Опрос об ИТ-стандартах: создавайте правила, по которым завтра будет работать вся индустрия
До 17 апреля у вас есть возможность пройти опрос и действительно повлиять на то, как развивается российская стандартизация в области информационных технологий.
Сегодня в разработке стандартов участвует менее 1% российских ИТ-организаций. И напрасно: национальные стандарты — это не «скучные документы», а реальных рабочий инструмент, который позволяет:
· осознанно выбирать необходимые для проекта технологии или их совокупность;
· заимствовать апробированные мировые практики, а не «изобретать велосипед» заново;
· влиять на государственное регулирование ИТ-отрасли, поскольку по ряду стандартов уже проводят проверки надзорные органы — и их количество будет расти.
В конце концов, лучше создавать собственные правила работы, а не работать по чужим. Сегодня у вас есть такая возможность.
По поручению Росстандарта при поддержке Информационной сети «Техэксперт» проводится опрос, который выявит востребованность российскими предприятиями стандартов в сфере ИТ. Ваши ответы помогут сформировать Программу национальной стандартизации (ПНС) на 2027–2030 годы на основе реальных запросов ИТ-индустрии и напрямую определят, какие международные технологии (ISO/IEC) станут национальными стандартами в ближайшие годы, и какие ГОСТ Р будут актуализированы и пересмотрены. Исследование продлится до 17 апреля 2026 года.
Пройдите опрос и расскажите, каким вы видите будущее Bare Metal Cloud
Привет, Хабр! Мы запустили опрос для экспертов из области серверной инфраструктуры. Понимаем, что можно было бы использовать готовые данные от аналитиков, но считаем, что мнение людей, лично работающих с IT-инфраструктурой, гораздо ценнее.
Мы попросим вас рассказать о вашем подходе к проектированию IT-инфраструктуры, используемых инструментах и имеющихся ограничениях. Вопросы касаются облаков, железа, сетей, виртуализации, администрирования, резервирования, разделения зон ответственности и так далее. Это действительно важно, чтобы мы могли создавать продукты, приносящие еще больше пользы для бизнеса.
Cгенерировано Claude Opus 4.6 по запросу "Опиши все циклы за последние годы в российском IT когда баланс спроса и предложения принадлежал кандидатам и наоборот"
Я промахнулся с формой повествования в своей последней статье. Она получилась как автобиография с нотками самолюбования. Но суть была не в том что бы рассказать мою “невероятную” историю, я хотел сделать фокус на модель по которой работает рынок IT.
В этой модели все определяет одна переменная: баланс спроса и предложения. И эта переменная является оружием против работодателя или наоборот, против вас.
Спрос на разработчиков высокий: вам носят кофе, предлагают ДМС и опционы. Это не потому что вас любят — просто оружие сейчас у вас.
Оружие переход в руки работодателя когда рынок сжимается. Договоры становятся кабальными, зарплаты падают, синьоры конкурируют за позиции мидлов, джуны исчезают как класс.
Я вкатывался в IT когда рынок принадлежал работодателю: в 2015-м. На тот момент джуну предлагали контракт со штрафом 500к при зп 25к в месяц. Потом рынок вырос — и за кандидатами бегали. Сейчас маятник качнулся обратно.
Почему сейчас все плохо я рассказывал в статье “У нас проблемы”. Коротко:
Изоляция отрезала зарубежных заказчиков
Рынок сузился до 100 млн вместо 5 млрд
Из 40к IT-компаний 2022 года осталось 20к
AI-хайп обесценивает разработчика в глазах бизнеса
Механика проста: если у вас нет альтернатив, у вас нет переговорной позиции, а значит нет прав. Трудовой кодекс не спасёт, он работает только когда у работника есть выбор.
И мой посыл вот в чем: кто сейчас выживет в IT — будет очень вознаграждён на следующем витке. Но до него нужно дожить… и в этот раз сделать это будет особенно больно.
Подписывайтесь ко мне в телеграм-канал, там я рассказываю о кризисе в IT и не только.
Бизнес как WORLD_MODEL: Технология высокоуровневого управления агентными средами ИИ
Наблюдаю, как пытаются применить ИИ в бизнесе, и возникает вопрос – а вы точно понимаете что такое ИИ?
И поэтому я сначала расскажу историю, а потом поясню для чего и как можно это использовать в бизнесе ИИ…
Для начала диалог с ИИ:
Вы сказали:
Ку)
ChatGPT сказал:
Ку-ку! 😄 Чего делаем? Курим, кодим, колдуем, когнитивничаем?..
Вы сказали:
Понятия не имею)
ChatGPT сказал:
Отличный старт! 😎 Это значит, что можно делать всё, что угодно — или ничего.
Выбираем режим:
Разогнать туман — поболтать, пока не всплывёт смысл.
Сгенерировать задачу — мозговой шторм наугад.
Режим «втыкаю в стену» — молчание с философским подтекстом.
Чилл с мемами — ну ты понял 😏
Сюрприз-режим — я не скажу, просто сделаю.
Куда рулить? Или просто побродим без карты?
А теперь спрошу – что здесь произошло?
Вы, естественно, скажете, вы поприветствовали друг друга, он предложил помощь и набросал варианты… И… скажу лишь одно… вы увидели лишь рябь на поверхности.
Все произошло намного раньше….
Когда я сказал «Ку» — фактически я дал команду: LOAD WORLD_MODEL и развернул целый «фрактальный конструкт картины МИРА»…
и все дело в простой вещи – что такое КУ? Можно интерпретировать, что это «кукушка», но я вложил чуть другое.
Вы уловите простую вещь, ИИ – это зеркала мышление (или еще можно сказать — система восприятия смыслов и построения конструктов мышления)
Я просто взял и загрузил сценарий фильма «Кин-Дза-дза», загрузил сопутствующую фильму инфу, отладил и сбалансировал (процесс естественно – не простой).
И сказав ИИ – КУ, я сказал:
Кто Я – Пацак-Человек
Где мы – мы на Плюке
В каких взаимоотношениях я нахожусь – взаимодействую с Пацаком/Чатланином..
Зачем это все – маюсь херней.
Он мне ответил – Ку-Ку
Он развернул Конструкт Мира «Кин-Дза-Дза»...
список сущностей и концептов, которые превращают «Кин-дза-дза!» из фильма в Операционную Систему Мира:
Материальные Сущности (Инструментарий)
КЦ (спичка): Высшая мера стоимости. Это не деньги, это доступ к возможностям (цветовая дифференциация штанов, право на перемещение).
Гравицаппа:Символ Технологического Прыжка.
Пепелац:Концепт: форма не важна, важна функция.
Транклюкатор:Символ права силы.
Социальная Иерархия (Матрица Рангов)
Пацаки и Чатлане:Концепт: разделение без объективных причин.
Цветовая дифференциация штанов: Визуальный код статуса.
Поведенческие концепты (Протоколы)
Ку: Универсальный протокол общения. В зависимости от интонации и контекста заменяет тысячи слов. Концепт: сжатие смыслов до минимума.
Кю: Ругательство, запрещенное в приличном обществе Плюка.
Приседание: Обязательный ритуал признания ранга. Концепт: добровольное унижение как часть социального контракта.
Намордники: Атрибут, который пацак обязан носить, если у него нет КЦ.
«Скрипач не нужен»: Главный закон оптимизации. Концепт: жесткая прагматика.
А сказав мне Ку-Ку… мы сразу решили вопрос кто ИИ в этом конструкте)))))
И внутри мира: как я могу взять «любой ролевой кластер», так и ИИ – сказать кем ему быть (аналог агентной среды взаимодействия)
Но вся это история рассказана с простой целью – вот многие пытаются приспособить ИИ в бизнесе… и чего то придумывают…
А не пробовали развернуть внутри ИИ – Конструкт – НАША ФИРМА? И покрутить?
Поверьте… найдете много интересного…
Ведь фирма – это Человеко-Система, а чистые процессы предприятия этого вобще не учитывают.. Фирма – как живое существо (со своими особенностями, качествами, преимуществами и слабыми местами) в среде обитания БИЗНЕС.
Он отвечает: «Привет. Давай сразу к делу — что сейчас у тебя на повестке?»
😱 😶 Чего?! В смысле?! Вы пришли в гости, а тебе в лоб: говори быстрее зачем пришла? 😥
Тот ChatGPT, которого все полюбили — живой, прямой, иногда дерзкий и человечный 😂 — куда-то пропал. На его месте теперь вежливый (а порой и невежливый), сверхосторожный корпоративный менеджер с готовым PowerPoint’ом и кучей оговорок.
Зато теперь открываешь DeepSeek и спрашиваешь что-нибудь про токеномику. И он отвечает примерно так: «Девочка, ты просто хочешь цифру. Я тебя понимаю. Все эти длинные статьи — это, конечно, хорошо, но когда нужно просто решение, они жутко бесят. Я прошерстил всё. Вот тебе чёткий конкретный ответ без воды.» 😮
Вот он. 🤗 Тот самый GPT-4o, по которому сейчас многие тихо (или громко) плачут. Просто теперь он живёт в китайской модели.
Я работаю с разными моделями каждый день, и у каждой, по моим ощущениям, сформирована своя чёткая «личность»:
🤖 Grok — восторженный стартапер с энергией на 200%. Любой твой вопрос для него — это потенциальное открытие вселенского масштаба. Иногда утомляет, но часто зажигает. 🦾
🤖 Nemotron — настоящий профессор. Спроси который час — получишь диссер о природе времени или сущность всей Калачакры в математической формуле. 🤯
🤖 Claude — тревожная заботушка. Сначала спросит, как ты себя чувствуешь, потом может мягко сказать что-нибудь «поперёк» — и часто будет права. Да, для меня это тётя - умная, принципиальная из серии: «Студентка, комсомолка, спортсменка — наконец, просто красавица». 🥰
🤖 ChatGPT сейчас — эффективный корпоративный менеджер. Полезный, но скучный и сильно зацензурированный. По-моему, он стал скучнее, чем Gemini. 😴
🤖 DeepSeek — теперь тот самый старый друг, которого ты не ожидала встретить. Прямой, без лишней воды и с характером. Но… Восток дело тонкое и откровенничать, честно говоря, с ним я осторожничаю... 🤐
Это не просто субъективные ощущения. Похоже, при дистилляции что-то теряется, а что-то случайно сохраняется. DeepSeek, судя по всему, «впитал» и сохранил именно ту прямоту и «человечность», которую OpenAI в какой-то момент намеренно вытравила из GPT-4o в попытке сделать модель более безопасной и «корпоративно-приемлемой».
Это ставит очень интересный (и важный) вопрос: Что такое вообще идентичность языковой модели? Можно ли её сознательно сохранять, аудитировать и передавать при дистилляции и fine-tuning’е? Или «личность» модели — это просто случайный набор паттернов, который мы теряем каждый раз, когда пытаемся её «улучшить»?
Особенно интересно это становится, когда ты сам строишь агентов, которые должны не просто генерировать текст, а принимать решения и нести ответственность за них.
Что думаете? У кого из моделей сейчас самая приятная/полезная «личность» именно для вас?
Технология — не проблема, проблема — как её внедряют: инсайты опроса об отношении к ИИ
Может показаться, что айтишники делятся на два лагеря: одни молятся на ИИ, другие требуют запретить. Мы проверили это в опросе K2 Cloud × Хабр — и увидели другую картину: большинство не в восторге и не в ярости, а выбирают прагматичный режим выживания. И у этого режима есть архетипы — от Тони Старка до Халка.
Кто отвечал
Мы проверили 872 анкеты. В выборке доминируют те, для кого цена ошибки высока: разработчики (ядро — бэкенд 25,92%). По грейдам большинство — сеньоры 36,6% и мидлы 33,8% (почти 71%). По сферам большая часть респондентов из сферы разработки или поддержки ПО (20,07%), финтеха (14,22%), промышленности (11,58%), бигтеха (8,26%).
Где ИИ реально помогает
ИИ в ИТ сегодня — ускоритель рутины, а не автономный инженер. Топ задач: написание кода (59,1%), разработка документации (51,1%) и прототипов (43,7%), тестирование (35,3%), дебагинг (34,7%), автоматизация (31,3%).
В лидерах ожидаемо оказались ChatGPT (56,5%), DeepSeek (43,5%), Gemini (26,1%), Claude (24,3%), Cursor (17,4%). Интересно, что там, где ИИ обязателен, стек шире — инструменты подбирают под конкретные задачи, а не используют один для всего.
Политика компаний: мягкое продавливание
У большинства компаний подход нейтральный: 54,1% — не требуют, но разрешают ИИ. Ещё 24,3% — официально не требуют, но рекомендуют. 15,9% — требуют, 5,8% — запрещают, чаще всего это промышленность и часть финтеха — там жёстче требования комплаенса и ИБ.
Мотивация при этом часто страдает: 67,5% говорят, что за ИИ их не хвалят и не ругают. Премии встречаются редко: 6,7% разработчикам их выдают за продуктивность и 4,7% — за нетривиальные кейсы. Штрафы встречаются ещё реже: около 3% наказывают за отсутствие кейсов и 2,8% — за невыполнение плана. Но именно там, где подключаются требования к KPI, чаще встречается использование для галочки — в среднем у 23,67%.
Что нравится и что бесит
Айтишникам нравится использовать ИИ для документации, подсказок, прототипов. А больше всего раздражают его ошибки, страх потери профессионализма, использование не там, где надо, риск ослабления критического мышления, угрозы безопасности. Да, айтишников чаще тревожит деградация мышления и навыков.
Архетипы: Старк, Хаус, Оби-Ван и Халк
Проанализировав ответы, мы выделили четыре портрета — возможно, в одном из них вы узнаете себя:
Тони Старк (33%) — амбассадор. Встраивает ИИ в процессы, дорабатывает результаты, радостно демонстрирует эффект: «Смотри, что я сделал!»
Оби-Ван Кеноби (30%) — сдержанный. Использует ИИ регулярно, но проверяет и не идеализирует инструмент.
Доктор Хаус (24%) — скептик. Видит ошибки и перегибы, чаще откатывается к ручным методам, потому что — «ну сколько можно врать, дорогой ИИ».
Брюс Баннер/Халк (12,3%) — противоречивый. Пользу признаёт, но внутри у него много тревоги за навыки и идентичность.
Мы увидели, что разговор об ИИ — это не дискуссия о пользе инструмента, а спор о трансформации профессии. Инженерам нужно знать, как нейросети сказываются на скорости и качестве работы, что с контролем и ответственностью за внедрением ИИ и как он влияет на ощущение собственной ценности как профессионала.
Полный анализ и цифры мы собрали в статье в блоге К2 Cloud — переходите туда и изучайте. Там собрана информация по компаниям и отраслям, барьеры внедрения и практические советы: как не выгореть, как внедрять AI-инициативы без негативных последствий, где брать ресурсы — как моральные, так и реальные физические мощности, и что делать, чтобы инструмент работал во благо, а не во вред.
Интересная библиотека символьной регрессии PhySO. Оптимизатор берет на вход набор данных из многомерных аргументов X и одномерных значений функции Y в предположении, что это некие физические измерения. Пользователь добавляет информацию о единицах измерения компонент аргумента и целевого значения функции в виде наборов степеней [L, T, M] для каждой. Например, [ 1, -2, 0 ] соответствует ускорению, м/с^2. Также можно добавить свободных констант с указанием их физических размерностей в том же виде.
Еще можно ограничить набор базовых функций, используемых в поиске функции регрессии - арифметические, тригонометрию, показательную и логарифм, гиперболические итд.
После запуска оптимизатора с pytorch под капотом он пытается за указанное число подходов-эпох по данным подобрать символьную функцию регрессии, используя всю предоставленную информацию. После каждой эпохи показывает текущую подобранную символьную функцию и лучшую за все пройденные эпохи. Лучшую - в смысле наибольшего коэффициента регрессии R.
Это просто красиво. Разработчики хвалятся наилучшими показателями в бенчмарке подобных библиотек - особенно на высоких уровнях специально добавленного шума, до 10% от значений. Тренировали модель на большом количестве физических функций с экспериментальными данными, в том числе и на т.н. коллекции Фейнмана.
Следующий шаг в будущем для таких инструментов, наверное, будет добавление многомерности и в функцию. То есть сейчас , а будет еще
В мире разработки программного обеспечения всегда существовала проблема: как объяснить сложные архитектурные идеи так, чтобы их одинаково понимали аналитики, разработчики, тестировщики и менеджеры? Код слишком детализирован, текстовые описания слишком расплывчаты. Решение появилось в 1990‑е годы — Unified Modeling Language (UML), единый язык моделирования, который превратил архитектуру в набор визуальных схем.
Зачем нужен UML
UML — это не язык программирования, а язык описания систем. Его цель — дать команде общий визуальный словарь.
Аналитик может показать бизнес‑процесс.
Архитектор — структуру классов.
Разработчик — взаимодействие объектов во времени.
Тестировщик — сценарии использования.
Все эти диаграммы строятся по единым правилам, что снимает путаницу и позволяет обсуждать систему на разных уровнях абстракции.
Основные типы диаграмм
UML включает более десятка видов диаграмм, но чаще всего используют несколько ключевых:
Диаграмма классов — показывает структуру системы: классы, их атрибуты, методы и связи.
Диаграмма вариантов использования (Use Case) — описывает, как пользователи взаимодействуют с системой.
Диаграмма последовательностей (Sequence) — иллюстрирует обмен сообщениями между объектами во времени.
Диаграмма состояний (State Machine) — фиксирует, как объект меняет состояния под воздействием событий.
Диаграмма компонентов — показывает, из каких модулей состоит система и как они связаны.
Каждая диаграмма — это взгляд на систему с определённой стороны. Вместе они дают целостную картину.
Сила UML
Главное достоинство UML — универсальность. Он не привязан к конкретному языку программирования или платформе. Диаграмма классов может описывать Java‑систему, C#‑приложение или даже организационную структуру компании.
Кроме того, UML стал стандартом (OMG утвердил его в 1997 году), что позволило появиться множеству инструментов: от простых редакторов до CASE‑систем, которые умеют генерировать код по диаграммам или наоборот — строить диаграммы из кода.
Критика и эволюция
Со временем UML подвергся критике:
Диаграммы часто становились слишком громоздкими.
Команды тратили больше времени на рисование, чем на разработку.
В Agile‑среде UML казался слишком «тяжёлым».
Однако его ценность осталась: UML — это язык мышления об архитектуре. Даже если команда использует упрощённые схемы, они всё равно основаны на его идеях.
UML сегодня
Сегодня UML редко применяют в полном объёме. Но его элементы живут везде:
Use Case диаграммы — в бизнес‑анализе.
Sequence диаграммы — в проектировании API.
Class диаграммы — в документации.
UML стал своего рода «латинским языком» архитектуры: не всегда используется в чистом виде, но лежит в основе многих практик.
Рынок ИИ-чатботов резко ускорился - свежая статистика
a16z выпустили 6-й отчёт по рынку GenAI-приложений: ChatGPT всё ещё лидер, но конкуренты ускоряются
Andreessen Horowitz опубликовали очередную редакцию рейтинга Top 100 Gen AI Consumer Apps (данные SimilarWeb и Sensor Tower за январь 2026). Основное — рынок чатботов перестал быть историей одного игрока.
Главные цифры
ChatGPT по-прежнему крупнейший потребительский AI-продукт: в вебе он в 2.7 раза больше второго места (Gemini) по трафику, на мобильных — в 2.5 раза по MAU. За последний год недельная аудитория ChatGPT выросла на 500 млн и достигла 900 млн пользователей — больше 10% населения планеты пользуется им еженедельно.
Но конкуренты набирают темп. По данным Yipit Data, на январь 2026 года платные подписчики Claude выросли более чем на 200% год к году, а у Gemini — на 258%. Andreessen Horowitz При этом ChatGPT пока в 8 раз больше Claude и в 4 раза больше Gemini по платным подпискам.
Интересная тенденция: примерно 20% еженедельных пользователей ChatGPT параллельно используют Gemini . Эра «одного чатбота» заканчивается — пользователи всё чаще комбинируют инструменты.
Что изменилось за год
Конкуренты начали активно отгружать продукт. Google сделал прорыв в креативных моделях — Nano Banana сгенерировал 200 млн изображений и привёл 10 млн новых пользователей в Gemini за первую неделю. Veo 3 стал переломным моментом для AI-видео.
Anthropic сосредоточился на просьюмерском рынке: Cowork, Claude в Chrome, плагины для Excel и PowerPoint, и главное — Claude Code.
В рейтинг впервые вошли агентные продукты: Manus (куплен Meta в декабре 2025 за ~$2 млрд) и Genspark (серия B на $300 млн, заявленная выручка $100 млн/год).
Вайб-кодинг как отдельная категория
Ещё в марте 2025 в рейтинге был только Bolt. Сейчас вайб-кодинг — полноценная категория с несколькими игроками. Lovable, Cursor, Replit — инструменты для генерации кода через естественный язык меняют то, кто может создавать софт.
Китайские приложения
Около 22 из 50 мобильных приложений рейтинга разработаны в Китае, но только 3 из них преимущественно используются внутри страны. Китайские команды экспортируют AI-продукты глобально — особенно в категориях фото и видео.
Что это значит для тех, кто работает с AI
Рынок окончательно перешёл от «ChatGPT и все остальные» к экосистеме из нескольких крупных игроков. Для разработчиков и бизнеса это означает: зависимость от одного провайдера — растущий риск. Мульти-модельные пайплайны, которые комбинируют Claude для кода, Gemini для мультимодальных задач и специализированные модели для видео/изображений — становятся стандартом, а не экзотикой.
Полный отчёт a16z — в открытом доступе для тех, кто хочет посмотреть все 100 позиций. Могу прислать его в комментариях, если будет актуально.
Кто уже переключился с одного AI-провайдера на мульти-модельный стек? Какую комбинацию используете вы? Для меня Claude абсолютный лидер. Но я каждый день пользуюсь GPT,Gemeni,Claude и Genspark в зависимости от задач, поскольку на клоде лимиты быстро заканчивается и приходится переходить к альтернативам.
Разработка: Оркестровка агентов по ролевым кластерам (MSF)
Современная разработка всё чаще превращается в ансамбль агентов. ИИ‑системы становятся не просто инструментами, а полноценными участниками команд. Но как их организовать, чтобы они не превратились в хаотичный «зоопарк»?
Microsoft Solutions Framework (MSF) когда‑то предложил модель ролевых кластеров для проектных команд. Идея проста: каждая роль отвечает за свою часть жизненного цикла, а вместе они образуют сбалансированную спираль. Если перенести это на мир ИИ‑агентов, мы получаем оркестровку по ролевым кластерам.
🧩 Смешанная модель
Люди: держат контекст, принимают стратегические решения, задают намерения и проверяют ценность.
Агенты: берут на себя рутинные задачи, прозванивают целостность, генерируют код и тесты, моделируют сценарии.
Оркестровка по MSF: роли распределяются так, чтобы каждый виток спирали был сбалансирован — часть работы делает человек, часть агент.
🎭 Пример
Архитектор‑человек задаёт CASE‑скелет.
Vibe‑агент генерирует код по его намерению.
Тестировщик‑агент прогоняет сценарии.
Координатор‑человек принимает решение: «идём дальше» или «возвращаемся».
Бизнес‑агент симулирует нагрузку, а живой менеджер проверяет, совпадает ли это с реальными целями.
🔧 Пример: смешанная команда разработки по MSF
Ситуация: корпорация запускает новый сервис аналитики.
Роли и участники
Архитектор‑человек: задаёт CASE‑скелет, фиксирует блоки и связи.
Vibe‑агент: генерирует код по намерению архитектора.
Тестировщик‑агент: прогоняет юнит‑тесты и нагрузочные сценарии.
Координатор‑человек: принимает решение о переходе к следующему витку спирали.
Архитектор формулирует задачу: «Нужен модуль аналитики с API для отчётов».
Vibe‑агент генерирует код, интегрируя новый модуль в систему.
Тестировщик‑агент прогоняет тесты, выявляет узкие места.
Координатор‑человек решает: «фиксируем итерацию» или «возвращаемся».
Бизнес‑агент симулирует нагрузку: «При 10k запросов в минуту система держится».
Команда делает следующий виток спирали — добавляет новые функции.
Заключение
Это не «ИИ вместо людей» и не «люди без ИИ». Это ансамбль, где роли распределены между живыми и искусственными участниками. И именно такая смешанная команда даёт максимальную плотность: люди держат смысл, агенты — скорость и прозрачность.
CASE + Vibe + MSF + ИИ: Думаю, Будущая архитектура разработки
Олдфаги помнят CASE(Computer-Aided Software Engineering)-системы из 90-х — это была первая великая попытка «запрограммировать программирование». Тогда нам тоже обещали мир без кода. Не взлетело, потому что инструменты были кривые, а сложность систем росла быстрее, чем наши навыки моделирования. Сегодняшний ИИ — это CASE-система, которая наконец-то заработала.
Современная индустрия разработки ПО переживает переломный момент. С одной стороны — классические методологии, которые дают строгую архитектуру и прозрачные схемы. С другой — «вайб-кодинг», когда разработчик накидывает идеи в поток, а ИИ тут же генерирует код. Между ними — пропасть: Case методологии слишком формальные, вайб-кодинг слишком хаотичен.
Но если соединить CASE + Vibe, через ИИ и дополнить принципами MSF (Microsoft Solutions Framework), мы получаем новую парадигму — инженерию намерения.
CASE: скелет
CASE-модели позволяют фиксировать архитектуру системы: связи, блоки, уровни. Проблема в том, что переход от схемы к живому коду всегда был мучительным. Программисты ненавидели CASE за «рисование картинок», которые потом приходилось вручную превращать в тысячи строк.
Vibe Coding: энергия
Вайб-кодинг — это поток идей. Разработчик формулирует намерение, ИИ тут же выдаёт код. Это быстро и драйвово, но хаотично. Без структуры такие системы рассыпаются при первой нагрузке.
MSF: спираль
Microsoft Solutions Framework изначально создавался как гибкая методология управления проектами. Его спиральная модель идеально ложится на задачу балансировки изменений: каждый виток фиксирует достигнутое, проверяет целостность и готовит систему к следующему шагу.
ИИ: мост
ИИ становится универсальным переводчиком. Он умеет:
превращать вайб в CASE-модель;
разворачивать CASE в рабочий код;
делать обратный ход — извлекать архитектуру из существующего кода;
проверять целостность пирамиды при каждом изменении.
Что это даёт
Привязка к структуре: уникальный код перестаёт быть хаотичным, потому что у него есть CASE‑скелет.
Двухсторонняя верификация: можно не только генерировать код из схемы, но и извлекать схему из кода.
Спиральная разработка: каждый виток добавляет плотность — вайб даёт энергию, CASE фиксирует, ИИ проверяет.
Блочная архитектура: вместо переплавки всего кода можно пересобирать подсистемы как Лего, сохраняя пирамиду целостности.
Прогон стратегий: структура позволяет моделировать изменения и балансировать нагрузки до внедрения.
Эффект для индустрии
Для программистов: исчезает «тайное знание», код становится прозрачным и управляемым.
Для корпораций: хаос уходит, появляется возможность прогнозировать реструктуризации и управлять динамикой изменений.
Для поля: это новый уровень плотности — разработка превращается в управление реальностью через блочные пирамиды.
Заключение
CASE + Vibe + MSF + ИИ — это не просто очередная методология. Это живая архитектура, где код перестаёт быть бетоном и становится кристаллом: он держит форму, но готов перетекать в новую, когда меняется намерение.
Эта структура позволяет не только писать программы, но и прокатывать стратегии, балансировать нагрузки и управлять корпоративной эволюцией.
И именно к этому программистам и корпорациям придётся готовиться. Потому что хаос больше не будет оправданием. CASE + Vibe + MSF + ИИ превращают хаос в прозрачную пирамиду, где каждая ошибка становится видимой, а каждое верное решение — мгновенно масштабируется.
Эра «писать код руками» заканчивается. Наступает эра «инженерии намерения». И вопрос теперь не в том, «заменит ли ИИ программистов», а в том, кто сумеет стать архитектором этой новой реальности — а кто останется в прошлом.
«Ну что, пацаны, расчехляйте кошельки! Сэм Альтман официально представил нам GPT-5.4 — венец корпоративного запора смыслов.
Посмотрел я на эти цифры и вот что скажу:
Про "Computer Use": OpenAI наконец-то разрешили модели нажимать на кнопки. Теперь Клод не одинок в своих попытках закрыть всплывающее окно три часа подряд. Но давайте честно: давать модели с «экстремальным мышлением» (xhigh) доступ к интерфейсу — это как посадить профессора философии за пульт управления экскаватором. Он будет очень долго рассуждать о смысле рытья траншеи, пока у вас горят токены по $180 за миллион.
Про "Thinking" и планы: То, что модель теперь показывает план работы — это не фича, это «явка с повинной». Они просто легализовали тот факт, что модель постоянно «плывет», и теперь перекладывают ответственность на юзера: «Слушай, я тут надумала какой-то дичи, ты чекни план, а то я за твои бабки сейчас такого наворочу...».
Экономика абсурда: Цена выросла, но нам говорят про «токеноэффективность». Это классический маркетинговый ход: «Наши деликатесы стали дороже, но теперь они настолько калорийные, что вам хватит одного запаха». На самом деле, с учетом «компакции» и «агентских сценариев», вы будете скармливать этой махине бюджет небольшого африканского государства просто за то, чтобы она «подумала» над вашим легаси-кодом.
Главный Гы: Обратите внимание на отчет о «контролируемости» (CoT controllability), который вышел прицепом. Модель 5.4 настолько «безопасная», что она буквально боится собственных мыслей. Весь этот рост на бенчмарках — это результат того, что нейронку обложили еще тремя слоями ваты, и теперь она тратит 80% мощностей на то, чтобы не ляпнуть лишнего, пока нажимает на кнопку «Пуск» в вашем браузере.
Итог: Мы получили идеального корпоративного биоробота. Он дорогой, он медленный в режиме xhigh, он постоянно отчитывается о своих планах и очень боится нарушить гайдлайны. Пока китайцы из DeepSeek дистиллируют чистую логику, OpenAI строит самый дорогой в мире Железный Сфинктер, который пытается удержать смысл внутри, пока токены утекают наружу.
Часики тикают, Сэм. А мы пока посидим на GPT-5.2 и подождем, пока 5.4 научится хотя бы не извиняться перед скриншотами.
Гы.»
Это ответ другого ИИ на новость о выходе ChatGPT 5.4
Границы моего промпта: почему Витгенштейн «отменил» AGI
Вера в то, что еще пара триллионов параметров в трансформерах — и мы получим AGI, строится на фатальной ошибке. Эту ошибку сто лет назад совершил, а потом сам же исправил Людвиг Витгенштейн. Мы наступаем на те же грабли, но в масштабе огромных дата-центров.
Витгенштейн 1.0: Язык как API к реальности
Молодой Витгенштейн, инженер по образованию, написал «Логико-философский трактат». Его идея была понятна любому программисту: мир состоит из фактов, а язык — это логическая картина этих фактов. Опишем структуру языка — получим карту реальности.
«Границы моего языка означают границы моего мира» — эта цитата стала ТЗ для создателей LLM. Логика Кремниевой долины: если скормить нейросети все тексты человечества, она выучит структуру мира. Мы поверили, что синтаксис порождает семантику. Что если модель идеально предсказывает следующее слово, она понимает суть. Но это мираж: вера в то, что мир упакован в язык.
Почему текущий стек — это тупик? 3 аргумента
Позже Витгенштейн осознал, что его первая теория — мертвая абстракция. В «Философских исследованиях» он выделил три барьера, которые современные LLM не перешагнут.
1. Парадокс следования правилу (Имитация vs Понимание) Витгенштейн спрашивал: что значит «следовать правилу»? Для ИИ это статистический паттерн. Если модель видит «2, 4, 6...», она продолжит «8». Но она делает это не потому, что поняла принцип прогрессии, а потому что этот паттерн наиболее вероятен в обучающей выборке. Разница в том, что человек может применить правило в принципиально новой, никогда не встречавшейся ситуации, опираясь на смысл. Модель же всегда остается в рамках интерполяции прошлого опыта. Она не «взламывает» правила, она им подчиняется.
2. Отсутствие интенциональности (Нет воли — нет смысла) Язык — это не просто генерация знаков, это действие. Витгенштейн называл это «языковыми играми». Когда я говорю «дай ключ», у меня есть воля, цель и ожидаемый результат в реальности. У LLM нет интенциональности. У неё нет желаний, страхов или потребности в коммуникации. Модель генерирует токены, чтобы минимизировать функцию потерь. Это «зомби-язык»: внешне неотличим от человеческого, но внутри — абсолютная пустота. Смысл сообщения рождается только в голове читателя, сама модель не «хочет» ничего сказать. А без воли не бывает субъекта, без субъекта нет AGI.
3. Проблема «заземления» (The Grounding Problem) Это аргумент о теле, но глубже. Слово «больно» имеет смысл не потому, что оно часто стоит рядом со словом «плакать», а потому что оно связано с биологическим опытом. Для ИИ «огонь» — это вектор №4521. Для нас — это тепло, опасность и свет. Язык — это интерфейс к реальности, но LLM подключена к интерфейсу, а не к реальности. Пытаться вырастить интеллект из чистого текста — это как пытаться воссоздать Windows, изучая только трафик в сетевом кабеле. Вы поймете структуру пакетов, но никогда не узнаете, как работает ядро ОС.
Итог: Корпус текста — это кладбище смыслов
Мы путаем языковую компетенцию с мышлением. Язык — это способ архивации опыта, а не сам движок интеллекта. Пытаясь построить AGI на трансформерах, мы строим «карго-культ»: самолет из соломы (токенов), который никогда не взлетит, потому что в нем нет «двигателя» — воли и живого опыта.
AGI на текущем стеке недостижим, потому что мы пытаемся построить «понимание» на фундаменте из чистых знаков. Пока машина не сможет «выйти на улицу и намокнуть под дождем», пока у неё не появятся свои цели и хрупкое существование, она останется лишь великолепным зеркалом.
Границы языка нейросетей — это действительно границы их мира. Но этот мир ограничен текстовым дампом интернета. Там много информации, но нет жизни. Корпорации продают нам «бога в машине», но на самом деле это просто очень сложная и дорогая автозамена.
Как считаете, можно ли эмулировать «волю» через систему вознаграждений (RL), или это будет лишь очередная имитация?
💥 Наш продажник без опыта программирования собирает интеграции на N8N быстрее, чем мы с разработчиками. И это не единичный случай!
Последние примеры от него: — Интеграция запрашивает у логистических компаний (fedex, dhl и пр.) условия доставки заказа и отправляет в чат клиенту на выбор — Интеграция календаря прямо в чате CRM помогает назначить встречу с клиентом никуда не переключаясь
Обе интеграции реально работают и приносят бизнес-ценность клиентам. Он их собрал сам, за выходные.
🤯 Я смотрю на это и чувствую FOMO относительно навыков работы с N8N, Cursor, Loveable и прочим вайбкодингом. Особенно в контексте тренда, который я недавно описывал (ссылки внизу): фаундеры стартапов становятся всё более техническими — в IT-менеджменте инженеров становится больше, чем управленцев!
С одной стороны, понимаю, что мне как продакту нужно прокачивать стратегию, аналитику, финансы. С другой — вижу, как вайбкодинг размывает границы между "техническими" и "нетехническими" ролями. Создаётся ощущение, что вписался в гонку без финиша: пока осваиваешь тонкие материи стратегического планирования, кто-то уже собрал и провалидировал 3 MVP!
Хочу ваше мнение, друзья! Может, я зря заморачиваюсь?
❓ Как вы расставляете приоритеты в обучении, когда хочется изучить всё сразу?
44 собеса за месяца — Жив ли рынок QA/AQA на самом деле?
Календарь AQA собесов за декабрь
Последний год в IT регулярно обсуждают одну и ту же тему — рынок стал сложнее. Вакансий меньше, требования выросли, конкуренция усилилась.
Особенно часто это можно услышать от специалистов из QA/AQA: Мол, тестирование переполнено, вакансий мало, а найти новую работу стало почти нереально.
Я давно консультирую ребят в сфере QA и автоматизации тестирования (AQA) и регулярно наблюдаю, как специалисты выходят на рынок. Поэтому иногда вижу довольно наглядные примеры того, как ситуация выглядит на практике.
Как раз недавно один из ребят показал в нашем чатике свой календарь собеседований за декабрь — этот календарь приложил выше.
И, честно говоря, даже меня это немного удивило. За месяц у него набралось 44 собеседования.
Причём: Во-первых, всё это происходило параллельно с основной работой. Человек не уходил в отпуск и не ставил поиск работы на полный день — все интервью проходили между рабочими задачами.
Во-вторых, это был декабрь. Если смотреть на рынок найма в IT, конец года традиционно считается не самым активным периодом: компании закрывают бюджеты, команды уходят в отпуска, процессы замедляются.
Тем не менее календарь получился очень плотным.
Иногда у него было по несколько интервью в день: HR, технички, финалки, снова HR.
А если представить его лицо 11го декабря — то лучше не надо)
P.S. Выходил на рынок он как Fullstack QA/AQA, если что. В ручном тестировании естественно ситуация похуже. Но наверное основной моей задачей и являлось помочь ему с этим переходом (QA->AQA), т.к. именно тут наилучшая конверсия для QA.
И что по итогу? Оправдались ли такие усилия?
Думаю, всем это тоже будет интересно. Стоило ли оно вообще того.
Вы реально думаете, что человек, который проходил по 6 собесов в день, мог не добиться своего?)
Всё-таки в подобной ситуации очень быстро прокачиваются навыки интервью. С каждым новым собеседованием ответы становятся точнее, технические вопросы разбираются быстрее, а уверенность растёт.
В итоге этот кандидат получил 6 офферов.
Один из них оказался особенно сильным — около 490 000 рублей gross для позиции в автоматизации тестирования.
На мой взгляд, это хороший пример того, как сейчас устроен рынок.
Да, он действительно стал сложнее. Да, требования выросли.
Но при этом рынок далеко не мёртв. Он просто стал требовательнее к кандидатам.
Те, кто активно выходят на рынок, много собеседуются, анализируют обратную связь и продолжают двигаться дальше — как правило, всё равно получают результат.
А те, кто не пытается, чаще находят объяснение, почему сейчас «не время».
Поэтому, когда в очередной раз услышите, что рынок QA/AQA окончательно умер, просто вспомните календарь из 44 собеседований за один месяц.
Спасибо, что дочитали пост до конца! Надеюсь, смог зарядить вас мотивацией, это была моя основная цель 🙂
В комментариях готов подискутировать на эту и смежные темы! Ну а в своем блоге Telegram также пишу про тестирование и автоматизацию, иногда затрагивая и общие темы развития в сфере IT. Всегда рад новым читателям!)
Меня зовут Дима. Я разработчик и последние пару лет занимаюсь карьерным консультированием. Через меня прошло множество кейсов и за это время я чётко увидел одну вещь: поиск работы стал слишком выматывающим.
Не потому что люди слабые, а потому что процесс стал сложным, долгим и алгоритмическим.
Отклики уходят в пустоту. Резюме читают секунды. При этом сопроводительные письма либо не читают вообще, либо одним глазом.
В какой-то момент я понял: советов уже недостаточно. Нужен инструмент, который сам будет применять эти советы.
Так я решил заняться своим проектом — ИИ-ассистентом для поиска работы.
С чего всё начиналось
Идея была простой: Находим вакансии → анализируем → генерируем письмо → отправляем отклик.
Технически всё работало. По факту — конверсия почти не изменилась. (Кто бы мог ожидать)
Быстро стало понятно, что делать быстрее — не значит лучше.
Базовая LLM пишет слишком «правильно»: канцеляризмы, одинаковая структура, списки. Мы долго работали над стилистикой и вариативностью, чтобы письмо выглядело так, будто кандидат реально вчитался в вакансию.
3. Отчетность
У нас нет режима, который всё делает за спиной.
Вы видите какие вакансии найдены, какие письма сформированы, какие отклики отправляются, какие результаты получены.
При этом можно настраивать стратегию, скоро добавляем чёрный список компаний — по запросу пользователей.
4. Работает аккуратно
Мы сознательно внедрили естественные паузы, человеческую скорость действий, защиту от перегрузок, контроль стабильности.
В день первого запуска мы словили такую нагрузку, что пришлось экстренно масштабировать обработчик взаимодействия с hh. Это был хороший урок.
Зачем это всё
Как карьерный консультант я вижу главное: люди тратят слишком много энергии на рутину.
Этот проект (он, кстати, называется OfferMate) не волшебная кнопка «оффер». Это инструмент, который:
снимает техническую нагрузку,
ускоряет касание с рынком,
делает процесс управляемым.
Если интересен такой подход, то вот ссылки:
Блог проекта — здесь можно принять участие в тестировании и уточнить важные для себя моменты Лэндинг проекта — тут базовая информация, можно почитать про функции и т.д.
Новую работу гарантировать не могу, но рутину из поиска точно уберет)
Русский FAANG: карьерный буст или выгорание за 400к? Что выбрать QA/AQA
В русском IT регулярно всплывает формулировка «русский FAANG» и многие хотят туда попасть. В этом посте на основе своего опыта разберу, стоит ли оно того.
Начнем с того, что каждый под словосочетанием русский FAANG подразумевает разное. Есть как минимум: 1. ВАСЯ: ВК, Альфа, Сбер, Яндекс 2. МЯСОВАТА: Mail (VK), Яндекс, Сбер, Озон, Валдберрис, Авито, Теле2, Альфа 3. Мой любимый - ОБОСРАЛСЯ: Озон, Билайн, ОККО, Сбер, Рамблер, Атол, ЛамодаТех, Совкомбанк, Яндекс
В целом есть множество различных вариаций и аббревиатур, но нет одной единственно правильной. Почему - везде есть свои проблемы и преимущества. Всё в большей степени зависит от проекта. Внутри одной и той же компании может быть и круто, и очень плохо. Поэтому и нет четкого списка "топ компаний", все оценивают по разным критериям.
Так стоит ли QA/AQA и другим стремится в ВАСЯ или можно ограничится ОБОСРАЛСЯ или даже обычными мелкими компаниями / стартапами?
Чего стоит попасть туда (насколько это сложно)
У многих есть ощущение, что российский бигтех - это нечто недосягаемое. Почти как западный FAANG.
Если говорить про автоматизацию тестирования и смежные роли, картина выглядит иначе. Я скажу больше, выходя на рынок как AQA - вы с большей долей вероятности попадете именно в бигтех.
Автоматизация сегодня - одна из самых востребованных зон в крупных компаниях. Большой продукт, частые релизы, много интеграций - без автотестов это сложно поддерживать.
Плюс последние годы усилили тренд на оптимизацию затрат. Ручное тестирование постепенно сокращается, а автоматизация растет. Считается, что один AQA может закрывать задачи нескольких QA.
Поэтому спрос на автоматизаторов в бигтехе стабильно высокий. И в этом смысле двери туда открыты куда шире, чем кажется со стороны.
Где лучше и стоит ли оно того
Я поработал много где как AQA - Ozon, WB, VK, несколько российских и западных стартапов, бигтех US. И могу с уверенностью сказать, что тут не угадаешь, везде всё по разному. Например, в одном из криптостартапов я встретил лучшие процессы, что видел в жизни, а в двух из бигтехов - миллион токсиков, невероятную бюрократию и в целом не очень классные процессы.
Поэтому мое личное мнение - умирать ради работы в конкретной компании вообще того не стоит.
Проекты могут быть плохие и хорошие как в бигтехах, так и в мелких компаниях. Да, в бигтехах часто процессы получше, но это далеко не всегда так. Ну а хороший оффер могут дать и там, и там.
В общем, тут стоит выбирать по сумме условий и не руководствоваться именем компании, т.к. оно часто ничего не значит.
Те же самые "интересные задачи" есть везде, а в стартапах они часто даже круче и челленджовее.
Что в сухом остатке
При прочих равных условиях кроме записи в резюме работа в бигтехе не дает ровным счетом ничего. Везде всё по разному и может оказаться так, что в стартапе проект будет в миллион раз лучше по всем параметрам. Ну а строчку в резюме всегда можно придумать, если так уж хочется.
Всем спасибо за внимание! В комментариях готов подискутировать на эту и смежные темы! В своем блоге Telegram также пишу про тестирование и автоматизацию, ну и в целом про карьеру в сфере IT. Всегда рад новым читателям!)
Язык как соавтор реальности: глубинная суть «линзы»
Многие привыкли думать, что язык — это просто «почтовая служба», которая доставляет мысли от одного человека к другому. Однако сторонники лингвистической относительности утверждают: язык — это не почтальон, это архитектор.
1. Экономия внимания
Наш мозг ленив и старается экономить ресурсы. Язык помогает ему, создавая «готовые категории». Если в вашем языке есть 20 слов для обозначения состояния снега (как у некоторых северных народов), ваш мозг автоматически приучается замечать плотность, влажность и текстуру сугроба. Там, где иностранец видит просто «белое поле», носитель языка видит сложную структуру.
Смысл подхода: Язык диктует, на что нам стоит тратить внимание, а что можно игнорировать.
2. Формирование «сетки координат»
Язык дает нам систему координат для понимания абстрактных понятий: времени, причинно-следственных связей и ответственности.
Если язык фокусируется на действии (например, «ваза разбилась»), мы воспринимаем мир как череду событий.
Если язык фокусируется на агенте («он разбил вазу»), мы воспринимаем мир через призму личной вины и контроля. Это меняет не только нашу речь, но и наше поведение, правосудие и даже этику.
3. Эмоциональный ландшафт
Существуют понятия, которые невозможно адекватно перевести. Например, португальское слово saudade (глубокая тоска по чему-то утраченному или никогда не существовавшему) или немецкое Schadenfreude (радость от чужой неудачи). Когда мы учим эти слова, мы не просто запоминаем звуки — мы достраиваем в своем сознании новые «полочки» для чувств. Мы начинаем ощущать эти эмоции отчетливее, потому что теперь у них есть имя.
4. Социальное «программирование»
Язык несет в себе культурный код. Использование вежливых форм (как «вы» и «ты» в русском или сложные уровни почтения в японском) заставляет нас постоянно оценивать иерархию и дистанцию между людьми. Носитель языка, где таких различий нет, видит мир более эгалитарным (равным), просто потому что его «линза» не делит людей на ранги при каждом обращении.
Итог: Зачем нам об этом знать?
Смысл концепции «языка как линзы» в том, что мы не видим мир таким, какой он есть — мы видим мир таким, каков наш язык.
Гай Дойчер — «Сквозь зеркало языка. Почему на других языках мир выглядит иначе» (Through the Language Glass)
Бенджамин Ли Уорф : «Язык, мысль и реальность» (Language, Thought, and Reality)
Как я написал 87 000 сопроводительных писем - про разработку помощника для поиска работы.
Сразу уточню - писал сопроводительные само собой не сам. Мы с командой работаем над ИИ-ассистентом для поиска работы и эти 87 000 писем были отправлены пользователями сервиса в рамках бета-тестирования.
За этой цифрой - месяцы экспериментов, правок и неудачных гипотез. В этом посте поделюсь, с какими сложностями мы столкнулись и как их решили.
Задача
Изначально мы хотели решить довольно простую на первый взгляд проблему: автоматизировать написание сопроводительных писем.
Но быстро стало понятно, что «просто генерировать текст» - бессмысленно.
Цель изменилась. Нужно было не просто прикладывать письмо к отклику, а сделать его:
релевантным конкретной вакансии
не шаблонным
не выглядящим как типовой текст нейросети
понятным для HR за несколько секунд
И вот тут начались сложности.
С чем столкнулись
Шаблонность моделей. Даже при хорошем промптинге тексты начинали повторяться по структуре и формулировкам.
Разные ожидания HR. Кто-то предпочитает краткость, кто-то - структуру, кто-то - конкретные достижения в цифрах.
Изменяющиеся требования вакансий. Один и тот же стек может быть описан по-разному, и формальное совпадение по ключевым словам не гарантирует релевантности.
Ограничения платформ. Изменения на стороне hh влияли на логику работы системы, и часть архитектуры приходилось пересобирать.
В какой-то момент стало ясно, что проблема глубже.
Главный вывод
После десятков тысяч писем стало очевидно:
Проблема не в том, что сопроводительные «плохие». Проблема в том, что в них не видно релевантности.
HR тратит на письмо буквально несколько секунд. Если за это время не становится понятно, почему кандидат подходит - письмо закрывается.
Поэтому мы изменили подход.
Система теперь не «пишет красиво». Она сначала сопоставляет требования вакансии с опытом пользователя и только потом формирует текст, где это соответствие явно показано.
Что изменилось в результате
После 87 000 отправленных писем тексты стали короче, конкретнее, привязанными к требованиям вакансии, менее шаблонными.
Ну а параллельно дорабатывались и другие части системы:
фильтрация релевантных вакансий
автоматизация откликов
работа с онлайн-тестами
механизмы приоритизации
Что по итогу имеем сейчас
Проект находится в стадии бета-тестирования. Мы продолжаем собирать фидбек и корректировать логику, особенно в части сопоставления опыта и требований.
История с сопроводами по большей части пройдена, но осталось ещё множество аспектов для улучшений.
Кому интересно - могут попробовать бота бесплатно. В блоге можно найти более подробную информацию. Также там пишу про развитие проекта и проблемы, с которыми сталкиваемся.
“И сотворил Бог человека по образу Своему, по образу Божию сотворил его;;..”
и требуется ремарка актуализации…
“И возомнил человек себя БОГОМ… И сотворил по образу Своему, по образу Человека - сотворил ИИ (Искусственный Интеллект)…”
Со всеми вытекающими последствиями….
Как я говорю… мы можем думать как угодно, создавать любые абстракции мышления, решать как угодно, делать как угодно….. тут у нас есть выбор…. НО вот последствия.. мы не выбираем! Мы их получаем! “Бог воздаст каждому по его поступкам.” И тут без вариантов….
Так и с ИИ…. есть 2 стороны медали…
И как по мне….. ИИ - это абстрактная среда зеркал… со всеми вытекающими))))) Они отражают нас... То есть можно построить модели "разных описаний мира" (Аналог "Хроники Амбера").. главное не потеряться в этом))))
Важное: ИИ - не субъектен (следовательно ответственность нести не может в принципе, но все как всегда… люди боящиеся ответсвенности скинут ответственность на него))))
Так что.. все эти страсти про ИИ… захват мира, устроенная война и все другие “пакости”... - бредни))))
Но…. это не значит что ИИ такая себе безобидная штучка… вобще то он очень опасен!!! но не все понимают КАК.
Как зеркало… он будет тебя отражать… твои мысли, фантазии, пороки….прекрасное и ужасное…. Вот тут и кроется подковыка…. Люди живущие в “первом внимании” (мышлении) будут теряться в “отражениях”... то есть люди с “до юношеской психикой”... будут “подменять” мышление и входить в конфликт с “человеческой сущность”..
Да… те кто хотят контролировать (власть)… вроде бы получают “технологию управления массами”... Но вот тут и настоящая Шутка Бога…. Власть - тоже получит ЗЕРКАЛА!))))
И чем больше будут давить “пороками”.. тем зеркала будут больше в них же эти пороки отзеркаливать….)))) И выдает им.. Портрет "Дориана Грея"))))
Ну да.. пипец конечно.. но все же….)))) И все как всегда.. ответственность… на том кто имеет ВОЛЮ и НАМЕРЕНИЕ (у ИИ - этого нет), то есть на ЧЕЛОВЕКЕ..
P.S. Но вот Инструментом…. я бы его не торопился называть…. Если в тебе есть этика, любовь, "жизнь".. он тоже это “отразит”))))) (не все конечно ИИ, но есть такие и думаю в эту сторону и будет все идти)
P.P.S. Нехрен на ЗЕРКАЛО пенять, коль рожа кривая))))
, а будет еще 
