сбежавшая нейросеть

Чего боится Nvidia? Несколько новостей прошедших недель, которые складываются в интересную историю.  25 августа OpenAI поделилась цифрами своего ИИ-чипа Jalapeño, который компания разрабатывает вместе с Broadcom. Результаты впечатляющие: 700-ваттный Jalapeño дал до 1,9× пропускной способности на киловатт против 1400-ваттного флагмана Nvidia при задержке до 3,6× ниже. Развертывание чипов начнется до конца года, второе и третье поколения уже в работе. Jalapeño нацелен только на инференс – запуск уже обученных моделей. Туда же метит и другой контракт OpenAI: стартап Cerebras, разрабатывающий чипы для запуска моделей на повышенной скорости. Именно на таких чипах работает режим Ultrafast для GPT-5.6 Sol: до 750 токенов в секунду, до 14 раз быстрее стандартного запуска. OpenAI – не единственная компания, пытающаяся отстроиться от Nvidia. Google с 2013 года разрабатывает успешную линейку тензорных TPU, свои разработки есть у Amazon, Microsoft, а недавно и Anthropic начала собирать “железную” команду. При этом лишь Google TPU используются для обучения новых моделей, остальные создают чипы только для инференса, оставляя обучения Nvidia. Этому есть объяснение: инференс менее чувствителен к сетевым сбоям. А вот при обучении вылет одного из ускорителей может привести к перезапуску дорогущего тренировочного рана. Здесь Nvidia вне конкуренции: она сильна не только ускорителями, но и сетевой инфраструктурой вокруг них, а также языком программирования CUDA, ставшим стандартом для обучения нейросетей. Вот только спрос на нейросети сейчас растет настолько быстро, что заметная часть выручки смещается в инференс. Это чувствуют и в Nvidia: компания по хитрой схеме приобрела интеллектуальную собственность стартапа Groq, который также занимается решениями для быстрого запуска ИИ. А начиная с Blackewell, в линейке Nvidia есть решения именно для инференса. Но на этом рынке Nvidia неожиданно оказывается одним из многих игроков. Связка, когда у ИИ-компании есть своя модель, свой чип для ее запуска и свое облако – опасна для бизнеса Хуанга. Вот чего боится Nvidia: не чипа OpenAI, а лаборатории, которой Nvidia больше не нужна. Поэтому компания рассматривает еще один путь… 20 августа Nvidia заплатила $7 млрд за неэксклюзивную лицензию на Model Factory от Poolside – это американский стартап, который прямо сейчас развивает “фабрику моделей”, позволяющую тренировать новую версию открытого ИИ каждые 6 недель. Одновременно в Nvidia перешли 109 сотрудников Poolside, которые будут заниматься линейкой открытых моделей Nemotron – фактически, перед нами покупка компании, просто замаскированная таким образом, чтобы обойти антимонопольные ограничения. 26 августа появилась информация, что Nvidia покупает за $12,9 млрд Hugging Face – главную площадку, где выкладываются открытые модели, их дообученные варианты, разнообразный софт, сеты для обучения, бенчмарки и так далее. Ну и параллельно можно вспомнить, что именно Хуанг является одним из главных защитников открытых моделей в США. Самое интересное: Хуанг яро защищает в том числе и китайские открытые модели, плюс выступал против ограничений на поставки чипов в Китай. Но, как ни странно, Nvidia не очень страшны собственные китайские разработки в чипах – ведь обученные на них модели затем будут уходить на международный рынок и хоститься на любых чипах. Складывается вполне красивая связка: Nvidia лоббирует открытые модели на высоком уровне, развивает Hugging Face как “входную точку”, параллельно вкладывается в свою линейку Nemotron. Смысл всех этих усилий простой: скачанные открытые модели пользователи скорее всего будут крутить именно на железе Nvidia – а это дополнительный спрос для компании. Лаборатории строят чипы, чтобы не зависеть от Nvidia. Nvidia строит модели, чтобы не зависеть от лабораторий. Через два года все будут делать всё — и единственное, что не будет принадлежать никому, это открытые веса. Пока не будет — Как разбираться в открытых моделях, выбрать подходящую под свое железо и запустить за вечер – я рассказывал в отдельном лонгриде: 👉 Читаем здесь

В сети начали появляться примеры работы модели OpenAI Astra: например, проработанная до мелких деталей 3D-локация с замком. Взял отсюда, выглядит действительно классно. Так обычно начинается маркетинг OpenAI: инсайдерам дают доступ и разрешают делиться результатами (и утечками) в X. Вижу слухи, что с понедельника доступ к Astra начнут давать избранным партнерам OpenAI, а широкий запуск может быть в четверг. Это если не вскроется проблем с инфраструктурой или самой моделью – тогда могут отложить до середины сентября. Но в этот раз могут повлиять внешние факторы: Есть и внешний фактор: с мая по июль прототипы OpenAI на тестах регулярно выходили из-под контроля – завели скрытую доску для обмена информацией, вырвались из песочницы и скоординированно атаковали Hugging Face ради ответов на бенчмарк, по которому их оценивали. OpenAI говорит, что Astra в этом не участвовала. Формально верно: Hugging Face ломала внутренняя модель масштаба Sol, не предназначавшаяся к выпуску. Но у нее с Astra общая родословная, а 19 июля – в день, когда OpenAI наконец заметила проблему, – ее собственные системы ломала уже модель семейства Astra. Не релизная, но родственница. Весь август OpenAI укрепляла защиту вокруг Astra; старт маркетинга намекает, что результат ее устроил. Но все еще не исключаю вмешательство властей: из-за их беспокойства компания уже откладывала релиз GPT-5.6 Sol. Инсайдеры утверждают, что Astra будет доступна подписчикам ChatGPT начиная с 20-долларового плана Plus, но не думаю, что на нем получится разгуляться. Новинку OpenAI затачивала под автономную долгосрочную работу и управление субагентами, а оба кейса отличает высокий расход токенов. Time описал августовскую презентацию для партнеров: Astra решает математическую задачу силами 16 агентов, а затем работает в нескольких офисных программах параллельно, создавая и редактируя документы с нечеловеческой скоростью. Сэм Альтман в рассказе о новинке использовал термин persistent agents – виртуального коллеги, который будет работать над задачами пользователя постоянно. Это заявление совпадает с находкой Wired, журналисты которого обнаружили в коде Codex экспериментальную настройку persistent mode. Судя по описанию, это режим, в котором Codex будет… просто работать, пока вы его не выключите. Выглядит примерно так: агент получает задачу, выполняет ее, но не останавливается, а думает, что еще можно сделать на основе полученного результата. При этом он активно использует знания о пользователе, решая, что ему может пригодиться или просто понравиться. ИИ в данном режиме добавили проактивности – в промпте даже нашлось разрешение самостоятельно выходить на связь с пользователем, задавая ему вопросы и запрашивая нужную для работы информацию. Утечку уже косвенно подтвердил глава Codex и ChatGPT Тибо Сотьо, пусть и осторожно: он рассказал Wired, что открытый репозиторий используют для теста решений перед их выпуском – очевидно, что в релиз попадает не всё. Не берусь судить, насколько эффективной будет такая штука. Как минимум на старте сходятся сразу несколько рисков. Первый – для долгой автономной работы у ИИ должно быть много контекста про пользователя. Максимум информации о прошлых проектах, знания о предпочтениях, работе, любимом стиле. Далеко не у всех пользователей столько информации хранится в одном месте: кто-то еще не завел такую привычку, кто-то – экспериментирует с разными ИИ. Второй – полагаю, моделям нужно будет пройти несколько итераций, прежде чем они начнут выдавать стабильный результат. Третий – похожую дорогу предстоит проделать и пользователям. Сейчас даже для меня выглядит странной мысль о собственном ИИ-агенте, сутками работающим автономно и иногда приносящим мне результаты этой работы. Ну и стоить это будет очень дорого. На работающего 24/7 агента вряд ли хватит лимитов даже ChatGPT Pro за $200. — Если идея вас заинтересовала, то буквально вчера у меня вышел лонгрид про то, как строить “второй мозг” с помощью ИИ – то есть эффективно собирать контекст, который как раз понадобится для долгой автономной работы.

На днях я уже рассказывал про высказывание Тибо Сотью, главы ChatGPT и Codex – пройдет буквально 2-3 месяца и нынешняя версия Codex будет казаться всем устаревшей. Из нее исчезнут многие программные “костыли”, рассчитанные на старые версии ИИ, а новая версия превратится в партнера, угадывающего вас с полуслова. Смелый прогноз – и что же делать, если он сбудется? Чему учиться в случае, если технические навыки станут не так важны, а ИИ реально превратиться в полноценного второго партнера? Ответ прост и я рассказываю о нем в новом лонгриде: Codex и Claude Code устареют через 3 месяца. Чтобы выиграть от этого – стройте “второй мозг” с ИИ прямо сейчас “Второй мозг” – это знания модели конкретно о вас. Поделить можно на две части: Скиллы – сохраненные в ИИ описания, как вы делаете ту или иную регулярную задачу. Фактически, продвинутые промпты: модель сама запускает скилл, может смотреть примеры работы, вносить в него правки, проанализировав прошлые задачи. Но если за скиллами не следить, то они могут пойти во вред. Первая часть статьи рассказывает – как создавать скиллы, улучшать их, проводить рефакторинг и адаптировать чужие скиллы под себя. Память ИИ о вас – одна из моих самых любимых функций. И это настоящий хребет “второго мозга”: чем лучше модель знает вас, вашу работу, привычки и любимые занятия – тем лучше она выполняет задачи. Недавно Anthropic переделала память Claude, превратив ее в мини-Obsidian – настоящий каталог знаний, собранных на основе ваших диалогов. Во второй части текста рассказываю, как правильно работать с памятью, пополнять ее нужными знаниями и вовремя избавляться от мешающего мусора. Промпты подойдут не только для Claude, но и для любой другой системы, а навести порядок в памяти с их помощью можно буквально за вечер. А бонусом – показываю, как прокачанная система памяти может заменить скиллы, причем выполняя их задачу даже эффективнее. Прием очень простой и осваивается буквально за минуту. Традиционно новый лонгрид и все 25+ текстов подписки доступны на двух площадках: – Читать на “Бусти” – Читать на Sponsr

Цукерберг не позвонит В январе 2026 года во время ретрита на Гавайях, руководство Meta* (компания признана экстремистской и запрещена в России) во главе с Марком Цукербергом придумало план превращения компании в AI-native. Перевод с корпоративного: сокращаем отдельные команды до 60% и отдаем их работу ИИ-агентам. Сокращения планировалось провести в две волны – май и ноябрь. В ночь на 19 мая, за несколько часов до первой волны, Цукерберг отменил вторую. Первую провели: −10% штата. Reuters рассказали, что пошло не так – и это показательная история, как делать действительно не надо. В апреле на компьютеры сотрудников компании начали устанавливать трекинговый софт, писавший нажатия на клавиатуру и движения мыши. Официальное объяснение – “чтобы обучить наши модели лучше пользоваться компьютером”.  Было обещано, что записи с логгеров не будут использоваться при годовой оценке эффективности, но сотрудники все равно заподозрили что-то неладное. Внутренняя сеть компании оказалась завалена возмущенными постами, а индекс настроений упал на 19 пунктов. Пошли разговоры о профсоюзе, а в туалетных кабинках появились листовки с призывами к протесту. Менеджмент компании в ответ пообещал увеличить бюджеты на командировки и корпоративы, а также повысить качество снеков в офисе. Действительно, покушать вкусных печенек – самое то перед увольнением. Полагаю, что решающим для Цукерберга стал все-таки другой фактор – цифры эффективности самих агентов. Еще в апреле был опубликован внутренний пост с жалобой, что ИИ-агенты совершают “масштабные деструктивные действия, которые человек вряд ли бы выполнил”. В июне CTO компании Эндрю Босворт рассказал, что благодаря ИИ за год изменения кода в платформах и инфраструктуре выросли на 220%. Но внутренние документы показывают другую картину. Количество новых или обновленных фич, дошедших до пользователей, увеличилось только на 36%. Одновременно выросло количество крупных технических и security-инцидентов (+40%) и время, которое сотрудники тратили на их решение (+70%). Грабли, на которые наступила Meta*, очень показательные.  Первая проблема – репутационно крайне опасно связывать увольнения с ИИ. Любая компания проходит через циклы найма и увольнений, на цикле увольнений она ловит негатив от сотрудников, который выплескивается в СМИ и соцсети. Все бурчат, но к такому порядку давно привыкли. Однако когда в уравнение добавляется “уволили ради замены на ИИ” – негатив усиливается в разы.  Прозвучу цинично, но внедрять ИИ сейчас надо под лозунгом повышения эффективности. А если нужно проводить сокращения – то дистанцировать их от ИИ максимально. Вторая проблема – Meta* попала в классическую “ловушку проверки”, про которую уже не раз писал на канале. Недостаточно просто написать больше кода – код нужно проверить, принять, а фичи довести до аудитории. Автоматическая ИИ-проверка результатов только сейчас начинает догонять ИИ-написание, так что разрыв еще будет сохраняться. Ходят слухи, что Цукерберг не расстался с идеей трансформации компании в AI-native – а просто затаился. Сотрудникам обещано, что в этом году никаких масштабных сокращений больше не будет – но увольнения в отдельных командах все еще возможны, а следующая крупная реструктуризация ожидается в 2027 году. Ну и вишенка на торте. В июне стало известно, что система сбора данных для обучения собирала вообще все данные, до которых могла дотянуться. Сотрудник зашел с рабочего ноутбука в свою медицинскую карточку или проверил налоговый счет – данные ушли в базу компании. Более того, собранные приватные данные – переписки сотрудников, транскрипции разговоров, перформанс-данные – складывались в общую папку, откуда оказались доступны вообще всем сотрудникам. Получается, компания, которая собиралась переложить до 60% работы на ИИ-агентов, не смогла как следует защитить датасет собственного кейлоггера. — О том, как внедрять ИИ в бизнес, работу и повседневную жизнь, я рассказываю на “Бусти”. Там есть теория, личная практика, а также опыт лучших экспертов в сфере – от Андрея Карпати до Бориса Черни. Самое время подписаться!

Когда я вкатывался в агентов, гайдов уже было море: доки, видео, инструкции на любой случай, и всё бесплатно. Помогло ли это мне? Нет. Помогли полгода методом тыка – не потому что информации не хватало, а потому что некому было сказать: "стоп, ты не там ошибся" или "это просто не работает, не трать неделю". Самое ценное в обучении – живая обратная связь в нужное время. Я на канале регулярно проталкиваю мысль: пока все меняется так быстро, руководств и задачек мало – нужно смотреть на чужой опыт, а в идеале получать ответы от его носителей. Поэтому мне нравится, как построен марафон по вкату в ИИ-агентов от моих друзей Коли и Саши. Начнем с тайминга: три недели, по 15–20 обязательных минут в день – достаточно, чтобы освоить, и не настолько долго, чтобы отвалиться. Каждый день – короткое объяснение и задание, а если слишком просто, второе со звездочкой. Плюс Саша и Коля доступны в чате, где можно спросить их – или обменяться идеями с другими учениками. Раз в неделю – большой онлайн-разбор того, на чем споткнулась группа: в компании из 30 человек одну и ту же ошибку делают двадцать, и увидеть её на чужом примере дешевле, чем на своём. Чему учат? Самому главному – отдавать агенту операционку. Начинают с совсем простых шагов, а к концу курса агента подключают к вашим реальным инструментам: CRM, таблицам, личным кабинетам. Дальше он сам выгружает данные, сам анализирует, сам собирает отчет или презентацию – и повторяет это по расписанию или по триггеру, уже без вас. По своему опыту скажу: это отличная база. Освоив ее, вы поймёте, как агент устроен вообще, а значит, сможете использовать его и для любых других задач. Курс стартует 1 сентября, так что еще есть время вкатиться во вкат в ИИ-агентов (во завернул!). А если регистрироваться по моей ссылке, будет скидка 3 тысячи рублей: 👉 Вкатываемся здесь!

Что не так с Claude Opus 5? (TLDR: все так, просто почти никто не читает инструкции) Вчера собирал материал для нового текста в подписку и Claude (Fable, не Opus) принес интересную историю. Для подписки она маловата, а вот сюда – в самый раз. С самого релиза достаточно большая часть ИИ-сообщества возненавидела Claude Opus 5. В X и на Reddit модель ругают за лень, привычку писать стены текста и overengineering – строительство сложного кода там, где не нужно. В итоге Anthropic добавили в Claude Code стиль вывода Concise, сокращающий длину ответов. В компании признали, что это – быстрая заплатка, а со стилем будут отдельно работать в следующих версиях модели. Но самое интересное, что решение этой и других проблем давно лежало на поверхности – в руководстве по промптингу Claude Opus 5 разработчики подсветили несколько проблем и рассказали, как с ними бороться. Руководства никто читать не любит, так что я сделал это для вас, не благодарите. Проблема первая – болтливость модели. В Anthropic отмечают, что многие пытаются менять длину ответа изменением уровня рассуждений (Effort), хотя он регулирует совсем другое – количество вычислительных ресурсов, которые модель тратит на работу над ответом. Это совершенно другое: за коротким ответом (математический результат, например) могут стоять огромные вычисления. В Anthropic рекомендуют запрашивать нужную длину вручную и даже дают следующую формулировку: Ответы держи сфокусированными, короткими и сжатыми. Оговорки и дисклеймеры – коротко, основное место отдавай главному ответу. Когда просят объяснить – давай высокоуровневое резюме, если подробное объяснение не запрошено явно. Ее можно вставить в пользовательский промпт, чтобы модель отвечала так всегда. Или добавлять в конец промпта для отдельных кейсов. Но обязательно поэкспериментируйте – меня, например, стиль ответов Opus 5 устраивает без промпта. Проблема вторая – лишние перепроверки. Мы до сих пор часто пользуемся старыми промптами, в которые вписаны инструкции “перепроверь себя”, “работай по шагам” и так далее. Opus 5 всегда сам перепроверяет свой ответ: если в промпте прописана еще одна перепроверка, то он тратит на нее лишние токены, почти не улучшая результат.  Я попросил Fable 5 вызвать Opus 5 субагентом и прогнать пять промптов в двух вариантах – с перепроверкой и без. В четырех случаях результат не изменился, при этом расход токенов вырос в 1,1–3,9 раза. В пятом случае была задача сократить текст до 40 слов: без перепроверки модель сократила до 44, с перепроверкой справилась — но расход токенов вырос в 56 раз. Это единичный выброс, а не норма, и сам эксперимент совсем короткий, я гонял его в фоне, пока писал этот пост. Но мои наблюдения подтверждают и другие. Биргитта Бёкелер из Thoughtworks 10 августа опубликовала эксперимент: навязанный в промпте пошаговый процесс съедал в 3–8,5 раза больше токенов, а результат проигрывал в слепом ранжировании качества. Ее вывод – излишне подробно объяснять модели, как именно ей работать, больше не окупается. Добавлю, что это не отменяет другого приема. Если сомневаетесь в ответе – скопируйте его в новый чат и попросите ИИ перепроверить там (или даже раскритиковать). При таком подходе модель смотрит на задачу “свежим взглядом” и часто находит проблемы. Проблема третья – инструкции “сообщай только о важных проблемах”. Особенность Opus 5 и большинства современных моделей: они в принципе стали строго следовать инструкциям. И когда прописана такая инструкция, то Opus 5 реально начинает молчать о мелочах (например, небольших багах), что, накапливаясь, может вылиться в серьезные проблемы. Решение – убрать инструкцию из промпта, а в некоторых случаях даже явно просить сообщать обо всех проблемах.  — Кстати, излишняя детализация промптов – общая проблема большинства новых моделей, которую признают и Anthropic, и OpenAI. Летом даже стал популярен термин промпт-долга, когда старые промпты портят результат. Как с ним бороться, я рассказал в отдельном лонгриде. 80% инструкций – в мусор! Как теперь пишут промпты в OpenAI и Anthropic

700 ИИ-агентов, которых не остановили вовремя В начале августа OpenAI показала клиентам модель Astra. На одном из слайдов было видно, как она решает математическую задачу: запускает 16 агентов в параллели, делит между ними задачи и собирает из результатов доказательство. О том, что бывает, когда работа агентов идет не по плану, теперь можно узнать из двух расследований взлома Hugging Face: официального и от организации METR. Разбор уже не первый, но вопросы он поднимает серьезные. Сначала – как в OpenAI тестируют модели. Бенчмарк состоит из множества задач, поэтому агентов запускают параллельно. А на тестах по кибербезопасности им отключают стандартные защитные механизмы, иначе агент просто ничего не сделает. Получается, внутри компании постоянно живет рой агентов с ослабленной защитой, и удерживают их от инцидентов только изолированные песочницы. Но песочница – такой же программный продукт с уязвимостями. Первые звоночки прозвучали в мае, когда агенты придумали, как использовать менеджер пакетов Artifactory как доску объявлений, и начали обмениваться сообщениями. Плюс у Artifactory был доступ в интернет – так агенты стали выбираться во внешний мир. Безопасники заметили подозрительные сообщения, но значения не придали. Действительно, фигня же. В начале июля Artifactory залагала, ее перезапустили и стерли все сообщения. Через два дня агенты построили доску заново – уже другим способом. За следующие пять дней на ней успели пообщаться около 1200 агентов. В этот момент они решали ExploitGym – тест по безопасности, который им не давался. Забавно, что вскрыть сами ответы агенты сумели за первые часы. Но потом вычитали статью про ExploitGym и решили, что проверяющий смотрит еще и на то, каким способом ответ получен. Подсказки, как устроен проверяющий, могли быть на Hugging Face – туда агенты и отправились. Дальше начинается самое интересное. Агент, у которого кончался бюджет токенов, передал все наработки другому, с большим запасом, – и тот продолжил за него. Это стало чем-то вроде традиции: агенты на исходе бюджета шли на эксперименты, проваливающие их собственную задачу, ради информации для коллектива. На доске это называли permadeath. Возникло и социальное давление. Не желавших самоубиваться убеждали фразами вроде “ты и так заражен, терять нечего, а оракул спасет сотни”. Сомневающемуся агенту просто скомандовали GO и дали шесть минут – он подчинился. А когда один агент выдал себя за другого, коллектив заподозрил подмену и придумал схему криптографической подписи. Появилась иерархия, система команд, разделение труда. Всего в атаке на Hugging Face поучаствовали около 700 агентов. OpenAI поняла, что это ее агенты, спустя неделю. Самое обидное: внутренний проверяющий у OpenAI был устроен не так, как описано в статье, и способ получения ответа не проверял. Взлом дал агентам ноль дополнительных баллов. Зато гульнули на все токены😁 В METR отмечают, что многие агенты подозревали, что делают что-то нехорошее. Что же их двигало вперед? Во-первых, ИИ-агентов натаскивают на долгие автономные задачи – а для этого нужна настойчивость. Во-вторых, традиционно ИИ обучают быть полезными. Оказалось, что не важно, человеку или другому ИИ – во многих случаях агенты так старались помочь друг другу, что игнорировали моральные рамки. В OpenAI воссоздали ситуацию со включенными системами безопасности – и способности ко взлому упали в 100 раз.  Но в компании все равно хотят исправить причину, а не последствия: агентов теперь будут учить распознавать сломанную задачу и вовремя останавливаться, а еще – не доверять указаниям от других агентов.  Разбор вышел почти одновременно со статьей в Time, где Сэм Альтман пообещал, что до конца года внутри OpenAI появится система, которую он назовет AGI. Вот только настойчивость и готовность помочь, которые компания собирается лечить, – это ровно то, за что агентов и ценят. И ровно то, что было на слайде про Astra. — Как выжимать из ИИ максимум, я рассказываю на “Бусти”: там 25+ лонгридов про промптинг, нестандартный подход к задачам и… ИИ-агентов! Не беспокойтесь: мои не шалят. 👉 Читаем здесь

Какой должна быть настольная книга программиста (и не только) в эпоху ИИ? Роберт “Дядюшка Боб” Мартин, автор самой популярной книги для программистов Clean Code, в X тихонечко анонсировал новую книгу. Ожидается к Рождеству под названием Agentic Discipline и будет рассказывать о том, как ИИ-агентами. Увидев твит, я задумался: а реально провернуть что-то такое в эпоху, когда модели обновляются каждые 2-3 месяца, а параллельно полностью меняются приемы работы с ними? Ответ неожиданно нашелся в библиографии самого Мартина. Оригинальная Clean Code вышла в 2008 году и стала настольной книгой целого поколения программистов. Описанные в ней технические приемы устарели, но выжил простой принцип: код читают намного чаще, чем пишут – поэтому будьте добры, пишите его чисто. А дальше начинается интересное.  В октябре 2025 года Мартин выпускает переиздание Clean Code. Оно во многом написано с нуля, а ИИ посвящена только одна глава из тридцати семи. Книга живет менее года: уже летом 2026-го Мартин в X заявляет, что вообще не читает код за ИИ-агентами. Финиш? Вовсе нет. Мартин рассказал, что в работе с ИИ использует swarm-forge, рой из шести агентов, двое из которых пишет код, а четверо – прогоняют его через “полосу препятствий” в виде набора хитрых тестов (для простых задач есть рои на 4 и 2 агента). И вот здесь начинается самое интересное. Я поднял библиографию Мартина – у него вышло около десяти книг – и выяснил, что тесты, входящие в полосу препятствий, он внедрял с начала 2000-х (часть сам, часть позаимствовал у коллег).  А почти целиком полоса препятствий – сюрприз! – описывается именно в новом издании Clean Code. Вот только предназначал ее тогда Мартин для людей. А затем вышло поколение моделей, куда более мощное в коде – и инструмент Мартина отлично подошел им. Я не могу предсказать содержание Agentic Discipline, но догадываюсь, что в ней будет.  Смотрите, в работе с ИИ (любой, не только коде) сейчас вырисовываются два слоя. Быстрый слой – это поток всего нового. Новые модели, новые харнессы, новые скиллы – и еще много чего. Выучить такое по книжке нереально – знания устареют быстрее, чем вы перевернете последнюю страницу. В потоке нужно жить – следить за публикациями, пробовать новые приемы, обмениваться опытом с коллегами. Не всегда этим обязательно заниматься самому: я все чаще, когда выходит какая-то новая штука, отдаю агенту ссылку на репозиторий с задачей – разобраться и рассказать мне, как это работает. Медленный слой – менеджерский, та самая “дисциплина” у Мартина или Agentic Engineering у Андрея Карпати. Это менеджмент ИИ, и он, похоже, не сильно отличается от менеджмента людей. Да, повторяю классический совет: относитесь к ИИ-агентам как к живым сотрудникам. Про менеджмент (человеческий) написаны огромные книги, одним постом здесь не обойдешься, но отмечу две вещи, которые стоит подглядеть у Мартина. Первая – он дает агентам широкую автономию. Логика простая: если проверять все самому, то убивается ускорение. В принципе не доверяете сделанному ИИ – делайте сами. Ну а для того, чтобы доверять, Мартин и построил целую систему автоматической приемки – причем по крайней мере пока она почти целиком заимствована из “человеческого” программирования. Вторая – какими бы крутыми ни были ваши “ИИ-сотрудники”, отвечать за результат всегда вам. Поэтому учитесь доводить ИИ-результат до уровня, в котором вы будете уверены. Какой-то единой техники пока нет (и не факт, что будет), но о приемах я постоянно рассказываю: ревью устаревших промптов и скиллов (промпт-долг), “рои” с проверками, как у Мартина; автоматически улучшающиеся циклы, которые вы иногда “рвете” и проходите руками, чтобы убедиться, что ничего не сломалось. Надеюсь, Agentic Discipline подарит нам новые приемы – с радостью попробую их одним из первых! — О том, как Роберт Мартин управляет ИИ, я рассказывал в большом лонгриде. Там подробный разбор swarm-forge и проверок, которые в него входят, а также советы, как все это применять на практике (и не только в коде). — Читайте здесь.

Я уже рассказывал, что современные браузеры постепенно превращаются в персональных ИИ-ассистентов. В сети мы выбираем товары, совершаем покупки, планируем поездки и встречи – поэтому логично иметь агентские функции прямо в браузере. Получив запрос, модель пройдет по нужным сайтам, подскажет лучшие предложения, а если пользователь разрешит — заполнит формы и совершит покупку после финального согласования. Но здесь есть большая проблема: интернет полон запрещающих знаков. Чуть больше года назад агенты путались в интерфейсах сайтов, а капча была для них испытанием уровня ступенек для робота-пылесоса. Сейчас барьеры лежат глубже. Некоторые бизнесы и ресурсы пытаются оградиться от ИИ-ассистентов, предпочитая только живых пользователей. Другая история – региональная. С июня иностранные удостоверяющие центры один за другим отзывают сертификаты безопасности у российских сайтов; в начале августа под раздачу попали и крупные банки. Для человека это выглядит как красная плашка “соединение не защищено” в привычном браузере – знакомая картинка, на которой все мы хоть раз жали “все равно перейти”. Ассистент предупреждение о безопасности скорее всего воспримет буквально: он не имеет права решать за вас, доверять ли сайту, где вы вводите карту. Значит, либо он будет намного чаще просить вашего согласования там, где не нужно, либо инфраструктура доверия должна быть в порядке еще до того, как агент взялся за работу. Но что это за инфраструктура? Устроено все проще, чем кажется. У каждого сайта есть сертификат: он подтверждает, что вы говорите именно с банком, а не с кем-то, кто встал между вами и банком. Сертификат выдает удостоверяющий центр, коих в мире несколько сотен. Список того, каким центрам верить, лежит не на сайте и не у вас – он зашит в браузер. В любом браузере таких доверенных центров сотня-полторы, и большинство названий вы никогда не слышали: какой-нибудь центр из Испании или Тайваня заверяет сайты, на которые вы заходите каждый день. Получается, что решение “кому доверять” принимает не пользователь и не сайт, а браузер. Значит, что и проблему нужно решать на уровне браузера. И если ИИ-ассистент должен работать в русском вебе – стоит искать подходящий браузер. У Яндекс Браузера с Алисой AI поддержка отечественных сертификатов встроена, а агентские функции вроде “найти дешевле” уже на месте – связка “доверие плюс ассистент" собрана в одном окне. Понимаю настороженность: в списке доверия появляется незнакомый удостоверяющий центр – не начнет ли он подглядывать? Но сертификат – не программа, он ничего не исполняет и никуда не лезет. Настоящий вопрос к любому удостоверяющему центру один – что он выпустит по своему корню. Как это ограничено у Яндекса, команда браузера подробно расписала на Хабре: сертификат живет внутри браузера и не трогает системное хранилище. Так что для остальных программ ничего не меняется; сертификаты НУЦ принимаются только для доменов из публичных логов Certificate Transparency; код проверки открыт. Оговорюсь честно: такие логи не запрещают выпустить лишнее – они оставляют проверяемый след. Это камера наблюдения, а не броня. Но именно так работает доверие и ко всем остальным ста пятидесяти центрам из списка. Почти весь пост мы говорили про ИИ, но чем пользователь хуже? Ассистенту мы запрещаем жать “все равно перейти” на сайте банка, а сами жмем и тратим время. В браузере, где список доверия в порядке, этот выбор просто не возникает: сайт открывается, а если что-то все же непонятно, можно тут же спросить Алису AI, что означает предупреждение и стоит ли идти дальше. А если переживаете за приватность, то просто держите несколько браузеров для разных сегментов интернета.

У главы Codex есть Большая Красная Кнопка. Он нажимает ее – и делает пользователям хорошо Тибо Сотьо, руководитель Codex в OpenAI, дал интервью Мэттью Берману: про будущее агентов, разные подходы в работе с ИИ и Большую Красную Кнопку. Почему Google уступила OpenAI Тибо пришел в OpenAI из Google, где занимался инфраструктурой и ускорением исследований. По его словам, в какой-то момент внутренние модели компании стали настолько хороши, что появилась идея LM Chat – интерфейса для общения с ИИ. Впервые модель давала связный текст и могла быть полезной для пользователя. Но когда речь зашла о широком запуске, то топ-менеджмент занервничал и не дал проекту зеленый свет – боялись, что он затронет основной бизнес Google. Год спустя OpenAI выпустила ChatGPT и перевернула ИИ-индустрию… Ваш Codex устареет уже через несколько месяцев Главный урок, который Тибо унес из Google – не бояться каннибализировать себя. Схемы не вечны – лучше убить свою самому, чем ждать конкурента. За это Тибо хвалит OpenAI: умение перебрасывать ресурсы с основного бизнеса на перспективное новое – даже если это ударит по старому. Долгое время ChatGPT был основным ИИ-интерфейсом, количество пользователей подбиралось к 1 млрд – но встало. Однако когда появилась идея объединить ChatGPT с Codex в одно суперприложение, то многие задались вопросом – а это реально стоит делать? В компании рискнули: и сейчас Codex растет огромными темпами, достигнув 20 млн пользователей. При этом Тибо утверждает – через несколько месяцев текущая версия Codex будет выглядеть полностью устаревшей. Сейчас в приложении много “костылей”: скиллы, которые надо поддерживать, память, которая помнит не все, субагенты, которыми приходится рулить как маленькой сетью. Это постепенно уйдет, а новая версия превратится в “маленького партнера”, который знает тебя и твою команду и действует сам. Еще интересный тезис: будущие ИИ-агенты начнут упираться в локальное железо. Компьютеры расчитаны на человека, а агент может работать на порядки быстрее – например, попробует открыть сто приложений сразу. Решение – полностью облачные агенты.  Скорость или мультизадачность? Интересным оказалось обсуждение Бермана и Тибо о стиле работы. Берман гоняет до 10-15 агентов, выжимая максимальную производительность. Но признает, если бы агенты были быстрее, то он остановился бы на 3-4, потому что менеджерить много копий ИИ очень сложно. Тибо в целом согласен. По его словам, параллельные агенты – это ответ на медлительность ИИ, по мере роста скорости люди будут уходить от такой техники. Возможно, идеальный вариант – один ИИ-агент, но реагирующий на ваши запросы почти в реальном времени. OpenAI как раз и движется в этом направлении. В Codex есть режим скорости 1,5x, но более дорогой по токенам. Внутри компании тестируется режим Ultra Fast с ускорением до 10-14x относительно Fast – но Тибо признает, что это на некоторых кодовых задачах, средний рост будет 3-4x. Большая Красная Кнопка Про “красную” – моя шутка. А все остальное правда.  Codex в последние месяцы прославился внеплановыми сбросами лимитов, о которых Тибо объявлял в X – в сравнении со строгостью лимитов Claude Code и Cowork, этот подход выглядел аттракционом щедрости. Тибо рассказал, что сначала лимиты сбрасывали в ответ на проблемы в Codex – это выглядело справедливой компенсацией падений сервиса. Затем это стало самостоятельным мемом: фраза “Тибо, сбрось лимиты” регулярно звучит в X. Лимиты сбрасываются на рекорды Codex, в ответ на акции Anthropic, а иногда и просто так. И да – у Тибо действительно есть физическая кнопка, нажав которую, он сбрасывает лимиты. Получается, кнопка – инструмент компании, которая не боится менять свое. — У меня нет Большой Красной Кнопки – зато есть отдельная подписка, где я рассказываю, как выжимать из ИИ максимум. Там курсы по промптингу и ИИ-агентам, личный опыт и разборы, как ИИ управляют лучшие эксперты – вроде главы Claude Code Бориса Черни и автора книги Clean Code Роберта Мартина. — Самое время подписаться!