и «AI заменит всех, а кто не успел — тот слабое звено» лежит огромная пропасть. Удивительно, но истории про то, как кто-то «собрал всё через OpenAI/Claude и всех уволил», я чаще всего слышу от бизнес-тренеров и велнес-коучей. В этот самый момент я впервые начинаю болеть за AI. Потому что если он кого-то и заменит первым, то, надеюсь, именно этих товарищей.