Разборы · Статья: · Видео: · 28 мин 44 сек

AI-роадмап 2026: одного пути нет — выбери свою из четырёх веток

Алексей Гладков (Mobile Developer) объясняет, почему универсального AI-роадмапа не существует: есть общая база, а дальше — четыре разных профиля под разные роли и зарплаты. Разбор с тайм-кодами: что учить, в каком порядке и сколько это займёт.

ИИ Карьера Программирование Образование
Смотреть на YouTube

AI с нуля в 2026

Mobile Developer (Алексей Гладков) · 28 мин 44 сек
Главы видео — нажми, чтобы перейти к моменту 9
  1. 0:00 Почему одного роадмапа не бывает Как в разработке нет единого пути, так и в ИИ он зависит от роли. Анонс структуры: база + четыре ветки.
  2. 0:56 Общая база — устройство нейросетей Токенизация, эмбеддинги, self-attention, параметры сэмплинга, контекст-менеджмент, инструментарий ассистента.
  3. 2:57 Промптинг, RAG, MCP и локальные модели Виды промптов и техники, осознание что магических промптов нет, MCP против RAG, локальный инференс и сборка execution loop.
  4. 4:55 Контекст: курс автора по AI-разработке Рекламный блок про платный челлендж по SDLC с ИИ (7 недель, формат с дедлайнами).
  5. 8:01 Ветка 1 — AI Power User (no-code) Автоматизация бизнес-процессов на n8n/Lovable для аналитиков и бизнеса, сценарии монетизации, срок 2–4 месяца.
  6. 10:26 Ветка 2 — AI Augmented Engineer SDLC через ИИ: RAG, субагенты, execution loop, пайплайны, gates, автотесты, подбор модели под этап. Срок 3–6 месяцев.
  7. 14:39 Ветка 3 — AI Product Builder Построение AI-продуктов с нуля: микс инженера/аналитика/дата-инженера, fine-tuning, локальные модели, edge/CV. $1–2M/год, 6–12 месяцев.
  8. 18:21 Ветка 4 — AI Scientist / Researcher Классический датасаентист: математика, обучение моделей, роботы. Высокая конкуренция, вуз, 2–4 года.
  9. 22:44 Обзор рынка и напутствие Метафора «займи стул», ужесточение найма (x5 задач с нейронками), массовые сокращения, призыв заняться темой.

Коротко

Единого AI-роадмапа нет — путь зависит от вашей роли, поэтому сначала закладывается общая база (токенизация, эмбеддинги, self-attention, промптинг, RAG, MCP, локальные модели, execution loop), а затем расходится на четыре ветки. От no-code автоматизатора за 2–4 месяца до ML-исследователя за 2–4 года — у каждой свой набор навыков, сроки и потолок дохода.

Выжимка голосом

Самое ценное из разбора — за пару минут

0:00 2:18
Показать текст выжимки
Если коротко — универсального плана входа в искусственный интеллект на две тысячи двадцать шестой год не существует. Путь зависит от того, кем вы хотите стать, и это, пожалуй, главная мысль разбора. Но у всех дорог есть общая база. И начинается она с простого: нейросеть — это не магия, а математика. Стоит понять, как текст превращается в токены и эмбеддинги, как работает механизм внимания, как настройки влияют на ответ модели. Дальше — управление контекстом, осмысленный промптинг, подключение внешних знаний через поиск по документам и протокол интеграций, запуск локальной модели и сборка простого рабочего цикла агента. Это фундамент, без которого дальше не двинуться. А над фундаментом — четыре ветки. Первая — продвинутый пользователь: вы автоматизируете задачи без кода, на готовых конструкторах. Это путь для аналитиков и бизнеса, от двух до четырёх месяцев. Вторая — инженер, усиленный искусственным интеллектом: вы встраиваете его в разработку, собираете субагентов и пайплайны, и, что важно, подбираете модель под этап. Не везде нужна самая мощная — часто хватает средней. На это уходит от трёх до шести месяцев. Третья ветка — создатель ИИ-продуктов с нуля. Профиль редкий, но и потолок дохода высокий, а на освоение нужно от полугода до года. И четвёртая — учёный и исследователь: классическое машинное обучение, создание моделей, робототехника. Здесь без вуза и нескольких лет не обойтись. Что стоит забрать с собой. Магических промптов не бывает. Навык закрепляется только практикой — делайте руками каждый день. А рынок сейчас — это игра в музыкальные стулья, только число стульев растёт. Окно ещё открыто, но найм ужесточается, и ранний старт даёт фору. И напоследок, взгляд под другим углом. Выбор ветки — не клетка. База у всех общая, а значит, начав с одной дороги, вы в любой момент можете свернуть на соседнюю.

Озвучено синтезом речи · голос alena

Объясни проще

Суть без жаргона

Простыми словами

Спрашивать «какой роадмап в ИИ?» — то же самое, что спрашивать «какой роадмап в разработке?». Единого нет: бэкендер, фронтендер и мобильщик учат разное. С ИИ так же. Сначала всем нужна общая база — понять, что нейросеть это не магия, а перемножение матриц; научиться писать промпты, подключать к модели внешние сервисы и документы, поднимать модель у себя на ноутбуке. А дальше дорога расходится на четыре. Можно стать «автоматизатором без кода» — собирать ботов и автоматизации для бизнеса на готовых конструкторах (быстро, 2–4 месяца). Можно — «разработчиком с ИИ», который пишет код, запуская несколько ассистентов параллельно (полгода). Можно строить собственные ИИ-продукты с нуля — это редкая и очень дорогая профессия. А можно пойти в науку и создавать сами модели — но это уже вуз и годы. Главная мысль: выбери ветку под себя и начни делать руками каждый день, иначе ничего не выучишь.

Как ребёнку

Представь, что ИИ — это огромная кухня. Сначала всех учат базовому: мыть руки, держать нож, включать плиту. А дальше каждый выбирает: один делает быстрые бутерброды по готовым рецептам, другой готовит сложные блюда сам, третий придумывает новые рецепты, а четвёртый изобретает саму плиту. Нельзя стать всеми сразу — надо выбрать, кем хочешь быть, и каждый день что-то готовить руками.

Аналогия — «это как…»

Это как карта метро, а не одна прямая дорога: есть общая центральная станция (база), от которой расходятся четыре ветки. Все стартуют из центра, но выходят на разных станциях — и время в пути у каждой ветки своё.

Зачем это мне

Большинство людей ищут «тот самый курс по ИИ» и тонут, потому что пытаются выучить всё сразу. Это видео экономит месяцы: оно показывает, что учить нужно не «ИИ вообще», а конкретный набор под вашу роль — и даёт честные сроки и потолки дохода по каждому пути. Плюс прямое предупреждение: рынок найма меняется, сокращения будут массовыми, и тот, кто встроится раньше, обгонит остальных.

Для тех, кто в теме

Дельта против «учи промпты»: автор настаивает, что база — это не вайбкодинг, а понимание математики трансформера (токенизация, эмбеддинги, self-attention, параметры sampling'а), контекст-менеджмент (потолок ~200k токенов даже на 1M-моделях), harness/субагенты/скилы, RAG+MCP, локальный инференс и сборка execution loop. Ключевая операционная мысль для Augmented Engineer: не ставить Opus на всё подряд, бить пайплайн на этапы и подбирать модель под этап, обвешивать quality-gates и LLM-gates (секреты, стандарты, smoke/allure автотесты). Профиль Product Builder требует fine-tuning, векторизацию, LangChain, поднятие локальных моделей под данные компании + edge-микромодели (Raspberry Pi, CV) — отсюда вилка $1–2M/год при дефиците кадров. Метафора рынка: «займи стул» на растущем числе стульев — тёплые места заняты, но рынок плодит новые.

Оценка видео

Чем выше — тем больше пользы на минуту

4.4

средняя из 5

Актуальность информации 5.0

Снято в 2026 под текущий инструментарий (Claude Code, n8n, Lovable, GPT-OSS, Qwen Coder); автор сам предупреждает об «инфляции» сроков к 2027.

Содержательность 4.3

Плотный роадмап на ~18 минут полезной части; минус — крупный рекламный блок про свой курс в середине.

Инновационность идей 3.8

Не новые исследования, а удачная систематизация: разбивка на 4 профиля с навыками, сроками и доходом — этого редко дают в одном месте.

Применимость на практике 4.5

Каждая ветка — это готовый чек-лист «что учить»; есть конкретные сценарии монетизации и совет «бери термин → проси нейронку расписать».

Кому будет полезно

Чем выше оценка — тем больше пользы для профессии. Разверни — почему.

Для разработчиков 5 /5

Ветка AI Augmented Engineer описана прямо под них: язык + RAG для дообучения агента документацией, субагенты, execution loop, оркестрация пайплайнов, LLM-гейты, подбор модели под этап (Sonnet vs Opus), управление контекстом до 200k токенов — путь к head/lead за 3–6 мес.

Для тестировщиков 5 /5

Автотестеров автор называет среди «всех инженеров без исключения» и даёт конкретный сценарий: научить ИИ прогонять ручные тест-кейсы из Allure/TMS (смоуки) и тем заменить отдел ручного тестирования — прямой апгрейд под их задачи.

Для аналитиков 5 /5

Профиль AI Power User назван прямо под аналитиков и бизнес-роли: no-code автоматизация бизнес-процессов на n8n/Lovable за 2–4 мес без программирования, плюс ветка Product Builder, где аналитику надо лишь подтянуть разработку.

Для дата-инженеров 4 /5

Ядро профиля AI Product Builder складывается из аналитика, разработчика и дата-инженера; им автор советует подтянуть бизнес-мышление и разработку, чтобы строить AI-продукты с нуля (векторизация БД, LangChain, локальные модели) — рынок редкий, $1–2M/год.

Для ML-инженеров 4 /5

Профиль AI Scientist/Researcher разобран именно как классический ML/датасаентист: создание и тюнинг моделей, fine-tuning, математика, CV для роботов и беспилотников. Оценка не 5 — автор сам предупреждает о высокой конкуренции, длинном входе (вуз 2–4 года) и узком круге работодателей.

Для no-code-разработчиков 4 /5

Прямой адресат ветки AI Power User: автоматизация на n8n/Lovable и российских платформах (YandexGPT, GigaChat), готовый сценарий монетизации — заменить оператора чат-ботом за 150к и стать незаменимым экспертом платформы в компании.

Для продакт-менеджеров 3 /5

Помогает сориентироваться в 4 карьерных профилях и в требованиях рынка (x5 задач с нейронками, метафора «займи стул», массовые сокращения), но конкретных инструментов под продуктовые задачи в материале мало.

Для предпринимателей 3 /5

Полезен как карта рыночных ниш: стартапы дообучают Qwen/GPT-OSS под локальные требования и продают на сотни млн руб, спрос на AI-продакт-билдеров будет расти — но это обзор возможностей, а не инструкция по запуску бизнеса.

Инсайты

Нажми, чтобы раскрыть — то, что меняет взгляд на тему

01 Универсального AI-роадмапа не существует 0:02

Спрашивать «какой роадмап в ИИ» — как спрашивать «какой роадмап в разработке»: ответ зависит от роли. Есть общая база, а дальше четыре принципиально разных пути с разными навыками, сроками и потолком дохода.

02 Нейросеть — это математика, а не магия, и базу нельзя пропускать 1:45

Без понимания токенизации, эмбеддингов, self-attention и параметров сэмплинга (top-k, top-p, температура) вы настраиваете модель «как слепой котёнок». Цель — суметь объяснить, как «магия» работает, и осознать на личном опыте, что магических промптов не бывает.

03 Не для всего нужен Opus — подбор модели под этап важнее 22:01

Главная ошибка — ставить топовую модель «в тупую» на любую задачу. Нужно бить работу на этапы, подбирать модель под каждый (часто хватает Sonnet) и держать контекст в пределах ~200k токенов даже на миллионных моделях.

04 Самый дефицитный и дорогой профиль — AI Product Builder 16:25

Тот, кто строит AI-продукты с нуля (а не оборачивает чужой API в веб-интерфейс), сочетает навыки инженера, аналитика и дата-инженера. Таких на рынке крайне мало — отсюда вилка $1–2M в год.

05 Рынок ИИ — игра «займи стул» на растущем числе стульев 22:44

Тёплые места уже заняли первопроходцы 2–3-летней давности, но рынок растущий: стулья добавляются быстрее, чем их занимают. Окно ещё открыто, но закроется, когда рост стульев остановится.

Ключевые цитаты

Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале

«Я внезапно осознал, что тут не может быть какого-то одного родмапа.»
Алексей Гладков Главный тезис всего видео — путь в ИИ зависит от роли. 0:04
«Вам важно понимать, что это работа серьёзной математики, перемножение матриц, а не какая-то магия.»
Алексей Гладков Про базовое устройство нейросетей. 0:41
«Это как вести автомобиль вслепую на оживлённой трассе. Есть шанс, что вы прилетите и останетесь живы? Конечно, есть. Но он невелик.»
Алексей Гладков Почему нельзя пропускать базу и настраивать модель без понимания. 1:03
«Можно прочитать хоть миллиард книг по искусственному интеллекту, но пока вы ручками не начнёте делать это каждый день, это всё будет бесполезно.»
Алексей Гладков Практика важнее теории. 1:29
«Магических промптов, которые вам делают вот просто сразу всё, их не существует.»
Алексей Гладков Главный вывод по промптингу. 2:00
«Не для всего нужен опус, скажу страшное, для многих вещей вполне себе достаточно, даже необходимо санета.»
Алексей Гладков Про подбор модели под этап в ветке Augmented Engineer. 22:01
«Они вас тупо опередили, потому что были подписаны на мой канал.»
Алексей Гладков Про фору раннего старта (с фирменной самоиронией). 23:58
«От этого зависят ваши деньги. Буквально.»
Алексей Гладков Финальное напутствие — заняться темой, даже без его курса. 25:22

Полезные советы

Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать

1

Подними локальную LLM у себя на машине

вечер снимешь мистику и поймёшь реальные размеры, скорость и потолок локальных моделей

Цель — добиться не скорости (20 токенов/с против 200 у облака — ок), а приемлемой точности на уровне облачной модели за счёт субагентов и скилов.

Что делать

  1. 1 Установи Ollama.
  2. 2 Скачай открытую модель (например, Qwen Coder или GPT-OSS поменьше).
  3. 3 Задай ей 5 своих рабочих задач и сравни ответ с облачным Claude/GPT.
  4. 4 Накрути субагентов и скилы, добиваясь приемлемого результата.
2

Собери простой execution loop

несколько вечеров получишь агента, который сам берёт задачу и доводит её до результата без ручного микроменеджмента

Не обязательно идеальный — хотя бы приблизительный цикл на длительную автономную работу: сам спросил требования, написал спеку, сделал, выдал результат.

3

Перестань ставить Opus на всё подряд

1 час снизишь расходы на токены и ускоришь пайплайн без потери качества

Разбей задачу на этапы и подбери модель под каждый — для многих шагов достаточно Sonnet. Держи контекст в пределах ~200k токенов даже на миллионных моделях.

4

Настрой quality-gates и LLM-gates на свой код

вечер перестанешь ловить «нейронка сделала что-то не то» и утечки секретов в прод

Нужен инструмент, который проверяет код на соответствие твоему золотому стандарту и ловит секреты до коммита. Без гейтов модель объективно будет периодически делать не то.

5

Автоматизируй прохождение ручных тест-кейсов через ИИ

неделя фактически заменишь рутину отдела ручного тестирования — за это скажут спасибо все, кроме него

Если в компании есть Allure/TestRails с описанными тест-кейсами и смоуками, научи ИИ проходить их все.

6

Найди знакомого в малом бизнесе и автоматизируй ему процесс

вечер на демо превратишь навык в деньги — заменяешь рутинного сотрудника, остаётся только оплата токенов

Покажи, как один процесс (ответы клиентам, созвоны селзов, суммаризация) делается ботом вместо человека за 60–70к: масштабируется со «10 людей» до «100 людей» без доплат.

Что делать

  1. 1 Возьми готовую no-code платформу (n8n, Lovable или российский аналог).
  2. 2 Собери одну автоматизацию — например, звонок с отгрузкой результата в Telegram.
  3. 3 Покажи знакомому из малого бизнеса в цифрах экономию на зарплате.
7

Стань внутренним экспертом по no-code платформе в своей компании

2–4 месяца станешь практически незаменимым сотрудником на стыке бизнеса и ИИ

Если в компании нет платформы автоматизации — выбей закупку, согласуй и стань её экспертом. Если есть — освой и делай нейро-юристов/бухгалтеров для отделов вне IT.

8

Учи незнакомые термины через саму нейросеть

по ходу дела учишься бесплатно и точечно, без покупки лишних курсов

Бери каждое ключевое слово из роадмапа (энкодер, декодер, fine-tuning, векторизация) и проси нейронку «распиши мне всё». Работает, если хватает дисциплины.

9

Делай руками каждый день, а не слушай и читай

ежедневно после практики остаётся ~80% навыка вместо ~5% от «послушал»

Программирование с ИИ — это навык. Можно прочитать миллиард книг, но пока не начнёшь делать руками ежедневно, всё бесполезно.

Сценарии применения

Как разные люди применяют это на практике

Я как Аналитик

Проблема: много рутинных операций руками, а программировать не умею

Хочу: автоматизировать бизнес-процессы без кода

Поможет: покажет ветку AI Power User: n8n/Lovable, готовые платформы и реальный срок 2–4 месяца до результата

Я как Операционный директор / менеджер

Проблема: отделы тонут в ручных задачах вне IT (юристы, маркетологи, селзы)

Хочу: внедрить ИИ-автоматизацию в нескольких отделах

Поможет: даст конкретные сценарии (нейро-юрист, суммаризация созвонов) и стратегию стать незаменимым внутренним экспертом

Я как Мобильный / веб-разработчик

Проблема: понимаю, что ИИ меняет профессию, но не знаю, что именно учить

Хочу: выстроить полноценный AI-SDLC, а не просто копировать код в чат

Поможет: разложит ветку Augmented Engineer: RAG, субагенты, execution loop, gates, оркестрация пайплайнов и срок 3–6 месяцев

Я как Автотестировщик

Проблема: ручные регрессы и смоуки съедают время команды

Хочу: переложить прохождение тест-кейсов на ИИ

Поможет: подскажет, как научить ИИ проходить весь Allure/TestRails и заместить рутину ручного тестирования

Я как Тимлид / будущий head

Проблема: команде не хватает людей с реальными AI-навыками, а нанять некого

Хочу: понять, какой профиль закрывает дефицит и сколько он стоит

Поможет: покажет, что Augmented Engineer с MCP и умением объяснять — кандидат в head/lead и заходит на 600–700к

Я как Предприниматель / основатель

Проблема: хочу строить AI-продукт, но не понимаю требуемого стека

Хочу: оценить, что нужно для создания продукта с нуля, а не обёртки над API

Поможет: распишет профиль AI Product Builder: fine-tuning, векторизация, LangChain, локальные модели и вилку $1–2M/год

Я как Студент / новичок без бэкграунда

Проблема: не знаю, с чего начать и какой путь реалистичен для меня

Хочу: выбрать ветку под свои силы и время

Поможет: даст честную карту с порогами входа и сроками — от 2 месяцев (no-code) до 2–4 лет (наука)

Я как Дата-инженер

Проблема: сильна техника, но не хватает бизнес- и продуктового мышления

Хочу: дорасти до построения готовых AI-ассистентов

Поможет: объяснит, что Product Builder — это про добор недостающих компетенций поверх вашей базы

Я как ML-инженер / датасаентист

Проблема: хочу понять, насколько мой классический путь ещё востребован

Хочу: оценить конкуренцию и круг работодателей в AI Scientist

Поможет: честно скажет про высокую конкуренцию, древность профессии и ограниченный, но высокооплачиваемый круг работодателей

Я как Специалист, опасающийся сокращений

Проблема: боюсь, что ИИ заменит мою работу

Хочу: понять, как встроиться в новую реальность найма

Поможет: покажет новое требование рынка (x5 задач с помощью нейронок) и почему ранний старт даёт фору

Логика повествования

Как устроена аргументация видео — пройди по шагам

Предпосылка Аргумент Пример Вывод
  1. Предпосылка Универсального роадмапа быть не может 0:04

    Как в разработке нет одного пути (бэкенд, фронт, девопс, мобилка), так и в ИИ путь зависит от роли. Поэтому единый роадмап заменяется на базу + ветвление.

  2. Аргумент Сначала всем нужна общая база 0:58

    Фундамент: токенизация, эмбеддинги, self-attention; параметры сэмплинга; контекст-менеджмент; промптинг (system/user/assistant); RAG и MCP; локальная LLM; сборка execution loop.

  3. Пример Без базы — настройка вслепую 2:02

    Метафора: настраивать модель без понимания математики — как вести машину вслепую по оживлённой трассе. Шанс уцелеть есть, но невелик.

  4. Аргумент Ветка 1 — AI Power User: автоматизация без кода 8:08

    Для аналитиков и бизнеса: n8n, Lovable, российские конструкторы. Автоматизируешь процессы вне IT, монетизируешь замену рутинных сотрудников. Срок 2–4 месяца.

  5. Аргумент Ветка 2 — AI Augmented Engineer: SDLC через ИИ 10:26

    Для всех инженеров: язык + RAG, субагенты, execution loop, оркестрация пайплайнов, quality/LLM-gates, контекст-менеджмент, автотесты. Срок 3–6 месяцев, спрос огромный.

  6. Аргумент Ветка 3 — AI Product Builder: продукты с нуля 14:39

    Микс инженера, аналитика и дата-инженера: векторизация, LangChain, fine-tuning, локальные модели, edge/CV. Редчайший профиль, $1–2M/год. Срок 6–12 месяцев.

  7. Аргумент Ветка 4 — AI Scientist: создание самих моделей 18:21

    Классический датасаентист: много математики, кибернетика, обучение моделей, роботы/CV. Высокая конкуренция, вуз и 2–4 года, узкий круг топовых работодателей.

  8. Вывод Вывод: выбери ветку и начни делать руками — окно ещё открыто 22:44

    «Займи стул» на растущем рынке: места заняты, но стулья добавляются. Ранний старт даёт фору, рынок найма ужесточается, сокращения будут массовыми.

Подробный разбор

Полный разбор — разверни, если нужно глубже

Развернуть подробный разбор

О чём это

Это AI-роадмап от Алексея Гладкова (канал Mobile Developer), записанный в 2026 году. Главный тезис автор формулирует сразу: универсального роадмапа в ИИ не существует — как в разработке нет единого пути для бэкендера, фронтендера и мобильщика, так и здесь дорога зависит от того, кем вы хотите стать.

Сначала всем нужна общая база: понять, что нейросеть — это математика (токенизация, эмбеддинги, self-attention), а не магия; разобраться с параметрами генерации и контекст-менеджментом; освоить промптинг, RAG и MCP; поднять локальную модель и собрать простой execution loop. А дальше путь расходится на четыре ветки:

  1. AI Power User — автоматизатор без кода (n8n, Lovable, российские платформы). Для аналитиков и бизнеса, 2–4 месяца.
  2. AI Augmented Engineer — разработчик, встроивший ИИ в полный цикл разработки (субагенты, RAG, gates, оркестрация пайплайнов, подбор модели под этап). 3–6 месяцев, огромный спрос.
  3. AI Product Builder — строит AI-продукты с нуля; редкий профиль на стыке инженера, аналитика и дата-инженера, до $1–2M/год. 6–12 месяцев.
  4. AI Scientist / Researcher — классический ML/датасаентист: создание моделей и роботы. Вуз и 2–4 года, высокая конкуренция.

Сквозные мысли: магических промптов не существует, навык закрепляется только ежедневной практикой, а рынок — это игра «займи стул» на растущем числе стульев: окно ещё открыто, но найм ужесточается, и ранний старт даёт фору.

План внедрения

С чего начать — отмечай шаги, прогресс сохранится

Выполнено 0 из 6

Проверь себя

Ответь на вопросы, чтобы материал закрепился

Отвечено: 0 / 8 Верно: 0

  1. 1. Почему, по мнению автора, единого AI-роадмапа не существует?

  2. 2. Что относится к общей базе, которую автор советует пройти всем?

  3. 3. Какая ветка подходит человеку без навыков программирования (аналитику, бизнесу)?

  4. 4. Какую ошибку при работе с моделями отдельно критикует автор?

  5. 5. Чем AI Product Builder отличается от того, кто «обернул чужой API в веб-интерфейс»?

  6. 6. Сколько времени, по оценке автора (на 2026), занимает выход на уровень AI Augmented Engineer?

  7. 7. Какую метафору автор использует для состояния рынка AI-специалистов?

  8. 8. Почему автор настаивает делать задания руками каждый день?

Словарь терминов

Понять незнакомое простым языком

Показать 14 терминов
Токенизация
Разбиение текста на мелкие кусочки-токены, которые модель умеет обрабатывать. Базовый шаг перед тем, как нейросеть «понимает» ваш запрос.
Эмбеддинги (embeddings)
Представление слов и токенов в виде чисел-векторов, где близкие по смыслу понятия оказываются рядом. Так модель «измеряет» смысл.
Self-attention (механизм внимания)
Способ, которым модель решает, какие части текста важны друг для друга. Ядро архитектуры трансформеров, на которых построены современные LLM.
Параметры сэмплинга (top-k, top-p, температура)
Настройки генерации, влияющие на «креативность» и предсказуемость ответа: сколько вариантов рассматривать и насколько рисковать. Без их понимания тонкая настройка модели невозможна.
Контекст-менеджмент
Управление тем, что модель «держит в голове» за один раз. На практике автор советует не превышать ~200k токенов даже на моделях с окном в миллион.
RAG (Retrieval-Augmented Generation)
Подмешивание модели нужных фрагментов из ваших документов и баз знаний, чтобы она отвечала на основе конкретных данных, а не «из головы».
MCP (Model Context Protocol)
Протокол, связывающий готовые внешние сервисы и инструменты с вашей нейросетью. Позволяет модели пользоваться окружением, а не только текстом.
Execution loop
Автономный цикл, в котором агент сам берёт задачу, выясняет требования, пишет спецификацию, выполняет и выдаёт результат с минимальным участием человека.
Субагенты
Вспомогательные ИИ-агенты под отдельные подзадачи, которыми управляет основной агент. Часть «инструментария» (наряду со скилами и командами).
Quality-gates / LLM-gates
Автоматические проверки на выходе кода: соответствие стандарту, отсутствие утечки секретов в прод. «Ворота», не пропускающие плохой результат модели.
Fine-tuning (дообучение)
Доучивание готовой модели на своих данных, чтобы подогнать её под конкретную задачу или предметную область.
n8n
Популярный no-code инструмент автоматизации бизнес-процессов: связывает сервисы и собирает сценарии без программирования. В видео распознан как «Нейтон».
Lovable
No-code платформа для быстрой сборки сайтов и приложений с помощью ИИ. В видео распознана как «lavable».
Ollama
Инструмент для запуска открытых языковых моделей локально на своей машине. В видео — «олама».

Критический взгляд

Объективно: с какими тезисами можно поспорить и что преувеличено

Спорно

Тезис «нейросеть — это математика, перемножение матриц, а не магия» как опора всего роадмапа

С математикой автор прав, но он перескакивает к выводу, что понимание токенизации, эмбеддингов и self-attention обязательно для практической работы. Это спорно: тысячи людей продуктивно используют Cursor и n8n, не умея объяснить self-attention. Знание внутренностей помогает интуиции, но автор выдаёт «приятно знать» за «нельзя пропускать».

Преувеличение

AI Product Builder зарабатывает «миллион — два доллара в год», и таких людей «невероятно мало»

Цифра дана без источника и описывает верхушку распределения, а не типичный исход. По данным 2025 года около 30% микро-SaaS не доходят даже до $1K MRR, 50% застревают на $1–10K MRR, и лишь ~5% попыток превышают $100K MRR. $1–2M/год — это топ-5% результатов, а не «зарплата профессии».

Преувеличение

На слух остаётся ~5%, а «руками» — «процентов 80 минимум»

Это переработанная «пирамида обучения» Дейла, многократно опровергнутая: конкретные проценты не имеют эмпирической базы, а круглые числа (5, 80, 90) — известный признак выдуманной статистики. Практика действительно эффективнее пассивного слушания, но точные цифры здесь — маркетинговый приём, а не факт.

Упрощение

«В реальности больше 200 000 токенов в контекст лучше не помещать»

Направление верное (деградация на длинном контексте реальна), но порог в 200k завышен. Исследование Chroma (2025, 18 моделей, включая Claude 4 Sonnet) показало монотонное падение качества уже с десятков тысяч токенов; Microsoft Research зафиксировал просадку примерно после 100k. На практике «безопасная» зона часто заметно ниже 200k и зависит от задачи.

Однобоко

«Магических промптов не существует, существует AI-инжиниринг (настройка тулзов)»

Здравая мысль против культа «идеального промпта», но автор заменяет один абсолют другим. Качественная формулировка задачи реально влияет на результат, а сам «AI-инжиниринг» (субагенты, скилы, гейты) — это во многом и есть продвинутый промптинг плюс оснастка. Противопоставление «промпт vs инжиниринг» искусственное.

Спорно

Рынок как «займи стул»: стульев всё больше, поэтому место найдётся почти всем

Модель удобная, но однобокая: она предполагает бесконечный рост числа вакансий и игнорирует встречную силу — те же ИИ-инструменты сокращают потребность в людях (что автор сам признаёт фразой про x5 задач и массовые сокращения). Эти два тезиса плохо стыкуются.

Взгляни иначе

Новый угол, смежные области и потенциал на стыке — пища для размышлений

Другой угол

Базу учить не «снизу вверх», а «по запросу»

Автор настаивает на фундаменте (токены → эмбеддинги → attention) до практики. Можно перевернуть: начать с реальной задачи и нырять в теорию только там, где упёрся. Для большинства веток (Power User, Augmented Engineer) теория, выученная под конкретную боль, закрепляется лучше абстрактного «сначала математика».

Другой угол

Не четыре ветки, а одна спираль

Жёсткое деление на 4 профиля создаёт иллюзию выбора «кем стать». На практике карьера чаще идёт спиралью: Power User автоматизирует процесс, упирается в потолок no-code, подтягивает код и становится Product Builder. Полезнее смотреть не «какую ветку выбрать», а «какой следующий навык разблокирует мой текущий потолок».

Смежная область

Тот же роадмап — для не-IT отраслей

Структура «общая база + специализация» один-в-один ложится на медицину, юриспруденцию, образование: общий слой работы с LLM плюс доменная надстройка. «Нейроюрист» из примера автора — это не ветка ИИ-специалиста, а ИИ-грамотность внутри юриста. Самый недооценённый рынок — не AI-инженеры, а отраслевые эксперты с ИИ-навыком.

На стыке областей

Дефицитный навык — не промпты, а оценка качества

На стыке QA, продукта и ML рождается профессия, которую автор упоминает вскользь (метрики, гейты), но не выделяет: инженер по eval. Когда код пишет агент, узким местом становится не «как сгенерировать», а «как надёжно проверить и измерить». Это менее хайповый, но более защищённый от обесценивания навык, чем вайбкодинг.

Другой угол

Проверь экономику автоматизации, а не только её возможность

Пример «сделаю за 150к вместо человека за 60–70к» подан как очевидная выгода, но это разовая цифра без учёта поддержки, токенов, ошибок и ответственности за них. Поворот: ценность Power User не в том, что «можно автоматизировать», а в умении считать TCO и риск — именно это отличает игрушку от продукта, за который платят.

На стыке областей

Роботика как тест на «настоящий» ИИ-навык

Автор выносит роботов на край роадмапа как экзотику. Но физический мир — самый честный экзамен: там нельзя спрятаться за красивым текстом, агент либо доезжает до цели, либо нет. На стыке LLM и робототехники проверяется, насколько твои навыки про реальный результат, а не про правдоподобный вывод в чате.

Похожие разборы

Разбор

Кого ИИ заменит первым — и как стать тем, кто на этом зарабатывает

ИИ заменяет не профессии, а людей, которые делают линейную повторяющуюся работу и сами отказываются им пользоваться. Чтобы остаться конкурентоспособным, нужно стать оператором-«мультипликатором»: освоить нейросети как навык, прокачать мышление и умение принимать решения.

Читать → Разбор

Хорошие части Claude Code: что Theo хочет «украсть» у Anthropic для всех CLI-агентов

Theo (t3.gg), который открыто недолюбливает Anthropic, разбирает фичи Claude Code, делающие его лучшим агентным CLI прямо сейчас. Поворот в том, что он показывает это не ради рекламы, а чтобы остальные harness'ы (Codex, pi, opencode, Cursor) скопировали эти паттерны.

Читать → Разбор

ИИ во фронтенде: что реально работает — панель Frontend Nation 2026

Написание кода схлопнулось до 5–10% времени, а ценность сместилась в дизайн, QA, постановку задач и контроль над агентами. Главный сдвиг — из «ремесленника отдельных строк кода» в «оператора фабрики», где код производят агенты, а человек строит вокруг них ограничения и контроль качества.

Читать → Разбор

Внедрение ИИ в бизнес по-русски: где закон, где здравый смысл, а где деньги на ветер

Архитектор ИИ-решений объясняет, почему загружать персданные клиентов в Claude или GPT — нарушение закона, и как строить ИИ-систему вокруг базы знаний (graph-RAG), а не вокруг конкретной модели. Главный вывод: ценность смещается от SaaS и самих LLM к доменной экспертизе, данным и управлению знаниями.

Читать →
← Все разборы Смотреть видео-источник