Anthropic на прошлой неделе объявила, что нанимает больше продакт-менеджеров. Не меньше. Причина: Claude Code превратил каждого инженера в троих, и теперь компания упирается не в скорость кода, а в скорость решений. В тот же день Faros AI опубликовала данные: багов на разработчика стало на 54% больше. А правительство США ввело госконтроль над GPT-5.6 и Mythos 5. Собрали пять новостей, которые вместе рисуют одну картину: AI-продуктивность реальна, но она смещает узкие места, а не устраняет их.
Скорость растет. Качество - нет
Faros AI, платформа аналитики инженерной продуктивности, опубликовала цифры, которые стоит перечитать дважды. Пропускная способность на разработчика выросла на 33,7%. Частота слияния пул-реквестов - на 16,2%. А баги на разработчика выросли на 54%. Соотношение инцидентов к пул-реквестам подскочило на 242,7%.
Бенджамин Рогоян, работавший fractional head of data на десятках проектов, описывает, что происходит с кодовыми базами, когда AI пишет большую часть кода. Разные инженеры генерируют код в разных стилях. LLM накладывают свои «мутации». За несколько месяцев кодовая база обрастает пятью-шестью стилями вместо одного-двух. Слой за слоем инженеры перестают понимать, что на самом деле происходит в системе.
Что говорят данные DORA: чем активнее компании внедряют AI-ассистентов, тем хуже становится стабильность поставок. Скорость растет быстрее, чем способность контролировать качество. Исследование DORA от Google это подтверждает.
Лука Росси, популяризовавший концепцию «софтверной фабрики», предупреждает: разрозненные AI-агенты на краях процесса не создают фабрику. Нужна единая платформа, где данные, стандарты и процессы связаны. Без этого компания просто ставит очередной станок в пустой цех.
Для бизнеса во Владивостоке, который рассматривает автоматизацию бизнес-процессов в разработке, главный вывод: внедрение AI-кодинга без перестройки контроля качества - это ускорение хаоса, а не продуктивность.
Узкое место сместилось с кода на решения
История про Anthropic и продакт-менеджеров - не случайность. Это структурный сдвиг, который сейчас проходит вся индустрия. Проблема софта больше не в том, как быстро напечатать код. Она в том, что именно печатать.
Команда Amazon Kiro IDE сжала разработку фич с двух недель до двух дней. Одна AWS-команда описала реархитектуру, которая изначально планировалась на 30 инженеров и 18 месяцев, - её выполнили шесть человек за 76 дней. Традиционное соотношение PM к инженерам 1:8, и без того натянутое, превратилось в 1:20. LinkedIn заменила программу ассоциированных продактов на трек Product Builder, который учит универсалов сразу продукту, дизайну и инженерии.
В апреле Anthropic выпустила Claude Code Routines - запланированных агентов, которые работают по расписанию, по вебхуку или ночью, пока ноутбук закрыт. Работа инженера теперь отчасти оркестрация: запустить рой перед сном, утром проверить стек пул-реквестов.
Система производит готовые фичи быстрее, чем принимает решения о том, что строить. Паттерн одинаков во всех компаниях, которые реально запустили агентные процессы в проде.
Для бизнеса это означает: AI-агенты не заменяют менеджмент. Они делают его более ценным. Нейросети для бизнеса ускоряют исполнение, но не отменяют необходимость принимать решения. Если ваша компания вкладывается в AI-инструменты для разработки, вкладывайтесь и в продакт-менеджмент - иначе упретесь в потолок.
Подробнее о сдвиге узкого места →
Память для агентов: в 27 раз меньше токенов
Исследователи из Национального университета Сингапура разработали MRAgent - фреймворк для управления памятью AI-агентов, который сокращает расход токенов до 118 000 на запрос. Для сравнения: LangMem требует 3,26 млн, Mem0 - 632 000. В 27 раз меньше. Время выполнения сократилось вдвое: с 1122 до 586 секунд.
MRAgent отказался от статичной схемы «найди - потом подумай». Вместо этого агент сам решает, что искать на каждом шаге, исходя из уже накопленных данных. Система использует механизм Cue-Tag-Content: стартует с небольших триггеров из запроса пользователя (имя, действие, место) и собирает улики по одной, отсекая нерелевантные пути до того, как тратить токены на извлечение полного контента.
На цифрах: MRAgent - 118 000 токенов за запрос против 3,26 млн у LangMem. Снижение затрат на вычисления в 27 раз. Для бизнеса, который использует AI-агентов в проде, это прямая экономия операционных расходов.
Для компаний, которые внедряют AI-агентов для поддержки клиентов, поиска документов или анализа данных, MRAgent означает, что стоимость каждого запроса снижается на порядок. Исходный код опубликован на GitHub.
Госконтроль над моделями становится нормой
Две недели назад правительство США принудило Anthropic отозвать Mythos 5 - впервые в истории под экспортный контроль попал сам AI. Сегодня оно сняло запрет для 100 компаний и федеральных агентств. А в тот же день OpenAI выпустила GPT-5.6 в трех версиях - Sol, Terra и Luna - на тех же условиях госконтроля.
Sol обходит Claude Mythos 5 на TerminalBench (91,91%), Luna стоит 1 доллар за миллион входных токенов. Но доступ к моделям получили только 20 организаций - каждая одобрена правительством индивидуально. OpenAI заявила, что не считает эту процедуру «долгосрочным стандартом», но подчинилась.
Две ведущих AI-лаборатории - в один день - выпустили свои сильнейшие модели только по утвержденному списку. Это прецедент. Доступ к топ-моделям теперь решает не рынок, а государство.
Для компаний во Владивостоке и на Дальнем Востоке это добавляет аргументов в пользу локальной инфраструктуры. Внедрение искусственного интеллекта на базе open-source решений и мультивендорная архитектура - уже не страховка, а необходимость. Полагаться на одного поставщика фронтьерной модели становится рискованно.
Подробнее о GPT-5.6 и Mythos 5 →
Ранжирование умерло. Персонализация заменила рейтинги
Маркетологи годами смотрели на позиции в выдаче. Эта эпоха заканчивается. Персонализация больше не дополнительный слой - она встроена в то, как продукты обнаруживаются. Два человека вводят один запрос и получают разные результаты. AI Overviews, ChatGPT Search, Gemini - все эти интерфейсы не показывают результаты, а обобщают и персонализируют их.
Большинство систем отслеживания позиций до сих пор исходят из стабильной базы: выбрать ключевое слово, зафиксировать топ-результаты с одного устройства и локации - и считать это истиной. Персонализация ломает эту модель. Локация меняет выдачу. История покупок формирует релевантность. AI-поисковики цитируют разные источники с разной частотой.
Добавьте сюда TikTok и Reddit в роли поисковых систем - и картина становится ясной: классические SEO-метрики перестали работать. Побеждает не тот, кто выше в рейтинге, а тот, кого цитируют AI-поисковики.
Для маркетологов во Владивостоке это сигнал: пора осваивать AI-видимость и GEO. Автоматизация с помощью ии в маркетинге теперь включает не только управление кампаниями, но и мониторинг цитирования в AI-поиске. Искусственный интеллект владивосток ищет не по позициям, а по ответам.
Подробнее о персонализации и новых метриках →
Что это значит для бизнеса
Пять новостей этой недели складываются в одну картину: AI-продуктивность реальна, но она не устраняет узкие места - она их смещает.
Код пишется быстрее - но багов стало на 54% больше. Вывод: внедрение AI-инструментов без перестройки контроля качества создает иллюзию продуктивности.
Инженеры выдают втрое - но решения принимаются с той же скоростью. Вывод: инвестиции в AI для разработки требуют параллельных инвестиций в продакт-менеджмент.
Память агентов подешевела в 27 раз благодаря MRAgent. Вывод: AI-агенты становятся доступнее для среднего бизнеса. Стоимость эксплуатации падает.
Модели становятся мощнее - но доступ к ним контролирует правительство. Вывод: open-source и мультивендорная архитектура - необходимость, а не страховка.
Маркетинговые метрики, на которые полагались годами, перестали работать. Вывод: GEO и AI-видимость - новые KPI.
AG Branding помогает компаниям во Владивостоке выстроить устойчивую AI-архитектуру: от аудита текущих процессов до внедрения AI-агентов и автоматизации. Начните с бесплатного аудита - разберем ваши процессы и точки для внедрения.