Социальные сети

История с моделью Claude Mythos от Anthropic показывает, насколько быстро искусственный интеллект вышел за пределы технологической индустрии и стал вопросом государственной политики. Парадокс ситуации в США выглядит почти абсурдно: ещё недавно власти ограничивали использование продуктов Anthropic в военной сфере, а теперь Белый дом готов внедрять «модифицированную» версию той же технологии в федеральные структуры. Причина — в уникальных возможностях модели. Mythos — это не просто очередной языковой ИИ. Он позиционируется как инструмент для работы с кибербезопасностью: поиска уязвимостей, анализа кода и оценки рисков. По данным Anthropic, модель уже выявила тысячи потенциальных «нулевых дней» — критических уязвимостей, которые ранее оставались незамеченными. Именно эта способность делает её одновременно ценным активом и потенциальной угрозой. С одной стороны, государство получает инструмент, способный усиливать защиту критической инфраструктуры — от банковских систем до энергосетей. С другой — те же самые возможности могут быть использованы для атак, если технология попадёт не в те руки. Впервые ИИ начинает напрямую влиять на баланс сил в киберпространстве. Поэтому реакция регуляторов становится всё более серьёзной. Обсуждения вокруг Mythos уже вышли на уровень системных рисков: речь идёт не о локальных инцидентах, а о потенциальной дестабилизации финансовых рынков и инфраструктуры. Банки, государственные агентства и регуляторы рассматривают ИИ как фактор, способный ускорить как защиту, так и атаки. Интересно, что внутри самого правительства нет единой позиции. Военные структуры относятся к таким технологиям с осторожностью, опасаясь утраты контроля и неясных границ применения. В то же время гражданские ведомства — особенно связанные с энергетикой и финансами — наоборот, заинтересованы в быстром внедрении, видя в ИИ инструмент раннего выявления угроз. Компромиссом становится идея «модифицированной версии». Речь идёт не о полном доступе к модели, а о её ограниченном использовании: с контролем функций, строгими рамками применения и обязательным аудитом. Фактически ИИ пытаются встроить в существующие системы безопасности, не давая ему полной свободы. Этот кейс отражает более глубокий сдвиг. Если раньше государственная политика в области ИИ концентрировалась на обучении моделей, вычислительных мощностях и экспортных ограничениях, то теперь фокус смещается на этап внедрения. Вопрос уже не в том, как создать ИИ, а в том, как безопасно его использовать. Именно здесь появляется новая зона конкуренции: кто быстрее сможет интегрировать такие технологии в свои системы, не потеряв контроль над рисками. Mythos в этом смысле — лишь первый сигнал. Он показывает, что ИИ перестаёт быть просто инструментом повышения эффективности и превращается в элемент национальной инфраструктуры. А значит, ключевыми становятся не только технологии, но и правила их применения: кто имеет доступ, в каких рамках они работают и кто несёт ответственность за последствия. И главный вывод здесь в том, что государства уже приняли неизбежное: подобные модели всё равно будут использоваться. Вопрос лишь в том, произойдёт ли это под контролем — или без него.

За последние два года генеративный ИИ стремительно вошёл в повседневную жизнь, и казалось бы, именно молодёжь — «цифровые аборигены» — должна стать его главными сторонниками. Формально так и есть: более половины представителей поколения Z регулярно используют инструменты вроде ChatGPT в учёбе и работе. Однако за этой активностью скрывается куда более противоречивое отношение. Исследования показывают: несмотря на высокий уровень использования, доверие к ИИ среди молодых людей падает. Всё больше из них испытывают тревогу, раздражение и даже страх. Возникает парадокс — ИИ стал незаменимым инструментом, но одновременно воспринимается как угроза. Главная причина — ситуация на рынке труда. Молодые специалисты, только начинающие карьеру, всё чаще видят в ИИ конкурента. Компании активно внедряют автоматизацию, а разговоры о замене начальных позиций усиливают ощущение нестабильности. В условиях, когда найти первую работу и так сложно, ИИ воспринимается как фактор, который может лишить их шанса вообще войти в профессию. При этом отказаться от технологий невозможно. Наоборот, владение ИИ становится обязательным требованием: работодатели ожидают, что кандидаты умеют пользоваться такими инструментами, а сотрудники без этих навыков рискуют остаться без продвижения или даже работы. Это создаёт эффект «вынужденного использования» — молодые люди обращаются к ИИ не потому, что хотят, а потому что боятся отстать. К этому добавляется более глубокое беспокойство — страх утраты собственной ценности. Многие отмечают, что ИИ снижает значимость их навыков и подрывает уверенность в себе. Возникает феномен FOBO (страх устареть), когда человек ощущает, что его знания быстро обесцениваются. Тем не менее, поколение Z не принимает ИИ безоговорочно. Напротив, они всё чаще выстраивают чёткие границы. Например, используют ИИ для рабочих задач, но избегают его в личном общении, чтобы не терять «живые» социальные навыки. В важных решениях — вроде выбора университета — ИИ служит лишь вспомогательным инструментом, а не источником окончательных ответов. Опыт взаимодействия с ИИ также формирует скепсис: ошибки, вымышленные факты и чрезмерно «поддерживающие» ответы подрывают доверие. Чем больше молодые люди используют эти технологии, тем лучше понимают их ограничения. В итоге отношение поколения Z к ИИ оказывается сложным и многослойным: это одновременно инструмент, необходимость и источник тревоги. Они не отвергают технологии, но и не идеализируют их. Скорее, речь идёт о прагматичном подходе — использовать возможности ИИ, не позволяя ему определять собственное будущее. Этот «парадокс ИИ» отражает более широкую реальность: выгоды и риски технологического прогресса сегодня сильнее всего ощущают именно те, кто только начинает свой путь.

С развитием генеративного ИИ в деловой среде всё чаще звучит идея «одноразового софта» — программ, которые создаются под конкретную задачу и сразу же выбрасываются после использования. На первый взгляд, это выглядит как логичное продолжение тренда на ускорение и снижение затрат: если ИИ способен за часы генерировать рабочие решения, зачем тратить ресурсы на долгую разработку и поддержку? Однако за этой привлекательной концепцией скрывается куда более сложная реальность. Сам термин «одноразовый» пришёл из индустрии потребительских товаров — например, ежедневных контактных линз. В ИТ он означает использование ИИ для быстрого создания временных инструментов: скриптов, отчётов, простых сервисов. Появление этой идеи объясняется сразу несколькими факторами: резким снижением порога разработки благодаря ИИ, ростом фрагментированных бизнес-задач и высоким уровнем затрат на поддержку традиционных систем. В таких условиях «сделать и выбросить» действительно может работать — но только в ограниченных сценариях. Например, для разовых аналитических задач, временных страниц или вспомогательных скриптов. Там, где нет долгосрочных зависимостей и критических данных, ИИ способен дать быстрый и дешёвый результат. Проблема начинается, когда эту логику пытаются масштабировать на всю компанию. Дело в том, что ИИ снижает лишь стоимость создания, но не убирает главную нагрузку — сложность. В реальном бизнесе ключевую роль играют интеграция систем, управление данными, безопасность, контроль доступа, соответствие требованиям и устойчивость процессов. Эти аспекты нельзя «выбросить» вместе с кодом. Более того, при хаотичном использовании одноразовых решений они только усугубляются. Если компания начинает повсеместно применять «одноразовый» подход, последствия могут быть довольно серьёзными. Знания не накапливаются, каждая задача решается с нуля, а организация фактически теряет память. Появляются разрозненные данные, которые никто не структурирует и не очищает. Возрастают риски утечек и нарушений комплаенса, поскольку временные решения редко проходят полноценный контроль безопасности. Управление при этом деградирует: краткосрочная «гибкость» подменяет стратегию. В результате возникает иллюзия эффективности. Команды заняты, задачи решаются быстро, но долгосрочной ценности не создаётся. Ключевой вопрос здесь — не «использовать ли ИИ», а «где проходят границы». Существует простой критерий: если система связана с деньгами, людьми или ответственностью — её нельзя делать одноразовой. То есть всё, что касается финансов, клиентских данных, контрактов и регуляторных требований, требует устойчивых, развиваемых решений. Таким образом, «одноразовый софт» — это не универсальная модель будущего, а узкий инструмент. Он может быть полезен как дополнение к сильной инженерной и управленческой базе, но не как её замена. ИИ действительно ускоряет создание инструментов. Но ценность бизнеса по-прежнему определяется не скоростью генерации кода, а способностью накапливать знания, выстраивать процессы и управлять сложностью. Проще говоря, дело не в том, как быстро вы создаёте инструменты, а в том, что остаётся после их использования.

Журналисты проверили на практике популярный тезис: смогут ли обычные пользователи запускать ИИ прямо на своих устройствах без облака. Повод — выход Gemma 4 от Google, включая версии, специально оптимизированные для мобильных устройств и офлайн-работы. Ответ после теста на бюджетном смартфоне: пока что — нет. Взяли типичный «тысячный» смартфон (vivo Y500 Pro с чипом Dimensity 7400) и запустили на нём мобильную версию Gemma 4 через приложение Google AI Edge Gallery. Результаты оказались разочаровывающими: Скорость: генерация ответа — 2–5 минут на один запрос Качество: много лишнего текста, ошибки в логике Стабильность: в задачах с изображениями возможны зависания (до 5 минут без ответа) Ограничения: нельзя свернуть приложение — нужно ждать с включённым экраном Даже простые задачи вроде рекомендаций фильмов занимали почти 3 минуты. Логические задачи модель часто решала неправильно. Визуальное распознавание — нестабильное: крупные объекты (например, Apple Store) игнорируются, простые сцены могут «ломать» систему. Для сравнения использовали флагманский смартфон: ответы приходят в 2 раза быстрее ошибки всё равно остаются сложные задачи модель всё ещё не тянет То есть даже на топовых устройствах локальный ИИ — это «на грани пригодности», а не полноценная замена облачным моделям. Главное ограничение — железо: у бюджетных чипов слабые NPU (нейропроцессоры) низкая скорость обработки токенов ограниченные ресурсы для «глубокого рассуждения» Из-за этого модель: либо думает слишком долго либо «срезает углы» и ошибается Текущая стратегия индустрии — это не «всё локально», а гибридная модель: локально: быстрые, простые задачи (голос, уведомления, базовые команды) в облаке: сложные вычисления и генерация Даже такие функции, как «управление телефоном голосом» (например, у Samsung или других AI-смартфонов), часто на самом деле завязаны на облако, а не работают полностью офлайн. Почему Google всё равно это делает Gemma 4 и AI Edge Gallery — это не готовый продукт, а задел на будущее: подготовка экосистемы под локальные модели постепенное открытие доступа к управлению системой через ИИ ожидание, что чипы со временем догонят требования Но ключевая проблема — экономическая:производители чипов не спешат давать мощный AI в дешёвые устройства, потому что это главный аргумент в пользу флагманов. Идея «локальный ИИ для всех» пока остаётся скорее маркетингом, чем реальностью. На практике: бюджетные устройства — слишком медленно и нестабильно флагманы — терпимо, но с ограничениями облачные модели — всё ещё значительно удобнее Главный вопрос теперь не в технологиях, а в индустрии:захотят ли производители сделать мощный ИИ доступным в дешёвых устройствах — или оставят его привилегией дорогих?

Вокруг архитектуры Claude Mythos в последнее время возник почти мифологический ореол: модель называют слишком мощной и даже «запечатанной». Но пока одни обсуждали слухи, 22-летний разработчик Kye Gomez, основатель фреймворка Swarms, попытался собрать эту архитектуру заново на основе открытых исследований и популярных технических гипотез. Так появился OpenMythos — открытый проект, в котором реализована модель класса Recurrent-Depth Transformer (RDT) с механизмом MoE-маршрутизации. Главная идея RDT состоит в том, чтобы не бесконечно наращивать число слоев и параметров, а заставить одну и ту же вычислительную структуру «думать» несколько раз. В архитектуре Gomez один и тот же блок может повторно применяться до 16 циклов, причем на каждом шаге активируются разные эксперты. За счет этого модель получает не только «глубину размышления», но и более экономное использование параметров. По сути, вместо стратегии «больше слоев — больше мощность» предлагается другая: меньше параметров, но больше итеративной обработки. Особую роль здесь играет смесь экспертов — MoE. В OpenMythos этот подход, по словам автора, частично вдохновлен DeepSeekMoE: система сочетает множество специализированных экспертов с небольшим числом постоянно активных общих модулей. В результате, как сформулировал сам Gomez, MoE дает модели широту знаний, а циклическая архитектура — глубину рассуждения. Дополняет эту схему идея стабильных циклов, предложенная в недавних научных работах: она нужна для того, чтобы повторные проходы не приводили к расходимости вычислений. Еще одна важная особенность — рассуждение в скрытом пространстве. В отличие от Chain-of-Thought, где модель выдает промежуточные шаги рассуждений в виде текста, RDT выполняет все промежуточные итерации внутри hidden state и показывает пользователю только финальный ответ. Иными словами, модель не «думает вслух», а сначала проходит несколько внутренних раундов обработки, после чего формулирует готовый результат. Интерес к подобным архитектурам подогревают и академические эксперименты. Исследования показывают, что циклические Transformer-модели лучше справляются с систематической генерализацией и глубинной экстраполяцией: они умеют комбинировать уже известные факты в новые цепочки и решать более длинные рассуждательные задачи, чем те, на которых обучались. Если эти выводы подтвердятся, индустрия может постепенно сместить акцент с простого масштабирования моделей на новый принцип: не только обучать больше, но и давать модели больше времени на внутреннее мышление во время вывода. Поэтому вопрос, действительно ли Anthropic использовала именно такую архитектуру в Mythos, уже не выглядит ключевым. Гораздо важнее то, что сама идея циклических Transformer-моделей стремительно выходит из области догадок в поле открытых экспериментов. И вполне возможно, что следующая большая гонка в ИИ будет связана не с размером модели, а с тем, насколько эффективно она умеет думать повторно.

Китайская компания Lonixx (Нанкин) привлекла десятки миллионов юаней инвестиций и одновременно вышла на заметные коммерческие показатели: с начала массовых поставок в январе ежемесячная выручка превысила 10 млн юаней, а общий объем отгрузок — 10 тысяч устройств. Но важнее не сами цифры, а контекст — компания заходит в рынок в момент его структурного перелома. Долгие годы сегмент садовой техники — газонокосилки, триммеры, бензопилы — оставался консервативным и зависимым от бензиновых решений. Теперь ситуация быстро меняется. Ужесточение экологических норм в Европе, США и Японии ускоряет отказ от ДВС, а развитие литий-ионных батарей постепенно снимает ключевые ограничения по мощности и времени работы. Электрификация перестает быть «апгрейдом» и становится новым стандартом. Однако сама по себе замена двигателя — лишь первый этап. Основная конкуренция смещается в область системной оптимизации и интеллектуального управления. Многие производители до сих пор делают ставку на отдельные компоненты — батареи, моторы, материалы — но в реальных условиях это приводит к компромиссам: рост мощности ухудшает терморежим, увеличение автономности влияет на вес и управляемость. Lonixx делает ставку на другой подход — интеграцию всей системы. Компания развивает сразу три платформы напряжения (20V, 40V и 60V), но рассматривает их не как линейку «чем больше — тем лучше», а как разные сценарии использования. Высоковольтные решения ориентированы на большие участки и длительные нагрузки, тогда как более легкие — на повседневные задачи и удобство. Ключевым элементом стратегии становится внедрение AI в управление устройствами. Речь идет не о «умных функциях ради функций», а о способности техники адаптироваться к условиям работы. Система анализирует нагрузку, температуру и уровень заряда, после чего динамически регулирует поведение устройства: от разрядки батареи до параметров двигателя. В результате инструмент не просто выполняет команды, а сам подстраивается под задачу и среду. Такой подход особенно важен для сложных сценариев — плотная трава, длительная непрерывная работа, низкие температуры. Именно в этих условиях традиционные решения чаще всего дают сбои, и именно здесь появляется пространство для дифференциации. При этом Lonixx строит бизнес с прицелом на глобальный рынок. Уже сейчас компания выстраивает каналы продаж в Северной Америке, Европе и Азиатско-Тихоокеанском регионе, комбинируя крупные розничные сети с локальными дилерами и онлайн-платформами. Это критично для категории, где пользовательское решение сильно зависит от физического опыта — веса, баланса, «ощущения» инструмента. Инвесторы делают ставку сразу на два тренда: неизбежную замену бензиновых решений на электрические и следующий этап — интеллектуализацию техники. В этой логике выигрывать будут не те, кто быстрее увеличит мощность, а те, кто сможет превратить инструмент в адаптивную систему. Рынок садовой техники — это десятки миллиардов долларов и десятилетия инерции. Но, как показывает пример Lonixx, окно возможностей уже открылось: сочетание литиевых технологий, инженерной интеграции и AI может превратить даже такой «традиционный» сегмент в новую точку роста.

В 2026 году самым статусным потреблением стали не дорогие гаджеты или брендовая одежда, а возможность пользоваться топовыми нейросетями без ограничений. Пока ИИ-гиганты соревнуются в мощи моделей, обычные пользователи — «цифровые работяги» — вынуждены считать каждый токен, превращаясь в своего рода «нижний слой» технологического рынка. Ситуация сегодня напоминает начало 2000-х с их помегабайтной оплатой интернета. Тогда разработчики экономили каждый килобайт, сжимая картинки до неузнаваемости. Сегодня история повторяется на уровне смыслов. Каждое обращение к API, каждое размышление агента — это четко тарифицированный токен. Вычислительные мощности текут сверху вниз: от чипов Nvidia к облачным гигантам, затем к разработчикам моделей и, наконец, к нам. Но «труба» засорилась. Сложные сценарии использования (AI-агенты) увеличили потребление токенов в тысячи раз. Хотя стоимость одного токена падает, итоговый счёт за «умный» результат только растёт. Субсидии закончились: облачные сервисы и разработчики моделей (Alibaba, Tencent и другие) массово поднимают цены, иногда в несколько раз. Для активных пользователей Token превратился из технического термина в источник постоянного стресса. Студенты и исследователи, привыкшие к помощи Claude или ChatGPT, теперь живут в страхе увидеть уведомление: «Ваш лимит на неделю исчерпан на 90%». Это порождает новые стратегии выживания: Иерархия моделей: рутинные задачи (написать письмо, составить отчет) отдаются дешевым и «глупым» моделям, а топовый интеллект приберегается только для проектирования сложных систем. Лингвистическая экономия: пользователи перестают здороваться с ИИ и благодарить его, чтобы не тратить лимиты на «эмоциональный мусор». В соцсетях даже стали популярны запросы на вэньяне (древнекитайском языке), так как он позволяет передать смысл минимальным количеством знаков. Скрытые компетенции: умение эффективно «кормить» нейросеть данными, не тратя лишнего, становится секретным конкурентным преимуществом, которым профи не спешат делиться. Если раньше «рынок для бедных» определялся способностью покупать физические товары, то теперь граница проходит по доступу к качественному ИИ. Разрыв в когнитивных возможностях между теми, кто может позволить себе «глубокое размышление» модели, и теми, кто пользуется бесплатными обрезками, будет только расти. Проблема не в нехватке видеокарт как таковых, а в эффективности их использования. Компании вроде OpenAI тратят миллиарды и несут огромные убытки на поддержку инфраструктуры. В эпоху, когда эффективность работы напрямую зависит от качества общения с ИИ, настоящим победителем станет не тот, у кого больше «железа», а тот, кто научится выжимать максимум из каждого оплаченного токена. AI должен был стереть границы, но пока он строит новые — платные.

На GitHub внезапно в топе оказался не новый фреймворк и не впечатляющий open-source-проект, а обычный текстовый файл — CLAUDE.md. За неделю репозиторий набрал более 44 тысяч звезд, а общее число превысило 61 тысячу. Причина такого ажиотажа проста: файл предлагает крайне практичный набор правил для AI-агентов, пишущих код, и, по сути, превращает опыт сильного инженера в готовую «прошивку поведения» для модели. В основе CLAUDE.md лежат наблюдения Андрея Карпаты о том, как LLM чаще всего ошибаются в программировании. Документ формулирует четыре базовых принципа. Во-первых, если модель не уверена, она должна не угадывать, а задавать уточняющие вопросы. Во-вторых, код должен оставаться максимально простым: без лишних абстракций, ненужной гибкости и «корпоративной архитектуры» там, где нужен небольшой фрагмент логики. В-третьих, AI не должен трогать ничего сверх поставленной задачи: исправил баг — не устраивай попутный рефакторинг всего файла. И, наконец, модель нужно ориентировать не на пошаговые инструкции, а на четкий результат и критерии проверки. Именно эта простота и сделала файл вирусным. Разработчики быстро узнали в этих правилах свои ежедневные боли: модель выбирает слишком сложный путь, меняет лишнее, придумывает требования сама и тратит время там, где хватило бы одного вопроса. Как отмечают участники обсуждения, проблема все чаще заключается уже не только в качестве самой модели, а в «обвязке» вокруг нее — в правилах, ограничениях и способах постановки задач. Автор проекта, Jiayuan Zhang, превратил длинный пост Карпаты о типичных ошибках AI-агентов в компактный и пригодный к использованию файл инструкций. Получился не просто набор советов, а универсальный интерфейс управления поведением AI при работе с кодом. Достаточно положить CLAUDE.md в корень проекта, и агент будет ориентироваться на эти правила при генерации и правке кода. Популярность репозитория хорошо вписывается в более широкий сдвиг, о котором говорит сам Карпаты. По его словам, рабочий процесс программиста уже меняется: вместо модели «80% кода пишу сам, 20% помогает AI» появляется противоположная схема — 80% работы берет на себя агент, а человек в основном проверяет, направляет и дорабатывает. Это делает разработку быстрее, но одновременно несет риск лавины низкокачественного AI-контента и постепенного ослабления собственных навыков ручного кодинга. Поэтому феномен CLAUDE.md — это не просто история о популярном файле. Это сигнал о том, что программирование входит в эпоху agentic engineering, где главное конкурентное преимущество дает не только мощная модель, но и умение правильно задать ей рамки, цели и критерии качества. И, возможно, именно такие «простые» текстовые файлы станут новой инженерной дисциплиной для работы с ИИ.

Ещё недавно разговоры об экономике ИИ сводились к простому вопросу: сколько стоит один токен. Компании сравнивали модели по цене за миллион токенов, а расчёт расходов выглядел как элементарная формула. Но к 2026 году эта логика перестала работать. Сегодня токен — уже не единственная единица измерения. Более того, он перестал быть главным ориентиром. Современные AI-сервисы продают не «вычисления», а организованный интеллектуальный труд. В одном рабочем процессе могут одновременно участвовать модель, поиск, кеширование, хранение данных, выполнение задач в фоне, контейнеры и даже готовые «результаты» как продукт. Всё это тарифицируется отдельно. Например, в одних сценариях основную часть затрат формирует вовсе не модель, а поиск или «grounding» — подключение к внешним данным. В других — наоборот, львиная доля бюджета уходит на саму генерацию. А если агент работает долго в фоне, появляется ещё одна статья расходов — время выполнения. В итоге стоимость ИИ больше нельзя свести к одной универсальной метрике. Она зависит от того, какую именно работу выполняет система. Это меняет не только расчёты, но и саму логику бизнеса. Если раньше компании искали «самый дешёвый токен», то теперь им приходится считать совокупную стоимость задачи: сколько стоит получить конкретный результат с учётом всех компонентов. Бюджет становится многомерным. Параллельно меняется и сама модель монетизации. Помимо классической оплаты за использование, всё чаще появляются новые подходы: оплата за результат (например, за решённый запрос клиента), кредиты на действия вместо прямой тарификации, подписки, включающие разные уровни доступа, отдельные платежи за инфраструктуру и хранение. Фактически рынок движется от «оплаты за процесс» к «оплате за итог». Если посмотреть шире, формируется многослойная экономика ИИ. Внизу — базовые ресурсы: вычисления, токены, хранение. Они постепенно превращаются в нечто вроде коммунальной услуги — дешёвой, стандартизированной и взаимозаменяемой. А наверху — то, за что компании действительно готовы платить: решения, автоматизация задач и конечные бизнес-результаты. Чем выше уровень, тем выше ценность — и тем сложнее заменить продукт. Это напоминает другие технологические сдвиги. Когда-то электричество тоже стало дешёвым и повсеместным, но основная ценность возникла не в самой энергии, а в том, как компании перестроили под неё свои процессы. С ИИ происходит то же самое: выигрывают не те, у кого «дешевле токены», а те, кто лучше встроил интеллект в бизнес. В ближайшие годы это приведёт к новой «ценовой войне», но уже не на уровне моделей. Конкуренция сместится в область архитектуры решений, эффективности использования ресурсов и способности гарантировать результат. В новой реальности цена — это не цифра за единицу вычислений, а сумма всех компонентов, которые превращают интеллект в работающий результат.

В последние месяцы вокруг AI-компаний, особенно Anthropic, формируется новая тревожная метафора — «линия уничтожения». Речь о том, что каждое новое обновление модели или продукта способно резко обесценить целые сегменты рынка и поставить под вопрос будущее традиционных софтверных компаний. Свежий пример — запуск Claude Design. Этот инструмент позволяет через обычный диалог создавать дизайн интерфейсов, прототипы, презентации и маркетинговые материалы, а затем сразу превращать их в код. То, что раньше требовало работы в специализированных программах вроде Figma, теперь выполняется в одном окне — быстрее и с меньшими усилиями. Реакция рынка была мгновенной: акции Figma резко упали, а её капитализация за последний год сократилась в разы. Но дело не в одной компании. С начала года Anthropic последовательно выходит на территории разных отраслей — от юридических сервисов до кибербезопасности. Появление AI-плагинов, способных выполнять полноценные рабочие процессы, уже привело к падению акций крупных игроков вроде Thomson Reuters, Adobe и других. Инвесторы реагируют не столько на текущие возможности ИИ, сколько на его потенциал «съесть» целые категории продуктов. Причина этой силы — в экономике. ИИ одновременно дешевле и универсальнее. Он снижает потребность в дорогих SaaS-подписках и частично заменяет труд специалистов. Например, юридические инструменты на базе ИИ могут выполнять анализ контрактов и поиск прецедентов, а системы безопасности — находить уязвимости, которые не замечались годами. В ряде задач качество уже приближается к профессиональному уровню. Однако говорить о полном «уничтожении» прежнего софта пока рано. У традиционных компаний остаются сильные стороны, которые трудно воспроизвести: накопленные данные, отлаженные процессы, комплексные решения и глубокая интеграция в бизнес. ИИ хорошо справляется с отдельными задачами, но хуже — с системной ответственностью: комплаенсом, безопасностью, устойчивостью инфраструктуры. Кроме того, у ИИ есть и скрытая стоимость. Активное использование моделей требует значительных вычислительных ресурсов и затрат на токены. В ряде случаев экономия на подписках компенсируется новыми расходами, а иногда и превышает их. Скорее всего, будущее — не в полном вытеснении, а в слиянии. Уже сейчас многие SaaS-компании интегрируют ИИ в свои продукты, а сами AI-разработчики нуждаются в платформах и экосистемах для масштабирования. Выиграют те, кто сможет встроиться в эту новую связку. Тем не менее, «линия уничтожения» — это важный сигнал рынку. Она показывает, что стабильность в технологических отраслях стала иллюзией: даже крупные и устоявшиеся игроки могут оказаться уязвимыми. ИИ не обязательно убивает отрасли мгновенно, но он меняет их экономику и правила конкуренции настолько сильно, что возвращения к прежнему уже не будет. В этом смысле главный вопрос для компаний сегодня звучит не «заменит ли нас ИИ», а «как быстро мы сможем перестроиться, чтобы не оказаться по другую сторону этой линии».