Мы всё ещё спорим об ИИ так, будто главный вопрос — станет ли он умнее человека.

Но главный вопрос уже в другом.

Что происходит с обществом, рынком труда и самой логикой экономики, когда интеллект перестаёт быть дефицитом?

Именно в этом месте разговор становится по-настоящему взрослым.
Не про “восстание машин”.
Не про мемы о том, что ИИшечка всех заменит.
И даже не только про производительность.

А про куда более неприятную вещь: что будет с человеком, если умственный труд резко подешевеет, а скорость адаптации людей, компаний и институтов окажется слишком медленной.

Недавняя статья Some Simple Economics of AGI https://arxiv.org/abs/2602.20946 формулирует это жёстко: когда исполнение становится дешёвым и масштабируемым, главным ограничением становится уже не сам интеллект, а человеческая способность проверять, подтверждать, понимать контекст и нести ответственность за результат. Авторы называют это разрывом проверяемости: машины могут делать всё больше, а люди не успевают это валидировать с той же скоростью.

И если эта рамка верна хотя бы наполовину, то будущий кризис — если он придёт — будет не кризисом “слишком слабого ИИ”, а наоборот: слишком успешного ИИ, слишком быстро внедрённого в слишком неподготовленный мир.

Мы стоим не перед концом работы вообще, а перед концом старой модели

Долгое время экономика держалась на негласной сделке (социальном договоре).

Если ты умеешь лучше других анализировать, писать, кодить, консультировать, считать, координировать, сводить сложное к понятному, — ты дорогой специалист. Потому что людей с такими способностями меньше, чем задач, где они нужны.

Но если значительную часть этой когнитивной работы начинает делать машина, дешёво и в больших объёмах, то ломается не одна профессия. Ломается сама старая связка: “умственный труд редок, значит он дорог”. В статье про AGI это описано как переход от мира, где ценился навык сам по себе, к миру, где всё больше будет цениться то, что можно измерить, проверить, формализовать и встроить в систему.

Это не означает, что “все юристы, маркетологи, программисты, аналитики и менеджеры исчезнут”.

Это означает, что их ценность будет определяться уже не просто наличием головы на плечах.

А тем, что именно они делают такого, чего недостаточно просто сгенерировать.

Почему тревога всё же не высосана из пальца?

На этом месте обычно включаются два лагеря.

Один говорит: “Да бросьте, технологические революции всегда пугали, а потом создавали новые отрасли”.

Другой отвечает: “Нет, на этот раз всё иначе, ИИ раздавит белых воротничков быстрее, чем рынок успеет приспособиться”.

Проблема в том, что обе стороны отчасти правы.

С одной стороны, сейчас уже есть вполне серьёзные сигналы, что переход будет болезненным, особенно для молодых и для входа в профессии. Глава ФРС Лиза Кук в феврале 2026 года прямо сказала, что ИИ может вызвать рост краткосрочной безработицы, причём такой, который обычным снижением ставок не лечится; по её словам, мы можем приближаться к самой значительной реорганизации труда за многие поколения. Похожую мысль высказал и Рафаэль Бостик: если работодателям в структурном смысле нужно меньше людей, денежная политика это не исправит, тут нужны уже образование, переподготовка и другие меры.

Ещё важнее, что ранние трещины уже видны на уровне данных. Исследование Stanford Digital Economy Lab показывает: после массового распространения GenAI молодые работники 22–25 лет в наиболее AI-экспонированных профессиях столкнулись с относительным падением занятости на 16%, тогда как у более опытных работников в тех же профессиях занятость оставалась стабильной или росла. Это важный сигнал: ИИ пока не “съел рынок труда целиком”, но он уже начинает подрезать нижние ступени карьерной лестницы.

Похожие сигналы пришли и из Ирландии: исследование министерства финансов страны зафиксировало, что в AI-рисковых секторах у работников 15–29 лет занятость просела, а в технологических фирмах падение для молодых составило около 20%, при том что у работников 30–59 лет в тех же компаниях занятость росла. То есть картина опять та же: не тотальная катастрофа, а удар по входу в профессию.

И это хорошо сочетается с мыслью из статьи Some Simple Economics of AGI о так называемом Missing Junior Loop: если ИИ забирает простые и полутиповые задачи, то у людей исчезает естественный контур ученичества. А без него через несколько лет начинает проседать и сама система выращивания сильных специалистов. [1])

Но паниковать “теперь всё рухнет” тоже рано

Теперь важная развилка.

То, что молодым становится труднее войти в ряд интеллектуальных профессий, ещё не доказывает, что мировая экономика вот-вот сорвётся в штопор.

И здесь как раз интересно сравнить тревожную логику Citrini Research с критикой от Citadel Securities.

Citrini в своём сценарии The 2028 Global Intelligence Crisis прямо пишет, что это не прогноз, а мысленный эксперимент. Внутри него ИИ оказывается слишком успешным: увольнения повышают маржинальность компаний, деньги льются обратно в compute, белые воротнички теряют доходы, спрос слабеет, ипотечная и кредитная система начинают скрипеть, а к 2028 году безработица доходит до 10,2%, а S&P 500 падает на 38% от пика. Это не “официальный прогноз мира”, а стресс-сценарий на тему: что будет, если успех ИИ окажется для экономики слишком резким.

Citadel Securities отвечает на это холоднее. Их аргумент такой: вы слишком быстро экстраполируете технологические возможности в экономическую реальность. На момент публикации их ответа безработица в США была около 4,28%, вакансии по software engineering, по их данным на базе Indeed, росли на 11% год к году, а данные St. Louis Fed по использованию ИИ на работе не показывали взрывного нелинейного скачка интенсивности. Citadel делает ставку на старую добрую S-кривую: технологии могут улучшаться рекурсивно, но их внедрение в реальную экономику обычно идёт намного медленнее — из-за инфраструктуры, энергии, оргизменений, регулирования и банального человеческого трения.

И в этом есть рациональное зерно.

Данные St. Louis Fed действительно показывают быстрый рост использования GenAI в целом — до 54,6% взрослых в 2025 году и до 37,4% для рабочих сценариев, — но при этом доля всех рабочих часов, в которых используется GenAI, выросла куда скромнее: с 4,1% до 5,7%. То есть охват уже большой, а вот интенсивность повседневного встраивания в работу растёт заметно медленнее.

OECD тоже показывает не мгновенную сингулярность, а быстрое, но всё же человеческое распространение: в 2025 году ИИ использовали 20,2% фирм против 14,2% в 2024 и 8,7% в 2023. Это много, это быстро, но это всё ещё не “все и сразу”.

А глава ФРС Кристофер Уоллер вообще прямо сказал, что не ждёт, что ИИ “взорвёт рынок труда” и полностью вытащит человека из картинки; по его словам, люди приспособятся и будут использовать ИИ как инструмент, а не просто исчезнут из уравнения.

То есть честная позиция на сегодня такая: риски велики, но сценарий мгновенного обрушения пока не подтверждён данными.

Главный риск — не сам ИИ, а разрыв скоростей и неосведомленность 95% людей в мире

На мой взгляд, именно здесь и находится суть.

Не в вопросе “будет ли всё плохо” или “будет ли всё хорошо”.

А в вопросе: успеем ли мы перестроиться с той же скоростью, с какой удешевляется когнитивное исполнение.

Потому что история технологий обычно давала обществу время. Банкоматы, интернет, ПК, облака, мобильная связь — всё это меняло рынки труда, но не за один сезон. У школ, вузов, компаний, семей, регуляторов и самих работников было пусть не комфортное, но всё же время на адаптацию.

С ИИ проблема в том, что прогресс в возможностях систем уже идёт с бешеной скоростью, а адаптация людей и институтов — как обычно. Медленно. С задержками. С отрицанием. С бюрократией. С надеждой “может, пронесёт”.

И вот это сочетание — быстрый снос старых ролей и медленное выращивание новых — и есть по-настоящему опасный сценарий. Его не обязательно называть апокалипсисом. Иногда достаточно другого слова: кассовый разрыв цивилизации.

Статья про AGI это формулирует через “разрыв проверяемости”, а рынок труда показывает это через “разрыв входа”: машины уже делают часть работы, а новые устойчивые человеческие роли ещё не сформировались.

Зачем нужен человек в новой экономике

Вот здесь самое важное.

Если мыслить слишком примитивно, можно решить, что человек в будущем нужен либо как “оператор ИИ”, либо как “социальный балласт”. Но это плохая оптика.

Человек нужен не потому, что ИИ обязательно окажется тупым.

Человек нужен потому, что мир — это не просто поток задач на генерацию ответа.

Нужен кто-то, кто задаёт цель.

Нужен кто-то, кто отличает формально красивый результат от реально хорошего.

Нужен кто-то, кто понимает контекст, видит последствия, замечает скрытые риски.

Нужен кто-то, кто способен подписаться под решением именем, репутацией, капиталом, должностью, совестью.

Именно поэтому авторы статьи про AGI считают, что рента будущего будет стекаться не только к самим моделям, а к инфраструктуре доверия: к проверке, ground truth, происхождению данных, криптографической подлинности, аудиту и liability underwriting — способности не просто сгенерировать, а гарантировать и страховать результат.

С практической точки зрения это означает, что в цене будут расти люди и компании, которые умеют:

— ставить правильную цель, а не просто выдавать ответ;
— проектировать контуры проверки;
— принимать решения в условиях неоднозначности;
— соединять цифровое с физическим, абстрактное — с последствиями;
— брать на себя ответственность за внедрение и итог.

Поэтому вопрос будущего — не “нужен ли человек вообще”.

Вопрос другой: за что именно будут платить человеку, когда генерация подешевеет почти до нуля.

Какая работа будет слабеть первой

Больше всего уязвимы не обязательно “самые глупые” профессии.

Уязвимы те роли, где много задач, которые:

— можно формализовать;
— можно оценить по шаблону;
— можно прогнать через понятный чеклист;
— можно быстро распараллелить;
— не требуют сильной личной ответственности и контекстного суждения.

Поэтому под давлением оказываются многие стартовые и промежуточные роли в программировании, аналитике, юридической подготовке, консалтинге, клиентской поддержке, маркетинге, контент-производстве, бэк-офисе, документарной работе. Это согласуется и с логикой ILO, где самую высокую экспозицию к GenAI сохраняют клерикальные и сильно оцифрованные роли, и с WEF, где 40% работодателей ожидают сокращать штат там, где ИИ может автоматизировать задачи.

Важно не путать: это не значит, что “исчезнут профессии целиком”.

Это значит, что сожмутся отдельные этажи внутри профессий. А это иногда больнее, чем полное исчезновение отрасли, потому что ломает карьерные траектории незаметно и по частям.

Какая работа будет, наоборот, дорожать

На другом конце окажутся роли, где мало просто “уметь делать”.

Там нужна способность оценивать, судить, договариваться, держать сложность, учитывать последствия и работать с реальностью, а не только с текстом.

Проще говоря, дорожать будет всё, что держится на сочетании:

— контекста;
— доверия;
— ответственности;
— репутации;
— опыта;
— неформализуемого человеческого суждения.

IMF ещё в 2024 году предупреждал: ИИ затронет почти 40% рабочих мест в мире, а в развитых экономиках — около 60%, при этом часть ролей будет замещаться, часть — усиливаться. Ключевой вопрос не только в количестве рабочих мест, а в том, как именно будут распределены выгоды и потери.

И вот здесь становится важной идея не просто “AI for automation”, а AI for augmentation — ИИ как усилитель человека. Не тот, что просто режет штат, а тот, что поднимает производительность, расширяет диапазон задач и позволяет человеку работать на более высоком уровне. Именно по такому пути, похоже, и стоит идти, если хочется не “полой экономики”, а нормального перехода.

Что делать уже сегодня

Самый бесполезный вариант сейчас — спорить, кто прав: думеры или технооптимисты.

Полезнее исходить из более зрелой позиции: сильная перестройка уже идёт, но итог ещё не решён.

Из этого следуют очень практичные выводы.

Первое. Перестать описывать себя через список операций

Если твоя профессиональная ценность целиком описывается списком задач, это плохой знак.

Задачи автоматизируются.

Гораздо полезнее спросить себя:

— где я создаю доверие;
— где я влияю на решение, а не только на исполнение;
— что я умею проверять лучше других;
— в какой момент без моего суждения качество реально падает;
— где у меня есть не только навык, но и контекст.

Второе. Учиться работать с ИИ как с рабочей средой, а не как с игрушкой

Умение “попросить у модели текст” — это уже почти базовая грамотность.

Нужны навыки следующего слоя:

— постановка задачи;
— декомпозиция;
— критерии качества;
— цикл генерация → проверка → исправление;
— понимание границ модели;
— умение использовать несколько инструментов, а не один чат.

Третье. Сдвигаться ближе к проверке, ответственности и внедрению

В мире дешёвой генерации ценность смещается туда, где нужно:

— валидировать;
— тестировать;
— аудировать;
— сертифицировать;
— объяснять;
— страховать последствия;
— отвечать за реальный исход.

Это касается не только аудиторов и юристов. Это касается вообще почти всех сфер, где ошибка что-то реально стоит.

Четвёртое. Накапливать труднокопируемый контекст

Контекст — это не абстракция.

Это знание отрасли, людей, рынка, процессов, ограничений, типовых сбоев, политических нюансов, психологии клиента, внутренних трений команды, реальных причин, почему “идеальная модель” не взлетает в жизни.

Такой контекст копируется куда хуже, чем отдельный навык.

Пятое. Не строить жизнь на вере в мир, где младшие роли вернутся сами собой

Это особенно важно для молодых.

Ставка “пока посижу на простых задачах, а там вырасту” может работать хуже, чем раньше. Если нижние ступени профессий ужимаются, нужно быстрее тянуться к связкам: доменные знания + ИИ + коммуникация + ответственность + бизнес-логика. Иначе есть риск зависнуть в той зоне, где ИИ уже достаточно хорош, а до роли с настоящей субъектностью ты ещё не дорос.

Практический гид 2026–2030: что делать специалисту, предпринимателю и родителю

Если ты специалист

Тебе не нужно становиться “чистым AI-человеком”.

Тебе нужно стать человеком, который умеет делать с ИИ то, что другие пока делают медленнее, дороже и менее надёжно.

Фокус на ближайшие годы:

1. Освой свой стек ИИ-инструментов по-настоящему, а не поверхностно.
2. Подними доменную глубину: отрасль, процессы, экономика, реальные боли.
3. Учись не только делать, но и оценивать качество сделанного.
4. Формируй публичную и профессиональную репутацию.
5. Не ставь всё на одну роль — строй несколько линий дохода и компетенций.

Если ты предприниматель

Для предпринимателя вопрос уже не в том, “как внедрить ИИ”.

Вопрос в другом: ты усиливаешь клиента или просто делаешь вид, что экономишь ему ФОТ.

Компании, которые будут просто резать людей, могут краткосрочно показать красивую маржу. Но статья про AGI справедливо предупреждает: если не масштабировать одновременно проверку, наблюдаемость и контуры ответственности, можно получить хрупкую систему с красивым фасадом. ([arXiv][1])

Что делать предпринимателю:

1. Делить генерацию и независимую проверку.
2. Не убивать полностью junior-контур внутри команды.
3. Вкладываться в observability, evals, audit trails.
4. Искать use cases, где ИИ реально усиливает клиента, а не просто удешевляет процесс.
5. Продавать не “магический интеллект”, а достоверный результат.

Если ты родитель

Родителям, пожалуй, сложнее всех.

Потому что дети войдут в мир, где простое “учись хорошо, получишь офисную работу” уже не выглядит железной гарантией.

Но и паниковать здесь не надо.

Нужно сместить акцент воспитания с накопления энциклопедических фактов на развитие того, что дольше всего остаётся человеческим:

— внимание;
— способность глубоко думать;
— письмо и речь;
— умение задавать вопросы;
— вкус и различение;
— терпение;
— работа с людьми;
— ответственность;
— способность доводить дело до результата.

Плюс — цифровая грамотность нового типа: не просто “уметь пользоваться приложениями”, а понимать, где машине можно доверять, а где нельзя, как проверять, как не растворяться в подсказках, как не терять собственное мышление.

Продолжение: что не так с отчётом Citrini — и в чём Citadel, возможно, прав

Теперь — отдельно о критике Citrini через призму материала Citadel Securities The 2026 Global Intelligence Crisis.

Скажу сразу: Citadel не “разоблачил” тему полностью.

Но и Citrini явно не стоит читать как пророчество.

Правильнее видеть здесь спор двух оптик:

— одна показывает левый хвост риска, то есть неприятный, но возможный сценарий;
— другая напоминает, что рынок труда и макроэкономика сложнее, чем один красивый апокалиптический нарратив.

В чём Citrini попал в нерв

Citrini попадает в важную болевую точку.

Он заставляет смотреть не на то, “получится ли ИИ”, а на то, что будет, если он действительно получится слишком хорошо. В этом смысле их сценарий полезен: он ломает самодовольную мысль, будто рост производительности автоматически и безболезненно превращается в общее процветание.

Они правы в трёх вещах.

Во-первых, в том, что ранний удар может прийти именно по белым воротничкам и по людям, чьи доходы были основой потребительского спроса. Это не фантазия с нуля: ФРС уже публично обсуждает структурный рост безработицы, сложности для entry-level и то, что денежная политика тут будет бессильна без других мер.

Во-вторых, в том, что переход может быть неравномерным. На уровне агрегатов всё может выглядеть ещё терпимо, а на уровне молодых специалистов и нижних ступеней карьеры уже начинаться неприятная эрозия. Это хорошо видно по Stanford и Ирландии.

В-третьих, в том, что нельзя бесконечно успокаивать себя историческими аналогиями. Да, прошлые технологические революции в итоге создавали новые рынки. Но сама статья про AGI справедливо добавляет новый параметр: сегодня проблема не только в том, что ИИ делает работу, а в том, что люди могут не успеть проверять и осмыслять всё, что он начинает делать в масштабе. Это не обычная “ещё одна автоматизация”.

Где Citrini перегибает

Но вот дальше у Citrini начинается то, за что его вполне заслуженно атакует Citadel.

Главная проблема отчёта в том, что он очень эффектно строит связный сценарий, а потом этот сценарий начинает выглядеть как почти неизбежная траектория.

Citadel правильно указывает на несколько слабых мест.

1. Скорость внедрения не равна скорости прогресса моделей

Это, пожалуй, их самый сильный аргумент.

То, что ИИ способен всё больше, ещё не означает, что компании, рынки, регуляторы, энергетика, цепочки поставок, внутренние процессы и пользователи смогут мгновенно перевести эту способность в массовое экономическое замещение труда.

Citadel напоминает, что технологии распространяются по S-кривой, а не по прямой. И в этом им помогают реальные данные: использование GenAI быстро растёт, но интенсивность применения на работе пока растёт заметно медленнее, чем сам шум вокруг темы.

Это сильная критика.

Потому что многие апокалиптические сценарии молча предполагают, что как только модели стали лучше, экономика почти сразу перестраивается под них. На практике так бывает редко.

2. Данные пока не подтверждают общий обвал

Citadel также опирается на факт, что на момент публикации ответа безработица оставалась низкой, а software job postings по Indeed/FRED росли. И это правда важный контраргумент против идеи, что рынок труда уже сорвался в штопор.

Более того, глава ФРС Уоллер тоже занимал заметно более спокойную позицию, чем Кук и Бостик: он прямо говорил, что не ждёт полного выноса человека из системы и считает, что люди адаптируются. ([Reuters][9])

То есть Citadel прав в одном простом смысле: нельзя выдавать тревожный сценарий за уже наблюдаемую макрореальность.

3. Продуктивность — это всё же positive supply shock

Citadel отдельно бьёт по идее “Ghost GDP” и утверждает, что если продуктивность растёт, то по национальным счетам это не может одновременно означать устойчивый обвал спроса без компенсирующего роста где-то ещё — в инвестициях, потреблении, госрасходах или внешнем спросе. Они напоминают базовую вещь: экономика — это не только зарплаты работников, это ещё и цены, прибыль, инвестиции, налоги, перераспределение и новые бизнесы.

И это тоже разумное замечание.

Потому что слишком многие тексты про ИИ рассуждают так, будто потеря дохода одной группы автоматически означает коллапс всей системы. Это возможно, но не автоматически.

Где Citadel сам недоговаривает

Но на этом месте важно не впасть в другую крайность — “раз рынок пока не рухнул, значит тревога была выдуманной”.

У Citadel есть свои слепые зоны.

1. Агрегаты умеют скрывать раннюю боль

Низкая общая безработица — это хороший аргумент против паники, но слабый аргумент против более тонкой тревоги.

Потому что перестройка начинается не всегда с общего обвала. Часто она сначала бьёт по молодым, новичкам, выпускникам, контрактникам, отдельным секторам и функциям. И именно это мы уже видим в данных Stanford и Ирландии.

Иными словами, Citadel прав, что “сейчас не апокалипсис”.

Но из этого совсем не следует, что система здорова.

2. Макроучёт не решает проблему распределения

Даже если Citadel прав насчёт макроэкономических тождеств, это не снимает ключевой политической и социальной проблемы: кто получит выгоду от роста производительности, а кто заплатит переходной ценой.

Можно иметь приличный ВВП, растущую производительность и одновременно — очень неприятную распределительную динамику: слабый рост доходов у одних, резкое усиление капитала у других, ухудшение входа в карьеру у третьих. IMF как раз предупреждал, что ИИ может не только повысить рост, но и усилить неравенство, если политика не будет активной.

То есть “по счетам всё сошлось” ещё не означает “общество это нормально переварило”.

3. Нынешняя медленность не гарантирует завтрашнюю медленность

Citadel делает сильную ставку на трение, инфраструктуру и ограниченность diffusion speed.

Но история новых платформ любит ломать интуицию. Технология может долго казаться “ещё не везде”, а потом, после нескольких организационных сдвигов, стандартов и UI-упрощений, резко ускориться. OECD показывает рост внедрения среди фирм, St. Louis Fed — рост использования у населения, а сами компании всё активнее встраивают ИИ в рабочие процессы.

Так что аргумент “пока не видно нелинейности” — хороший аргумент против немедленной истерики, но не железная защита от более быстрого перелома впереди.

4. Citadel смотрит как рынок, а не как общество

И это, пожалуй, главный мета-пункт.

Citadel Securities — это не академический институт и не нейтральный исследовательский центр. Это крупный рыночный игрок, и их текст — макростратегическая записка, а не беспристрастный социальный разбор. Они естественно сильнее смотрят на данные текущего цикла, на скорость диффузии, на рыночные преувеличения и на риск того, что инвесторы “перегнули” с думерством.

Но общественный вопрос шире.

Даже если S&P не рухнет на 38%, а безработица не улетит в 10,2%, мир может всё равно войти в очень нервный режим: с худшим входом в карьеру, более слабой переговорной силой работников, более высокой зависимостью от капитала и более узким слоем людей, которые реально контролируют новые производственные системы.

Для семьи, выпускника, основателя малого бизнеса или менеджера это всё равно огромная перемена — даже без красивого биржевого обвала.

Мой вывод по спору Citrini vs Citadel

Если упростить до одной фразы, то она звучит так:

Citrini хорошо описывает опасный хвостовой сценарий, а Citadel хорошо напоминает, что хвостовой сценарий нельзя выдавать за уже доказанную реальность.

Citrini полезен как предупреждение.

Citadel полезен как противоядие от слишком прямолинейного катастрофизма.

Но ни один из них не даёт полного ответа.

Полный ответ, скорее, такой:

— мир с ИИ правда может оказаться намного менее комфортным для работников, чем любят обещать продавцы “изобилия”;
— но переход не обязан принять форму мгновенного краха всего рынка труда и финансовой системы;
— главный вопрос ближайших лет — не “кто прав в споре”, а успеем ли мы построить новую связку из образования, переподготовки, инфраструктуры доверия и человеческих ролей поверх дешёвого интеллекта.

И если совсем по-человечески, то вывод такой.

Не нужно жить так, будто конец света уже расписан по кварталам.

Но и жить так, будто ничего фундаментально не меняется, — уже опасная роскошь.

Старая экономика, где интеллект был редким и дорогим, правда заканчивается.

Новая ещё не оформилась.

Значит, главная задача человека сейчас — не угадать точную дату “кризиса ИИ”, а перестроить себя под мир, где ценится уже не просто умение делать, а умение понимать, проверять, отвечать и держать сложность.

Далее перед вами будет представлен рабочий дизайн-документ концепции игры жизнь.

0. Правила игры и что считать "победой"

1. Игрок ≠ персонаж.
   Игрок — твоё сознание/наблюдатель. Персонаж — тело, психика, навыки, статус, биография. Игрок может менять некоторые параметры персонажа, переписывать "сценарий", но не может отменить базовые ограничения мира (смерть, физику, биологию, социум, стартовой позиции).
2. У игры нет единого «официального» выигрыша.
   По умолчанию система нправляет в стандартные сценарии (выжить, работать, развлекаться, умереть). «Выигрыш» ты определяешь сам как:
• минимум глубоких сожалений к концу партии;
• максимум реализованного потенциала в выбранных областях;
• вклад, который для тебя не стыдно и не пусто.
3. Есть два уровня победы и поражения.
• Локальный уровень: знакомтсва, сделки, проекты, этапы (можно тактически выиграть/проиграть много раз -> прокачка).
• Метагейм: как сложилась вся партия (здоровье, отношения, свобода, реализованный потенциал, дети, накопления, вклад в общество).

Дальше — план, как спроектировать билд и маршрут так, чтобы шансы на метапобеду были максимальны.

1. Создание персонажа: стартовые характеристики и аудит

Врождённые и стартовые параметры — это не «приговор», а ограничения инициализации и его сильные стороны.

1.1. Базовые статы персонажа

Условно:

• INT (интеллект, способность к обучению)
  Скорость понимания сложных систем, абстрактное мышление, критическое мышление, нейропластичность.
• VIT/HP (здоровье и энергия)
  Генетика, нервная система, склонность к заболеваниям, запас выносливости, поддержание здоровья (сохранение).
• WILL (воля, самодисциплина)
  Способность держать курс, несмотря на эмоции и усталость, фокус, отказ от быстрых ништяков в пользу долгосрочных, контроль дофамина.
• EMO-STA (эмоциональная устойчивость)
  Насколько тебя расшатывают стресс, шейм, неудачи, отказы, повторы действий с изменённой тактикой.
• SOC (социальный интеллект)
  Чтение людей, эмпатия, умение убеждать и выстраивать отношения.
• LUCK (стартовые условия)
  Семья, общество, страна, эпоха, деньги, отсутствие/наличие травм, войн, катастроф.

Задача игрока — не выровнять всё до идеала, а честно увидеть:

• какие статы станут ядром билда,
• какие нужно подтянуть до «достаточно, чтобы не мешало»,
• а где просто учитывать ограничения.
• усиливать сильное

1.2. Практический аудит

Минимальный чек-лист:

1. Тело
   Сон, энергия, хронические боли/болезни, лишний/недостаточный вес, спорт.
2. Голова
   Легко ли учишься? Запоминаешь? Умеешь концентрироваться? Тяга к исследованию или к стабильности? Восстановление.
3. Психика
   Как переносишь стресс? Бывают ли длительные простои/апатия? Есть ли явные зависимости (алкоголь, дофаминовые петли, соцсети)?
4. Социум
   Семья, окружение, менторы, токсичные связи. Есть ли кто-то, кто уже дальше тебя в желаемом направлении?
5. Финансы и свобода
   Долги, обязательства, наличие «подушки», доступ к странам/рынкам, инестиции.

Это и есть «стат.лист персонажа» на текущий момент. Он нужен, чтобы дальше не планировать билд в вакууме.

2. Каким должен быть «идеальный» персонаж для выигрыша

Не существует одного архетипа, но есть ядро характеристик, которые нужны почти во всех билдах (рабочий, генератор идей, предприниматель, исследователь, креатор, мастер).

2.1. Базовые психологические черты

• Ответственность
  Склонность доводить дела до конца, аккуратность, организованность.
• Эмоциональная стабильность
  Низкая тревожность, способность сохранять ясность в стрессе.
• Открытость опыту
  Готовность учиться новому, менять модели, тестировать гипотезы.
• Базовая доброжелательность
  Минимум конфликтности, способность к сотрудничеству.

Это не про «быть хорошим человеком» ради морали, а про винрейт (количество побед относительно неудач): такие черты сильно повышают шансы на долгую успешную партию.

2.2. Метанавыки (главные скиллы дерева)

1. Навык быстрого обучения (learning skill)
• как искать инфу,
• как проверять её,
• как переводить в прототипы/эксперименты,
• как извлекать уроки.
2. Самонаблюдение и рефлексия
   Умение смотреть на себя «снаружи», видеть свои паттерны, баги, триггеры.
3. Саморегуляция
   Управление вниманием, эмоциями, энергией, а не только временем.
4. Коммуникация и переговоры
   Продажа идей, честные жёсткие разговоры, умение слушать и влиять.
5. Системное мышление
   Видеть не только действия, но и системы: стимулы, ограничения, обратные связи.

Эти 5 метанавыков — как пассивки, которые бафают все остальные ветки.

2.3. Внутренние установки (mindset билда)

• «Мир — не против меня и не за меня, он просто индифферентен.
  Моя задача — адаптироваться и использовать правила, а не жаловаться на них».
• «Я — автор сценария, а не только актёр.
  Могу менять роли, окружение, рынки, страны, контексты».
• «Фейл — не стыд, а источник данных.
  Ошибки — это лог файлов игры, а не приговор персонажу».
• "Долгий горизонт" > немедленная награда.
  Всё, что даёт мощный compounding, почти всегда сначала дискомфортно.

3. Ориентиры и «полоски состояния» персонажа

Удобно мыслить через пять главных полосок, каждая из которых имеет свои квесты и KPI:

1. Здоровье и энергия
   Базовая цель: прожить достаточно долго в адекватном состоянии, чтобы реализовать остальное.
   Метрики: сон, физика, отсутствие разрушительных привычек, стресс-менеджмент.
2. Мастерство / компетентность
   Стать реально сильным в 1–2 доменах, а не в 10 сразу.
   Метрики: востребованность, экспертиза, рынок платит, сложные задачи становятся нормой, другие просят совета, растёт эффект на других игроков.
3. Ресурсы и капитал
   Деньги как мультипликатор потенциала, как топливо и защита, плюс социальный и интеллектуальный капитал.
   Метрики: инвестиции, подушка, диверсификация доходов, отсутствие токсичных долгов.
4. Отношения / сообщество
   Кто у тебя в пати и в гильдии.
   Метрики: несколько людей, на которых можно опереться и которые могут опереться на тебя; отсутствие хронически токсичных связей.
5. Смысл / вклад
   Ради чего всё это, кроме дофамина и статуса.
   Метрики: ощущение, что делаешь то, что сам считаешь не впустую; готовность за это платить ценой удобства.

Выигрыш в жизни ≈ высокая интегральная оценка по этим пяти полоскам к концу партии, согласно твоим собственным критериям, а не навязанным.

4. Действия персонажа: игровые циклы

4.1. Ежедневный цикл

Минимальная петля, которую стоит зацементировать:

1. Сон и тело
   Ложиться и вставать более-менее стабильно, базовое движение (ходьба, тренировка), питание без автодеструкции.
2. Работа над главным скиллом (deep work блок)
   2–4 часа в день на развитие ключевого мастерства (код, дизайн, продукт, наука — твой билд).
3. Создание ценности и денег
   Задачи, которые либо создают продукт/услугу, либо продвигают уже созданное (маркетинг, продажи, общение с пользователями).
4. Контакты и репутация
   Минимум одно действие в сторону людей: письмо, созвон, помощь, участие в сообществе.
5. Учёба и рефлексия
   Чтение/курсы с конспектом и одно действие «по результатам» + короткий вечерний обзор дня: что сработало/нет.

Этот цикл — как базовая комбо, которая бафает все статы разом.

4.2. Недельный и квартальный спринт

• Раз в неделю
• обзор задач: что двигает главные полоски, а что просто создаёт видимость движения;
• план недели: 1–3 главных результата, а не 30 задач.
• Раз в квартал
• пересмотр стратегии: не застрял ли персонаж в гринде «ради гринда»;
• нужна ли смена локации (город, ниша, рынок, компания);
• апгрейды билда (навыки, партнёры, инструменты).

5. Ресурсы персонажа и инвентарь

5.1. Главные ресурсы

1. Внимание
   Самый дефицитный ресурс. Сколько часов в день ты можешь провести в сконцентрированном состоянии?
2. Время
   Куда утекают часы (соцсети, бесконечный инфопотреб, бессмысленные разговоры)?
3. Энергия
   Хроническая усталость = постоянный дебафф ко всем характеристикам.
4. Деньги
   Не самоцель, а:
• буфер от форс-мажоров,
• возможность выбирать локации и миссии,
• возможность нанимать NPC (специалистов) и покупать артефакты (инструменты, обучение).
5. Репутация и социальный капитал
   Кто доверяет тебе настолько, что готов:
• рекомендовать,
• инвестировать,
• идти в команду.

5.2. Что должно быть в «инвентаре»

Минимальный набор для персонажа высокого уровня:

• Система управления задачами
  Любой инструмент, где:
• есть входящий поток идей/дел,
• есть приоритизация,
• есть ежедневный план.
• Личная база знаний
  Второй мозг -> экзокортекс: заметочник (Obsidian/Logseq/Notion и т.п.), где структурируются идеи, конспекты, решения.
• Использование ИИ как бустер: проработка идей, архитектур, консультации по профильным вопросам, прототипирование, быстрый MVP.
• Финансовый трекинг
  Понимание, откуда приходят и куда уходят деньги. Без этого ресурсов всегда будет нехватать и не будет над ними контроля.
• Трекеры здоровья/привычек/жизни
  Сон, шаги, тренировки, вредные привычки. Не для перфекционизма, а для обратной связи.
• Инфраструктура работы
• мощный рабочий девайс,
• облако и бэкапы,
• минимум фрикции в запуске работы (горячие клавиши, шаблоны, автозадачи).
• Публичные поверхности
  Профили/площадки, где видна твоя компетентность и траектория (GitHub, блог, Twitter, LinkedIn и т.п. — зависит от билда).

6. NPC и «чит-коды» игры

6.1. Типы NPC

1. Наставники / старшие игроки
   Люди, которые уже прошли те квесты, на которые ты только идёшь.
   Их ценность:
• предупреждают о ловушках,
• дают короткие пути (какие навыки критичны, что делать вначале),
• иногда открывают двери (интро, рекомендации).
2. Сильные сверстники (пати)
   Те, кто примерно на твоём уровне, но тоже заряжены на рост.
   С ними:
• шэрятся знания,
• возникает здоровая конкуренция,
• создаются совместные проекты.
3. Клиенты / пользователи / аудитория
   Они дают:
• реалистичную обратную связь,
• деньги,
• идеи для улучшения.
4. Системные NPC (юристы, бухгалтера, врачи, психотерапевты)
   Они знают правила подземелий: налоги, право, здоровье, психика.
   Игнорирование их — частая причина «смерти персонажа».
5. Антагонисты и токсичные NPC
   Те, кто:
• высасывают энергию,
• ломают границы,
• вгоняют в стыд и самосаботаж.
  Их задача — научить ставить границы и уходить из плохих локаций.

6.2. Что такое «чит-коды» в реальной игре

Это рычаги (leverage), которые резко повышают эффективность:

• Чужой опыт и знания
  Книги, курсы, менторы, которые экономят годы проб и ошибок.
• Технологии
  Автоматизация, ИИ, инструменты, упрощающие рутину и расширяющие твои возможности.
• Капитал
  Свой и чужой. Инвестиции, партнёрства, доступ к ресурсам.
• Бренд и репутация
  Когда двери открываются сами, потому что твое имя уже ассоциируется с качеством.
• Правильный выбор рынка и ниши
  Та же работа может приносить x10 в другом контексте (страна, индустрия, язык, формат).
• ИИ

Чит-коды не появляются «по милости судьбы». Их дают:

• сильные NPC,
• пройденные квесты,
• готовность вкладываться в системы, а не только в разовые действия.

7. Зачем нужны партнёры и команда

7.1. Почему соло-ран — слабая стратегия

Соло-игра выглядит красиво, но:

• ограничивает масштаб задач (нет людей — нет обратной связи и буста),
• делает психику более уязвимой к провалам,
• сильно замедляет обучение (нет внешнего зеркала).

В любой сложной игре выигрывают организованные команды, а не одиночки.

7.2. Типы партнёров

1. Кофаундеры / боевые партнёры
• дополняют твой билд (один — вижен/продукт, другой — продажи, третий — операции),
• разделяют ответственность и риски.
2. Жизненный партнёр
• создаёт стабильность или хаос;
• может быть сильнейшим бафом к энергии и смыслу или критическим дебаффом.
3. Ключевые сотрудники / контракты
• снимают с тебя операционный груз,
• позволяют тебе держаться в зоне наибольшего эффекта.

Критично: ценности и стиль игры должны быть совместимыми. Иначе партнёр превращается в антагониста.

8. Что значит «проиграть» и «выиграть»

8.1. Формы поражения

• Жёсткий game over
• смерть задолго до того, как ты мог реализоваться;
• тюрьма или ситуация, где твоя свобода и возможности почти обнулены.
• Тяжёлый проигрыш без смерти
• разрушенное здоровье (наркотики, хронические болезни от саморазрушения, долги),
• полное выгорание и апатия,
• разрушенные близкие связи без возможности восстановления.
• Мягкий проигрыш
• жизнь «на автопилоте»,
• глубокое ощущение нереализованности и поздние сожаления,
• постоянное «я мог, но…».

8.2. Формы победы

• Субъективная
• ты смотришь назад и не менял бы ключевые решения,
• ты доволен тем, как использовал свои статы и шансы.
• Объективная по твоим метрикам
• адекватное здоровье,
• сильное мастерство,
• свобода (финансовая, профессиональная, географическая),
• пара-тройка глубоких отношений,
• вклад, который ты считаешь значимым.
• Мета-победа
  Даже если были тяжёлые фейлы и неисполненные мечты, ты научился играть так, что следующим поколениям или другим игрокам стало проще и лучше благодаря тебе.

9. Что ты не учёл: рандом, мета-игра, этика

1. Рандом и неопределённость
• Всегда будут события, которые полностью ломают планы: болезни, войны, аварии, глобальные сдвиги.
• Задача: строить стратегию, которая антихрупка — выигрывает от вариативности или хотя бы переживает удары.
2. Мета-игры
• Игры компаний, государств, культур, в которые ты всё равно вовлечён.
• Иногда проще сменить игру (уехать, сменить индустрию), чем ломать старую.
3. Этика как часть механики, а не морализаторство
• Жёсткий цинизм и постоянная эксплуатация других игроков часто окупаются краткосрочно, но в долгую ведут к одиночеству, паранойе и краху репутации.
• «Не быть мудаком» — тоже рабочая стратегия, а не просто красивые слова.
4. Созерцание и удовольствие
• Если превратить жизнь только в оптимизацию и гринд, игра превращается в унылую фармилку.
• Нужны моменты чистого присутствия, игры ради игры, не ради прогресса.

10. Конкретный план с декомпозицией

Шаг 0. Сформулировать свою версию «победы»

Ответить честно (лучше письменно):

• Как выглядит идеальный день моего персонажа через 10–15 лет?
• Над чем он работает? С кем? Где живёт? Как проводит время? Что считает важным?

Это не обещание миру, а ориентиp для геймдизайна.

Шаг 1. Сделать аудит персонажа (лист статов)

• Описать по пунктам тело, психику, навыки, деньги, окружение.
• Честно отметить:
• зелёные зоны (силы),
• жёлтые (терпимо),
• красные (угроза поражения).

Шаг 2. Выбрать билд

Кем по сути ты хочешь быть как персонаж?

• Создатель продуктов / предприниматель
• Исследователь / учёный
• Мастер-практик (ремесло, искусство, профессия)
• Лидер/организатор систем

Можно комбинировать, но 1–2 доминирующих архетипа лучше, чем 5 размазанных.

Шаг 3. Определить главный квест на 3–5 лет

Примеры формулировок:

• «Построить компанию/продукт в такой-то нише с такими-то метриками».
• «Стать топовым специалистом в домене X с доказательством в виде…».
• «Сформировать капитал и свободу, чтобы…».

Главное — чтобы квест:

• был конкретным,
• был достаточно амбициозным,
• был связан с твоей версией «победы».

Шаг 4. Спроектировать дерево навыков

Выписать 3–5 ключевых скиллов, без которых главный квест невозможен.

Например, для технического фаундера:

• глубокий навык в выбранной техдомене,
• продуктовое мышление,
• продажи/переговоры,
• управление командой,
• работа с капиталом/финансами.

Для каждого:

• где ты сейчас (1–10),
• до какого уровня нужно дойти,
• какие конкретные квесты/проекты будут это качать.

Шаг 5. Спроектировать ежедневный и недельный цикл

• Вписать в календарь:
• 2–4 часа deep work под ключевой скилл/проект,
• слот на здоровье,
• слот на контакты,
• слот на учёбу и рефлексию.
• Задать себе минимальные стандарты, ниже которых день считается «проваленным».

Шаг 6. Карта NPC и социальных связей

Сделать три списка:

1. Кого хочу видеть наставниками (2–5 человек)
• как на них выйти (контент, холодные письма, участие в их проектах).
2. С кем хочу дружить и расти вместе (5–15 человек)
• кого из текущего окружения стоит «подтянуть», с кем познакомиться.
3. Каких специалистов мне нужно подключить (1–5 человек)
• врач, психотерапевт, юрист, бухгалтер/финансист.

Дальше — делать 1–3 шага в неделю по развитию этих связей.

Шаг 7. Стратегия ресурсов

• Сформировать минимальную финансовую подушку (хотя бы 3–6 месяцев).
• Решить:
• сколько времени я готов тратить на заработок сегодня,
• сколько — на строительство систем, которые будут кормить завтра.
• Определить:
• какие технологии/инструменты стоит внедрить уже сейчас,
• какие — позже, после достижения определённого уровня.

Шаг 8. Система проверки прогресса

• Раз в неделю: короткий лог:
• что прокачал,
• какие квесты закрыл/завалил,
• где изменилось состояние полосок (здоровье, мастерство, деньги, отношения, смысл).
• Раз в квартал:
• пересмотр билда и главного квеста,
• возможно, смена локаций/рынков,
• пересборка команды/NPC.

Шаг 9. Цикл «смертей» и перезапусков

При крупных фейлах (развалился бизнес, выгорел, расстался, переехал и всё обнулилось):

• относиться к этому как к новому ран-через-игру:
• перенять метапрокачку (опыт, связи, понимание систем),
• изменить билд и стратегию, а не пытаться во что бы то ни стало повторить прошлый маршрут.

p.s. выиграть в игре под названием жизнь — это не найти один секретный чит-код, а стать умелым криэйтером своей жизни (геймдизайнером собственной партии): осознанно выбрать билд, окружение, квесты, ресурсы и петли действий, которые с наибольшей вероятностью приведут тебя к твоей версии победы, при этом минимизируя шансы на необратимые поражения. Всё остальное — детали реализации.

p.s2. есть ещё мысли в продолжение темы, возможно будет вторая часть.

(c) uberwow

Я уже больше года практически не пишу код руками. Мой рабочий процесс кодинга превратился в диалог с ИИ: я скармливаю LLM псевдокод, фичу или идею, общую логику или архитектурный набросок, а в ответ получаю готовые функции и классы.

У меня и до этого были свои мысли по этому вопросу, но статья на Хабре (https://habr.com/ru/articles/989396/), очень срезонировала пугающе точно. Она дала название тому смутному беспокойству, которое я ощущал последнее время. В том числе его можно прочитать между строк в постах выше. Оказывается это называется деградация навыков, вызванная автоматизацией 🤯.

Я не считаю себя новомодным вайбкодером в традиционном сегодняшнем смысле. Наверно потому, что я пишу код уже более 10 лет. Успел попробовать практически все современные ЯП: от Visual basic и Pascal до Php и Python не чураясь низкоуровнеавым си и растом. И в результате у меня сформировался пласт опыта, который просто так не пропьешь. И да, я не принимаю тупо все предложения ИИ для имплементации слепо. Я стараюсь вдумчиво читать вывод, оценивать комиты. Смотрю какие участки кода затронуты. Пытаюсь понять как это повлияет на общую логику.

И да, безусловно, это удобно. Это быстро. Это освобождает время для того, что я считал "настоящей работой": дебага, тестирования, архитектурных моментов.

И да, для хорошего контекста фичу или идею нужно описать максимально подорбно, описать какую логику я ожидаю на вход и на выход, в каких файлах стоит делать изменения. Чего делать не стоит и т.д. (во всяком случае я так делаю, я так привык)

Ловушка "скучных задач"

Мы привыкли думать, что написание бойлерплейта, тестов или рутинных CRUD-методов - это просто трата времени. Пусть ии делает грязную работу, а я буду творцом. Но статья подсвечивает критический момент: скучная работа была нашей тренировкой. Прокачкой тех областей в мозге, которые отвечают за фундаментальный процесс кодинга в голове до переноса кода в IDE.

Когда ты пишешь тест руками, ты не просто покрываешь код. Ты принуждаешь свой мозг работать в режиме логического осознания: А что, если здесь придет null? А что, если в результате этих изменений отвалится другая функция?. Это формирует ту самую продуктивную паранойю, которая отличает сеньора от джуна.

Когда тесты генерирует ИИ, он часто проверяет, что код делает то, что он делает, а не то, что он должен делать. А я, как оператор, просто смотрю на зеленые галочки и чувствую ложную уверенность.

Атрофия планирования

Самое страшное, что я замечаю по себе — начинает страдать подсознательная интуиция.

Программирование — это не просто знание синтаксиса. Это способность загрузить ментальную модель системы в голову и "прокрутить" её. Раньше, пока пальцы набивали код, мозг фоном выстраивал связи, замечал потенциальные race conditions или архитектурные тупики еще до того, как код был дописан.

Теперь этот этап пропущен. Я получаю результат мгновенно. Мозг не успевает построить нейронные связи, отвечающие за глубокое понимание того, *как именно* работает этот кусок. Видел что это еще называют техническим долгом.

Статистика из статьи подтверждает: опытные разработчики с ИИ начинают работать медленнее на сложных задачах (-19% эффективности), потому что теряют хватку, но при этом их уверенность в себе растет. Мы копируем и вставляем код, но доля рефакторинга (улучшения структуры) падает. Мы строим карточные домики быстрее, но фундамент становится всё более зыбким.

Эффект "отпускных рук"

Пианисты знают: две недели без игры — и пальцы забывают Шопена. Пилоты знают: если летать только на автопилоте, в критической ситуации ты убьешь пассажиров (анализ FAA подтверждает, что 60% аварий связаны с потерей навыков ручного пилотирования).

Мы, разработчики, сейчас в той же ловушке. Мы становимся операторами сложнейших систем, которые мы разучиваемся понимать на атомарном уровне.

Что с этим делать?

Отказываться от ИИ глупо — это как отказаться от экскаватора в пользу лопаты. Но нам нужна "гигиена трнировки навыка".

Как пилотов заставляют сажать самолет вручную, чтобы они не потеряли квалификацию, так и нам, видимо, придется ввести практику "ручного кодинга". Не ради продуктивности. Но ради того, чтобы мозг не забыл, как превращать абстрактную идею в конкретную инструкцию. И сохранил ту самую инженерную интуицию, которая пока еще отличает нас от ИИ.

Иначе через пять лет мы превратимся в тех, кто умеет только промптить, но впадает в ступор, когда ИИ выдает галлюцинацию в сложной архитектуре, которую мы уже не в силах охватить умом.

(c) @uberwow

Введение

29 ноября 2025 года президент России В.В. Путин подписал Федеральный закон № 425-ФЗ о повышении налога на добавленную стоимость (НДС) с 20% до 22% и снижении порога доходов для уплаты НДС малыми и средними предприятиями. Эта реформа вступила в силу 1 января 2026 года и представляет собой первое изменение базовой ставки НДС с 2019 года. Правительство явно связывает эту меру с финансированием оборонных и военных расходов, вызванных спецвоенной операцией в Украине.

Параметры налоговой реформы

Повышение ставки НДС

Основная налоговая ставка повышена на 2 процентных пункта—с 20% до 22%. Льготные ставки (10% на социально значимые товары, 5% и 7% для определённых категорий) сохранены.

Снижение порога выручки: Поэтапный переход

Первоначально правительство предложило немедленное снижение порога с 60 млн до 10 млн рублей, что вызвало интенсивный протест бизнес-сообщества. После переговоров с предпринимательскими организациями была согласована поэтапная реализация:

• 2026 год: 20 млн рублей
• 2027 год: 15 млн рублей
• 2028 год и далее: 10 млн рублей

VAT Exemption Threshold Phase-Out: Phased Reduction of Income Limit for Simplified Tax System Businesses

Эта фаза предоставляет предприятиям трёхлетний переходный период для адаптации к новым налоговым требованиям.

Ожидаемые доходы бюджета

Правительство прогнозирует, что повышение НДС на 2 процентных пункта будет генерировать приблизительно 1 трлн рублей в год в дополнительных налоговых поступлений. Снижение порога выручки должно принести примерно 600 млрд рублей в течение трёх лет, согласно официальным оценкам. Однако независимые аналитики отмечают, что реальные затраты для бизнеса могут быть значительно выше предполагаемых доходов.

Мотивация государства и стратегический контекст

Явная цель: финансирование СВО

Финансовое министерство без обиняков заявило, что налоговая реформа нацелена на финансирование «оборонных и безопасностных нужд» России. Дефицит бюджета, вызванный резким ростом расходов на вооружённые силы, снижением доходов от экспорта нефти и газа (из-за санкций и укрепления рубля), создал критический разрыв в государственных финансах.

На фоне экономического замедления в 2025 году, когда рост ВВП упал с прогнозируемых 3% до примерно 1%, налоговые поступления сократились по сравнению с ожиданиями.

Высказывания Путина о постоянстве реформы

На прямой линии с президентом в декабре 2025 года Путин охарактеризовал повышение НДС как «временное» и заявил, что налоги должны будут снижены. Однако конкретных сроков для отмены не указано. Прогнозные модели, разработанные различными аналитическими центрами, указывают, что даже после завершения СВО структурный дефицит бюджета, вероятно, сохранится благодаря долгосрочному снижению доходов от углеводородов и необходимости поддерживать повышенный уровень оборонных расходов.

Краткосрочные последствия (2026–2027 гг.)

Инфляционное давление

Официальные прогнозы: Министерство финансов оценивает инфляционное воздействие НДС в 1 процентный пункт.

Независимые оценки: Аналитики Гайдаровского института предсказывают более значительное влияние в диапазоне 1,2–1,7 процентных пункта в течение года, с пиком в первые шесть месяцев 2026 года.

Механизм: Резкий скачок цен произойдёт в январе–марте 2026 года, когда компании адаптируют свои прейс-листы. Уже в декабре 2025 года многие предприятия повысили цены в ожидании реформы.

Поведение бизнеса и ценообразование

Исследования показывают дифференцированный ответ в зависимости от сектора:

Руководители Торгово-промышленной палаты России указывают, что многие компании уже предвидели изменения и заложили ожидаемый рост налогов в свои цены в IV квартале 2025 года.​

Рентабельность бизнеса с новым налогом на УСН

Переход на уплату НДС существенно влияет на маржинальность малых предприятий:

Сценарий 1: Увеличение цен на сумму НДС (2%)

• Если компания полностью перекладывает налог на потребителя, ценовой разрыв может снизить объём продаж на 3–5%.
• Многие потребители не готовы платить на 20% больше за идентичный товар.

Сценарий 2: Без повышения цен

• Согласно расчётам, прибыль падает на 10% при стабильной выручке.​
• В высококонкурентных секторах розницы (маржа 3–5%) это означает функциональное банкротство.​

Сценарий 3: Частичное повышение цен + сокращение маржи

• Рентабельность предприятия общественного питания может упасть с 20–30% до 10–15% после перехода на НДС.

Уход бизнеса в тень и закрытия

Ассоциация «Опора России» провела опрос 11 000 предпринимателей и обнаружила:

• 1 из 10 малых предпринимателей будет затронут пороговым изменением.
• 33% опрошенных заявили о готовности закрыть бизнес.
• 33% опрошенных указали вероятность перехода в неформальную экономику.

Ассоциация подсчитала, что суммарные дополнительные затраты для всех малых предприятий могут достичь 420 млрд рублей, что в два раза превышает оценённые государством доходы бюджета в 200 млрд рублей.

Мнения предпринимателей и отзывы

Анализ высказываний бизнеса

Сергей Остриков, основатель косметического бренда Ostrikov Beauty:

«Это приведёт к очередной волне существенного повышения цен. У бизнеса любого масштаба есть множество подрядчиков из числа микро- и мелких предприятий — от перевозок до рекламы. Сейчас они все поднимут цены на услуги. Маржинальность неминуемо сокращается.»​

Владелец отельного бизнеса:

«В маленьком проекте рентабельность оценивается в 20–30%. Каждый дополнительный административный сотрудник съедает значительную часть маржи. Рентабельность мелкого бизнеса с 30–50% упадет до 20–30%, и мы будем зарабатывать меньше.»​

Собственник продуктового магазина:

«Маржинальность этого бизнеса составляет 3–3,5% — магазин приносит примерно 50 000 ₽ в месяц. Если появится обязанность по уплате НДС, магазин отработает в минус 500 000–1 000 000 ₽.»​

Консенсус среди опрошенных предпринимателей: налоговая реформа снижает мотивацию развивать бизнес, инвестировать в новые проекты и расширять операции.

Дифференцированное влияние по секторам

Высокоуязвимые секторы (маржа 3–10%)

Розница: Маржа 3–5%. Предприятиям придётся выбирать между резким повышением цен (рискуя потерей покупателей) и сокращением прибыли.

Общественное питание: Маржа обычно 15–25%, но растущие затраты на энергию, аренду и продукты уже сжимают это число. Одновременное внедрение НДС может быть критическим.

Такси и грузоперевозки: Маржа 5–10%. Повышение цен на топливо уже было значительным; добавление НДС может сделать некоторых операторов убыточными.​

Менее уязвимые секторы

Высокотехнологичные и консультационные услуги: Могут более гибко переносить затраты НДС из-за более высоких маржин и возможностей вычета входящего НДС по инвестициям.

Экспортоустремлённый бизнес: Экспортёры сохраняют нулевую ставку НДС и потенциально получают возмещение входящего налога, что может дать им конкурентное преимущество.​

Сравнение с другими странами

Позиция России в глобальном контексте

Global VAT Rate Comparison: Russia's 22% Rate in International Context

После повышения до 22%, Россия занимает среднее-верхнее положение в международной иерархии НДС:

Критическое наблюдение: Большинство стран с ставками свыше 22% — это экономически развитые члены ЕС с мощной инфраструктурой поддержки малого и среднего бизнеса. Россия, находясь в состоянии санкций и экономического замедления, поднимает налоги при менее благоприятных условиях.

5-летний прогноз: долгосрочные последствия (2026–2031)

Ожидаемая траектория ВВП

Прогнозы экономического роста на период до 2031 года значительно ухудшились:

Данные оценки выполнены на базе сценариев, которые не предусматривают ускорения экономического роста и исходят из предположений о сохранении или углублении санкционного давления.​

Сценарии развития бизнеса

Пессимистичный сценарий (базовый):

• Волна закрытий МСП в 2026–2027 годах, особенно в сегментах с маржой <5%.
• Рост безработицы вследствие сокращений в малом бизнесе.
• Дальнейший сдвиг экономики в сторону государственного сектора и оборонно-промышленного комплекса.
• Снижение потребления и инвестиций в немилитаризованные сегменты экономики.​

Умеренный сценарий:

• Часть малого бизнеса адаптируется, повышая цены постепенно и оптимизируя структуру.
• Перенос части активов в высокомаржинальные или защищённые от конкуренции ниши (например, государственные контракты).
• Консолидация: поглощение мелких игроков более крупными компаниями.

Восстановительный сценарий (малая вероятность):

• Если СВО завершится в ближайшие 1–2 года, правительство может частично отменить реформу или снизить ставку в 2027–2028 годах.
• Однако даже при завершении боевых действий, структурный дефицит, вероятно, потребует сохранения повышенных налогов в среднесрочной перспективе.​

Рентабельность бизнеса на горизонте 5 лет

Консервативная оценка:

• Для типичного МСП с текущей маржой 15–20%, ожидается падение до 10–12% к 2027 году и возможная стабилизация на этом уровне.
• Компании в секторах с маржой <10% рискуют выпасть из формальной экономики или закрыться.
• Реальная рентабельность (с учётом инфляции) может снизиться на 20–30% относительно допандемических уровней.

Компании с высокой маржой (IT, консалтинг, финансовые услуги) смогут лучше абсорбировать затраты НДС благодаря возможности применения вычетов входящего налога и гибкого ценообразования.

Возможность отмены и обратимость реформы

Позиция правительства относительно постоянства

Признание временного характера:

Путин в декабре 2025 года явно заявил, что повышение НДС является «временным» и что в будущем налоги должны будут снизиться. Однако отсутствие конкретного графика отмены предполагает, что сроки неопределённы.

Сравнение с предыдущим повышением (2019):

Когда в 2019 году НДС поднялся с 18% до 20%, официальное обоснование касалось необходимости выполнения «майских указов» Путина о развитии социальной сферы. Однако ставка так и осталась на уровне 20% на протяжении шести лет.​

Факторы, препятствующие отмене

1. Структурный дефицит: Даже если боевые действия закончатся, падение цен на углеводороды и санкции создадут долгосрочный дефицит государственного бюджета. Аналитики прогнозируют, что даже без военных расходов на уровне военного времени, оборонное бюджетирование останется значительно повышенным.​
2. Политическая инерция: Налоги, однажды введённые, редко отменяются полностью. Возможны небольшие снижения (например, с 22% до 21%), но возврат к 20% маловероятен в обозримом будущем.
3. Антиинфляционные соображения: Центральный банк может рассматривать поддержание высокого уровня налогов как инструмент сокращения совокупного спроса и борьбы с инфляцией.​

Вероятность отмены или отката

Оценка вероятностей на период 2026–2031:

• Полная отмена (возврат к 20%): <5%
• Снижение на 1 п.п. (до 21%): 15–25% (возможно в 2028–2029 годах при серьёзном замедлении экономики)
• Сохранение на уровне 22%: 60–75% (наиболее вероятный сценарий)
• Дальнейшее повышение (до 23% или выше): 5–10% (в случае дальнейшего ухудшения финансовых показателей)

Связь с СВО и военные расходы

Явная причинная связь

Официальные документы и высказывания ключевых политических деятелей однозначно связывают налоговую реформу с необходимостью финансирования «спецвоенной операции». Даже название бюджетного года 2026 предполагает превосходство оборонных целей над гражданскими расходами.​

Сценарии завершения конфликта

Если мирный договор будет подписан в 2026–2027 годах:

• Оптимистичный расценка: Правительство может объявить о снижении НДС в качестве "дивидендов мира" в целях поддержания популярности. Однако полный откат маловероятен.
• Реалистичный расценка: Бюджетный дефицит останется значительным из-за восстановления инфраструктуры, ветеранских пособий и поддержания оборонного потенциала. Налоги могут быть снижены номинально (например, на 0,5 п.п.), но вернутся к 20% только в исключительных случаях.

Долгосрочная траектория оборонных расходов

Государство уже анонсировало, что оборонные расходы будут оставаться на повышенном уровне в стратегической перспективе, независимо от хода конфликта в Украине. Это предполагает, что налоговые реформы, принятые для финансирования СВО, будут носить квазипостоянный характер.​

Позиция малого и среднего бизнеса

Консолидированные требования МСП

Ведущие ассоциации малого бизнеса («Опора России», Торгово-промышленная палата, СНОБР) выступили с единой позицией:

1. Требование установить порог выручки на уровне 30 млн рублей вместо предложенных 10 млн.
2. Запрос на более длительный переходный период (5 лет вместо 3 лет).
3. Требование морatorium на штрафы за первые нарушения при применении НДС (частично удовлетворено).

Дифференциация позиции по регионам

• Москва и крупные города: Бизнес предпочитает соблюдать налоговое законодательство; основное требование — льготы на период переходного обучения.
• Региональные центры: Выраженная готовность к переводу части оборота в наличные расчёты.
• Периферия: Открытые высказывания о закрытии или переходе в неформальный сектор.

Структура МСП, наиболее пострадавшая от реформы

Адаптационные стратегии МСП

1. Повышение цен: Большинство компаний уже начали этот процесс в Q4 2025.
2. Сокращение численности персонала: Прогнозируется волна увольнений в 2026 году.
3. Уход в полутень: Часть бизнеса переходит на наличные расчёты и схемы оптимизации.
4. Консолидация: Объединение нескольких микропредприятий в одно с целью оптимизации операционных расходов.
5. Смена вида деятельности: Переход в менее регулируемые или более высокомаржинальные сегменты.

Анализ рисков и критические факторы

Риск для бюджета: парадокс Лаффера

Экономисты указывают на возможность того, что ожидаемые доходы не материализуются из-за снижения налоговой базы:

• Если закроется 10% малых предприятий, потеряются отчисления на социальные нужды, налог на прибыль и налог на доходы физических лиц.
• Переход части оборота в наличные расчёты сокращает НДС к уплате.
• Возможное снижение общего потребления и инвестиций замедляет экономический рост, что создаёт долгосрочный отрицательный эффект для налоговых поступлений.

Риск инфляционной спирали

Высокие налоги + рост цен = снижение потребительской способности → сокращение спроса → необходимость дополнительных налоговых повышений для компенсации падающей базы.

Риск массовой неформализации экономики

На фоне дорогостоящего обслуживания НДС (бухгалтеры, ПО, POS-системы) некоторые МСП могут счесть, что выгоднее уйти в теневую экономику, чем легально платить налоги.

Выводы и синтез

Краткосрочные последствия (2026–2027)

1. Инфляция: 1,2–1,7 п.п. в первый год; затем умеренное давление в последующие годы.
2. Цены: Рост на 2–10% в зависимости от сектора; логистика и общепит пострадают больше всего.
3. Рентабельность МСП: Падение на 10–30% для предприятий с маржой <20%.
4. Занятость: Волна увольнений и закрытий МСП, прежде всего в периферийных регионах.
5. Бюджет: Ожидаемые доходы в 200–300 млрд рублей в год; реальные доходы могут быть на 20–30% ниже из-за сокращения налоговой базы.

Долгосрочные последствия (2028–2031)

1. Консолидация: Дальнейшее укрупнение рынков; исчезновение менее конкурентных МСП.
2. Смещение модели роста: От потребительского спроса в сторону государственных закупок и оборонно-промышленного комплекса.
3. Региональная дифференциация: Углубление разрыва между Москвой/крупными центрами и периферией.
4. Покупательная способность: Снижение реальных доходов населения на 10–20% к 2030 году.

Вероятность отмены

На основе анализа официальных позиций, исторических прецедентов и экономических реалий, вероятность полной отмены реформы в период до 2031 года оценивается ниже 5%. Возможно снижение на 0,5–1 п.п. в случае серьёзного экономического кризиса, но это также маловероятно.

Международный контекст

Россия вступает в более высокий налоговый регион (с 20% на уровне Великобритании, Франции, Австрии до 22% на уровне Италии, Словении, Эстонии), но при менее благоприятных условиях макроэкономического развития. Большинство стран с ЛДС 22% и выше — это интегрированные в мировую экономику развитые экономики с мощными системами поддержки МСП. Россия, находясь в условиях санкций и экономического замедления, поднимает налоги без таких подушек безопасности, что увеличивает риск неудачи реформы.

@uberwow

Развивая тему предыдущего поста касательно чтения книг и чтения в целом меня всегда занимала мысль что скорость передачи информации в мозг (и в частности её восприятия - можно читать быстро или даже несколько раз но толком ничего не понять из прочитанного) + толерантность к отвлечениям при чтении.

Любая, возникшая в процессе чтения мысль может отвлечь и часть прочитанного как будто пропадает и требуется перечитывать заново. не говоря уже об отвлекающих внешних факторах. тут конечно важен вопрос мотивации - интересное чтиво заходит легко и отвлекающие факторы отходят на второй план - тут в дело вступает дофамин, который перекрывает отвлекающие факторы и бонусом даёт сфокусированность.

Но это едва ли применимо к обучающей\научной литературе, требующей вдумчивого чтения и осмысления. в таком случае "читать залпом" не выйдет.

И тут важно сделать оговорку которую я изначально упустил - сама метафора "загрузки информации в мозг" несколько обманчива. мозг это не жёсткий диск и не оперативка, куда можно просто залить данные. знание - это не файл, а скорее сеть связей между концепциями, опытом, уже существующими ментальными моделями. то есть даже если бы мы могли "загрузить" информацию мгновенно, она бы просто висела мёртвым грузом без интеграции в существующую картину мира. Но метафора загрузки всё равно полезна как точка отсчёта для размышлений.

Следовательно я исследовал вопрос как можно ускорить процесс переноса информации в мозг...

Первым на ум приходит чтение сокращённых версий книг и так называемая саммаризация книг и статей в урезанном виде, где подаётся только сама суть. плюсы в быстром введении в тему, но ускользают важные моменты и идеи, авторские примеры и пояснения. хорошо подходит как быстрый способ ознакомления с предметной областью, но не отменяет последующего углубления и уже более основательного вдумчивого чтения полноразмерной версии книги.

Вторым вариантом загрузки информации в мозг может быть изучение техник скорочтения, мнемонических техник, периферического зрения (по таблицам Шульте) и т.д. плюсы: скорость чтения действительно ускоряется, но это не отменяет выше обозначенного факта восприятия и осознания прочитанного... читать придётся по нескольку раз для понимания прочитанного. и тут возникает парадокс - если читать быстрее но по несколько раз, действительно ли мы экономим время? или просто создаём иллюзию продуктивности?

Следующим способом ускорения является введение аудио модальности для загрузки информации в мозг. плюсы: можно комбинировать с другими задачами, например слушать аудио книги и подкасты во время вождения авто, регулировать скорость проигрывания аудио дорожки - скорость 1.5 и даже 2.0 вполне себе адекватно воспринимается, информация заходит лучше но не идеально.

Для тех, кто аудио воспринимает не как основную модальность получения информации, для т.н. визуалов вводится еще и визуальный канал, таким образом аудио+видео могут восприниматься глубже и нагляднее, повторный пересмотр даёт более глубокое понимание а увеличение скорости, как в прошлом кейсе решают вопрос скорости загрузки информации.

Тут правда стоит сделать ремарку - деление на "визуалов" и "аудиалов" это скорее популярный миф чем научный факт. исследования показывают что люди не учатся значительно лучше когда информация подаётся в их "предпочитаемой" модальности. но комбинирование каналов (аудио + видео + текст) действительно работает лучше чем один канал - просто не потому что мы "визуалы" или "аудиалы", а потому что мультимодальность создаёт больше точек закрепления в памяти.

Но все эти методы фокусируются на входящем потоке - как быстрее потреблять информацию. а что если узкое место не в скорости потребления, а в скорости обработки и закрепления?

Тут на сцену выходит то, что я изначально упустил - интервальное повторение. штука типа Anki или SuperMemo, где алгоритм подсовывает тебе карточки с информацией именно в тот момент когда ты вот-вот готов её забыть. звучит контринтуитивно - какое это ускорение если надо повторять? - но фишка в том что ты тратишь минимум времени на максимальное удержание. вместо того чтобы перечитывать книгу целиком, ты точечно освежаешь ключевые концепты. По сути это оптимизация не скорости загрузки, а эффективности хранения.

Ещё один упущенный момент — активное обучение против пассивного потребления. читать/слушать это пассивный режим. мозг как бы говорит "ага, ага, понятно" но на самом деле понимание поверхностное. а вот когда ты пытаешься объяснить материал кому-то другому (или хотя бы воображаемому собеседнику) - это совсем другой уровень обработки. есть такой эффект Фейнмана - если не можешь объяснить просто, значит не понимаешь достаточно глубоко. тестирование себя, написание конспектов своими словами, обучение других - всё это замедляет "загрузку" но радикально ускоряет "установку" знания в долговременную память.

И совсем уж базовая вещь которую легко игнорировать - сон. гиппокамп (область мозга отвечающая за формирование памяти) физически не может консолидировать новую информацию без фазы глубокого сна. можно "загружать" информацию хоть круглосуточно, но без качественного сна она просто не перейдёт в долговременное хранилище. то есть оптимизация сна это буквально оптимизация скорости обучения. парадоксально — иногда чтобы учиться быстрее, надо учиться меньше и спать больше.

Сюда же относятся физическая активность (BDNF и нейропластичность, все дела), питание, уровень стресса. скучно и очевидно, но эти базовые вещи влияют на когнитивные функции сильнее чем любые хаки со скорочтением.

Ещё один аспект который я не затронул - метакогнитивные стратегии. это по сути "мышление о мышлении". умение в процессе чтения спрашивать себя: я это понимаю или только думаю что понимаю? какие вопросы у меня возникают? как это связано с тем что я уже знаю? где я могу это применить? такой внутренний диалог с материалом замедляет чтение, но превращает пассивное потребление в активную обработку. и в итоге один медленный проход с метакогницией может дать больше чем три быстрых прохода на автопилоте.

И про связывание нового со старым — мозг не хранит информацию в изолированных ячейках. новое знание "приклеивается" к уже существующим структурам. чем больше у тебя уже есть знаний в какой-то области, тем легче усваивается новое в этой же области. это объясняет почему эксперты читают профильную литературу быстрее новичков - не потому что их глаза быстрее двигаются, а потому что каждое новое слово ложится на готовый фундамент. следовательно "скорость загрузки" это не константа а переменная, зависящая от уже накопленного контекста.

Но это всё существующие методы, активно применяемые, хорошо опробованные, но что, если хочется еще более высокой скорости передачи информации в мозг?

Тут на сцену выходят перспективные технологии вроде малоинвазивной Neuralink и перспективных неинвазивных техник прямой работы с мозгом.

Хотя тут надо быть честным — текущее состояние технологий сильно скромнее чем хайп вокруг них. Neuralink пока что позволяет парализованным людям управлять курсором силой мысли. это огромное достижение для медицины, но до "загрузки знаний" как в Матрице - дистанция колоссальная. одно дело считывать намерение движения (относительно простой сигнал), другое дело - передавать концептуальные знания которые по определению распределены по всему мозгу и у каждого человека закодированы по-разному. мы даже толком не понимаем как именно мозг хранит знания, не говоря уже о том чтобы туда что-то "записывать".

Так что в силу ограниченности применения способа на здоровых людях и тех, кто не хочет буквально сверлить себе мозг, придётся подождать развития неинвазивных способов загрузки и считывания информации. и это "подождать" -скорее десятилетия чем годы, если говорить о чём-то практически применимом.

Итого что имеем:

получается что погоня за скоростью загрузки - это только часть уравнения, и возможно не самая важная. узкие места системы:

+ скорость потребления (чтение, аудио, видео) - тут методы есть и они работают в определённых пределах

+ качество внимания и фокуса — мотивация, среда, отсутствие отвлекающих факторов

+ глубина обработки — активное vs пассивное обучение, метакогниция, связывание с существующими знаниями

+ консолидация в долговременную память -- сон, интервальное повторение, практическое применение

+ физиологическая база - сон, питание, физическая активность

Оптимизировать только первый пункт игнорируя остальные - это как апгрейдить интернет-канал когда узкое место в процессоре. данные будут приходить быстрее, но обрабатываться с той же скоростью.

Возможно самый контринтуитивный вывод - иногда замедление это и есть ускорение. медленное вдумчивое чтение с паузами на осмысление может дать больше чем скоростное поглощение на 2x с последующим забыванием. качество против количества, глубина против ширины - классический трейдофф который никакие технологии пока не отменяют.

Но исследования продолжаются, технологии развиваются, и кто знает - может через пару десятков лет мы будем смеяться над тем как примитивно "загружали" информацию в 2020-х, буквально глазами читая буквы на экране...

Мы любим истории про резкие трансформации:похудел на 30 кг за месяц, выучил язык за 90 дней,освоил новый язык программирования за месяц, заработал миллион с нуля за год.

Но реальность работает иначе.

Математика постепенных улучшений: если становиться лучше на 1% каждый день, через год результат вырастет в 37 раз. Не на 365% а в 37 раз. Это сложный процент, применённый к навыкам, делам, задачам, чему угодно.

Личный пример: 400+ дней подряд: более 400 дней подряд я занимаюсь английским в Duolingo. По 30 минут в день. Каждый день. Без пропусков.

Что это дало в сухих цифрах: более 100 часов практики, попадание в топ-1% учащихся на платформе, переход к свободному восприятию речи и формулированию сложных конструкций предложений.

30 минут в день кажутся незначительными. Но 20-30 минут × 400 дней = 100+ часов целенаправленной практики. Это эквивалент пяти рабочих недель, посвящённых только языку.

Ещё один мой пример: 15 минут на здоровье: утренняя разминка и приседания. 15 минут в день. Звучит просто?

За год это 91 час физической активности. Больше, чем у большинства людей, которые «планируют начать ходить в зал».

Результат: тело привыкает к движению, суставы работают лучше, энергии больше, сон крепче. Не потому что 15 минут - это много. А потому что 15 минут каждый день - это система.

Почему это работает: накопительный эффект срабатывает по трём причинам.

Первое - порог входа низкий. 30 минут или 15 минут не вызывают внутреннего сопротивления. Мозг не воспринимает это как угрозу комфорту.

Второе - формируется привычка. После 60–90 дней действие становится автоматическим. Не нужно каждый раз принимать решение заново.

Третье - результаты накапливаются нелинейно. Первые 30 дней почти незаметны. После 100 дней начинаешь видеть разницу. После 300 дней разница видна всем вокруг.

Про силу воли и самодисциплину: распространённое заблуждение: нужна железная сила воли, чтобы делать что-то каждый день.

На самом деле всё наоборот. Сила воли - ресурс ограниченный. Она заканчивается. Полагаться на неё - проигрышная стратегия.

Работает другое: снижение трения. Приложение Duolingo всегда на первом экране телефона. Коврик для разминки лежит у кровати\рабочего места. Не нужно думать, решать, преодолевать. Нужно просто начать.

Первые 21 день держишься на мотивации. Следующие 40 дней - на дисциплине. После этого на автопилоте. Привычка сама тянет вперёд.

Чего не видят другие: люди замечают результат: "ты хорошо говоришь по-английски","ты отлично выглядишь". Они не видят 400 дней по 30 минут. Не видят 15 минут каждое утро на протяжении года.

Практический вывод: выбери одно действие. Маленькое. 15–30 минут в день. Такое, которое можешь делать даже в плохой день, даже уставшим, даже без настроения.

Делай его каждый день. Без пропусков. Отслеживай серию.

Через 100 дней посмотри, где ты. Через 400 ты не узнаешь себя.

Большие изменения - это не про героические усилия. Это про маленькие шаги, которые ты не бросаешь.

Сила маленьких ежедневных шагов (продолжение)...

Выжимка из диалога в приватной группе по мотивам первого поста...

В комментариях к посту «Сила 1%: как маленькие шаги меняют всё» развернулась содержательная дискуссия. Делюсь своими примерами, которые там разобрали.

Пример первый: чтение

Средний человек читает 3-5 книг в год. Среди молодёжи ситуация ещё печальнее. А ведь чтение один из мощнейших инструментов прокачки осознанности, фокусировки, воображения и усидчивости.

Не марафоны по выходным. Не «когда будет время». Просто 35 страниц каждый день. Полчаса перед сном.

Пример второй: БАДы

К добавкам люди относятся по-разному - это их право. Я сел и изучил фундаментальные вопросы: какие витамины и минералы нужны организму, возрастные аспекты, откуда их реально получать, какая статистика дефицитов в популяции.

Вывод: правильные БАДы - маст-хэв на ежедневной основе. Но не любые. Нужно осознанно подходить к выбору, изучать составы, смотреть формы веществ, не гнаться за дешевизной. В идеале премиум-сегмент с сертификацией. Предварительно важно сдавать анализы и проверять дефициты. Рекламировать ничего не буду, кому нужно - разберётся сам, iHerb в помощь.

Ежедневный приём омега-3, витаминов D, C, кальция, цинка и магния - это не про мгновенный эффект. Вы не почувствуете разницу завтра или через неделю. Но через полгода-год регулярного приёма накапливается фундамент: стабильнее иммунитет, крепче кости, лучше сон и восстановление, ровнее настроение и когнитивные функции. Это инвестиция с отложенной, но устойчивой доходностью — как сложный процент, только для здоровья.

Общий принцип

35 страниц. 5 капсул утром. 20 минут прогулки. 10 минут медитации. 30 минут английского.

По отдельности — ерунда, /ну и что толку/. В сумме за год - другой человек.

Маленькие ежедневные шаги побеждают редкие героические усилия. Не потому что они эффектнее. А потому что они случаются.

Алгоритм Илона Маска это процесс из 5 шагов для проектирования и оптимизации, который начинается с критического анализа и включает следующие шаги:

1) под сомнение каждое требование, 2) удаление деталей и процессов, 3) упрощение и оптимизация, 4) ускорение времени цикла, и 5) автоматизация.

Главная идея заключается в том, чтобы не оптимизировать то, что не должно существовать в принципе, и не тратить время на улучшения ненужных частей процесса.

Пятиэтапный алгоритм Маска

Ключевые принципы

Не исправляйте то, что не работает: Не тратьте время на оптимизацию того, что изначально не имеет смысла. Важнее сделать требование менее абсурдным.

Не добавляйте ненужное: Избегайте добавления шагов или процессов по принципу «на всякий случай», так как это часто приводит к ненужному усложнению.

Context and Manifesto

The digital ecosystem has entered a new phase. Generative AI (GenAI) has reached a critical point: synthetic content is now indistinguishable from human content in how convincing it looks and feels. We already see a “boss’s voice” pushing someone to wire money over Zoom, a “journalist” in a video promoting questionable schemes, a “government official” sending messages from spoofed accounts. This isn’t a preview; it’s the present. In Hong Kong, an employee on a multi-person video conference was shown familiar “executives” and was pressured into transferring roughly £20 million — video and voice deepfakes working together like clockwork.

The problem grows faster than organizations update their safeguards. Gartner’s data show a structural lag: a majority of IT orgs were still stuck at initial research while only a minority had integrated GenAI into processes — an exact kind of gap adversaries love.

“We’ve already crossed the line where a person could spot a fake video or image by eye. Today you cannot unambiguously classify the origin of information.”

Let’s talk about another layer. This isn’t only about money, it’s about manipulating public opinion, propaganda, deception, and even mimicking states and institutions. And yes, it’s about complex, targeted, multi-vector attacks, where an email from the “CFO” is amplified by a call from the “CEO” and then a quick “alignment meeting” over video - one seamless synthetic play. High-profile impersonation attempts via voice cloning are now documented openly; they’re just the visible tip.

In human terms: we’re losing the right to trust our senses. In civic terms: the risk of systematic disinformation in elections and media (including full narrative substitution). Research groups and institutes disagree on scale, but on the ground this already harms people’s ability to separate reality from simulation.

Why we’re doing this

ZeroTrue is our answer to the trust crisis. We’re building a universal filter that automatically classifies synthetic content across six modalities: audio, music, video (in production), text and code (beta/R&D), and images next in line. We don’t want to ship “another detector.” We want a separator between honest and harmful AI use.

Why universality? Because attackers have been multichannel for a while. A text-only detector misses the “email + phone call” combo. An audio detector won’t notice that the video is fake, too. We have to cover combinations of signals.

“There’s practically no service that covers the full spectrum of modalities and also provides public social proof. We will do that — separately and in chains: images, video, music, voices, text, and their combinations.”

What’s actually happening right now (cases)

Multi-person “leadership” video call → funds transferred (~£20M): video and voice deepfakes in one scene.
Impersonation of top managers/public figures → pressure on staff/partners using cloned voices and social hooks.
“Journalist” video ads → pushing shady products with synthetic faces/lines. AI-voice vishing campaigns → at-scale SMS/voice vectors flagged by the FBI.

Financial and reputational damage go hand in hand. Industry briefings warn that contact centers and real-time comms (Zoom/Teams) are becoming a new front: deepfake-driven fraud risk is rising sharply.

Product, Proof, and Roadmap

What already works:

• Audio, music, video — production.
• Text and code — beta / R&D.
• Complex pipelines for multi-vector attacks: an AI-generated video plus face/voice swaps; cloned speech plus AI-written text lightly edited by a human; cross-checks on metadata, timing, and behavioral patterns.
• Defense against adversarial attacks: data augmentation, saturating datasets with known bypass attempts, regular shadow tests on the newest generators.

Where the data come from — and how we treat them

We combine sources: we generate samples ourselves, we use external providers, and we collect generative samples from public sources (with licenses respected). If we discover any sample is rights-protected after the fact, we remove it. Some “hard” classes are genuinely difficult to collect, but we keep pushing.

Social proof and transparency

We’re preparing public metrics reports (AUROC/F1, FP/FN, cross-dataset robustness under compression/noise/translation), pilot case studies (anonymized where needed), and expanded report metadata for interpretability. Our stance is simple: detection is probabilistic, but it’s useful. We show confidence scores and explain the verdict. No “magic truth” claims.

Where ZeroTrue is useful today

1. Email/communications security: anti-phishing with voice validation for incoming “from the boss” calls.
2. Media and platforms: check uploaded video/audio/images before posting or labeling.
3. Contact centers and finance: detect synthetic speech during the call; trigger second-factor checks automatically.

Integrations and standards

We’re oriented toward C2PA / Content Credentials (provenance metadata), watermarking, and enterprise plumbing: SIEM/SOAR, MTA, CMS/MDM. For a verifiable supply chain of content, this is critical.

Privacy and regions

We treat data with care: we let users select their region and keep data in-region. We encrypt, we limit retention, we delete on request on-term. Users can opt in to allow their data to improve the models.

Minimal compliance commitments

• Regional storage and processing; encryption at rest and in transit.
• Access controls and audit logs; isolated training environments.
• Incident reporting procedures and human-in-the-loop for disputed cases.
• Language aligned with upcoming regulatory regimes (EU-AI-Act-friendly wording).

Access model and economics

Freemium with weekly credits renewed for early users; SDK/API for integrations; tiered API packages and a credit model. Clear TCO matters: predictable limits, queue priorities, call-level reporting.

The “Race” and Our Three Key Features

1. Multi-signal correlation
   ZeroTrue never looks at a single modality in isolation. We build a verification graph: we link video frames, audio spectra, speech biometrics, text patterns, metadata, and behavioral cues (tempo, latency, the hidden “edit tree”). The output is combined confidence plus an explanation of where the signal “drifts.” This sharply reduces false positives from “narrow” detectors.
2. Real-Time Call-Guard
   A lightweight agent for live calls and conferences: liveness checks, synthetic speech indicators, “trust-but-verify” triggers, safe words to escalate to manual review. The scenario is obvious: an employee hears the “director” — Guard highlights risk and proposes verification through a second channel. This pain is very real right now in contact-center operations.
3. Developer SDK with inline verdicts
   Drop-in packages for mail gateways, CMS, call stacks, even Git hooks for code. You get the verdict and a confidence score inline, without wrestling your stack. For complex chains we use webhooks and emit events into your SIEM.

Release rhythm

We iterate in a tight loop: fresh sample collection → adversarial augmentation → retraining → release. When new generators spike, we spin up multi-ensemble defenses and run “shadow” experiments. We’ll keep posting these updates in the blog and social channels.

Honesty, limits, expectations

We say it plainly: no detector is absolute. We show probability ranges and explain why. That’s our contract with users, and the base layer for trust. Agencies like the FBI have explicitly warned that AI is boosting fraud; the task isn’t to “spot it by eye,” but to make verification the default.

Closing Manifesto

ZeroTrue is infrastructure for a world where trust is scarce. We don’t promise miracles. We promise a tool that learns faster than the attacker and makes lying more expensive — every single day. Join the pilots, send us hard cases. “Zero Truth” is built with you.

#Generative Ai Tools #Generative Ai Use Cases #Ai Detection #Deepfakes

Проверка текста на нейросеть

Определить синтетический текст, созданный ИИшкой (генеративной языковой моделью), можно по ряду многих характерных признаков, об этом ниже и поговорим - как определить, что текст написан нейросетью.

Рассмотрим, какие шаблоны, стили и особенности выдают текст, написанный ИИ ЛЛМ (не человеком), с учётом русскоязычного и англоязычного контента. Обсудим примеры на материалах вроде эссе и статей, отмечая признаки (отличия в структуре, языке и формате).

Повторяющиеся шаблоны и однотипность фраз

Одинаковые фразы и структура предложений есть первый сигнал, что текст может быть написанным через ИИ. Алгоритмы генеративных сеток склонны использовать одни и те же шаблонные фразы (заготовки и клише), из-за чего текст выходит менее человечным (шаблонным и монотонным).

Базово, если каждое предложение построено по одной схеме (сложные но похожие друг на друга) или часто повторяются обороты вроде «в современном мире...» или «необходимо отметить, что...» это первый звоночек, это подозрительно.

В англоязычных текстах ИИ тоже грешит повторами: параграфы нередко начинаются типовыми связками “Firstly,…”, “Furthermore,…”, “In conclusion,…”. (Детектор ИИ онлайн / AI detector)

Такие однотипные "вводные" слова могут встречаться практически в каждом абзаце, что для человека нехарактерно. Cинтетические тексты изобилуют речевыми клише и вводными словами («однако», «в заключение», «в результате»), делающими рассказ скучным - люди так не пишут.

Повторяемость мыслей – еще один характерный признак (маркер).
ИИ часто “топчется на месте”, несколько раз перефразируя одну и ту же идею, вместо того чтобы развивать тему.

Это придает объёма, но не добавляет новых сведений, получается много “воды”, мало полезности. Например, нейросеть может написать: «Проанализируйте аудиторию, важно проанализировать аудиторию, чтобы узнать её потребности, это поможет лучше её понять». Здесь в сущности одна мысль просто повторена другими словами, и на этом всё - человек обычно старается не дублировать очевидное, а если повторяет, то с какой-то новой деталью или придавая другой смысл.

Пример: Сам OpenAI признавал, что большие языковые модели склонны к избыточной многословности и часто злоупотребляют одними и теми же фразами. Это следствие обучения – модель пытается выглядеть обстоятельной и поэтому невольно повторяется. Хороший же автор сказал бы то же короче и конкретнее.

Ещё однообразие структуры выдает ЛЛМ ИИ при написании коротких форматов. Например, ответы на вопросы или небольшие комментарии экспертов у нейросети порой выглядят как уменьшенная копия полноценной статьи: сначала пара общих предложений «подводки», затем нумерованный список пунктов, а в конце вывод с повторением очевидного. Это бросается в глаза.

В реальных человеческих репликах такой строгий шаблон вы встретите редко. Если заметили, что маленький текст построен слишком формально, как сочинение по учебнику (вступление – пункты – заключение), есть повод задуматься о его происхождении.

“Сухой” формальный стиль и отсутствие эмоций

Монотонный тон повествования – характерная черта машинного текста.

В отличии от автора-человека, нейросети пишут "чересчур ровно" и отстранённо, избегая ярких эмоций, сленга или живых разговорных интонаций. Текст звучит корректно, но слишком уж безлико. Читая его, сложно почувствовать личность автора, потому что её нет. Модель не умеет шутить к месту или вставлять сердитые или радостные нотки, как сделал бы человек.

В результате слог получается неестественно нейтральным. Специалисты отмечают, что стиль ЛЛМок зачастую «неуместно сухой и формальный», особенно в начале – он разражается длинным, тяжеловесным вступлением перед тем, как перейти к сути. Такие вступления полны общих слов и создают видимость важности, но скорее усыпляют.

В русском языке машинный стиль выдаёт любовь к канцеляризмам и обезличенным конструкциям. Ещё нейросети тяготеют к причастным и деепричастным оборотам, инфинитивам, нейтральной лексике. Фразы строятся гладко, как в официальном отчете, и на фоне живой речи это бросается в глаза. Например, ИИ скорее напишет «было принято решение увеличить показатель», тогда как человек мог бы сказать проще: «мы решили поднять планку».

Отсутствие эмоционального окраса тоже заметно. Текст, созданный ИИ, редко передает искренний восторг, иронию, раздражение или другие эмоции. Если попытаться найти в статье шутку, сарказм или личное отступление – скорее всего, вы их не найдете.

А если и найдёте, то, возможно, они выглядят странно. ИИ еще плохо разбирается с юмором и подтекстами, поэтому неумелые шутки или не в тему употребленный сарказм – красный флажок. Например, модель может явно объяснять шутку или использовать шаблонные “шутливые” фразы, от чего становится только более неестественно.

Для английских текстов похожие проблемы: AI-генерация часто остается в сухом академическом тоне, избегает «I» (даже если просят личное мнение) и вместо эмоций пишет о том, как “reader is invited to reflect” и т.п.. Человек обычно выражает субъективные ощущения (“I feel...”, “this might mean...”), а машина говорит отстраненно и безлично. Если эссе звучит слишком уж бездушно и не говорит “от первого лица”, велика вероятность, что перед вами синтетика.

Градиент сложности: слишком просто или слишком академично

Обратите внимание на сложность языка и длину предложений. Тексты от нейросетей могут быть либо чрезмерно запутанными и громоздкими, либо наоборот, упрощенными и топорно связными.

Исследователи обнаружили, что у модели есть определенные “регуляторы” стиля: если усилить признак, отвечающий за синтаксическую сложность, она начинает строить чрезвычайно длинные, трудно читаемые фразы, а при его ослаблении – скатывается в короткие рубленые фразы с минимальной связностью.

В обычном режиме генерации ИИ часто балансирует где-то посередине, но все равно слог может быть слишком ровным. Например, весь текст состоит из предложений средней длины, как под копирку – ни одного по-настоящему короткого эмоционального выкрика, но и без богатых сложноподчиненных периодов, какие встречаются в живом стиле.

Человек же обычно чередует разные конструкции: где-то вставит короткое восклицание, а где-то разовьёт мысль на всё предложение. В нашем ответе мы тоже стараемся то писать длинно, то коротко. Как видите. 🙂

Еще одним признаком может бытьб академичность и перегруженность терминами без необходимости. ИИ порой использует сложные слова и специальную лексику даже там, где можно сказать проще, стремится звучать умно, но временами перебарщивает.

Например, будет писать «экзистенциальная дихотомия человеческого бытия» вместо «противоречия нашей жизни». В английских AI-эссе отмечено частое употребление наукообразных глаголов: “underscore, illuminate, foster, grapple, espouse, endeavor” и т.д..

Если каждое второе слово чересчур «умное» и словарный запас выглядит ограниченно-однотипным (пусть даже высокопарным), есть повод усомниться в авторстве. По данным одного исследования, у AI-текста меньше уникальных слов, он более однообразен по лексике, чем у человеческого сочинения.

Вывод: настоящие авторы не боятся иногда выразиться простенько или, наоборот, выбрать необычное слово; ИИ же часто застревает на среднем уровне сложности.

Кстати, повторяемость терминов – отдельная тема. Машинный автор может бесконечно использовать ключевое слово, навязчиво продвигая тематику (особенно если модель обучалась на SEO-текстах). Он не чувствует стиля и легко перенасыщает текст одинаковыми терминами. Например, в русском тексте про маркетинг ИИ десять раз напишет слово «клиент» или «продвижение» – больше, чем нужно для связности. Человек старается заменять повторяющиеся слова синонимами или перестраивать фразы, чтобы речь не казалась автоматической.

Отсутствие фактуры, деталей и примеров

Под “фактурой” журналисты понимают конкретику: факты, цифры, живые примеры, имена, ссылки на источники. У сгенерированных текстов как раз и нет этой фактуры. Они слишком общие. ИИ, не имея ни опыта, ни доступа к свежей информации из жизни, выдает обезличенные описания.

Например, если спросить его мнение по какому-то спорному вопросу, он, скорее всего, ответит в общем духе, без указания реальных случаев или данных. Нейросеть не умеет по-настоящему критически оценивать проблему, поэтому обычно у нее одно “правильное” мнение без оговорок. Часто это мнение положительное или оптимистичное – модель старается быть политкорректной и угодить запросу. Так, на вопрос с подвохом ИИ может уверенно расписать преимущества чего-либо, не упомянув об очевидных недостатках, где человек бы сразу отметил “все не так однозначно”.

Нет ссылок на исследования и авторитетные данные – еще один симптом. Хороший автор в статье подкрепит мысли: сослаться на статистику, упомянет результаты опросов, даст ссылку на источник. GPT и прочие обычно таких ссылок не приводят (если только специально не попросить сгенерировать фейковые). А если в тексте встречаются якобы цитаты или названия исследований – их стоит проверить.

Нередки случаи, когда модель галлюцинирует источники, то есть выдумывает убедительно выглядящие, но несуществующие статьи и цитаты. Например, нейросеть может написать: «Как отмечалось в журнале PMLA в 1981 году…» – и далее придумать название статьи и автора. Вымысел обнаружится, если попытаться эту ссылку найти. Человек же редко будет цитировать то, чего не читал: обычно все перечисленные источники реальны.

Помимо источников, обратите внимание на примеры. Когда нейросеть приводит пример, часто это выглядит неубедительно. Во-первых, примеры бывают слишком обобщенными, абстрактными («некий бизнесмен добился успеха, применяя данную стратегию» – без имени и конкретики). Во-вторых, они могут не вписываться в ход мысли, как лишние детали. Если при прочтении примера хочется спросить: «И что? Как это связано с темой?», – возможно, перед вами текст от ИИ.

Признак: отсутствуют реальные истории. В человеческом тексте часто есть живые примеры из опыта – автор расскажет случай, приведёт анекдот или личное наблюдение. AI этого дать не может. Он максимум сгенерирует что-то условное. Как отмечают специалисты, примеры от нейросети никогда не содержат конкретных выводов или анализа ситуации – просто описание кейса без глубины.

ChatGPT рассказывал про фирменных талисманов-маскотов и выдумал несуществующего медведя M&M’s, перепутав факты. Для человека подобная фактическая ошибка сразу бросается в глаза. Люди стараются указывать примеры точно (или по крайней мере не придумывать лишнего). Если видите, что пример либо неверный, либо слишком “никакой”, не иллюстрирует тезис – возможна работа машины.

Кроме того, синтетические статьи часто устаревшие по содержанию. Модель может не учитывать совсем недавние события (если обучена на данных лишь до определенного времени). Поэтому в тексте от ИИ могут встречаться устаревшие сведения. Проверяйте даты и актуальность информации: если автор пишет о ситуации на вчера, а в реальности всё уже поменялось, вероятно, текст создан без живого участия в теме.

Отсутствие авторского стиля и голоса

Настоящие авторы обычно имеют уникальный “почерк” – кто-то любит юмор и сарказм, кто-то изобилует метафорами, кто-то пишет короткими рублеными фразами, а кто-то витиевато. Машинный текст же слишком нейтральный. В нем не чувствуется, что писал конкретный человек с его привычками.

Если вы читаете несколько статей одного блогера, вы начнёте узнавать его стиль: у ИИ стиля как такового нет. Он старается имитировать усредненный “правильный” язык. В результате материал выглядит сглаженным и без узнаваемых фраз или отсылок, которые бы намекнули на личность автора.

Особенно заметно отсутствие стиля в экспертных колонках и эссе, где ожидается личный голос. Например, эксперт-человек может писать от первого лица, вставлять профессиональный жаргон, шутить или, наоборот, эмоционально возмущаться. AI-генератор же выдаст сухой текст от третьего лица, очень нейтральный и “стерильный” по тону.

У нейросети получилось грамотно, но безлико – сплошные канцеляризмы и повторения, даже когда его просили писать “по-человечески”. А ответ живого эксперта был намного более личным: с разговорными оборотами, разной длиной предложений, даже с фигурой речи или профессиональным термином от себя.

Стоит насторожиться, если текст не демонстрирует никакой индивидуальности. Однако тут есть тонкий момент: неопытные или старательные авторы тоже могут писать слегка сухо, “как в учебнике”. Поэтому отсутствие яркого стиля само по себе не доказательство, что текст написал ИИ. Нужно смотреть в комплексе: если вместе с безличным стилем присутствуют и другие описанные симптомы – шаблонность, повторы, странные факты – то картина складывается не в пользу человеческого авторства.

Структура и форматирование: как выглядят эссе и статьи от ИИ

Формальное форматирование – еще один критерий. Нейросети любят аккуратно структурировать текст: расставлять подзаголовки, нумеровать пункты, выводить списки. Вроде бы это хорошо, но бывает не к месту. Например, студент сдал эссе, а там внезапно нумерованный список или прям подзаголовки внутри – преподаватель удивится, ведь обычно эссе пишут сплошным текстом. Такая неуместная структура может выдавать, что автор просто скормил тему ChatGPT. В упомянутом случае с комментариями экспертов AI применил шаблон статьи для короткого ответа – явно перебор.

Также обратите внимание на длину и соотношение частей. У машинного сочинения часто ровно столько-то абзацев, примерно одинакового размера. Например, пять абзацев: введение, три тезиса “во-первых, во-вторых, в-третьих” и заключение – все примерно по 4–5 предложений. Смотрится слишком упорядоченно. У человека же абзацы могут различаться: где-то он увлекся и написал больше, где-то ограничился парой строк. И заключение у живого автора не всегда зеркально повторяет введение, как делает нейросеть («мы обсудили самые важные моменты темы, она очень важна» – типичный машинный вывод).

Неестественное использование списков и маркеров. Еще сигнал: если в обычной статье вдруг перечисляются пункты с одинаковой формулировкой или встречаются повторяющиеся заголовки вида “Reason 1, Reason 2…”, возможно, текст генерировался. ИИ нередко форматирует ответ по пунктам даже тогда, когда люди бы писали слитно.

На курсах для преподавателей приводят совет: если ученик сдал ответ, где вместо связного текста – структурированный список тезисов, это может быть результатом работы нейросети. Конечно, автор мог сам решить разбить на списки, но если стиль задания этого не подразумевал, стоит проверить.

Пример (англ.): При генерации аналитических эссе исследователь заметил, что ChatGPT склонен делать текст «list-like», то есть похожим на список. Могут быть явные нумерованные разделы или каждое новое утверждение начинается шаблонно (“Firstly,...”, “Secondly,...”). Для типичного студенческого эссе по литературе это необычно, так что преподаватель сразу заподозрит неладное.

Наконец, логические провалы и скачки тоже относятся к структуре.
ИИ иногда неожиданно меняет тему или перескакивает через шаг рассуждения. Это происходит, когда модель плохо понимает контекст, а просто подбирает вероятное продолжение текста. В итоге может появиться абзац, слабо связанный с предыдущими. У человека тоже бывают ошибки логики, но у машины это иной характер: текст выглядит несвязно склеенным из кусков.

Например, статья может начать за здравие, а закончить без ясного вывода или уйти в сторону. Связность – то, что машинный текст часто имитирует, но при пристальном чтении логические связи оказываются зыбкими. Если абзацы не вытекают один из другого, а как будто просто идут параллельно, это признак синтетики.

Вывод: внимательное чтение – лучший детектор

Мы рассмотрели основные критерии и паттерны, по которым можно заподозрить, что текст сгенерирован ИИ, а не написан человеком. В сумме эти признаки рисуют образ несколько слишком правильного, но неживого текста: шаблонная структура, повторяемость, нейтральный тон, отсутствие деталей и индивидуальности. Чем больше подобных сигналов, тем выше вероятность, что перед вами машинное творчество.

Важно помнить, что ни один признак сам по себе не гарантирует на 100%, ведь люди тоже иногда пишут сухо или повторяются. Нужно смотреть на совокупность. Как отмечает эксперт, мы должны искать именно сочетание нескольких “звоночков” – например, и монотонность, и пустые обобщения, и одинаковые фразы. Если они присутствуют вместе, то текст, вероятно, не прошелся пером живого автора.

В будущем, по мере развития технологий, отличить ИИ-тексты станет сложнее – нейросети учатся копировать наш стиль все лучше. Но и ценность настоящего, человеческого слога от этого только вырастет. Главное – продолжать развивать критический взгляд и внимательность. Читая любой материал, полезно задаваться вопросами: Не слишком ли гладко всё написано? Нет ли ощущение “робот говорит”? Если да, то, возможно, так оно и есть. Ведь, в конце концов, машину выдают мелочи, на которые человек с душой всегда обратит внимание.

И так чеклист - как распознать текст на примере ChatGPT

Чек-лист: как распознать ИИ-текст (ChatGPT)

1. Структура и шаблонность

• Всё чересчур правильно: вступление, ровные абзацы, заключение — будто по учебнику или из научнлй статьи.
• Частые вводные конструкции: «во-первых», «следовательно», «в заключение», и др.
• Абзацы примерно одинаковой длины и формы
• Эссе звучит как серия пунктов («Reason 1», «Reason 2»...)

2. Повторы и тавтология

• Повторяются одни и те же мысли разными словами
• Используются одни и те же термины без необходимости
• Внутри абзацев повторяются словоформы (особенно существительные)

3. Сухой, нейтральный стиль

• Нет живого тона, эмоций, шуток, интонации
• Слишком формально и аккуратно, как для отчета
• Мало личных отступлений, нет «голоса автора»

4. Отсутствие конкретики

• Нет ссылок, примеров, имен, дат, цифр
• Примеры — абстрактные или вымышленные
• Описания — общие, без фактуры

5. Сложность и лексика

• Либо слишком сложно (много причастий, длинные предложения), либо нарочито просто
• Используются канцеляризмы («осуществляется внедрение», «является важным аспектом»)
• В английском: underscore, highlight, endeavor, foster, illuminate… — часто повторяются

🧠 Как определить, что текст написал ChatGPT?

• Он звучит правильно, но слишком «гладко»
• Он не звучит как конкретный человек
• Он не живёт, не дышит — в нём нет пауз, сомнений, интонаций
• Он старается понравиться, а не рассказать свою правду

💬 Слова-маркеры ChatGPT (Слова-маркеры ChatGPT / Фразы которые выдают ChatGPT)

Русский:

• «в современном мире», «необходимо отметить», «важным аспектом является», «в заключение стоит сказать»

Английский:

• “It is important to note that…”, “In today’s world…”, “This highlights the importance of…”, “In conclusion…”

📊 Стилометрия и анализ авторства

• AI-текст отличается высокой однотипностью слов, низкой стилистической вариативностью
• Логические переходы — слишком чёткие или искусственные
• Отсутствует индивидуальный стиль

Вывод:

Понять, что текст сгенерирован нейросетью, можно и вручную — по шаблонам, тону, структуре. Но это требует внимательности и опыта. Проще — использовать специальные сервисы-детекторы, которые анализируют текст по статистическим, стилистическим и семантическим признакам, используя другие ИИ модели и классификаторы.

И тут отлично помогает Zerotrue — надёжный инструмент для проверки текстов на ИИ-авторство. У него:

-мощный алгоритм, заточенный под GPT-тексты,

-высокая точность,

и, что особенно приятно: есть бесплатные кредиты для пробных проверок.

Так что если вы подозреваете, что перед вами текст от нейросети — проверьте его в Zerotrue. Быстро, честно, по делу;

(c) @uberwow

Контекст и манифест

Наша мировая цифровая экосистема вошла в новую фазу. Уже сегодня генеративный ИИ (GenAI) достиг критической точки: синтетический контент по правдоподобию практически неотличим от человеческого. Мы уже видим, как «голос босса» убеждает сотрудника перевести деньги по Zoom, как «журналист» в видео продвигает сомнительные схемы, как «чиновник» рассылает сообщения с фейковых аккаунтов.

Это не будущее — это происходит уже сегодня. В Гонконге сотруднику на видеоконференции показали «начальников» и вынудили перевести около 20 млн фунтов — комбинация видео- и голосового дипфейка сработала безупречно.

Проблема нарастает быстрее, чем обновляются практики защиты. По данным Gartner, значительная часть ИТ-организаций в 2024 году всё ещё на стадии начального исследования GenAI, а интеграция в процессы лишь у меньшинства — структурный разрыв, которым пользуются злоумышленники.

«Мы уже перешли грань, когда человек мог распознать на глаз видео и изображение. Сейчас нельзя однозначно классифицировать источник происхождения информации».

Мы добавим сюда ещё один важный слой: это не только про деньги. Это про манипулирование общественным мнением, пропаганду и мимикрию под государства. И да, про сложные, целевые, многовекторные атаки, где письмо от «CFO» поддерживается звонком «CEO» и «совещанием» в видео — весь набор синтеза в одном кейсе. Попытки обмануть крупнейшие компании через голосовое клонирование уже фиксировались публично; такие истории — лишь вершина айсберга.

В гуманитарной плоскости это выглядит так: у человека отбирают право доверять своим чувствам. В общественной — это риск системной дезинформации на выборах и в медиа (вплоть до подмены нарративов). Исследовательские центры и институты фиксируют волну АИ-поддерживаемых манипуляций и спорят о масштабе, но «на земле» это уже мешает людям отличать реальность от симуляции.

Зачем мы это делаем

ZeroTrue — наш ответ на кризис доверия. Мы строим универсальный фильтр, который автоматически классифицирует синтетический контент во всех шести модальностях: аудио, музыка, видео (в проде), текст и код (β/ R&D), а также изображения (на очереди). Мы целимся не в «ещё один детектор», а в разделитель между честным и вредоносным применением ИИ.

Почему универсальность? Потому что атакующий давно мультиканален. Узкий детектор текста пропустит связку «письмо + звонок», а аудио-детектор не поймёт, что видео в кадре тоже фейк. Мы обязаны покрывать комбинации сигналов.

«На рынке почти нет сервисов, которые охватывают все модальности и ещё дают публичное социальное доказательство. Мы будем это делать — и по отдельности, и в цепочках: изображения, видео, музыка, голоса, текст и их комбинации».

Что реально происходит прямо сейчас (кейсы)

• Мульти-видео-колл с «руководством» → перевод средств (~£20M): видео- и голосовые дипфейки в одной сцене.
• Имитация топ-менеджера/публичного лица → давление на сотрудников/партнёров: сочетание аватаров, голосового синтеза, соцсетей.
• Журналистские «видео-объявления» → продвижение сомнительных продуктов: дипфейки медийных лиц.
• Вишинг/смс-кампании с ИИ-голосом → массовые фишинговые векторы, о которых предупреждает ФБР.

Финансовые потери и репутационный ущерб идут рядом. Профильные отчёты прогнозируют взрывной рост угроз в кол-центрах и реальном времени (Zoom/Teams): контакт-центры — новый фронтир.

Продукт, доказательства и дорожная карта

Что уже работает

• Аудио, музыка, видео — прод.
• Текст и код — β / R&D.
• Сложные пайплайны для многовекторных атак: видео-генератив + дипфейк-замена лица/речи; голос-синтез + текст, частично отредактированный человеком; кросс-проверки метаданных, временных и поведенческих паттернов.
• Защита от адверсариала: аугментации, насыщение датасетов примерами обходов, регулярные «теневые» тесты на свежих генераторах.

Откуда данные и как с ними аккуратно

Мы комбинируем источники: собственная генерация, внешние провайдеры, сбор публичных семплов (с соблюдением лицензий). Обнаружили защищённый авторским правом образец — исключаем. Трудные выборки собираем целенаправленно, не боимся «грязной» реальности продакшена.

Социальное доказательство и прозрачность

Мы готовим публичные репорты с метриками (AUROC/F1, FP/FN, устойчивость к сжатию/шуму/переводу), кейсы пилотов (с анонимизацией при необходимости) и расширенные отчёты с метаданными для интерпретации. Наша позиция проста: детекция вероятностна, но полезна. Мы всегда показываем уверенность и объяснение, не продаём «магическую истину».

Где ZeroTrue полезен «уже сегодня»

1. E-mail / коммуникационная безопасность: анти-фишинг с голосовой валидацией входящих звонков «от руководства».
2. Медиа и платформы: проверка загружаемого видео/аудио/изображений перед публикацией или маркировкой.
3. Контакт-центры и финсектор: проверка «живости» и синтетичности голоса во время разговора; автотриггеры для second-factor.

Интеграции и стандарты

Мы смотрим в сторону C2PA / Content Credentials (метаданные происхождения контента), водяных знаков и дружим с инфраструктурой предприятия: SIEM/SOAR, MTA, CMS/MDM. Для верифицируемой «цепочки происхождения» это критично.

Приватность и регионы

Мы бережно относимся к данным: предлагаем пользователю указать регион и хранить данные локально в регионе, используем шифрование, срок хранения ограничен, удаление по запросу on-term. Пользователь может опт-ин на использование своих данных для улучшения моделей.

Минимальные обязательства по комплаенсу (набросок)

• Региональное хранение и обработка; шифрование «на покое» и «в транзите».
• Контроль доступа и аудит логов; изоляция сред обучения.
• Процедуры инцидент-репортинга и «human-in-the-loop» для спорных кейсов.
• Дружественная формулировка к будущим требованиям (EU AI Act-friendly wording).

Модель доступа и экономика

Freemium с еженедельным возобновлением кредитов для ранних пользователей; SDK/API для интеграций; пакетные тарифы и кредитная модель. Важен честный TCO: предиктабельные лимиты, приоритет очередей, отчётность по вызовам.

«Гонка» и наши три ключевые фичи

1. Мультисигнальная корреляция
   ZeroTrue не смотрит на модальность в одиночку. Мы строим граф проверки: связываем видео-кадры, аудиоспектры, речевые биометрии, текстовые паттерны, метаданные и поведенческие признаки (темп, латентные паузы, «дерево» монтажа). На выходе — комбинированная уверенность и объяснение, где «гуляет» сигнал. Это резко снижает ложные срабатывания «узких» детекторов.
2. Real-Time Call-Guard
   Лёгкий агент для живых звонков/конференций: детект ливнесса, признаки синтетики, триггеры «доверяй-проверяй», безопасные «стоп-слова» для эскалации в ручную проверку. Сценарий: сотрудник слышит «директора» — Guard подсвечивает риск и предлагает верификацию через второй канал. Эту боль прямо сейчас подтверждают и отчёты о всплеске в кол-центрах.
3. Developer-SDK с inline-вердиктами
   Пакеты для почтовых шлюзов, CMS, кол-центров и DevOps-практик (вплоть до Git-хуков для кода): вердикт и уверенность «в линию», без сложной интеграции. Для сложных цепочек — webhooks и события в SIEM.

Ритм обновлений

Мы работаем в цикле: сбор свежих семплов → аугментации/адверсариал → дообучение → релиз. При резких всплесках новых генераторов включаем мульти-ансамбли и «теневые» эксперименты. Публичные заметки — в блоге и соцсетях.

Честность, ограничения, ожидания

Мы говорим прямо: ни один детектор не даёт абсолютов. Мы показываем диапазоны вероятностей и обоснование. Это честный контракт с пользователем и базис доверия. ФБР и профильные организации прямо предупреждают: АИ усилил мошенничество, и задача — не «узнать всё с первого взгляда», а встроить проверку по умолчанию.

ZeroTrue — это инфраструктура в мире, где доверие стало дефицитом. Мы не обещаем чудес. Мы обещаем инструмент, который каждый день учится быстрее атакующего и делает ложь дороже. Подключайтесь к пилотам, присылайте сложные кейсы — «Нулевая правда» строится вместе с вами.

• Целевые фин-атаки (видео+голос) → уязвимость: доверие к «лицам» и «голосам» в онлайне → ZeroTrue: мультисигнальная корреляция + Call-Guard → остаточный риск снижается, требуются вторичные каналы верификации.
• Имперсонация лидеров/публичных фигур в рабочих чатах и звонках → ZeroTrue: фонотактика, спуф-индикаторы, кросс-метаданные.
• Медийная манипуляция/пропаганда → ZeroTrue: проверка источников + (в перспективе) C2PA-метки.

https://zerotrue.app/