Письмо Цукерберга уволенным вчера 8,000 сотрудникам, которое все получили в 4 утра:

Всем привет!

Я хочу выразить огромную благодарность всем, кто покидает нас сегодня, за тот колоссальный труд, который вы вложили в служение нашему сообществу.

Всегда тяжело прощаться с людьми, которые внесли свой вклад в реализацию нашей миссии и в создание этой компании. Я в полной мере осознаю всю тяжесть этого момента и трачу много времени на то, чтобы гарантировать, что мы справимся с этой ситуацией наилучшим образом.

Я никогда не видел нашу индустрию столь динамичной, как сейчас. Я с оптимизмом смотрю на всё, что мы создаём, чтобы дать миллиардам людей возможность самовыражаться и поддерживать связь с теми, кто им дорог.

Я также с оптимизмом отношусь к перспективе предоставления каждому пользователю доступа к «персональному суперинтеллекту». Мы всегда стремились передавать власть в руки людей. Мы убеждены: именно так достигается прогресс в этом мире. Эти ценности отличают нас от других, и именно благодаря им компания Meta добилась успеха.

Однако успех не дается просто так. ИИ — это самая значимая технология нашего времени. Компании, которые станут лидерами в этой области, определят облик следующего поколения.

Мы трансформируем нашу компанию, чтобы она всегда оставалась лучшим местом, где талантливые люди могут оказывать максимальное влияние на мир. Сотрудники говорят нам, что ценят возможность брать на себя больше ответственности и воплощать свое видение в жизнь, сталкиваясь при этом с меньшим количеством бюрократии и управленческих барьеров.

В то же время мы хотим обеспечить каждому сотруднику максимально возможную стабильность. Нам не всегда будет удаваться идеально выдерживать этот баланс, но для меня это вопрос первостепенной важности; поэтому мы продолжим вносить коррективы и будем усердно работать над тем, чтобы поступать по отношению к людям справедливо на каждом этапе этого пути.

В связи с этим я хочу внести полную ясность: мы не ожидаем проведения других масштабных сокращений штата в масштабах всей компании в этом году.

Я также хочу признать, что в наших коммуникациях нам не всегда удавалось достичь той ясности, к которой мы стремимся; это именно та область, которую мы намерены в обязательном порядке улучшить.

Я твердо верю в то, что мы все вместе создаём. Мы — одна из немногих компаний, обладающих всеми возможностями для того, чтобы определять будущее. У Meta есть и таланты, и инфраструктура, и приложения с широким охватом аудитории, и эффективная бизнес-модель. Впереди у нас еще много работы, но результат, к которому мы идем, будет поистине выдающимся.

И ещё раз: я благодарен тем, кто покидает нас сегодня. И я благодарен всем сотрудникам компании за ту исторически значимую работу, которую мы продолжим выполнять вместе.

——

8,000 человек.
Людей со "стабильной" зарплатой.
Людей с "опционами" на "акции".
Людей, которые делали "всё правильно".
И всё же это случилось в одночасье.

——

ИИ-сокращения в 2026:

Oracle 30,000
Amazon 16,000
Meta 8,000
Block 4,000
Cisco 4,000
Intuit 3,000
WiseTech 2,000
Atlassian 1,600
Snap 1,000
Ocado 1,000
Livspace 1,000
Autodesk 1,000
eBay 800
Coinbase 700
Pinterest 700
Playtika 500
Workday 400

AI для одежды и др. товаров

Всё вокруг делают ИИ для решения задач в digital среде, ребята же сделали сервис для физического мира.

Они запустили genpire.com — это agentic-платформа, которая превращает текстовые описания и скетчи в реальные продукты: от визуалов и рендеров до полноценного factory-ready tech pack. А дальше — сразу к производству: через свою фабрику или сеть проверенных поставщиков с быстрым расчётом, сэмплами и запуском тиража.

Один workflow — от идеи до конвейера.

Сегодня, несмотря на весь прогресс в AI, запустить физический продукт всё ещё кратно сложнее, чем AI-приложение.

Чтобы сделать даже простой бренд (например, шлёпанцы или аксессуары), тебе нужно:
- дизайн и прототипирование
- tech packs и спецификации
- поиск фабрик
- коммуникация и контроль производства

Это долго, дорого и до сих пор очень вручную.
Genpire это меняет.

Они взяли концепцию vibe-coding (как в Lovable) и применили её к физическим продуктам.

Теперь ты просто описываешь идею — и получаешь:
- продуктовые визуалы
- multi-view рендеры
- технические чертежи
- полноценный tech pack для фабрики

Без опыта в дизайне или производстве.

Можно создавать:
- обувь и одежду
- сумки и аксессуары
- игрушки
- beauty-девайсы
- лампы и гаджеты

Всего — 8 категорий, которые покрывают большую часть consumer goods.

Дополнительно:
- Brand DNA — система, которая подстраивает генерацию под твой стиль и бренд
- Manufacturer Quotes — доступ к проверенным фабрикам для быстрого запуска производства

LobeHub — это система, созданная для сотрудничества человека и агента, в центре которой находится CAO — ваш главный оператор агентов. Задайте ему цель, и CAO соберет команду из более чем 273 000 навыков и 51 000 серверов MCP, запустит Claude Code, Codex и OpenClaw параллельно в облаке и будет отправлять вам один ежедневный бриф вместо того, чтобы заставлять вас проверять 15 вкладок. Агенты появляются там, где вы уже общаетесь — Slack, Discord, Telegram, WeChat, Feishu, Lark, LINE, QQ, iMessage — поэтому вы остаетесь у руля, даже не находясь в сети.

Быстро сжигаешь все токены?

❌ HTTP 403: Error code: 403 - {'error': 'this model requires a subscription, upgrade for access: https://ollama.com/upgrade

Я тоже. Есть 2 пути:
1. Купить подписку за 100$
2. Купить вторую подписку за 20$ и накатить Key Rotator

Я выбрал 2е. Регнул второй кабинет Ollama, агент поднял прокси → накатил скрипт.

Ротатор — это тупой скрипт, что он делает:
- Запускает Watchdog cron каждую минуту → проверяет: порт жив?
- При HTTP 429 (rate limit) → переключает индекс, ретраит с новым ключом
- При HTTP 401 (invalid key) → тоже переключает

Итого 40$ вместо 100$.
OpenRouter и прочие — сильно дороже.

Чек-лист готовности к внедрению ИИ

немного обновил после общения с С-директорами на ProductCamp

Нужно отвечать на вопросы Да / Частично / Нет

Стратегия
1. Мы понимаем, зачем внедряем ИИ и какие задачи он решает
2. Инициатива поддержана руководством и есть в стратегии
3. Есть хотя бы один бизнес-сценарий, на котором зарабатывают
4. Понятно где можно измерить эффект (время, качество, стоимость)

Люди
1. Есть те, которым интересно в ИИ + эксперименты
2. Руководители активно используют ИИ в работе
3. Команды не боятся ошибок и готовы шерить опыт
4. Задачи по внедрению ИИ есть у С-левела в KPI

Процессы
1. Целевой процесс уже стандартизирован, прежде чем быть автоматизированным
2. Есть ответственные и определены роли при внедрении
3. Мы умеем доводить эксперименты до устойчивого результата

Данные
1. У нас есть материалы (документы, базы, инструкции), на которые ИИ может опираться
2. Эти данные структурированы, актуализируются и доступны (БД/API)
3. Есть понимание, какие данные можно, а какие нельзя (политики работы с data)
4. Мы можем подключить ИИ к потоковым данным через API
5. Понимаем, как обновлять контекст модели без ручного вмешательства

Оценка эффекта
1. Мы оцениваем не «замену людей», а эффект от внедрения ИИ в конкретных процессах
2. Понимаем, что ИИ может ошибаться и требует проверки человеком
3. Принимаем, что результат приходит поэтапно: прототип → пилот → прод
4. Не ждём мгновенного ROI без подготовки данных и процессов

Масштабирование
1. Мы можем описать, что именно улучшится после внедрения
2. Есть способ измерить эффект (время, ошибки, качество, идеи)
3. Пользователи реально используют ИИ и дают обратную связь
4. Есть план масштабирования успешных кейсов
5. СЕО может похвастаться результатом на борд-комитете
6. МЫ сможем обеспечить 152-ФЗ и PII

↓↓↓

Подсчитай количество ответов «Да» (максимум 26).
0–7 → AI-Tourist Интересно, красиво, но без стратегии и данных.
8–13 → AI-Explorer Есть пилоты, энтузиазм и первые выводы, но нет потоков и интеграций.
14–19 → AI-Optimizer ИИ помогает в задачах, но работает локально, не системно.
20–23 → AI-First ИИ встроен в процессы, подключён к данным, создаёт измеримую пользу.
24–26 → AI-Native ИИ и данные живут в одной экосистеме. Компания обучается вместе с технологией.

Аудит кэша ключ-значение между провайдерами

Подглядел у Рефата зачетный скилл, который не херово так экономит токены..

Проблема: бывает что повторное использование кэша LLM обычно (тихо) завершается с ошибкой. Причины могут быть разные: измененные схемы tool calls, измененное первое сообщение пользователя, резервный вариант вызова OpenRouter могут превратить ретрай на 20 000 токенов в холодное предварительное заполнение.

sernote/audit-prompt-caching - Skill, который вы запускаете в своем проекте и агент проходится по реальному коду: проверяет шаблоны промптов, сборку tools и схемы, логику истории, конфиги роутинга, специфичные для провайдеров особенности (OpenAI / Anthropic / OpenRouter / vLLM). Включая пачку полезных скриптов, например статический анализатор истории LLM вызовов - что сделать чтобы улучшить попадание в кэш (= сделать AI приложение дешевле и быстрее).

Пример модели ROI для 1000 запросов с 9000 статическими входными токенами, 300 динамическими входными токенами, 2000 выходными токенами, коэффициентом попадания в кэш 71% и явными примерами цен:

Total cost: $34.60 -> $23.10
Total savings: 33.24%
Input savings: 61.84%

↓

Роль PM умирает в эпоху ИИ?

Скорее она расщепляется: крут не тот, кто лучше пишет PRD, а тот, кто умеет быстрее строить, тестировать и принимать решения по реальности, а не по согласованиям.

==

из чего складывается скорость в контексте роли РМ с ИИ?

1. data: Есть накопленная И структурированная база, с которой ИИ может работать:
- инфа о компании, продукте (а не хаос в конфлюенс)
- БД с логами куда ИИ может ходить (ему это не запрещено)
- настроена интеграция с Jira / Linear (ИИ нужна канбан доска)
- собрано 90% компонентов в дизайн системе в Figma/HTML
- четкие цели (ИИ умеет достигать целей после релиза /goal)
и т.п.

2. прототипы: У вас есть база фреймворков для сборки прототипов/MVP/PoC (GSD, Superpowers и т.п.)

3. MVP: Есть готовые плагины / фреймворки / Skills для работы, которые позволяют ускорять каждый участок работы. Можете отдекомпозировать «Каким делать Агента/agentic workfliw, а что позже?»

4. спеки. Вам не нужен бизнес-аналитик / системный аналитик / продуктовый аналитик. 80% их работы вы уже научились автоматизировать с помощью ИИ:
- Пишет понятную спеку для агента
- проектирование А/B-тестов
- написание аналитической записки для рук-ва
- разбор логов, извлечение данных из БД
- написание спек/ТЗ/БФТ/PRD
и т.п.

5. майндсет продакта Обновленный майндсет за счет практики и экспериментов за те 2-3 года, которые ИИ уже активно развивается. У вас должно быть сформировано Мышление чтобы вы могли разложить хаос в строимую систему.

6. коммуникации: ИИ сжимает координацию, письма, статусы и мониторинг почти до нуля. Вы больше не пишите письма, а наговариваете + ИИ стилизация под вас + подход к каждому сотруднику под его психотип/Хоган/MBTI (писал об этом).

7. процессы: вы оператор, и проектируете рабочие процессы под LLM-driven (вход → модель → выход → петля обратной связи) и координируете агентов как коллег (назначить → проверить → слить)

9. evals: вы рассуждаете о задержках, стоимости токенов и качестве как о продуктовых решениях

10. экономика: вы уже знаете что SLOP не продается, а потому не бежите что-то вайбкодить сломя голову, как 90% спецов сейчас.

11. жизненный цикл: вы понимаете что должно быть на каждом этапе зрелости: прототип → пилот → прод. и что каждый этап имеет свой confidence на успех в метриках. И не стремитесь его перепрыгнуть.

12. целеполагание: вы понимаете как решение встроится в текущий бизнес/бизнес-процесс (сюрприз: 80% не встраиваются (!), хотя решают важную задачу, люди должны получать существенно больше пользы в сравнении со старым решением, иначе churn стремится к 0)

13. безопасность: проектируя публичные ИИ решения, вы руководствуетесь DLP политиками, требованиями ФСБ к обработке и хранению PII. Ещё лучше, если понимаете как выстроить систему guardrails на input, action, output чтобы защититься от jailbreak, prompt injection, tool hijacking

13. стратегия. так, как ты кожаный мешок, и можешь много чего забыть/не учесть, то понимаешь что ИИ, сильно лучше в этом, если имеет достаточно контекста. ИИ ведёт диалог-интервью с тобой, пока не сгенерирует полный strategy.md.

14. планирование: ты не планируешь. ты управляешь планированием /co-ideate /co-brainstorm /co-plan, автоматически генерирует все тикеты и пушит их прямо в Linear.

15. мониторинг: ты не смотришь в дашборды, ты реагируешь на изменения: по крону в 8 утра автоматически приходит 1page отчёт о пульсе продукта, аномалии в данных помечаются автоматически.

==

Если это начать делать, то PM перестает быть человек-процесс / говорун / выскочка и прочие высказывания которые я слышал о продактах от коллег кто "делает реальный результат".

Не знаете тех, кто хотел раскатить ИИ в компании, но всё ещё не сделал это?

Это нужно не сотрудникам, а компании, которая несет риски.

выгоды:
- в 8,5 раз дешевле чем каждому покупать подписку
- на РФ сервере
- с интерфейсом как у ChatGPT
- с контролем прав, аналитикой трат и токенов
- можно локально на своем железе (опен-сорс Gemma / QWEN / DeepSeek и т.)

За успешную рекомендацию = вам 30% (50 тыс.)

Есть преза, там план работ, стоимость и ответы на FAQ

Пишите в ЛС @asmadeyi


== Зачем нужен корп. ИИ? ==

я не понимаю зачем это компаниям?
Если реально например у штатного сотрудника и так есть и ChatGPT и Claude?

↓↓↓
1. Сотрудники сливают корп. и перс. данные (когда работают с таблицами / договорами)
- сотруднику слившему с рабочего ПК — лишение свободы до 6 лет + штраф до 1 млн руб. по ст. 272.1 УК РФ
- юр.лицу — штраф до 6 млн руб. по ч. 8 ст. 13.11 КоАП РФ
- ген. диру — уголовка по ст. 272.1 УК РФ (до 6 лет + штраф до 1 млн руб.)

2. РКН запрещает использовать западные сервисы для передачи ПД по ч. 8 ст. 13.11 КоАП РФ. Физику ничего, а компании — штраф до 6 млн руб.

3. Не у всех компаний есть стабильный и рабочий VPN, который тем более куплен на всех в штате.

4. ИИ использует ~10-20% всех сотрудников. В век ИИ в интересах же компании, чтобы 95% использовали ИИ. Компания от этого выигрывает.

5. Результат работы с ИИ принадлежит компании. Уходит сотрудник — уходит процесс (к конкуренту?), в рамках которого был достигнут результат

6. Без корп. ИИ каждый сотрудник делает работу по своему → разное качество. С корп. ИИ: единые шаблоны для работы, единая база знаний о компании, клиентах, целях, показателях. У личного ИИ этого нет.