Российский Минздрав разрешил лечащим врачам использовать мессенджер Max для дистанцонной оценки состояния пациента и закрытия больничного листа. Об этом директор Центрального института организации и информатизации здравоохранения Минздрава России Ольга Кобякова сообщила в своем канале в Telegram.
Начну с конца. Вывод или рабочая гипотеза, к которой я пришел после того, что описано ниже звучит следующим образом:
Наличие проблем с самоорганизацией не мешает более-менее адекватно справляться с работой. Но вот личная жизнь есть только у организованных!
В игровой индустрии редки, но не единичны, ситуации, когда одна новая игра устоявшейся серии выходит и переворачивает существующий канон и восприятие франшизы у игроков. Не какое-то ответвление или просто заряженный сиквел, а кардинальный пересмотр старых наработок и переизобретение себя. «Morrowind», «Resident Evil 4» или «GTA III» стали вехами в истории развития видеоигр и в глазах многих являются главными представителями геймплейной формулы соответсвующих серий.
А ещё бывают игры, хорошие игры, которым просто не повезло в долгосрочной перспективе. Технологии меняются, способы взаимодействия игроков с играми тоже — и если разработчик с издателем не потрудились над созданием качественной версии своего детища для актуальных устройств, то проект может (незаслуженно) остаться на обочине истории.
Именно так произошло с если не революционной, то безусловно очень важной для всего канона JRPG игрой «Persona 3». Радикальная смена стиля и геймплея, безумный ажиотаж, множество последователей и подражателей — третья «Персона» давно обрела статус «легенды» игростроения. Однако отношение создателей к собственному наследию и путанная ситуация с различными «версиями» одной и той же игры вызывают лишь грусть и заставляют в очередной раз задуматься о проблемах презервации видеоигрового искусства.
Мы договорились с Центральным университетом готовить ИТ- и инженерных специалистов и развивать прикладные решения в области ИИ. Запустим совместные образовательные программы и создадим кафедру технологий ИИ в корпоративном университете СИБУРИНТЕХ.
И туда, кстати, ищем заведующего новой кафедрой.
Apollo ведет переговоры с Revolut о размещении своих фондов в новом разделе частных рынков финтеха. Если сделка состоится, розничные инвесторы в ЕС получат доступ к продуктам одного из крупнейших игроков альтернативных инвестиций - напрямую через приложение с аудиторией более 70 млн пользователей.
Это еще один сигнал того, что private markets активно идут в массовый сегмент в поиске нового капитала. На фоне почти 300%-го роста выручки направления Wealth у Revolut и $4 млрд, привлеченных Apollo через каналы работы с состоятельными клиентами за квартал, граница между классическим private equity и финтех-платформами стремительно размывается.
Генеральная Ассамблея ООН утвердила состав новой независимой международной научной группы по ИИ, сообщает “Коммерсант”. В списке из 40 имен фигурирует Андрей Незнамов из “Сбера”. Всего на места претендовало более 2,6 тыс. человек из 140 с лишним стран.
Некоторые комплекты оперативной памяти DDR5 на 64 ГБ стали стоить более $1 тыс., подсчитал портал PCPartPicker. Таким образом две планки ОЗУ стали дороже нового 13-дюймового MacBook Air на чипе M4. В августе прошлого года такие же комплекты обошлись бы в $250.
Франсуа Шолле, создатель Keras и бенчмарка ARC-AGI, опубликовал тред в X, в котором раскрыл дорожную карту своих тестов на абстрактное мышление и дал прогноз по срокам появления AGI. По словам Шолле, ARC-3 уже практически готов, ARC-4 в разработке и выйдет в начале 2027 года, ARC-5 тоже запланирован, а финальной версией станет ARC-6 или ARC-7. Цель — создавать бенчмарки до тех пор, пока не останется задач, с которыми справляется человек, но не справляется ИИ. Шолле сравнивает это с созданием AGI и прогнозирует дату в 2030 год.
В обзоре изменений за январь 2026 года рассмотрим следующие темы: критическая информационная инфраструктура, персональные данные, деятельность ФСТЭК России и другие.
Команда разработчиков проекта IPFire, которая развивает дистрибутив для создания маршрутизаторов и межсетевых экранов, представила серию списков блокировки IPFire DBL (Domain Block List) для отсеивания сетевых обращени�� к нежелательным доменным именам. Проект преподносится как поддерживаемое сообществом решение для управления содержимым, блокируемым в собственных сетях или в рамках ограничений по ИБ на локальных системах.
Что общего у бактерий в чашке Петри и языковых моделей? Я провел эксперимент: создал популяцию из 200 microGPT и «заразил» их вредоносным паттерном. Через 20 поколений эволюции нейросети научились выживать, но цена этого иммунитета оказалась пугающей. Разбираемся, как работает Alignment Tax на практике и почему «безопасные» модели неизбежно глупеют.
«Внедрили агента — им никто не пользуется». «Сотрудники копируют ответы без проверки — пошли ошибки». «Потратили бюджет на пилот — эффект нулевой».
Знакомо? Исследование Сколково и Redmadrobot показывает: провалы AI-проектов — это не проблема технологии. Это проблема зрелости. Компании покупают трансформацию, когда готовы только к личной эффективности.
Разбираем модель трёх уровней, четыре причины разочарования и главный дефицит рынка — не ML-инженеры, а люди, умеющие ставить задачи.
Это перевод основных тезисов из интервью Ленни Ракитски с Шервиным Ву, ведущим инженером из OpenAI. Оригинал на английском по ссылке.
1. AI пишет почти весь код в OpenAI. 95% инженеров используют Codex, а те, кто реально встраивает эти инструменты в работу, открывают на 70% больше pull requests, чем их коллеги - и разрыв со временем только растет.
2. Роль software engineer смещается от написания кода к управлению флотом AI-агентов. Многие инженеры ведут 10-20 параллельных Codex сессий, больше направляют и ревьюят, чем пишут код руками.
Не секрет, что про написание кода AI-агентами в автономном режиме (я буду пользоваться термином vibe coding, хотя он не вполне точен) сейчас прям нам вещают из каждого динамика.
С другой стороны, я довольно много использую AI для написания кода, и мои ощущения - «иногда работает неплохо, но надо проверять и высок риск, что в код пролезет какая-то дичь». Т.е. это сильно расходится с историями из интернета. Я внезапно смог четко сформулировать для себя, почему так и когда это работает, а когда нет.
Есть два типа программистов. Первые усиленно пользуются отладчиком, пишут и запускают 100500 тестов и все равно их код часто сбоит, когда что-то идет не по happy path сценарию. Вторые думают, идут гулять с собакой, возвращаются и пишут в разы меньше кода, который работает намного надежнее. На самом деле я, конечно же, идеализирую, и все мы находимся между типом 1 и типом 2, просто кто-то чуть ближе к одному, а кто-то к другому полюсу.
Но в чем принципиальная разница между этими типами? У типа 1 есть какое-то, часто очень локальное предположение о том, как должен работать код, он действует по принципу monkey see, monkey do. Второй пытается построить в голове модель того модуля, который он реализует, и дальше уже, имея модель, овеществляет ее в коде. Второе, как правило, быстрее и надежнее, но на порядок сложнее и требует глубокого понимания всех вовлеченных в процесс элементов.
При этом в IT есть масса задач, которые решаются первым способом, не сильно подготовленными инженерами. Будем честны, последние лет 15-20 первый подход изрядно доминирует в commodity IT, и этому есть объективные причины. Это накладывает отпечаток на инструментарий, культуру, построение SDLC процессов и т.п. (некоторые менеджеры просто не верят, что есть инженеры, которые без тестов и плясок с бубном могут посмотреть на проблему и сказать «вот так делайте»).
Возвращаясь к vibe coding - AI-агент это чистый тип 1. Модель системы и процессов в ней у него не глубже, чем память у золотой рыбки, потому что он оптимизируется под внешний feedback, а не под внутренние инварианты. Он, конечно, пытается что-то документировать, и ему пытаются писать требования, но все это работает довольно тяжело. Одна из причин в том, что инженер (хороший) не только машина для нажимания кнопок, но и источник множества мельчайших, но критически важных функциональных и нефункциональных требований, многие из которых ни бизнес аналитик, ни product owner прописать не могут (тут я в очередной раз сошлюсь на Polanyi's paradox - https://en.wikipedia.org/wiki/Polanyi%27s_paradox).
Это обстоятельство далеко не всегда имеет смысл и не всегда важно. Если вы делаете сайт для записи в барбершоп и вам надо показать список барберов, потом список слотов и потом сделать кнопку book, то строить глубокую модель системы смысла не имеет. Если вы делаете софт для электронной педали газа в автомобиле, то помимо тестов, хорошо бы точно понимать, как что работает и для чего каждая строчка кода и каждая из переменных. Между этими двумя примерами, разумеется, есть широкое поле для обсуждения.
Возвращаясь к AI-агентам - по идее искусство работы с ними заключается в понимании того, где ваша задача находится относительно этой системы координат, и в выдаче агенту задания нужного размера и нужной сложности. Где-то можно доверить делать большой кусок, где-то не более одного небольшого метода, а где-то вообще надо руками написать код. Неожиданное следствие для меня как динозавра, больше полагающегося на понимание кода, чем на тесты - даже если тесты не важны мне, все равно стоит их завести в какой-то мере для AI-агентов, если я хочу ими пользоваться для ускорения разработки.
Надо только правильно их таргетировать - для каких-то кусков они имеют смысл, а для каких-то просто трата времени.
Каждый день слышу, как мусоровоз под окнами пищит и опустошает мусорку соседней пятиэтажки. А как контролируется, куда и что он увозит? Поискал, какие есть истории с телематикой. Действительно, нашел проект, где инженеры «76 Ойл Тюмень» настроили мониторинг вывоза и утилизации отходов, правда, здесь речь о перевозке опасных отходов. Давайте посмотрим, как работает система: весовой модуль + камера + телематический контроллер + алгоритм обработки событий.
В Островке GitLab давно стал центральной точкой разработки. Со временем вокруг основного процесса накопилась ручная рутина — множество мелких действий, которые не связаны напрямую с кодом, но в сумме заметно влияют на работу.
Пока людей немного, всё обычно держится на договорённостях и внимательности отдельных участников. С ростом это начинает работать хуже: прозрачность снижается, поддерживать привычный порядок становится всё сложнее.
В ответ на это у нас появился отдельный сервис автоматизации. Он живёт рядом с GitLab и берёт на себя вспомогательные процессы: поддерживает актуальные статусы задач, помогает с ревью и дежурствами и вовремя сигнализирует о накопившихся релизах.
Об опыте, который начался с пары автоматизаций и закончился отдельным сервисом, рассказываем под катом.
Спринт против дистанции
За последние годы я управлял пятью IT‑командами. У каждой была своя культура - не в ценностях на сайте, а в том, как работает повседневная механика.
Видно это в простых вещах:
• как принимаются решения
• кто имеет право на ошибку
• как выглядит давление
• как команда ведёт себя под нагрузкой
Есть наблюдение, которое повторяется слишком часто, чтобы считать его случайностью. Чем жёстче климат, тем проще выбить результат в коротком периоде. Не всегда, но тенденция стабильная.
Решения принимаются быстрее. Возражений меньше. Управляемость выше. Это действительно работает как спринт.
Но у спринта есть цена.
На дистанции начинает проседать то, что обеспечивает устойчивость системы. Команду сложнее сохранить, внутренняя мотивация вымывается, инициативность падает. Отношение к результату становится формальным: система держится не на ответственности, а на давлении и страхе ошибиться.
Были и другие примеры — с мягкой средой. Спокойный заказчик, меньше иерархии, меньше прямого нажима. Со стороны такие команды часто кажутся «медленными» и «менее эффективными». В пике они и правда дают более скромный результат.
Зато на дистанции картина меняется. Команда сохраняется, люди растут, появляются инициативы по улучшению процессов. Итоговый результат оказывается выше за счёт того, что система не рассыпается при первых же перегрузках.
Это не спор «жёстко или мягко». Вопрос в другом: какой режим управления выбран и какой ценой готовы платить за этот выбор.
Жёсткий режим — ставка на скорость. Мягкий — на устойчивость. Иногда их удаётся смешать, но почти всегда с трением и локальными потерями.
Саппорт или критическая инфраструктура: как развивать платформенный продукт в enterprise
Платформенные продукты почти всегда «вторые в очереди» после бизнес-фич: приоритет ниже, аналитиков меньше, а в кризис бюджеты режут первыми. Знакомо? Тогда этот разбор — для вас.
В статье «Как развивать платформенные продукты. Саппорт vs критическая инфраструктура» показываем, как перестать быть просто сервисом поддержки и начать восприниматься как критическая инфраструктуры. Внутри — практические приёмы, метрики и примеры формулировок, которые реально меняют отношение к платформе.
Что забрать себе:
Чем платформенные продукты принципиально отличаются от бизнес-продуктов (и почему «мы повышаем конверсию» часто не аргумент);
Как искать партнёров и выстраивать отношения;
Какие метрики помогут защищать статус платформы;
Как управлять ожиданиями и приоритизацией;
Почему регулярные коммуникации и «красивые победы» — часть стратегии развития, а не самопиар.
В 2026 году кандидаты сравнивают условия, читают отзывы, быстро отсеивают лишнее и откликаются только в том случае, если все понятно и все устраивает. Поэтому продвижение вакансий давно перестало быть простой публикацией объявления.
Из статьи click.ru вы узнаете:
О том, как я дважды переделывал пет-проект автоматизации обработки заказов в домашней мастерской керамики и понял, зачем тебе пет-проекты, если ты уже умеешь писать код
