Разборы · Статья: · Видео: · 19 мин 24 сек

Google теряет AI-талант: почему агентная эпоха наказывает культуру согласований

Разбор Theo про волну уходов из Google DeepMind, историю Google Workspace CLI и главный риск для Big Tech: в агентной разработке выигрывают не только compute и данные, а скорость экспериментов, traces и право инженера довести полезный хак до продукта.

ИИ Программирование Бизнес Карьера
Смотреть на YouTube

Dear Google, we need to talk.

Theo - t3.gg · 19 мин 24 сек
Главы видео — нажми, чтобы перейти к моменту 9
  1. 0:00 Волна уходов из Google DeepMind Theo начинает с новостей про John Jumper, Noam Shazeer, Jonas Adler и Alexander Pritzel и задаёт вопрос о среде внутри Google.
  2. 2:49 Почему автора задела история Workspace CLI Фокус смещается с самих уходов на Google Workspace CLI и на то, что такой проект говорит о корпоративных стимулах.
  3. 3:10 Google осознаёт отставание в coding-агентах Theo обсуждает внутреннюю strike team, вовлечение Sergey Brin и проблему длинных агентных задач.
  4. 6:00 Ум модели против поведения модели Главный технический тезис: Gemini может быть сильной по знаниям, но слабой в tool use и long-horizon work.
  5. 6:39 Почему большой код не равен хорошим данным Автор объясняет, что для обучения coding-агента нужны истории изменений, взаимодействия и diff, а не просто миллиарды строк.
  6. 11:48 Google как инфраструктура, а не только модель Theo предлагает альтернативный путь: делать инструменты Google удобными для чужих моделей и агентов.
  7. 12:44 Пост Justin Poehnelt про Workspace CLI Разбор публичной истории о Google Workspace CLI, вирусности инструмента, юридических вопросах и увольнении.
  8. 14:20 Claude Code и Codex как внутренние хаки Автор противопоставляет культуру Anthropic/OpenAI, где эксперименты успели стать продуктами.
  9. 17:06 Финальный диагноз Theo В финале связываются talent drain, отсутствие полезных traces и необходимость культурного разворота.

Коротко

Theo разбирает свежую волну уходов из Google DeepMind и утверждает, что проблема Google не в отсутствии данных, денег или вычислений, а в культуре, которая плохо переносит быстрые агентные эксперименты. Главный вывод: в эпоху AI-агентов выигрывает не компания с самым большим кодом, а компания, где инженер может быстро дать модели реальную среду, инструменты, обратную связь и право на полезную инициативу.

Выжимка голосом

Самое ценное из разбора — за пару минут

0:00 1:59
Показать текст выжимки
Если коротко, это разбор не только про то, что из Google DeepMind уходят громкие имена. Theo пытается объяснить, почему компания с деньгами, данными, тензорными процессорами и огромной кодовой базой может проигрывать в агентных продуктах. Главная мысль простая: в эпоху AI-агентов важен не размер кодовой базы, а история реальной работы. Модели нужны traces: задача, диалог, вызовы инструментов, изменения в коде, ошибки и итоговый diff. Именно из этого рождается поведение агента, который умеет довести длинную задачу до конца. Theo противопоставляет Google культуру Anthropic и OpenAI. Claude Code и Codex, по его версии, выросли из внутренних экспериментов, которым дали пожить достаточно долго, чтобы они стали продуктами. А история Google Workspace CLI выглядит как обратный пример: инженер сделал инструмент, который понравился разработчикам и был полезен для агентов, но столкнулся с политикой, брендингом и страхом disruption. Практический вывод для инженеров и руководителей такой: не душите полезные внутренние хаки слишком рано. Сделайте безопасный CLI или API, включите логирование, права и dry-run, дайте нескольким пользователям попробовать, а блокировку оформляйте как конкретный veto с риском и владельцем. Иначе вы не получите данных, на которых учатся агенты. А вот что стоит поставить под сомнение: вывод «Google обречён» звучит сильнее фактов. Уходы болезненны, но у Google всё ещё огромная исследовательская база, инфраструктура и даже крупная доля в Anthropic. Поэтому правильнее читать этот выпуск как предупреждение: ресурсы больше не гарантируют победу, если культура не умеет быстро превращать эксперименты в рабочие инструменты.

Озвучено синтезом речи · голос alena

Объясни проще

Суть без жаргона

Простыми словами

Google умеет делать умные модели, но, по версии Theo, хуже умеет превращать их в рабочих агентов, которые долго и надёжно доводят задачи до конца. У Anthropic и OpenAI лучшие агентные продукты выросли из внутренних экспериментов; у Google похожая инициатива вокруг Workspace CLI закончилась публичной историей об увольнении автора.

Как ребёнку

Представь школу, где есть самая большая библиотека и самые умные учителя, но каждому ученику нужно неделю получать разрешение, чтобы попробовать новый способ решить задачу. Рядом есть маленькая школа, где хорошую идею можно быстро проверить. Через какое-то время лучшие ребята могут уйти туда, где их идеи быстрее становятся настоящими вещами.

Аналогия — «это как…»

Это как гоночная команда с самым мощным мотором, но с механиками, которым нельзя менять настройки без десяти подписей. На прямой она выглядит грозно, а на сложной трассе проигрывает тем, кто быстрее настраивает машину под реальную дорогу.

Зачем это мне

Agentic coding уже меняет то, как пишут код и управляют рабочими системами. Если организация не умеет быстро давать агентам инструменты, данные обратной связи и безопасную среду действий, она может проиграть даже при сильных моделях и гигантском бюджете.

Для тех, кто в теме

Дельта выпуска: Theo связывает talent drain с продуктовыми петлями данных для agentic coding. Его тезис не про SOTA-бенчмарки, а про traces, tool-use поведение, RL-сигнал из реальных diff и организационную способность превращать внутренние хаки в production-grade interfaces.

Оценка видео

Чем выше — тем больше пользы на минуту

4.3

средняя из 5

Актуальность информации 5.0

Видео вышло 26 июня 2026 на фоне свежих уходов Shazeer, Jumper, Adler и Pritzel, подтверждённых несколькими медиа.

Содержательность 4.2

Много конкретики про агентные инструменты, данные обратной связи и корпоративные стимулы, но есть длинная рекламная вставка.

Инновационность идей 3.8

Тезис «культура важнее ресурсов» не новый, но привязка к agentic coding и данным взаимодействий сильная.

Практичность для инженеров и лидов 4.6

Из выпуска легко сделать чек-лист: не душить внутренние CLI, собирать traces, давать агентам реальные инструменты.

Доказательность 3.7

Уходы подтверждены, но часть выводов про внутреннюю культуру Google основана на утечках, личном опыте и интерпретации автора.

Кому будет полезно

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

Для инженерных руководителей 4.8 /5

Материал прямо помогает увидеть, как approval-культура может убить агентные инициативы раньше, чем они дадут данные и продуктовый сигнал.

Для платформенных инженеров 4.7 /5

Разбор показывает, почему CLI, API, audit log и безопасный harness становятся стратегической инфраструктурой для AI-агентов.

Для ML-инженеров 4.5 /5

Полезен тезисом про traces, tool calls и историю реальных diff как более ценный сигнал для поведения модели, чем просто большой корпус кода.

Для AI-продактов 4.4 /5

Помогает отличить «модель умная» от «продукт доводит задачу» и думать не только про чат, но про рабочую среду агента.

Для основателей devtools-стартапов 4.2 /5

Даёт морально бодрый аргумент: маленькая команда может конкурировать с гигантом через скорость, фокус и пользовательские traces.

Для разработчиков в Big Tech 3.9 /5

История Workspace CLI полезна как предупреждение: даже хороший внутренний проект требует письменной поддержки, понятного ownership и юридической чистоты.

Инсайты

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

01 Данные о работе важнее размера кодовой базы 6:39

Большой internal monorepo не учит агента завершать задачи; учит история реального взаимодействия модели с человеком, инструментами и diff.

02 Agentic product fit рождается в среде, где можно нарушить план 14:20

Claude Code и Codex стали важными именно потому, что внутренние эксперименты успели доказать ценность до полноценной стратегии.

03 Умная модель без хорошего поведения ощущается глупой 6:00

Пользователь судит не по знанию мира, а по тому, довёл ли агент задачу, не зациклился ли и правильно ли использовал инструменты.

04 Корпоративный бренд может стать клеткой для агентных интерфейсов 12:44

Workspace CLI выглядит как продукт будущего, но именно потому угрожает владельцам существующих поверхностей, roadmap и политик.

05 Талант уходит не только за деньгами 17:52

Pre-IPO equity важен, но сильные исследователи также выбирают место, где их работа быстрее станет продуктом и научным рычагом.

Полезные советы

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

1

Проверяй культуру по реакции на побочный проект

15 минут увидишь, где организация реально готова к агентам

Если инженер делает полезный внутренний CLI, а организация первым делом ищет нарушение процесса, это ранний сигнал, что агенты будут внедряться тяжело.

Что делать

  1. 1 Вспомни 2–3 последних внутренних прототипа.
  2. 2 Отметь, что обсуждали первым: пользу, риски или принадлежность к roadmap.
  3. 3 Если каждый раз побеждает процесс, заведи отдельный путь для безопасных экспериментов.
2

Собирай не просто код, а историю работы

1 день на первый прототип логирования получишь данные, из которых улучшается поведение агента

Для coding-агентов ценны не миллиарды строк как таковые, а пары «задача → диалог → действия агента → diff → результат». Без этого модель умная, но плохо действует.

Что делать

  1. 1 Логируй цель задачи и стартовый контекст.
  2. 2 Сохраняй tool calls, ошибки, тесты и ручные вмешательства.
  3. 3 Привязывай финальный diff к исходной задаче и оценке результата.
3

Делай внутренние harness-песочницы

неделя агенты смогут работать в реальном окружении без бесконтрольного риска

Команде нужен безопасный способ запускать агента в репозитории, давать ему инструменты и записывать ошибки. Иначе продуктовая обратная связь не превращается в обучение.

Что делать

  1. 1 Выдели тестовый репозиторий или sandbox workspace.
  2. 2 Добавь allowlist команд и dry-run для опасных действий.
  3. 3 Собирай traces каждого прогона и отмечай, где агент потерял цель.
4

Разреши эксперименту дожить до пользователя

2 недели поймёшь реальную ценность до того, как процесс её задавит

Claude Code и Codex, по версии Theo, выросли не из идеального стратегического комитета, а из внутренних хаков, которые успели стать полезными до запрета.

Что делать

  1. 1 Определи маленькую группу ранних пользователей.
  2. 2 Дай прототипу понятный срок испытания.
  3. 3 После срока решай по usage, качеству и рискам, а не по вкусу владельцев roadmap.
5

Не путай интеллект модели с агентной надёжностью

30 минут на ревью метрик перестанешь радоваться бенчмарку, который не закрывает задачи

Модель может знать много и всё равно проваливать длинные задачи из-за плохого tool use, циклов рассуждения и слабой работы с контекстом.

Что делать

  1. 1 Отдельно измеряй knowledge-бенчмарки и завершение реальных задач.
  2. 2 Смотри количество циклов, повторных чтений файлов и ручных спасений.
  3. 3 Улучшай prompt/tools/harness, а не только выбирай «умнее» модель.
6

Введи veto вместо бесконечных approvals

1 встреча ускоришь эксперименты, не снимая ответственность за риск

Быстрые команды выигрывают, когда по умолчанию можно ship, а блокирующий обязан быстро назвать конкретный риск.

Что делать

  1. 1 Опиши, какие эксперименты можно запускать без большого комитета.
  2. 2 Назначь срок ответа для veto, например 48 часов.
  3. 3 Требуй от veto конкретный риск, владельца и условие снятия блокировки.
7

Документируй поддержку внутреннего проекта

1 час снизишь личный риск и упростишь передачу ownership

Побочный проект в корпорации живёт дольше, если есть письма, issue, approvals, метрики использования и понятный owner.

Что делать

  1. 1 Собери ссылку на issue или design doc.
  2. 2 Зафиксируй, кто одобрил публикацию, бренд и репозиторий.
  3. 3 Заранее напиши, кто владеет проектом, если он станет популярным.
8

Строй интеграции вокруг чужих сильных моделей

1–2 недели на MVP сможешь выиграть инфраструктурой, даже если твоя модель не лидер

Даже если компания не лидерит в frontier-моделях, она может выиграть как инфраструктура: API, CLI, облако, права доступа, аудит и безопасный запуск агентов.

Что делать

  1. 1 Выбери рабочую систему, где у компании есть уникальные данные или права.
  2. 2 Сделай agent-friendly интерфейс вместо закрытой GUI-поверхности.
  3. 3 Добавь логирование, лимиты, audit trail и экспорт traces.

Сценарии применения

Как разные люди применяют это на практике

Я как инженер платформы

Проблема: есть внутренние инструменты, но агентам нечем безопасно пользоваться.

Хочу: дать агентам CLI и API без хаоса.

Поможет: разбор показывает, почему agent-friendly интерфейсы становятся стратегическим слоем, а не игрушкой.

Я как тимлид

Проблема: хорошие инициативы тонут в согласованиях.

Хочу: отличать опасный самострой от полезного прототипа.

Поможет: статья даёт рамку «быстрый эксперимент + явный veto + аудит», а не бесконечный approval.

Я как ML-инженер

Проблема: модель умная на бенчмарках, но в реальной IDE ведёт себя странно.

Хочу: понять, какой датасет нужен для улучшения поведения.

Поможет: акцент на traces, tool calls и историях правок объясняет, где искать сигнал.

Я как продакт AI-инструмента

Проблема: у конкурента агентный CLI уже стал привычкой пользователей.

Хочу: понять, почему просто «добавить чат» недостаточно.

Поможет: материал показывает ценность рабочего harness, а не только модели.

Я как основатель стартапа

Проблема: страшно конкурировать с Google по compute и данным.

Хочу: найти честное преимущество.

Поможет: разбор показывает, что маленькая команда может выиграть за счёт скорости, фокуса и пользовательских traces.

Я как разработчик в Big Tech

Проблема: хочет запустить полезную инициативу, но боится политики.

Хочу: снизить личный риск.

Поможет: история Workspace CLI напоминает заранее собрать письменную поддержку, юридический статус и план передачи ownership.

Я как инвестор в AI

Проблема: все говорят про GPU и valuation, но непонятно, что смотреть внутри компании.

Хочу: оценивать операционную способность.

Поможет: материал предлагает смотреть на удержание таланта, скорость ship и способность превращать хаки в продукты.

Логика повествования

Как устроена аргументация видео — пройди по шагам

Предпосылка Аргумент Пример Вывод
  1. Предпосылка Серия уходов из Google DeepMind 0:00

    Видео стартует с новостей о переходах Shazeer, Jumper, Adler и Pritzel к OpenAI/Anthropic и превращает их в симптом.

  2. Аргумент Проблема не только в людях, а в среде 0:37

    Theo говорит, что сами уходы важны, но ещё важнее обстоятельства, которые делают такие уходы вероятными.

  3. Аргумент Gemini может быть умным, но слабым в длинных задачах 6:00

    Автор отделяет знание модели от поведения агента: tool use, устойчивость цели и завершение работы.

  4. Аргумент Большая кодовая база не заменяет traces 6:39

    Для RL и post-training нужны истории реальной работы агента, а не только много внутренних файлов.

  5. Пример Workspace CLI показывает культурный конфликт 12:44

    Публичная история Justin Poehnelt становится примером того, как полезный agent-friendly инструмент сталкивается с политикой и бренд-рисками.

  6. Пример Anthropic и OpenAI дали хакам стать продуктами 14:20

    Claude Code и Codex приводятся как противоположные случаи: экспериментам дали traction, и они стали важными продуктами.

  7. Вывод Агентная эпоха награждает скорость и право на эксперимент 17:06

    Финальный вывод: ресурсы Google огромны, но без культурного разворота они хуже превращаются в агентные продукты.

Подробный разбор

Полный разбор — разверни, если нужно глубже

Развернуть подробный разбор

Это видео легко принять за эмоциональный монолог «Google всё проигрывает», но полезнее читать его как продуктово-организационный разбор. Theo связывает две линии: уходы людей уровня Noam Shazeer и John Jumper и историю Google Workspace CLI, где инженер сделал agent-friendly инструмент, получил сильный внешний отклик, а затем публично написал, что был уволен.

Что проверено внешними источниками

Факт ухода топовых людей подтверждается не только видео. TechCrunch пишет, что Jonas Adler и Alexander Pritzel уходят из Google к Anthropic, а также напоминает про Noam Shazeer, ушедшего в OpenAI, и John Jumper, ушедшего в Anthropic. Axios отдельно подчёркивает, что Shazeer был соавтором Transformer paper, а Jumper разделил Нобелевскую премию по химии 2024 года за AlphaFold.

История Workspace CLI тоже не только пересказ Theo: Justin Poehnelt опубликовал пост в LinkedIn/X, где описал увольнение после вирусного запуска Google Workspace CLI, а Times of India пересказал эту историю с важной оговоркой: брендовые и open-source процедуры могли быть реальным фактором риска, даже если сам Poehnelt видит причину шире — в страхе перед агентами.

Главный технический аргумент

Самая полезная часть выпуска — не «кто куда ушёл», а различие между знанием и поведением модели. Theo признаёт, что Gemini может быть сильной по knowledge-бенчмаркам, но утверждает, что в долгих агентных задачах важнее другое: модель должна правильно пользоваться инструментами, помнить цель, не зацикливаться и доводить работу до проверяемого результата.

Отсюда его спор с идеей, что Google выигрывает просто потому, что у него огромный internal codebase. Для agentic coding важнее не статический код, а traces: как человек поставил задачу, как модель читала проект, какие команды запускала, где ошибалась, какой diff получила и был ли результат принят. Именно такие данные получают продукты, которыми реально пользуются разработчики.

Организационный вывод

Если компания хочет сильных AI-агентов, ей нужна не только модельная лаборатория, но и культура быстрых безопасных экспериментов. Внутренний CLI, маленький hack project или devtools-прототип могут стать источником данных, продукта и понимания пользователя. Но только если организация не убивает их на этапе «чей это roadmap» и «кто разрешил использовать этот логотип».

Это не значит, что процессы не нужны. Наоборот: чем ближе агент к почте, календарям, репозиториям и облаку, тем важнее права, audit log, dry-run и юридическая чистота. Но процесс должен помогать хорошей инициативе стать безопасной, а не превращать скорость в наказуемое поведение.

Источники для проверки

План внедрения

С чего начать — отмечай шаги, прогресс сохранится

Выполнено 0 из 6

Проверь себя

Ответь на вопросы, чтобы материал закрепился

Отвечено: 0 / 6 Верно: 0

  1. 1. Почему, по Theo, большая кодовая база Google сама по себе не гарантирует сильные coding-модели?

  2. 2. В чём главный культурный контраст между Google и Anthropic/OpenAI в видео?

  3. 3. Почему Workspace CLI важен в аргументе Theo?

  4. 4. Что означает фраза «модель умная, но плохо себя ведёт» в контексте Gemini?

  5. 5. Какой практический вывод для руководителя команды?

  6. 6. Почему уходы исследователей не стоит объяснять только деньгами?

Словарь терминов

Понять незнакомое простым языком

Показать 8 терминов
Agentic coding
Разработка, где AI-агент не просто отвечает в чате, а сам читает файлы, запускает команды, меняет код и проверяет результат.
Tool calls
Вызовы внешних инструментов моделью: терминала, поиска, чтения файлов, API или тестов.
Long-horizon tasks
Длинные задачи, где нужно удерживать цель много шагов подряд и не терять контекст.
Harness
Среда, в которой агент получает инструменты, ограничения, логи и обратную связь.
Reinforcement learning
Обучение с подкреплением: модель учится на сигнале успешности действий, а не только на примерах текста.
Traces
Записи реальной работы агента: что он видел, какие инструменты вызывал, какие ошибки сделал и какой diff получил.
Pre-IPO equity
Доля в компании до выхода на биржу; может дать сильный финансовый стимул при росте оценки.
Veto вместо approval
Управленческое правило, где действие по умолчанию можно делать, а блокирующий обязан быстро назвать конкретный риск.

Критический взгляд

Объективно: с какими тезисами можно поспорить и что преувеличено

Преувеличение

«Google обречён» — сильнее, чем показывают факты.

Уходы болезненны, но Google сохраняет огромную исследовательскую базу, инфраструктуру, продукты и долю в Anthropic; это не мгновенная потеря способности конкурировать.

Однобоко

История Workspace CLI публично известна в основном со слов Poehnelt.

Его пост важен, но без полной внутренней картины нельзя уверенно утверждать, что причиной было именно неприятие агентов, а не юридический или брендовый процесс.

Спорно

Личные тесты Gemini не заменяют систематический бенчмарк.

Наблюдения Theo про tool use полезны, но их нужно воспринимать как опыт power user, а не как строгую сравнительную оценку моделей.

Упрощение

Pre-IPO upside может объяснять больше, чем культура.

Axios и Fortune указывают на финансовые стимулы OpenAI/Anthropic; не каждый уход автоматически означает внутренний кризис Google.

Взгляни иначе

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

Другой угол

Google может выиграть даже там, где проигрывает продукт

Если доля в Anthropic действительно велика, часть value capture может происходить через инвестиции и инфраструктуру, а не через Gemini.

Смежная область

Агентная культура — новая форма DevRel

В эпоху агентов лучшая документация — это не страница docs, а инструмент, которым агент может безопасно действовать.

На стыке областей

Безопасность и скорость не обязаны воевать

CLI с правами, audit log и dry-run может быть безопаснее хаотичного GUI-кликания человеком.

Другой угол

Главный дефицит — judgment

Топ-исследователь ценен не только знаниями, а выбором правильных экспериментов и способностью притягивать других сильных людей.

Похожие разборы

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

Что строить в эпоху агентов: список Theo от нового NPM до Slack для ИИ

Theo предлагает перестать спрашивать только «как быстрее писать код» и начать спрашивать «какие старые примитивы разработки теперь можно заменить». Его список идей — это NPM/NPX с видимым риском, source control после Git, синхронизация dev-сред, открытая mobile-платформа, новый командный чат для агентов и нишевые бенчмарки.

Читать → Разбор

ИИ снизил цену кода: почему разработчикам пора строить шире

ИИ не просто ускоряет старую разработку: он удешевляет эксперименты так же, как cloud удешевил инфраструктуру. Главный вывод Theo — строить можно шире, но горизонтальные продукты выживают только если дают пользователю углубляться там, где базовой версии не хватает.

Читать → Разбор

Loop Engineer: как настроить агентов, которые сами находят и делают работу

AI Jason объясняет loop engineer как «внешний слой» вокруг агента: вы не промптите агента вручную, а настраиваете триггеры, общую файловую память и agent-friendly кодовую базу, чтобы агенты сами находили и закрывали работу. Главный поворот: если несколько циклов читают и пишут в одну общую папку «сигналов», они начинают усиливать друг друга — поддержка кормит разработку, реклама кормит SEO, всё работает на один «мозг».

Читать →
← Все разборы Смотреть видео-источник