Первая беременность через ИИ-поиск сперматозоидов

С интересом прочитал стью The Lancet о том, как команда из Колумбийского университета описала первый клинический случай беременности, полученной с помощью нового метода STAR (Sperm Tracking And Recovery).

Это связка ИИ + микрофлюидики + робототехники для мужчин с необструктивной азооспермией - когда в эякуляте почти нет сперматозоидов.

Образец пропускают через микроканалы на чипе, высокоскоростная камера делает миллионы кадров за час, алгоритм ИИ высматривает следы движения сперматозоида, после чего микрофлюидная система изолирует нужную каплю, а робот бережно забирает клетку.

Что отличает от существующих методов: обошлись без центрифуг, красителей, жёсткой химии или лазеров - то есть максимально щадяще для клетки.

Пара пыталась завести ребёнка почти 20 лет. Были неудачные ЭКО, ручные поиски под микроскопом и две операции по извлечению сперматозоидов. Все это травматично, дорого и трудоемко.

При применении STAR обработали 3,5 мл образца, примерно за 2 часа просмотрели 2,5 млн изображений и нашли 2 годных сперматозоида. Ими оплодотворили яйцеклетки, получили два эмбриона и зафиксировали клиническую беременность.

Мужской фактор - до 40% случаев бесплодия пар; из них 10-15% мужчин имеют азооспермию.

Сегодняшние опции - долгие ручные поиски после обработки образца или операции на яичках. Это часто безрезультатно, затратно и с тяжелыми побочными эффектами.

Ценность рождается на стыке ИИ + железа + биологии: AI не просто подсказал, а изменил подход и создал новую ветку в борьбе с бесплодием. Пока это всего лишь один клинический случай и статья в The Lancet.

До массового применения нужны большие исследования, чтобы подтвердить повторяемость успеха метода.

@maxvotek | linkedin | substack

Один из моих любимых предметов в медицинском институте - патофизиология.

Это раздел медицины, который изучает, почему и как нарушается нормальная работа организма при болезни или травме.

Она разбирает причины (этиологию), механизмы развития (патогенез), типовые патологические процессы и пределы компенсации, связывая фактор, механизм и симптомы.

В IT-бизнесе сложно выстроить причинно-следственные связи: откуда приходит бизнес и почему один проект успешен, а другой буксует.

Часто лечат по симптомам: сбивают температуру скидкой или бесплатной работой, заливают проект людьми, добавляют ещё один созвон.

Патофизиология учит искать, что нарушило гомеостаз, и лечить не симптом, а причину каскада воспаления.

Я писал о системе оценки лидеров Джесс Ли из Sequoia, где JQ - качество суждений определяет способность понимать причинно-следственные связи.

Джесс Ли отмечает: некоторые с высоким IQ всё равно принимают ужасные решения.

Замечаю, что качество такого понимания растёт при обсуждениях с людьми с высоким JQ и полярными мнениями - это похоже на задачи по патофизиологии из клинических случаев реанимации.

Управление ожиданиями заказчиков: эскалации и скидки становятся нормой - хроническим воспалением от переобещаний и размытых границ контракта.

Кортизол высокий: команда горит, заказчик злится. Причины могут сочетаться как при обширных травмах:

• Продали, не задав все вопросы
• Руководитель проекта плохо совместим с ключевыми представителями
• Бизнес-аналитик без достаточной предметной экспертизы
• У клиента это первый подобный проект

Правильно понять причинно-следственные связи и поставить диагноз - это больше 50% успеха, но требует опыта и сильной команды, которая проводит консилиум.

@maxvotek | linkedin | substack

Консалтинг должен стать софтом.

Продолжаю размышления о новых моделях монетизации в консалтинге (прошлый пост)

Недавно в Financial Times вышла статья, которая подтверждает мои наблюдения о Globant и их AI Pods, а также о McKinsey, получивших награду от OpenAI за рекордное потребление токенов.

Если консалтинговые компании не превратятся в software-business, их ждёт исчезновение.

Глава IBM Consulting Мохамад Али формулирует просто:

Будущее консалтинга - это гибрид людей и софта, и тех, кто не сможет этого сделать, не станет.

IBM уже перестраивает консалтинг под модель service as a software - строит тысячи цифровых агентов, которые берут на себя повторяющиеся процессы внутри компании и у клиентов.

Можно сколько угодно приводить статистику о провальных AI проектах от MIT, но для консалтинга польза очевидна.

Агенты с LLM не устают читать клиентские требования, инструкции, многолетние залежи настроек систем. Они выдают ценные инсайты в реальном времени и повышают качество и скорость выполнения проектов.

Расскажу про свой опыт:

Недавно построили для клиента агента-архитектора SAP, который анализирует настройки систем за пару десятилетий и рассуждает о последствиях внедрений новых функций, апгрейдов.

Это сохраняет ценные часы архитекторов SAP и позволяет найти то, что было недоступно чисто физически из-за слишком глубокого и многомерного контекста.

Также строим у себя AI project factory, где все документы, встречи, артефакты проектов собраны в живой динамической AI-среде.

Это даёт команде новые возможности:
• Ориентироваться в контексте
• Делать детальные и понятные инструкции для клиента
• Настраивать и тестировать бизнес-приложения с недосягаемой до этого скоростью и точностью

Согласен с мнением IBM лидеров: в консалтинге AI будет ключевым преимуществом. Без него будет сложно или невозможно делать бизнес.

@maxvotek | linkedin | substack

В выходные досмотрел новое интервью братьев Либерманов.

Очень интересный и глубокий разговор получился.

Из интересного они упомянули, что соцсети прозевали AI, и ChatGPT уже превращается в социальную сеть, и люди там проводят больше времени.

Несколько дней назад OpenAI запустила Group Chats (до 20 участников; ИИ-модератор/соавтор; пилот в Японии, Новой Зеландии, Южной Корее, Тайване) и тестирует Sora для генерации и обмена короткими видео в ленте с друзьями.

Даниил и Давид Либерманы - серийные предприниматели и инвесторы. Работали директорами по продукту в Snap, где занимались AR/аватарами, а их стартап Kernel AR был куплен Snap в 2016 году.

Они создали холдинг Libermans Co и запустили проекты Humanism (инвестирование «в людей») и Product Science - сервис ускорения мобильных приложений, привлёкший $17,5 млн.

Но, по сути, всё поставили на паузу и приоритезировали новый проект Gonka.ai по созданию децентрализованной сети AI-вычислений, где владельцы вычислительных мощностей получат криптовалюту в качестве компенсации.

Как и Дуров с TON и Cocoon: парни верят, что смогут быстро набрать обороты и уже подключили 450 GPU в свой проект.

Экономика их проекта выглядит разумно:

Аренда GPU за $2/час ($50/день) даёт при ~100 ед./час себестоимость ≈ $0,02.

У корпораций из-за амортизации и маржи это ×2–3 дороже, тогда как в децентрализованной сети добавляется лишь 10–20 % комиссии (≈ $0,022–0,024/ед.).

Почитал их документы: прошли путь гораздо быстрее, чем Дуров с 1 млрд пользователей и текущим фокусом на бессмысленные подарки и NFT, которые являются единственной пока осязаемой, кроме криптобирж, ценностью для TON.

Напишите в личку @Mkitt, если кто-то запустил ноды для их сети, чтобы намайнить монет раньше всех.

Интересен реальный опыт использования децентрализованных вычислительных мощностей.

@maxvotek | linkedin | substack

SMOL Playbook от Hugging Face: как тренировать LLM

Большой документ с отличным переводом от Сергея Долгова о том, как на практике тренировать LLM: выбрать архитектуру, подготовить данные и оптимизировать бюджет на вычисления.

Полезно тем, кто:
• делает компактную модель под конкретную бизнес-задачу;
• работает в стартапе с ограниченным бюджетом;
• хочет понять, почему одни LLM работают, а другие нет.

Интересные выводы:

1) Готовые модели не подходят, если у вас узкий домен (ДНК, юриспруденция, фарма), особые требования к безопасности и приватности, специфические регуляции индустрии или нужна гарантия того, на чём модель обучена.

2) Лучше использовать готовые модели с открытыми весами, и только если они не справились с задачей при помощи промптов и/или дообучения, имеет смысл учить свою.

3) Дообучение на 1 трлн токенов дешевле, чем обучение с нуля на 10 трлн.

Хорошая книга на ночь для тех, кто строит свои AI-системы или планирует вывести их на новый уровень.

@maxvotek | linkedin | substack

Как влиять на лиса через контент (и почему без его окружения вы всё равно не пройдёте)

В одной из моих любимых книг Power Base Selling есть персонаж FOX - «лис». Не самый высокий титул, но человек, на котором сходятся влияние, доверие и неформальная власть, открывающая дверь вашему проекту внутри компании.

Размышляя о том, как можно влиять на лиса до первой встречи - через контент.

Что интересно лису? Не фичи продукта.

Его интересует:

P&L компании и личный риск: как это повлияет на выручку, маржу, что произойдёт, если эксперимент не взлетит, как он объяснит это борду.

Политика внутри компании: кого это усилит, кто будет сопротивляться, какие конфликты вы снимаете.

Карьера и репутация: станет ли он человеком, который «притащил новый уровень игры», или тем, кто «сжёг бюджет на игрушки».

Опыт его стаи: что делают его коллеги в других глобальных компаниях, какие кейсы сработали для них?

Простые рамки для сложных решений: как принять решение по 1–2 критериям, как объяснить это CFO в двух слайдах.

Как работает влияние:

1. Писать не «для лиса», а для его окружения

Лис может не читать ваш контент. Но читают его коллеги, консультанты, люди из круга. Они и становятся мостом: «Посмотри, это про нашу проблему».

2. Делать лиса героем будущей истории

Лис покупает сценарии, где он выигрывает политически. Контент показывает путь лидера, который увидел тренд раньше других и провёл инициативу через сопротивление.

3. Давать язык для защиты идеи

Сильный контент, инфографика, когда ваш абзац оказывается в его письме CFO. Когда ваш фреймворк в его аргументации для глобала.

4. Работать с его стаей

Power Base Selling подчёркивает: лис не один. У него есть окружение - правая рука, head of strategy, внешний эксперт. Если вы влияете на них - вы влияете и на него.

5. Клуб инноваторов как вход в круг доверия

Закрытые встречи, где его люди делятся кейсами. Вы даёте площадку для выступлений, честно обсуждаете провалы. Перестаёте быть вендором, становитесь хозяином пространства, где его окружение чувствует себя услышанным.

Через такой клуб вы попадаете в inner circle, где лисы принимают решения неформально, без протоколов. Вы уже не стучитесь снаружи, сидите за тем же столом.

6. Соцдоказательство его уровня

Контент показывает, что с вами разговаривают люди его масштаба: VP из глобальных фарм, директора по digital. Сигнал: «Если такие общаются с ним, значит, он свой».

7. Малые форматы

У него может быть другая информационная структура: внутренний Slack/Teams топов, короткая инфографика, слайды. Создавайте контент, который удобно пересылать внутрь его круга.

8. Стратегическая позиция, не хаос

Лисы не доверяют тем, кто прыгает по трендам. Последовательно развиваете одну тему, становитесь частью его карты мира.

Влияние начинается не с интро или встречи. Оно начинается с того, насколько глубоко вы интегрированы в инфополе лиса и его окружения.

Контент, клубы, закрытые форматы - способ зайти в комнату, куда у вас формально нет доступа.

@maxvotek | linkedin | substack

Провал Novo Nordisk в лечении Альцгеймера - пора ли покупать акции при текущей оценке?

Клинические испытания Novo Nordisk на 4 000 пациентах с Альцгеймером показали улучшение биомаркеров, но нулевой клинический эффект.

Пациенты не ощутили замедления болезни, несмотря на измеримые изменения в патологических маркерах.

Этот разрыв между биологическими маркерами и реальными результатами - одна из самых сложных головоломок в разработке лекарств.

Акции упали на 10%, частично восстановились и остались на 7% ниже. Рынки не терпят итеративного процесса, свойственного нейронауке.

Оценка выглядит привлекательно:

Novo торгуется по ~13x forward P/E против ~33x у Lilly - массивная премия уже закладывает очень высокий рост для Lilly.

Если спрос на GLP-1 останется сильным и Novo выполнит план, переоценка будет в пользу Novo.

Рентабельность у обоих TOP элитных игроков рынка: Novo показывает ~33% чистой маржи против ~31% у Lilly. Дисконт не связан со слабыми фундаментальными показателями.

Дивидендная доходность Novo ~2.4% против ~0.4% у Lilly. Хорошая премия за терпение.

Снижение произошло из-за снижения прогнозов и давления Zepbound - риски, которые рынок, возможно, уже заложил в цену. Если поставки и выполнение заказов улучшатся, акция Novo выглядит еще более привлекательной по этой цене.

Если спрос на GLP-1 сохранится и Novo стабилизирует поставки, более низкий мультипликатор плюс более высокая доходность дают больше преимуществ, чем заложенное в цену преимущество Eli Lilly - учитывая реальные риски вокруг мощностей производства, конкуренции и регулирования.

Разработка лекарств требует терпения. Того же терпения, которое создаёт интересные долгосрочные преимущества.

(Это мой собственный анализ, не инвестиционный совет).

@maxvotek | linkedin | substack

Послушал большое интервью Ильи Суцкевера и снова вернулся к мысли, которая давно меня не отпускает.

Если у нас нет дефицита идей и денег, то почему прогресс в AI ощущается таким медленным и неравномерным?

Модели впечатляют на демках, eval'ы зашкаливают, но в реальных задачах мы всё ещё живём в мире повторяющихся багов, нелепых ошибок и придуманных на ходу фактов.

Это резонирует с тем, о чём я уже писал: в исследовании по олимпиадному программированию чемпионы-олимпиадники спокойно обгоняют LLM в сложных задачах - особенно там, где нужны неожиданные инсайты, работа с частными случаями и живая адаптация.

Там же интересный вывод: одной модели мало - на олимпиадах обычно побеждает связка ролей: быстрый кодер-спринтер, алгоритмист и инсайтер, который видит нестандартные ходы.

Я тогда предположил, что будущее - не в одном гигантском LLM, а в нескольких агентных ролях, работающих как команда.

Суцкевер в интервью описывает ту же проблему, только на уровне всей индустрии.

Эпоха масштабирования мощностей закончилась

Последние годы все жили под одним лозунгом: «Возьми ту же идею и залей её вычислительной мощностью». Больше параметров, больше данных, больше GPU.

Сейчас мощности уже такие, что добавить ещё 10х - это миллиарды, а не ещё одна ферма, и Илья честно говорит: мы возвращаемся в эпоху исследований, просто с очень большими компьютерами.

То есть железо перестаёт быть узким местом. Узкое место - идеи, как вообще учить и строить эти системы.

Модели как «перекачанные олимпиадники»

У Ильи классный пример про двух студентов. Один 10 000 часов долбит задачи по competitive programming, знает все трюки, все алгоритмы, выигрывает турниры.

Второй позанимался 100 часов, но у него есть чутьё - он понимает, как всё устроено, и дальше уже хорошо растёт в реальном мире.

Сегодня модели - это первый студент, только на стероидах.

Мы чудовищно переобучаем их на узкие задачи: код, eval'ы, RL под конкретную метрику.

Отсюда и тот эффект, который все видели: на тестах - сверхчеловек, в продукте - модель исправляет баг, добавляя новый, и зацикливается между вариантами.

Это напрямую перекликается с тем, что показывало исследование по олимпиадам: модели хорошо воспроизводят шаблоны и типовые конструкции, но проваливаются там, где нужен неожиданный взгляд, работа с особыми случаями и комбинация нескольких идей. Там люди пока гораздо надёжнее.

У людей pre-training никогда не заканчивается

Мы, в отличие от моделей, не живём в формате обучился - заморозился.

Человек постоянно ловит обратную связь, переоценивает опыт, меняет стратегию, встраивает ошибки в интуицию, развивает насмотренность.

У нас есть что-то вроде встроенного value function - эмоции, вкус, ощущение сюда точно не надо, даже если никто не выдал нам формальных наград или признания.

У моделей этого пока нет. Они огромные, но по сути статичные: их мозг заморожен в момент релиза, дальше - донастройки и патчи.

Как Суцкевер видит AGI:

«Будущее AGI - это система, которая учится как человек: один и тот же базовый разум может быстро осваивать разные профессии, постоянно дообучаясь в реальном мире, а не готовый мозг, который знает всё из коробки».

Мои выводы:

1. Вычисления потеряли свою магию в моменте - привет NVIDIA.

2. Пора менять парадигму.

Эпоха масштабируем то, что есть даёт всё меньше отдачи. Дальше нужно менять сам способ обучения и архитектуру систем.

3. AGI как готовый продукт - неверная метафора.

Настоящий сдвиг случится, когда мы перестанем думать как натренировать всё сразу и начнём думать как создать условия для систем жить, учиться и сотрудничать, как это делают люди в командах.

Радует, что наступает этап, когда снова нужны смелые идеи и дерзкие учёные.

@maxvotek | linkedin | substack

Прочитал свежий отчёт DemandSage о глобальном распространении крипты и хочу поделиться наблюдением, которое часто упускают из вида, размышляя о будущем биткоина:

Биткоин не просто ограничен 21 млн монет, но каждый год их количество сокращается.

По последним оценкам на конец 2025-го, от 3 до 4 млн BTC считаются безвозвратно потерянными - это уже 14–19% от максимального предложения.

Chainalysis, CoinLedger и несколько независимых исследований сходятся на диапазоне 3–4 млн, а отдельные аналитики (например, команда OneKey) прогнозируют рост до 6-7 млн в ближайшие годы.

Причины всё те же: забытые сид-фразы, утерянные холодные кошельки, не переданные по наследству кошельки после смерти их владельцев.

В блокчейне нет кнопки восстановить пароль, нет и возврата имущества по суду для большинства ситуаций.

Параллельно спрос продолжает расти. На ноябрь 2025-го число владельцев криптовалют в мире превысило 600 млн человек (рост на 40+ млн только за вторую половину года).

Биткоин всё ещё держит ~59% всей капитализации рынка (около $2 трлн на момент написания), оставаясь безусловным якорем экосистемы.

Это создаёт нетипичную экономическую механику: фиксированный лимит эмиссии + постоянное невидимое сжигание монет + растущее число участников = нетипичный инструмент сбережений, у которого эффективное предложение сокращается.

Если взять горизонт 2028-2030 годов, годовая эмиссия упадёт до ~80-90 тысяч BTC после очередного халвинга. При этом, если хотя бы 0,4-0,5% текущих держателей ежегодно теряют доступ (а это консервативная оценка), из оборота будет уходить 90–120 тысяч BTC в год - больше, чем будет намайнено. Получается встроенная дефляция сверх халвингов.

До сих пор со скепсисом отношусь к крипте даже как к средству сохранения капитала и не планирую выделять более 5% портфеля - наравне с активами с максимально высоким риском.

Ещё интересные факты:

1. Для сравнения, золото ежегодно прирастает на 1–2%, биткоин - теряет.
2. Институциональные инвесторы (ETF, корпорации, семейные офисы) продолжают накапливать, усиливая давление на ликвидное предложение.
3. Страны с самой высокой инфляцией занимают топ-5 по доле населения, владеющего криптовалютой: Турция - 25,6%, Бразилия - 20,6%, ЮАР - 19,6%, Нигерия - 19,1%, Аргентина - 18,8%.

Волатильность, регуляторные риски и прочие факторы риска никуда не делись.

Но если мыслить категориями десятилетий, то фактор постоянного сжатия эффективного предложения - одна из тех вещей, которые делают биткоин достаточно уникальным финансовым инструментом.

@maxvotek | linkedin | substack

О соревновании студентов против LLM

Исследователи провели соревнование по решению логистических задач, в котором компании делают ставки на задачи по доставке, а затем планируют маршруты для максимизации прибыли.

Это сложная задача: каждая ставка меняет последующие опции, задачи взаимосвязаны, и у грузовых машин ограничена вместимость.

Сравнили 40 LLM-агентов с 17 студентами в турнирах, и результаты оказались не в пользу машин.

Студенты заняли топ-5 мест, а 33 из 40 LLM-агентов проиграли даже простейшим базовым алгоритмам.

Хотя LLM обычно генерируют синтаксически корректный Java-код, их стратегии ставок и эвристики маршрутизации оказались слабыми.

Даже в простых поисковых задачах LLM выбирают неудачные подходы или игнорируют дополнительные свободные машины.

Попробовали лучшего человеческого агента улучшить с помощью сильной LLM, и новая версия упала на 10-е место.

Это подтверждает, что стандартные бенчмарки кода, используемые для оценки моделей, пока игнорируют навыки создания оптимальных стратегий.

Код должен не просто компилироваться - он должен уметь планировать, конкурировать и зарабатывать прибыль.

Исследование подтверждает мой практический опыт и аналогичное исследование в олимпиадах по программированию о том, что универсальные модели LLM хороши для общих задач, но в специфических областях выигрывают специализированные агенты.

Мы запустили много специфичных use cases для фармы, таких, как, например, Smart Order Assistant AI и Visit Summary, и стандартные LLM пришлось сильно доработать при помощи архитектурных решений, сочетающих нескольких агентов, семантический поиск, RAG, Graph RAG и т. п., чтобы получить результаты сильно выше среднего.

Вайбкодинг, несомненно, экономит огромное количество времени, но стратегические архитектурные решения и понимание сути бизнеса пока далеки даже от базовых навыков студентов, прослушавших курсы Computer Science и сделавших достаточно лабораторных экспериментов.

@maxvotek | linkedin | substack

Смотрю на котировки MicroStrategy (MSTR) и сильно удивляюсь.

Компания сейчас торгуется на $10 млрд дешевле, чем стоят биткоины на её балансе.

На 1 декабря 2025 года:
• Рыночная капитализация - $46,4 млрд,
• В сейфе лежит ровно 650 000 BTC, которые стоят $56,4 млрд (при цене BTC ≈ $86 800).

Даже после вычета всего долга в $8,22 млрд получается чистый биткоин-портфель на $48,2 млрд - это на $1,8 млрд выше текущей рыночной стоимости всей компании.

По сути, софт-бизнес, бренд, команда и вся остальная операционка сейчас идут бесплатным довеском к биткоину.

Вспомнил, как год назад на собеседовании кандидат рассказал, что Сейлор регулярно берёт кредит под залог собственных акций и скупает биткоины, превращая MSTR в квази-ETF на BTC.

Тогда я не поверил, казалось слишком диким.

Их 21/21-план, предполагает привлечение $42 млрд в течение следующих трёх лет на новые закупки: половина - выпуск акций, половина - облигации. По сути, Сейлор продал Wall Street опцион на биткоин-рост и сам же его выкупает обратно со скидкой.

Что дальше? Если BTC не упадёт ниже $70 000, Майкл может докинуть ещё биткоинов, увеличивая дисбаланс.

Но рынок уже смотрит на MSTR как distressed asset: дисконт закладывает риск маржин-колла, регуляторных ограничений, делистинга и человеческий фактор - Майклу 59.

А если ФРС устроит ещё один 2022 год и биткоин схлопнется до $30 000, тогда $8 млрд долга быстро утопят остатки компании.

Финансовый патофизиолог говорит: рыночная капитализация болеет страхом, а актив остаётся здоров (если верить в фундамент биткоинов).

Пропущу эту возможность, но рыночный момент однозначно интересный.

@maxvotek | linkedin | substack

Про гонку IPO в мире AI

Сегодня вышла новость о том, что Anthropic готовится к IPO.

В enterprise мире, особенно в программировании они занимают очень прочные позиции и во много впереди OpenAI и их подход к IPO тоже сильно отличается.

Anthropic выходит на биржу практически по цене последнего частного раунда - около $350 млрд.

Это нулевая наценка. Зачем?

Они покупают не деньги, а доверие. Любой контракт на $10 млн с компанией из Fortune 500 требует объяснений совету директоров, почему вы делаете ставку на частный стартап.

Публичный статус, с его аудированными отчётами и надзором SEC, полностью снимает этот вопрос.

Учитывая, что Anthropic уже идёт к $5 млрд выручки в этом году, им не нужен капитал. Им нужен пропуск в высшую лигу публичных компаний и enterprise-продаж.

У OpenAI совсем другая история. Они целятся в оценку в $1 трлн, что в 2-3 раза выше их последних раундов.

Сэм Альтман прямо говорит о потребности в капитале, и это понятно - при их годовых затратах в $5+ млрд им нужны публичные рынки, чтобы оправдать такую премию.

Это два разных подхода к построению бизнеса, о чем я размышлял в посте про запуск бизнеса и инвестиции.

Вот что важно: преимущество первопроходца здесь не в доступе к деньгам, а в установке стандартов. Anthropic, став первой публичной AI-компанией с прозрачной отчётностью, задаст планку для всей индустрии.

Они определят, как должен выглядеть AI company disclosure для выхода на биржу .

В итоге мы видим две разные игры:
• Anthropic оптимизирует под расширение рынка и долгосрочное доверие.
• OpenAI решает проблему капитала и играет на повышение оценки.

Это не просто гонка за деньгами, а битва за то, кто определит правила игры в enterprise AI на годы вперёд.

@maxvotek | linkedin | substack