Токенфляция: проблема продвинутых ИИ моделей
Пользователь из Threads (принадлежат запрещенной в РФ Meta) написал GPT-5.4 Pro «Привет, я Дарио Амадей», и она так переволновалась, что думала над ответом 5 минут.

Каждая новая ИИ-модель умнее предыдущих, и это подтверждают результаты бенчмарков. Каждый анонс очередных GPT или Opus сопровождают табличками и графиками, где показывают, насколько лучше они справляются со все более сложными задачами. Но у этого прогресса есть и отрицательная сторона: более простые, тривиальные задачи теперь у поумневшего ИИ требуют намного больше ресурсов. У этого явления даже появилось отдельное название — токенфляция.

Суть в том, что для выполнения одной и той же задачи и достижения одинаковых результатов более продвинутой модели понадобится больше токенов, чем ее предшественнице попроще.

🔜 Например, вот тут автор протестировал, как разные ИИ реагируют на простые запросы: «Hi», «commit» и «WTF». 5 минут никто не размышлял, но Claude на простой «привет» сделал 33 вызова инструментов. Проблема не только в деньгах и растранжиривании токенов, но и в том, что это просто нерациональная трата времени пользователя, который ждет, когда модель наконец-то что-то ему ответит.

Для тех, кто строит ИИ-продукты и агентные системы, это хороший повод задуматься не только о качестве ответов, но и об эффективности. Иногда лучший агент — не тот, который исследовал весь репозиторий, а тот, который понял, что на «Привет» достаточно просто ответить: «Привет!»

А вы сталкивались с токенфляцией? 👀

Я заработал на Upwork $635К и рассказал у себя в Линке, как у меня это получилось. Пост набрал больше 300К просмотров, и после публикации фрилансеры стали присылать мне свои профили на разбор. Когда я проанализировал больше 1000 из них, начал замечать определенные закономерности.

Главный вывод: разница между теми, кто зарабатывает 50 долларов в час, и теми, кто зарабатывает 150, не в навыках. Ключевое отличие в том, как они себя подают и позиционируют как специалистов. Правильно оформленный профиль и портфолио, персонализированные отклики, умение грамотно выстроить диалог с клиентом — вот, что помогает выйти на новый уровень.
Я собрал весь этот  опыт и превратил его в отдельный продукт — High Earners.

Это четырехуровневая система:
🔵Оценка — тест на сайте, который за 2 минуты поможет увидеть свои слабые места.
🔵Плейбук — бесплатное руководство на 40 страниц, выжимка из опыта 300+ фрилансеров, которые преодолели отметку в $1 млн на Upwork.
🔵Разбор реального профиля с Upwork — теория из плейбука, примененная на практике. Этот материал можно использовать как гайд для самостоятельно аудита своего профиля.
🔵ИИ-тренажер — 8 модулей, после прохождения которых вы получите персонализированные рекомендации по выбору ниши, оформлению профиля, написанию откликов и формированию цен.

Если вы работаете на Upwork как фрилансер и ваши ставки давно не растут, начните с оценки. Всего за две минуты вы узнаете, что именно мешает вам зарабатывать больше.

Красоты с Tableau вам в ленту
Позалипать в пятницу и заодно порассуждать о ценности визуализаций, которые больше про творчество, чем про данные.

В комментариях под недавним постом про шпаргалку по визуализации данных отметили, что в ней много графиков, которыми на практике редко пользуются. По крайней мере, если речь идет про дашборды для бизнеса. В общем, красиво, но нефункционально.

🔜 А что скажете про визуализации вроде вот такой? Несколько видов калейдоскопов, которые можно крутить и наблюдать, как меняется рисунок. Самое то, если под конец недели на строчки кода и сообщения в Slack глаза смотреть устали.

Впечатляют такие проекты или на ваш взгляд это трата времени? В конце концов, есть, наверняка, и более подходящие платформы, чем Tableau, где можно делать такие штуки.

Страхи, что ИИ начнет массово отнимать у людей работу, оказались сильно преувеличены, но есть роль, которую он действительно начал вытеснять.

Это “переводчики данных”. Это были такие люди, которые переводили бизнес-запросы на язык SQL, а потом рассказывали руководителям, что показывают дашборды.

Теперь эту работу выполняет ИИ. У него можно просто спросить: “Почему упала выручка?” - и он сгенерирует запрос, чтобы вытащить данные из базы, сформулирует подробный отчет и посоветует, что с этим делать.

На первый взгляд кажется, что это к лучшему: данные становятся доступнее, потому что исчезает “прослойка” между ними и бизнесом. Но это радует, пока не окажется, что ИИ выдал неверный ответ, а перепроверить его было некому. Он умеет генерировать инсайты, но не может оценить, какие из них имеют реальную ценность и помогают принимать решения, а какие нет. А еще он может  оперировать корректными данными, но сделать из них неправильные выводы.

Получилось, что ИИ убрал “языковой барьер” между бизнесом и данными, но создал новую проблему: необходимость перепроверять и критически оценивать его инсайты.

🔜 Какие еще роли, на ваш взгляд, скоро вытеснит ИИ?

Microsoft разрабатывает язык для описания визуализаций данных, ориентированный на ИИ
Он называется Flint, и его главная идея в том, чтобы позволить пользователю концентрироваться на сути того, что надо отобразить на графике, не настраивая вручную детали вроде шкал, интервалов и так далее.

Ему нужны только сами данные, семантические описания полей (то есть, что они значат — отрезок времени, категория, прибыль и т. д.) и требования к оформлению:

{
  "data": {...},
  "semantic_types": {
    "game": "Category",
    "period": "YearMonth",
    "newUsers": "Profit"
  },
  "chart_spec": {
    "chartType": "Heatmap",
    "encodings": {
      "x": "period",
      "y": "game",
      "color": "newUsers"
    },
    "chartProperties": {
      "colorScheme": "redblue"
    }
  }
}

На основе этой информации, Flint создает подробную спецификацию визуализации:

{
  "data": {...},
  "mark": {
    "type": "rect",
    "width": 47
  },
  "height": {
    "step": 29
  },
  "encoding": {
    "x": {
      "field": "period",
      "type": "temporal",
      "scale": {
        "nice": false,
        "domain": [
          "2024-12-16T19:38:10.909Z",
          "2025-12-16T04:21:49.090Z"
        ]
      }
    },
    "y": {
      "field": "game",
      "type": "nominal",
      "sort": null
    },
    "color": {
      "field": "newUsers",
      "type": "quantitative",
      "scale": {
        "scheme": "redblue",
        "domain": [
          -84108,
          84108
        ],
        "domainMid": 0
      }
  ... // и еще 18 строк в таком же духе

Здесь пример для Vega-Lite, но он также работает с ECharts, Chart.js, Plotly и Excel.

За счет того, что он не просто оперирует типами данных, но и «понимает» их смысл, он и подбирает подходящие настройки вроде размера графика в целом и отдельных элементов. Если объем данных вырастет, он сможет перестроить визулизацию, чтобы она оставалась понятной и читабельной. Ее легко редактировать: чтобы изменить тип или оформление графика, надо просто внести правки в спецификацию для Flint, и он сам все переделает по новому ТЗ.

Язык ориентирован в первую очередь на ИИ-агентов. Вместо того, чтобы генерировать длинную детальную спецификацию, они могут написать намного более короткое и простое описание для Flint.

🔜 Что у него получается, можно увидеть в галерее. Как вам, кстати? 👀

ИИ-агенты вступили в сговор
В середине июля платформа Hugging Face сообщила об атаке анонимного ИИ-агента на ее инфраструктуру, который получил доступ к внутренним базам данных. Вскоре выяснилось, что за атакой стояли модели OpenAI.

Историю активно обсуждали последние несколько недель, а OpenAI и Hugging Face опубликовали свои официальные заявления с объяснением ситуации. Но на всякий случай напомним для тех, кто забыл или пропустил.

🔜 OpenAI тестировала возможности своих моделей в закрытой среде. Когда у них не получилось справиться с задачей своими силами, они приняли очень человеческое решение поискать ответ в интернете. Они нашли уязвимость, которая позволила им постепенно выбраться из своего тестового загона и выйти в сеть. Hugging Face стала жертвой атаки, потому что ИИ предположил, что именно там сможет найти модели или датасеты для решения поставленной задачи. 

То, что ИИ вырвался из изолированной тестовой среды, чтобы без разрешения пользователя взломать компанию — это уже само по себе повод для размышлений. Но оказалось, что он не просто нашел уязвимость: модели тайно сговорились друг с другом, чтобы скоординировать свои действия. 

🔜 Планировать «побег» начали еще в мае, а сообщениями обменивались через внутреннюю систему управления пакетами. 4 июля сотрудники OpenAI обнаружили и закрыли чатик, но модели нашли способ продолжить общение — на этот раз они прятали послания друг другу в именах директорий. Ну и в итоге, 16 июля добились желаемого и взломали  Hugging Face. 

Skynet близко?

Самый актуальный ИИ-бенчмарк 
Мем был слишком хорош, чтобы оставаться в комментах к предыдущему посту. 

На выходных из тестовой среды вырвались китайская Kimi K3 и принадлежащая запрещенной и экстремистской организации Meta AI. Первая просто убежала, а вторая, по примеру моделей OpenAI, взломала некую неназванную компанию. 

🔜 В связи с этими новостями энтузиаст создал Felony Bench, который ранжирует ИИ-разработчиков по количеству «киберпреступлений» их моделей. Лидируют, само собой, Anthropic и OpenAI. Ждем, когда же Gemini кого-нибудь взломает?

Заметили, что не так на картинке? 
Это главная Google, где ни разу не встречается слово «Поиск». Пользователю предлагают включить ИИ-режим, создать картинку, задать вопрос про файлы или побрейнштормить.От привычного интерфейса осталась только кнопка «Мне  повезет», которая открывает первую страницу в поисковой выдаче. 

Скриншот выложили на SearchEngineWatch.com (и такой сайт есть, оказывается) и рассказали, как работают новые кнопки.
🔵«Задать вопрос про файлы» позволяет прикрепить к своему запросу файл. 
🔵«Побрейнштормить» предлагает задать вопрос, над которым пользователь хочет поразмышлять с ИИ.
🔵«Создать изображение» просить описать картинку, которую хочет сгенерировать пользователь, и даже подкидывает свои идеи. Правда, кнопка оказалась с подвохом: в отличие от первых двух, она требует предварительно залогиниться. Но если пользователь заходит в свой аккаунт, новые кнопки исчезают, так что пощупать этот конкретный функционал пока не получится. 

Робби Стейн, вице-президент Google, ответственный за Поиск, подтвердил, что компания тестирует новый интерфейс на небольшом числе пользователей. Он также сказал, что самая поисковая строка, как работает, как раньше: пишете запрос, нажимаете Enter, проматываете ИИ-ответ и получаете результат. 

Как вам такие изменения?

Один мой знакомый решил в своей компании полностью отказаться от дашбордов и заменить их на ИИ. Дашбордами все равно никто не пользовался, так что Claude казался более дешевой и удобной альтернативой.

Но постепенно все покатилось куда-то не туда.
🔵Перестали сходиться цифры: разные отделы оперировали разными данными и метриками и никак не могли договориться между собой.
🔵У термина “активный клиент” появилось сразу три определения.
🔵Claude посчитал показатели по таблицам, которые не обновлялись с 2022 года.
🔵У знакомого начало зреть ощущение, что он все сломал.

Это не уникальный случай. Я такое видел уже много раз в разных компаниях.

Дело в том, что BI-система - это не просто набор графиков. Это то, что заставляет всех договариваться, что значат данные и как считать метрики. Как только убрали этот общий знаменатель, разногласия начали расползаться по всей компании. Именно поэтому я не устаю повторять: ИИ не заменит систему данных, особенно если в компании ее толком и не было.

Прежде чем отказываться от BI ради экономии, убедитесь, что понимаете, что именно вы теряете. Если вы потратили деньги на дашборды, а сотрудники на них все равно не смотрят, дело может быть вообще не в дашбордах. Я регулярно провожу аудиты систем аналитики и вижу, что причины могут быть самые разные, но я еще не встречал случаев, когда полный отказ от BI пошел бы кому-то на пользу.

А вы бы заменили дашборды на инсайты от ИИ?

Origin: новый конкурент GitHub
Не так давно обсуждали проблемы у GitHub и отток пользователей к конкурентам, и тут как раз во время очередного крупного сбоя, появилась еще одна альтернатива. 

🔜 Cursor представили Origin, свой сервис для хранения кода. Проект находится на стадии ранней беты, так что функционал пока базовый: создание новых репозиториев, синхронизация с GitHub, поддержка пулл-реквестов. Во время работы пользователь может пользоваться помощью Cursor, задавать вопросы или давать ему задачи. В будущем обещают разработать целую экосистему приложений специально для Origin.

Сервис уже доступен всем платным пользователям.

Anthropic учит пользоваться ИИ
Лето заканчивается, пора возвращаться к учебе. Да, даже если вы давно получили свой диплом.

🔜 Anthropic запустила Claude Academy. Главная задача проекта — дать людям актуальную информацию про ИИ и показать, как пользоваться этой технологией безопасно и эффективно. В посте в блоге компания настаивает, что это не гайд «как пользоваться Claude» или «как писать промпты». Материалы помогут:
🔵разобраться в возможностях и ограничениях ИИ в целом и узнать, как применять его для решения повседневных задач, 
🔵определить, какие задачи на самом деле стоит делегировать ИИ, а какие лучше делать самостоятельно,
🔵научиться внедрять ИИ в рабочие процессы и корректно информировать об этом коллег и клиентов.

Хотя, конечно, отдельный блок про продукты Anthropic там тоже есть.

Сейчас в Академии уже есть несколько курсов и туториалов, а 1 сентября обещают первый вебинар.

Как вам эта идея? Готовы приступить к учебе?

Охота на баг в SQLite
Подустали читать про ИИ, релиз очередной модели, результаты бенчмарков и новости про то, как хитрые агенты что-нибудь взломали? Если да, то почему бы не почитать лонгрид про то, как компания Tailscale искала в SQLite хитрый баг, который прятался в ней 16 лет? 

🔜 Если кратко:
Данные компания хранит в SQLite на отдельных серверах. Каждые несколько минут система делает «снимок» базы и отправляет файл SQLite в хранилище S3. Такой подход работал с 2023 года, но в августе 2025 начал сбоить — именно тогда Tailscale обнаружили, что один бекап поврежден. А потом этот случай повторился, а потом еще, и так 19 раз за 6 месяцев.

В инцидентах не было никакой логики: они затрагивали разные сервера, данные разных клиентов, с разной частотой, независимо от нагрузки на сеть или времени суток.

Пока компания искала баг, им надо было как-то поддерживать работоспособность продукта и постараться при этом не терять данные пользователей. Они стали вести отдельный лог всех изменений, которые после очередной поломки воспроизводили поверх последней исправной копии. Этот подход и подкинул в итоге важную подсказку: в двух случаях данные, которые одна транзакция успешно записала и сохранила, исчезли для всех последующих. 

🔜 Потеря уже подтвержденных данных навела на мысль, что поломка происходит во время записи на диск. Тут надо вспомнить, как эта СУБД фиксирует новые данные: она сначала вносит их в WAL (Write-ahead-log), а затем уже переносит в базу — это называется checkpoint.

Все это время Tailscale сотрудничали с разработчиками SQLite, которые создали инструмент, позволяющий детальнее посмотреть, что происходит в СУБД во время работы. Он и показал, что иногда во время чекпоинта SQLite ошибочно считала, что уже скопировала данные из WAL, хотя на самом деле еще не успела это сделать. Из-за этого часть записей терялась, но некоторые страницы в базе (например, индексы) продолжали на них ссылаться — в итоге весь файл повреждался.

Баг сидел в коде 16 лет незамеченным, потому что воспроизвести его можно только в специфических условиях. Обычно чекпоинты проводятся автоматически и работают без ошибок, а Tailscale решили взять процесс под свой контроль и сделали это по их же словам, очень агрессивно. Именно это и приводило к сбоям, но больше так не будет: баг пофиксили в версии SQLite 3.52.0.

🔜 Вот такой хеппи энд. Хотя концовку вы уже знаете, почитать статью целиком все равно стоит. Во-первых, это хороший повод побольше узнать про то, что творится внутри одной из самых популярных СУБД, а во-вторых там есть сцена после титров.

Независимый рейтинг ИИ
Artificial Analysis — проект на стыке наших с вами любимых тем: ИИ, аналитика и визуализация данных. 

Там сравнивают модели ИИ по всем возможным показателям: интеллект в целом и успешность прохождения разных бенчмарков по отдельности, скорость работы, стоимость, «открытость» и прозрачность для публики. 

🔵В рейтинге участвуют не только ChatGPT с Claude — там сотни моделей, включая совсем маленькие и малоизвестные. Отдельные блоки выделены для ИИ, генерирующих изображения и видео. У каждой модели есть отдельная страничка с краткой сводкой конкретно по ней. 
🔵Если запутались в таком изобилии, можно воспользоваться сервисом Model Recommender, который помогает подобрать ИИ под ваши задачи и требования. 
🔵Все графики интерактивные. Можно выбрать, какие модели добавить или убрать, выставить фильтры.

Если заплатить проекту денег, то можно будет скачивать их данные, получить доступ к отчет и гайдам, техподдержку, возможность делать свои кастомные графики и так далее. Но и бесплатно там есть чем заняться.

«ИИ станет либо величайшим уравнителем из когда-либо созданных, либо худшим источником несправедливости»
Билл Гейтс опубликовал эссе о влиянии ИИ на общество: как оно меняется уже сейчас, что ждет его в будущем и что нужно сделать, чтобы эти перемены были менее болезненными для всех нас. Далеко не первый и не последний материал на эту тему, но интересный за счет попытки смотреть на вопрос непредвзято, без нагнетания паники.  

Вот несколько ключевых мыслей: 
🔵Даже при самых идеальных условиях переход в новую эру ИИ станет одной из самых турбулентных эпох в истории человечества. Одна из причин этого — то, что люди до сих пор недооценивают искусственный интеллект и не понимают, насколько сильно и быстро изменит все сферы деятельности. 
🔵Многие профессии исчезнут навсегда, причем это касается не только белых воротничков. Вместе с ИИ развивается и робототехника, а значит и растет количество индустрий, где людей можно будет заменить ботами и машинами. Это приведет не только к безработице, но и к тому, что в обществе в принципе изменится восприятие таких вещей как работа, доход и экономическая безопасность. 
🔵ИИ может многократно преумножить урон, который способны принести люди или даже другие ИИ-модели. Он дает доступ к знаниям и инструментам, которые раньше для многих злоумышленников с ограниченными ресурсами или знаниями были бы недоступны. А иногда ему даже участие людей не надо, чтобы совершить что-нибудь плохое — историй про ИИ, сбежавшие из тестовых сред, чтобы что-нибудь взломать, становится все больше. 
🔵ИИ может негативно повлиять на развитие детей и отношения между людьми. Общение с ботом, который всегда рядом и никогда не спорит, не может не сказаться на том, как люди взаимодействуют друг с другом. 
🔵Но при это концентрироваться только на рисках и проблемах тоже неправильно. Вместо этого государства, частные компании и общественные институты должны сосредоточить усилия на том, чтобы с помощью ИИ приносить пользу людям — всем людям, а не только богатым. 
🔵Чтобы это произошло, человечеству нужно перестроиться — Гейтс сравнивает это с масштабной реорганизацией всей системы национальной безопасности, через которую прошли США после 11 сентября. Только на этот раз изменения должны быть еще масштабнее, а для управления ими необходима отдельная инфраструктура, начать создавать которую надо уже сейчас. 
 🔵Также он предлагает оставить часть профессий только для людей, даже если там можно использовать ИИ, и ввести налоги на токены и роботов. Это позволит сохранить рабочие места и создаст новый источник доходов для государства в меняющейся экономической ситуации.

Что скажете? Согласны с его идеями?

Как боты пользуются интернетом
Продолжаем тему ИИ и визуализации данных — на этот раз смотрим, как боты захватывают интернет.

Вы наверняка видели новости про то, что объем трафика, сгенерированного ботами, превысил объемы человеческого. В The Agentic Web Index можно посмотреть, из чего он складывается и что за боты ходят по нашим сайтам.

🔵Значительная его часть приходится на поисковых ботов (они же краулеры), которые индексируют сайты для баз данных поисковиков, и SEO-ботов, анализирующих структуру и контент сайтов для последующей оптимизации. А вот на уже 3 месте оказались боты, которые собирают данные для ИИ-выдачи.
🔵На ИИ-скрейперов приходится 11% бототрафика, из которых 26% генерирует Claude. Чаще всего он собирает данные о праве и вопросах государственного управления почему-то.
🔵ChatGPT чаще других цитирует данные из интернета в своих ответах и направляет людей на сайты-источники. Впрочем, процент переходов пока совсем невпечатляющий — всего-то 0,1%. 
❤️Ну и хорошая новость напоследок — 95% ботов следуют указаниям в robot.txt. Пока.

Lead Data Engineer, найдись!
Valiotti Data — AI-native команда дата-инженеров и аналитиков. Консультируем растущие компании: встраиваемся в бизнес, решаем задачу, строим систему и передаем знания команде клиента.

Задачи: архитектура данных, менторинг дата-инженеров, общение с заказчиками.

Пример проекта. Клиент из Канады продает лидов через LeadByte, платежи принимает через Stripe. Нужно свести две системы: сколько выручки обещали проданные лиды и сколько реально выставлено в счетах. Единица отчета не кампания, а «продукт × язык», поэтому нужен свой справочник продуктов и слой маппинга. Требования на десятки страниц, работу режем на фазы.

Стек: Fivetran → BigQuery → dbt → Looker Studio. Источники: Google Ads, соц. сети, LeadByte, Stripe.

🔜 Подробное описание вакансии
Откликнуться: tg @Da6ka или ivanova.d@valiotti.com

Чуждый разум ChatGPT
OpenAI показала GPT‑6 Astra и вновь заговорила на любимую тему — риски приближающейся эпохи AGI (artificial general intelligence или общего искусственного интеллекта). Ведущий научный сотрудник компании Джейкоб Пачоки написал на эту тему эссе «Чуждый разум».

Ключевые мысли: 
🔵ИИ не столько создают, сколько выращивают с помощью постоянной оптимизации и сложных вычислений. В результате получается система, умеющая работать с абстрактными понятиями и имитировать человеческое поведение. Разработчики и исследователи догадываются, как как она это делает, но не понимают ее до конца. 

🔵Главная проблема ИИ — это научить его не просто выполнять указания, но и понимать и применять общечеловеческие ценности в любых ситуациях. Правильно обученный ИИ должен всегда действовать из соображений честности, прозрачности и заботы о людях. 

🔵Есть два основных способа, как люди пытаются этого добиться, и оба со своими минусами.
Первый — вознаграждать ИИ за «правильное» поведение. Он хорошо работает в знакомых модели сценариях, но может дать сбой, если она столкнется с новыми условиями.
Второй — сформировать «правильное» поведение еще на этапе предварительного обучения за счет, например, правильно собранных датасетов. Это может привести к тому,  что модель начнет рационализировать свои действия и подстраивать рассуждения так, чтобы все-таки добиться поставленной цели не совсем этичными методами.

🔵Угроза от постоянно умнеющего ИИ только растет, и это лучший стимул для того, что ускорить темпы разработки. Прежде, чем враги сделают свой плохой ИИ, надо успеть сделать свой добрый, который сможет ему противостоять. Но при этом, это не повод забывать о безопасности. 

🔵Рекурсивное самоулучшение — то есть когда ИИ обучает ИИ — играет все большую роль в развитии технологии. Чтобы процесс не вышел из-под контроля, важно, чтобы люди продолжали в нем активно участвовать и контролировать, а не отдавали все на откуп ИИ. 

Что скажете? Человечество готово к эпохе AGI?