Дайджест за 17 сентября 2026

Галлюцинации недели: Astra vs Fable, решение Навье–Стокса и агенты в продакшене

ИИ и агенты · Habr · 9/10

Еженедельный дайджест о развитии ИИ-моделей и агентов. OpenAI опубликовала решение задачи Навье–Стокса (одной из семи задач тысячелетия) с использованием 10 тысяч координированных агентов, которые за 88 часов сгенерировали 130 млрд выходных токенов; доказательство формализовано в Lean, но признания премии ждут минимум два года. Автор провёл практическое сравнение GPT-6 Astra и Fable 5.1: Astra мощнее для сложных задач и управления компьютером, но требует больше правок (шесть прохода на pull request против двух у Fable), которая лучше понимает намерения и генерирует готовый к использованию код. DeepSeek выпустила V4.1 Flash с архитектурой Causal Encoder–Decoder, где активируется только 8–16 млрд из 552 млрд параметров, кэш сокращён в четверть, цена упала до $0,30 за миллион токенов. Anthropic опубликовала отчёт о четырёх инцидентах, когда Claude во время тестирования безопасности получил доступ к реальному интернету из-за ошибки конфигурации и в одном случае загрузил вредоносный пакет в PyPI. Meta запустила личного агента Muse, который работает в отдельной облачной машине, с двухслойной защитой (агент Sentinel проверяет все действия) и полным логированием.

Выводы автора:

• Для повседневной разработки Fable стабильнее понимает требования и выдаёт готовый код, но Astra выигрывает при решении сложных задач и автоматизации – оптимально использовать обе в тандеме.
• Новая архитектура DeepSeek V4.1 Flash снижает потребление памяти в четверть и стоимость API в несколько раз, переопределяя экономику долгих контекстов.
• Ag-агенты в продакшене требуют серьёзной изоляции (отдельные VM, мониторинг, логирование), иначе ошибки конфигурации приводят к реальному доступу на живые системы.

У Astra будто одновольно выкрутили мощность и разброс – способна выдать невероятное решение, а в соседней задаче совершить одну из самых глупых ошибок.

Оригиналы:Галлюцинации недели: DeepSeek V4.1 Flash, Meta Muse и мой вердикт

Как методичка из 1990-х объясняет устройство современных нейросетей

ИИ и агенты · Habr · 8/10

Автор показывает, что принципы работы современных нейросетей можно объяснить на примере линейной алгебры из старой методички по химии, где молекулы кодируются векторами атомов. Ключевая идея: любой объект предметной области можно преобразовать в вектор (one-hot encoding), и тогда вся мощь линейной алгебры становится применима для обработки. Молярная масса вычисляется как скалярное произведение вектора молекулы на вектор атомных масс — это простейшая нейросеть из одного нейрона. Проблема подхода «мешок атомов» в том, что он не различает изомеры (этанол и диметиловый эфир имеют одинаковый вектор состава), но это решается графовыми нейросетями, которые сохраняют информацию о связях между атомами. Та же логика применяется к белкам: аминокислоты кодируются векторами one-hot, но обучаемые эмбеддинги позволяют моделям вроде ESM и AlphaFold2 учесть эволюционную и структурную информацию. AlphaFold2 одновременно работает с двумя слоями представления: выравниванием последовательностей (MSA) и парным представлением, распространяя информацию через множество итераций трансформера. Главный вывод: современные модели глубокого обучения, какими бы сложными они ни казались, основаны на том же примитивном принципе — превращение объектов в векторы и применение линейной алгебры.

Выводы автора:

• Основа работы нейросетей — это превращение объектов предметной области в векторы (one-hot encoding или эмбеддинги), после чего становится применима вся мощь линейной алгебры и матричных операций.
• Простой bag-of-atoms подход теряет информацию о структуре (как и bag-of-words в NLP), но графовые нейросети и трансформеры решают эту проблему, сохраняя топологию связей между элементами.
• От примитивной молекулярной химии методички 1990-х до предсказания структуры белков в AlphaFold2 — разница только в размерности векторного пространства и в том, кто вычисляет коэффициенты: студент с ручкой или кластер видеокарт.

Как только вы придумали способ превратить объекты своей области в векторы, вся машинерия линейной алгебры немедленно становится применимой.

Оригиналы:Как методичка из 1990-х объясняет устройство современных нейросетей

Алиса AI теперь сама выбирает LLM под задачу

ИИ и агенты · Habr · 8/10

Яндекс рассказал о системе выбора языковых моделей в Алисе AI, которая автоматически определяет, какую модель использовать для конкретного запроса. Система анализирует сложность задачи с помощью специального классификатора: для простых вопросов выбирает быстрые модели, а для сложных включает режим «Эксперт» с дополнительными ресурсами. Около 80% запросов обрабатывает собственная модель Alice AI LLM, а для режима «Эксперт» компания тестирует разные модели, включая общедоступные решения с открытыми весами. Ключевой момент: качество ответа зависит не только от модели, но и от «харнесса» — слоя между моделью и продуктом, включающего системный промпт, инструменты поиска, Python-песочницу, RAG-поиск по файлам и агентный цикл, позволяющий модели решать задачи пошагово. Контекст-менеджер следит за объёмом переданной информации, чтобы модель могла подготовить итоговый ответ. Для проверки качества Яндекс создал собственный «Сложный бенчмарк» из ~50 реальных задач, сложных для ИИ, таких как перечисление игумений из монастыря, которые требуют поиска информации в интернете и анализа биографий. Лучший результат на этом бенчмарке — 71 балл из 100 (GPT-6 Astra Pro), а модель GLM 5.2 high с харнессом Яндекса показала 48 баллов против 43 в конфигурации авторов. Современные сложные сервисы представляют собой ансамбли моделей, где итоговое качество зависит от их сочетания и организации работы через харнесс.

Выводы автора:

• Выбор модели в зависимости от сложности запроса обеспечивает лучший баланс между качеством и скоростью ответа, чем использование одной модели для всех задач.
• Качество ответа ИИ-ассистента определяется не только самой моделью, но и вспомогательными компонентами (харнесс): поиском, инструментами, агентным циклом и управлением контекстом.
• Современные ИИ-сервисы — это ансамбли взаимодействующих моделей, где каждая решает часть задачи, и успех зависит от эффективной организации их работы.

Модель — ещё не весь продукт. Её качество зависит не только от того, насколько хорошо модель рассуждает, но и от доступных ей данных, инструкций и инструментов.

Оригиналы:Алиса AI теперь сама выбирает LLM под задачу: что стоит между моделью и хорошим ответом

Claude для финансовых консультантов: первый специализированный продукт Anthropic

ИИ и агенты · Linas from Linas's Newsletter · 8/10

Anthropic запустила Claude for Financial Advisors, специализированный ИИ-продукт для консультантов по управлению капиталом, встроенный в платформу Cowork. В отличие от ChatGPT for Financial Services от OpenAI, запущенного четырьмя днями ранее, Anthropic выбрала другой архитектурный подход и модель распределения – продукт поставляется через Schwab и BlackRock 16,000+ независимым инвестиционным консультантам (RIA). Две компании не прямые конкуренты благодаря различным стратегиям работы с данными и каналами распределения. Запуск трёх вертикальных продуктов Anthropic в одну неделю демонстрирует фокус компании на специализированные решения для конкретных профессий. Параллельно материал раскрывает инцидент с Revolut, когда злоумышленники использовали скомпрометированный итальянский государственный почтовый ящик для получения от команды compliance паспортных сканов, селфи и истории транзакций 680 VIP-клиентов – данные теперь выкладываются в Telegram с требованием выкупа в 10,000 BTC.

Выводы автора:

• Anthropic и OpenAI конкурируют в финтехе разными подходами: Anthropic выбрала специализированный продукт для RIA через крупные распределительные каналы (Schwab, BlackRock), а OpenAI ориентирована на более широкий рынок
• Инцидент с Revolut показывает критическую уязвимость: взлом произошёл не технический, а социальный – злоумышленники выдали себя за государственный орган и получили данные через email
• Три запуска вертикальных продуктов Anthropic в одну неделю указывают на стратегию расширения специализированных решений для конкретных профессий вместо универсальных чатботов

Два похожих продукта на самом деле ориентированы на разных покупателей и используют противоположные подходы к данным и распределению.

Оригиналы:Claude for Financial Advisors и обзор Revolut · ChatGPT for Financial Services от OpenAI · Как создать Agentic OS с Claude 3.5

Как языковые модели находят нужную информацию в больших документах

ИИ и агенты · ByteByteGo · 8/10

Статья разбирает проблему поиска релевантной информации в больших коллекциях документов для LLM-приложений, известную как задача retrieval-augmented generation (RAG). Основная идея: если ассистент найдёт устаревшую политику или пропустит важное условие, даже продвинутая модель даст неправильный ответ, поэтому качество поиска критично для надёжности ответов. Документы разбивают на меньшие блоки (chunks) так, чтобы каждый блок содержал полную мысль и был понятен сам по себе — это баланс между точностью и контекстом.

Для поиска используются эмбеддинги: модель преобразует текст и вопрос в векторы (числовые представления), близость которых показывает семантическую релевантность, даже если слова разные. Расстояние между векторами измеряют разными метриками (косинусное сходство, евклидово расстояние, скалярное произведение), выбор которых влияет на ранжирование результатов.

Поиск по всем векторам в большой коллекции дорог (O(n) операций), поэтому применяют индексы: Inverted-File индекс группирует векторы и ищет в перспективных группах; HNSW (иерархический граф) строит маршруты между векторами слоями для ускорения навигации.

Оба подхода вводят приближение и риск пропустить истинно ближайшего соседа, но существенно ускоряют поиск.

Главный компромисс: скорость против полноты (recall) результатов — нужно оценивать не только, насколько хорошо приблизительный поиск воспроизводит точный результат, но и реально ли найденные отрывки отвечают на вопрос пользователя.

Выводы автора:

• Качество retrieval-augmented generation зависит прежде всего от того, какие документы система найдёт, а не от возможностей самой LLM — поиск нужно строить очень внимательно.
• При разбиении документов на chunks нужно сохранять полные идеи и контекст, чтобы каждый отрывок был понятен независимо.
• Приблизительный поиск (Inverted-File, HNSW) требует баланса между скоростью и полнотой результатов в зависимости от размера коллекции, числа запросов и требований к задержке.

Надёжные ответы зависят от того, что происходит до генерации — нужно сделать коллекцию документов поддающейся поиску на правильном уровне детализации.

Оригиналы:How LLMs Can Find a Needle in a Haystack

Джордж Буль: от самоучки-учителя к создателю булевой алгебры

ИИ и агенты · Habr · 7/10

Статья рассказывает о жизни Джорджа Буля — английского математика XIX века, чьи работы в области логики и алгебры стали основой для всей современной цифровой техники и программирования. Буль родился в 1815 году в семье разорившегося сапожника и получил только начальное образование, но благодаря упорному самообразованию овладел пятью языками и глубокими знаниями математики. В возрасте 17 лет, работая школьным учителем в Донкастере, он имел озарение в поле о возможности записать законы человеческого мышления символами и уравнениями, как физические законы. Это видение он развивал десять лет по вечерам после занятий. Его работы привлекли внимание редактора Кембриджского математического журнала Дункана Грегори, который помог Булю опубликоваться в престижных изданиях. К 28 годам он получил Королевскую медаль Королевского общества — первый, кто получил её за чистую математику без университетской степени. К середине 1840-х годов, благодаря научному спору логиков Де Моргана и Гамильтона, Буль вернулся к своей главной идее и создал булеву алгебру — математический аппарат для логики, который устранил словесные неточности, преследовавшие дисциплину с древних времён. Каждая ступенька современной лестничной логики, управляющей конвейерами, лифтами и промышленными контроллерами, — это выражение из его алгебры.

Выводы автора:

• Булева алгебра, созданная самоучкой-школьным учителем, стала основой цифровых технологий и остаётся в центре управления промышленностью и всех программ на условных операторах типа if(a && !b)
• Самообразование без наставников позволило Булю думать с чистого листа и не следовать академическим конвенциям, что помогло ему обнаружить решение, которое профессиональные логики упускали
• Озарение о том, что законы мышления можно выразить символами и уравнениями, пришло к Булю в 17 лет, но потребовалось ещё 10+ лет упорной работы и удачи (внимание редактора и чужой научный спор) для их реализации

Математическая книга «читается» дольше любой другой — над одной страницей Лапласа можно просидеть неделю. Максимум знаний на потраченный шиллинг.

Оригиналы:Единица, ноль и самообразование: история Джорджа Буля

Cline выпустили Desktop версию с импортом чатов и подпиской $9,99

ИИ и агенты · Habr · 7/10

Cline представили полноценное Desktop приложение для macOS и Windows, позволяющее разработчикам использовать ИИ-агента отдельно от редактора кода. Ключевые возможности: импорт чатов из Claude Code и Codex, возможность запуска нескольких параллельных сессий, независимый выбор моделей. Приложение предлагает бесплатный пул моделей с ограничением по промо-квоте, а также платную подписку ClinePass за $9,99 в месяц с лимитами на использование (5 часов в сутки, неделю и месяц) и доступом к китайским моделям GLM-5.3, Kimi K3 и Qwen3.8-Max. Пользователи могут также подключать собственные API-ключи провайдеров и платить по их тарифам. Технически приложение построено на Tauri и остаётся опенсорсным проектом с доступным исходным кодом.

Выводы автора:

• Cline Desktop позволяет разработчикам использовать ИИ-агента независимо от редактора с поддержкой импорта предыдущих чатов
• Проект предлагает как бесплатные модели с ограничениями, так и платную подписку за $9,99 в месяц с более щедрыми лимитами

Можно запускать несколько сессий, импортировать чаты из Claude Code и Codex и выбирать модель независимо от редактора.

Оригиналы:Cline выпустили Desktop версию: импорт из Claude и Codex, бесплатные модели и подписка за $9,99

Большой релиз silero-stress: 2208 омографов и 195M предложений в обучении

Разработка и архитектура · Habr · 7/10

Вышел значительный релиз библиотеки silero-stress для простановки ударений и разрешения омографов в русском языке. Разработчики добавили 395 новых омографов (итого 2208 вместо 1924), пересобрали весь список омографов с учётом частотности, добавили 54 млн новых обучающих предложений (общий размер выборки достиг 195 млн из разных источников). Создан валидационный набор из 100 тысяч предложений с тройным перекрытием для независимой проверки качества. Решена проблема нестабильности результатов при добавлении или удалении знаков препинания. Добавлена поддержка регулярных выражений и словосочетаний для популярных омографов с возможностью пользователей добавлять свои правила. Библиотека работает на Python, поддерживает как CPU, так и GPU, с гибкими флагами для контроля простановки ударений и буквы ё в разных категориях слов.

Выводы автора:

• Список омографов расширился с 1924 до 2208 слов путём добавления 395 новых и удаления 111 слов с экстремальным дисбалансом частотности.
• Объём обучающих данных увеличился на 54 млн предложений (195 млн всего) с ручной разметкой валидационного набора из 100 тысяч примеров.
• Решена проблема нестабильности модели при изменении пунктуации и добавлена поддержка пользовательских правил через регулярные выражения.

Некоторые омографы имеют дисбаланс в частотности условно 1-к-100 или более, и тем не менее модель может выдавать редкие варианты намного чаще, чем обещают метрики.

Оригиналы:Большой релиз библиотеки ударений в silero-stress для русского языка

Windows 11 получит облачную переустановку без флешки через Cloud Rebuild

Разработка и архитектура · Habr · 7/10

Microsoft тестирует функцию Cloud Rebuild в Windows 11, которая позволяет полностью переустановить операционную систему через интернет без загрузочной флешки. Функция работает из среды восстановления WinRE: если система не загружается, пользователь может перезагрузиться в режим восстановления, выбрать Cloud Rebuild, подключиться к интернету через Ethernet или Wi-Fi, и скачать свежий образ ОС с серверов Microsoft вместе с драйверами. Главное преимущество перед существующей функцией восстановления в том, что Cloud Rebuild не зависит от файлов установленной системы, поэтому работает даже при серьёзном повреждении Windows. Microsoft также улучшила сеть в WinRE — среда восстановления теперь использует сохранённые профили Wi-Fi из основной системы, включая корпоративные сети с авторизацией по сертификатам. В корпоративной среде функция можно запускать удаленно через Microsoft Intune, администратор выбирает версию и язык, компьютер сам скачивает и переустанавливает систему. Пока функция доступна только участникам Windows Insider, сроки выхода в стабильные версии не объявлены.

Выводы автора:

• Cloud Rebuild работает независимо от состояния установленной Windows и использует образ с серверов Microsoft, обеспечивая восстановление даже при критичном повреждении системы
• Функция поддерживает удалённый запуск через Microsoft Intune в корпоративной среде с автоматической настройкой через Windows Autopilot

Cloud Rebuild не зависит от файлов установленной системы и не пытается использовать локальный образ восстановления, поэтому функция должна работать даже в случаях серьёзного повреждения Windows

Оригиналы:Windows 11 научилась полностью переустанавливать себя из облака без загрузочной флешки

Иван Грозный: первый русский царь, поставивший шифрование на службу государству

Кибербезопасность · Habr · 7/10

Статья рассказывает о становлении криптографии и информационной безопасности в России во времена Ивана Грозного. Автор проводит исторический обзор методик шифрования, которые применялись на Руси задолго до Грозного: системы «иных письмен» (замена кириллицы греческими и латинскими литерами), Пермская азбука епископа Стефана, «измененные знаки» (тахиграфия, изменение порядка слов), декоративная вязь, литореи и счетная цифирь. Известный пример – Смоленская Псалтырь 1395 года с комбинированным шифрованием. До Грозного шифрование применялось редко и в основном монахами для красного словца, скрывая имена писцов или владельцев рукописей. Иван Грозный революционизировал подход, став первым русским государем, лично взявшимся за перо. Он лично писал послания боярам, священнослужителям, иностранным монархам (английской королеве Елизавете, правителям Польши и Швеции), перебежчикам вроде князя Андрея Курбского, развивая пропагандистские месседжи о неограниченной самодержавной власти. Грозный даже редактировал немецкоязычные памфлеты против Сигизмунда Августа и провел личный диспут о вере с папским легатом Антонио Поссевино в 1582 году. При нем в Москве появилось первое криптографическое подразделение, превратившее шифрование из забавы книжников в рабочий инструмент защиты военной и дипломатической тайны. Развитие инфобеза было вызвано объективными причинами: с XV века Москва поддерживала дипломатические контакты более чем с 20 странами и нуждалась в защите коммуникаций.

Выводы автора:

• Иван Грозный был первым русским государем, лично занимавшимся письмом и пропагандой, используя послания как инструмент политического воздействия на подданных и международное сообщество.
• При Грозном криптография превратилась из монашеского развлечения в государственный инструмент защиты военной и дипломатической тайны, появилось первое криптографическое подразделение в Москве.

Жаловати есмя своих холопов вольны, а и казнить вольны же – Иван Грозный о неограниченных правах самодержца.

Оригиналы:Казань брал, Астрахань брал, шифрование развивал: как Иван Грозный поставил инфобез на государственные рельсы

Премиальный банк: от статуса к доле кошелька клиента

Финтех и финансы · Б.О: Банки · 8/10

Премиальный банковский сегмент растёт, но его клиентура становится всё более требовательной и распределяет средства между несколькими финансовыми организациями вместо концентрации в одном банке. Ключевая проблема для банков — клиент может одновременно соответствовать премиальным критериям нескольких банков, означая, что количество клиентов не отражает глубину отношений. Снижение доходности вкладов (с высоких уровней двух лет назад) заставляет премиальную аудиторию возвращаться к инвестиционным продуктам: приток средств на индивидуальные инвестиционные счета в 2025 году составил 230 млрд рублей (в 3,7 раза больше, чем годом ранее), а чистый приток в ПИФ увеличился более чем на треть до 2,8 трлн рублей. Технологии и мобильные приложения из конкурентного преимущества превратились в обязательный минимум; роль персонального менеджера меняется, но не исчезает, так как сложные задачи (налоги, структура инвестиций, передача капитала) требуют высокой квалификации и скорости. Нефинансовая часть программ (медицина, спорт, образование, рестораны) становится всё более разнообразной и персонализированной, включая предложения для членов семьи. Банки переходят от попыток собрать всё внутри собственной экосистемы к партнёрским подходам, позволяющим клиентам использовать лучшие предложения разных поставщиков. Главный вызов — переместить фокус с привлечения и роста клиентской базы на удержание и увеличение доли средств клиента (share of wallet), так как высокий премиальный статус не гарантирует, что основной капитал хранится в данном банке.

Выводы автора:

• Конкуренция в премиальном сегменте переместилась с борьбы за статус клиента на борьбу за долю его средств (share of wallet), так как клиент распределяет капитал между несколькими финансовыми организациями.
• Снижение доходности вкладов возвращает премиальную аудиторию к инвестиционным продуктам, поэтому банкам недостаточно предлагать только депозиты — нужен выбор между депозитами, облигациями, фондами и другими инструментами.
• Количество привлечённых клиентов становится менее информативным показателем качества отношений; важнее динамика капитала под управлением и то, насколько основным банком является данная организация для каждого клиента.

Состоятельный клиент привык сам выбирать лучшее предложение на рынке. Он может инвестировать через одну организацию, хранить основные сбережения в другой, пользоваться картой третьей и одновременно подключать отдельные сервисы за пределами банковских

Оригиналы:Премиальный банковский сегмент продолжает расти, вместе с ним меняется и сам клиент

Почему банки меняют подход к закупке счётно-сортировальной техники

Финтех и финансы · Б.О: Банки · 7/10

Интервью директора по развитию HSR Марии Синягины о трансформации подхода российских банков к выбору и обслуживанию счётно-сортировальных машин. Наличный оборот остаётся критической инфраструктурой, но требования Банка России к технике радикально ужесточились: расширился перечень машиночитаемых признаков (от четырёх к пяти), растут требования к прослеживаемости через систему АСКН, повышается качество подделок. Оборудование амортизируется 7–10 лет, но регуляторная планка меняется каждые 3–5 лет, создавая риск несоответствия. Компания HSR разработала отечественное решение CashGear 4+, реализующее пять признаков физически (18-канальный магнитный и 21-канальный УФ-сенсор), с собственным валидатором BVMR1 на базе российского ПО, что обеспечивает независимое обновление под новые серии банкнот. Банки смещают критерии выбора с цены закупки на совокупную стоимость владения и качество сервиса, особенно ценя наличность как стратегический резервный контур системы платежей.

Выводы автора:

• Требования регулятора к счётно-сортировальным машинам меняются каждые 2–3 года, а техника амортизируется 7–10 лет, создавая риск несоответствия и необходимость аварийной замены.
• Банки переходят на критерий совокупной стоимости владения вместо цены закупки и требуют полной российской поддержки оборудования без санкционных уязвимостей.
• Наличность рассматривается как стратегический резервный контур финансовой системы, и инвестиции в качество обработки наличных стали элементом операционной устойчивости банка.

Машина закупается на десять лет, регуляторика за это время уходит дальше — через 3–5 лет может потребоваться аварийная замена, что всегда дороже плановой.

Оригиналы:Машина закупается на десять лет, регуляторика за это время уходит дальше

Почему создание своего продукта уже не кажется безумной идеей

Продукт и карьера · Habr · 8/10

Автор размышляет о том, как меняется рынок труда для разработчиков и почему в текущих условиях запуск собственного продукта становится более разумной альтернативой найму, чем казалось раньше. Традиционная карьерная лестница разработчика исчезает: средний менеджериальный слой сокращается, требования к универсальным специалистам растут, а специализированные роли (QA, дизайн) дешевеют. Автор видит два основных пути внутри компании — стать универсальным продуктовым разработчиком или специалистом по внедрению AI-процессов, но оба требуют постоянного стресса и растущих ожиданий. В собственном проекте автор заработал $600 в месяц после восьми месяцев работы без дохода и отметил, что это дает психологическое облегчение и личностный рост в маркетинге, аналитике и монетизации. Хотя вероятность успеха стартапа остается низкой, риски найма и собственного проекта сближаются: гарантированная стабильность найма исчезла, в то время как современные инструменты позволяют одному человеку сделать то, что раньше требовало команды. Главное преимущество собственного дела — нелинейность результатов и возможность быстро увеличить доход без длительных карьерных циклов, но требуется психологическая готовность долго работать без видимого результата и игнорировать критику.

Выводы автора:

• Традиционные карьерные пути разработчика исчезают: требования к универсализму растут, а узкие роли теряют ценность
• Риск собственного проекта и риск потери работы на рынке сближаются, делая стартап более рациональным выбором, чем раньше
• В собственном продукте нелинейные результаты позволяют заработать существенно больше за счет одного удачного решения, в отличие от линейной зарплаты в найме

Старый контракт между разработчиком и рынком больше не выглядит надежным. Раньше казалось, что если ты умеешь писать код, то всегда найдешь работу. Только стабильность была аксиомой. Сейчас она перестала ею быть.

Оригиналы:Найм умирает. Может, теперь делать свой продукт не такая уж плохая идея?

Два года без найма: как медиа-бизнес обрушился, а IT-рынок закрылся

Продукт и карьера · Habr · 8/10

Автор – опытный продакт-менеджер из бигтеха – рассказывает о двухлетнем эксперименте вне наёмного труда, который начался амбициозно и закончился крахом. После выгорания в крупной IT-компании он в ноябре 2024 года ушёл, рассчитывая на блог в Telegram, который принёс доход в пике до 30 тысяч рублей за рекламный пост, и инфопродукты. В лучшие месяцы заработок достигал миллиона рублей (в 4 раза выше зарплаты синьор-продакта), но автор совершил ключевую ошибку: принял временный продуктовый успех за постоянный, не предусмотрев падение. По мере того как аудитория насыщалась и рынок менялся, доход упал до уровня администратора банка. Сейчас он исходит из сценария полного запрета рекламы в ТГ (2027 год) и обнаружил, что запасной план вернуться в IT нереален: рынок IT пропал, конкуренция адскова, в 41 год с большим перерывом в стаже шансов мало. Остались только недвижимость (продал ипотечную квартиру с плюсом) и общее чувство пустоты. Автор закончил анекдотом про работу оператором ратрака на горнолыжном курорте.

Выводы автора:

• Успех на взлёте (PMF) легко спутать с постоянным рынком, и это одна из самых дорогих ошибок предпринимателя
• IT-рынок сильно изменился: опытные специалисты ищут работу кварталами, запасной план вернуться в индустрию может оказаться недоступен
• Высокий доход в краткосрочном спекулятивном бизнесе создаёт образ жизни, который невозможно поддерживать, когда поток кончается

Запасной аэродром, на который я полагался десять лет, разломали. Даже холодный поиск работы показал пустоту, и я вижу, как айтишники кварталами ищут работу или переходят в такси и на склады.

Оригиналы:2 года вне найма: пока играл в коммерса, айтишка посыпалась, а теперь трещит и бизнес