Олег Оболенский, технический директор одного из подразделений VK Tech, рассказал на Хабре, как в свободное время собрал сервис bestpassword.ru — генератор паролей на основе случайных русских слов.
Идея: пароль из несвязанных слов («грустноватые еноты») запомнить проще, чем случайный набор символов — при той же стойкости. Техника известна с 1982 года, но автор завернул её в современный веб-сервис на Go.
Под капотом:
— Сборка русского словаря через токенизацию корпуса текстов (Apache OpenNLP) + ручная фильтрация мата
— Алгоритм на основе Leet-замен: слова транслитерируются, подбираются по длине, получают цифры и спецсимволы
— Дисковая хэш-таблица утечных паролей для проверки гипотез
— Оценка стойкости по энтропии (0–100 баллов)
John the Ripper с русским словарём не смог взломать дефолтный пароль за месяц. Из 25 тыс. слабейших паролей из реальных утечек — 1% взломан на обычном ноутбуке за первые сутки.
Читать
#habr
Идея: пароль из несвязанных слов («грустноватые еноты») запомнить проще, чем случайный набор символов — при той же стойкости. Техника известна с 1982 года, но автор завернул её в современный веб-сервис на Go.
Под капотом:
— Сборка русского словаря через токенизацию корпуса текстов (Apache OpenNLP) + ручная фильтрация мата
— Алгоритм на основе Leet-замен: слова транслитерируются, подбираются по длине, получают цифры и спецсимволы
— Дисковая хэш-таблица утечных паролей для проверки гипотез
— Оценка стойкости по энтропии (0–100 баллов)
John the Ripper с русским словарём не смог взломать дефолтный пароль за месяц. Из 25 тыс. слабейших паролей из реальных утечек — 1% взломан на обычном ноутбуке за первые сутки.
Читать
#habr
👍1
Продолжаю приземлять прошлогодние статьи инженеров Anthropic на контент. Сегодня выводы из материала про контекст-инжиниринг.
Есть концепция «context rot»: чем больше токенов в контексте, тем хуже модель извлекает из них нужное. Не обрыв, а постепенная деградация. Агент начинает терять фокус — инструкции, которые были в начале сессии, постепенно «тонут» в шуме. Причина архитектурная: трансформеры создают попарные связи между каждым токеном, и чем длиннее контекст — тем сильнее размывается внимание.
Для меня это конкретная картина: агент пишет статью, в контексте одновременно висят скилл-файл с редполитикой, история диалога, результаты поиска, примеры прошлых текстов. К середине работы голос уже не тот. Запрещённые слова возвращаются. Структура плывёт. Я думал надо лучше написать инструкции. Оказывается, инструкции просто забываются.
Интересно, что Claude Code решает часть этой проблемы нативно и статья объясняет почему именно так. CLAUDE.md грузится в начало каждой сессии как высокоприоритетный контекст. Компакция включается автоматически, когда окно заполняется: модель сама пишет конспект — архитектурные решения, незакрытые вопросы, текущее состояние — и продолжает с ним. Инструменты типа glob и grep дают агенту возможность тянуть файлы по необходимости, а не загружать всё сразу.
Но это работает из коробки для кода. Для контентных задач — нет.
Когда сейчас я строю агента в Claude Code, то упаковываю в CLAUDE.md всё: редполитику, голос, запрещённые слова, структуру, примеры. Это тот же антипаттерн — «загрузи всё». Статья предлагает другой принцип: в каждый момент в контексте должен быть наименьший набор высокосигнальных токенов, достаточный для следующего шага.
Для моих контентных агентов в Claude Code это означает три вещи:
1️⃣ CLAUDE.md должен содержать только принципы и примеры голоса — не полный список правил. Конкретные данные: факты о продукте, статистику, кейсы — агент должен тянуть через инструменты поиска в момент, когда они реально нужны в тексте, а не получать заранее.
2️⃣ Сложные задачи нужно разбивать на субагентов с чистым контекстом на каждом этапе. Ресёрчер собирает данные и возвращает конспект. Автор получает только конспект — не сырые результаты поиска. Ревьюер получает только финальный текст. Каждый работает в чистом окне.
3️⃣ Компакцию для контентных сессий нужно делать осознанно, а не ждать автоматики. После каждой крупной итерации — явный конспект: что в тексте сейчас, что согласовано, что осталось. Иначе к пятой правке агент работает с балластом из отброшенных вариантов.
Если подытожить, то означает одно изменение в архитектуре: разбить монолитного «агента-писателя» на три чистых этапа: ресёрч → черновик → ревью — где каждый этап получает только результат предыдущего, а не всю историю работы. Это и есть контекст-инжиниринг применительно к контенту. В моих агентах уже есть такие пайплайны, но надо теперь продумать более чистые переходы от агента к агенту.
#ai_agents
Есть концепция «context rot»: чем больше токенов в контексте, тем хуже модель извлекает из них нужное. Не обрыв, а постепенная деградация. Агент начинает терять фокус — инструкции, которые были в начале сессии, постепенно «тонут» в шуме. Причина архитектурная: трансформеры создают попарные связи между каждым токеном, и чем длиннее контекст — тем сильнее размывается внимание.
Для меня это конкретная картина: агент пишет статью, в контексте одновременно висят скилл-файл с редполитикой, история диалога, результаты поиска, примеры прошлых текстов. К середине работы голос уже не тот. Запрещённые слова возвращаются. Структура плывёт. Я думал надо лучше написать инструкции. Оказывается, инструкции просто забываются.
Интересно, что Claude Code решает часть этой проблемы нативно и статья объясняет почему именно так. CLAUDE.md грузится в начало каждой сессии как высокоприоритетный контекст. Компакция включается автоматически, когда окно заполняется: модель сама пишет конспект — архитектурные решения, незакрытые вопросы, текущее состояние — и продолжает с ним. Инструменты типа glob и grep дают агенту возможность тянуть файлы по необходимости, а не загружать всё сразу.
Но это работает из коробки для кода. Для контентных задач — нет.
Когда сейчас я строю агента в Claude Code, то упаковываю в CLAUDE.md всё: редполитику, голос, запрещённые слова, структуру, примеры. Это тот же антипаттерн — «загрузи всё». Статья предлагает другой принцип: в каждый момент в контексте должен быть наименьший набор высокосигнальных токенов, достаточный для следующего шага.
Для моих контентных агентов в Claude Code это означает три вещи:
Если подытожить, то означает одно изменение в архитектуре: разбить монолитного «агента-писателя» на три чистых этапа: ресёрч → черновик → ревью — где каждый этап получает только результат предыдущего, а не всю историю работы. Это и есть контекст-инжиниринг применительно к контенту. В моих агентах уже есть такие пайплайны, но надо теперь продумать более чистые переходы от агента к агенту.
#ai_agents
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Вдогонку к утреннему посту, выводы из статьи AI Agents in Production: Frameworks, Protocols, and What Actually Works in 2026. Там они, собственно, прямо и описаны, но для вас решил перевести. Очень хорошо подходят и к работе над контентными агентами.
Начинайте просто, добавляйте сложность только когда нужно. Большинство продакшн-кейсов не нуждаются в мультиагентных системах. Простые воркфлоу с хорошо проработанными промптами покрывают 80% реальных требований.
Стоимость мультиагентных систем мультипликативна. Два агента стоят не вдвое дороже одного: они стоят в пять-десять раз дороже, потому что каждый агент видит полную историю разговора. Для контентного процесса это означает: ресёрчер + автор + ревьюер могут легко сжечь бюджет на одну статью. Мониторинг стоимости с первого дня — не опция.
Оценить качество агента сложнее, чем его построить. Недостаточно проверить финальный текст, нужно смотреть на процесс: правильно ли агент выбрал источники, правильно ли применил структуру, в нужный ли момент обратился к инструменту поиска. Оценка процесса рассуждений важнее оценки конечного результата. Для контента это означает: тестируйте не на синтетических задачах, а на реальных темах с реальными требованиями редполитики.
Защитные барьеры — это основа, а не доработка. Валидация вывода на запрещённые слова и клише, проверка атрибуции фактов, лимит на количество итераций, точка одобрения человека перед публикацией. Всё это нужно закладывать в архитектуру с самого начала. Добавить потом — дороже и больнее.
Архитектура памяти решает больше, чем кажется. Агент без памяти теряет контекст задачи между сессиями. Агент с наивной памятью загружает всё подряд и деградирует: чем длиннее разговор, тем хуже результат. Для контента правильный подход, тем структурированные заметки: что уже написано, какие источники использованы, что согласовано с редактором. Не полная история, а живой конспект текущего состояния.
Доработка и есть настоящий проект. Собрать первую рабочую версию агента — это 20% работы. Остальные 80% — итеративная настройка: правка описаний инструментов, калибровка голоса, отлов нестандартных сценариев, которые не предусмотрел при проектировании. Для контентных агентов особенно: голос и редполитика требуют многократной итерации на реальных текстах.
Узкий агент надёжнее универсального. Агент «напиши любой контент» работает хуже, чем агент «напиши экспертную статью для CNews от спикера...». Чем точнее определён домен, формат, аудитория и голос — тем предсказуемее результат. Это не ограничение, это принцип проектирования.
#ai_agents
📥 Левашов
Начинайте просто, добавляйте сложность только когда нужно. Большинство продакшн-кейсов не нуждаются в мультиагентных системах. Простые воркфлоу с хорошо проработанными промптами покрывают 80% реальных требований.
Стоимость мультиагентных систем мультипликативна. Два агента стоят не вдвое дороже одного: они стоят в пять-десять раз дороже, потому что каждый агент видит полную историю разговора. Для контентного процесса это означает: ресёрчер + автор + ревьюер могут легко сжечь бюджет на одну статью. Мониторинг стоимости с первого дня — не опция.
Оценить качество агента сложнее, чем его построить. Недостаточно проверить финальный текст, нужно смотреть на процесс: правильно ли агент выбрал источники, правильно ли применил структуру, в нужный ли момент обратился к инструменту поиска. Оценка процесса рассуждений важнее оценки конечного результата. Для контента это означает: тестируйте не на синтетических задачах, а на реальных темах с реальными требованиями редполитики.
Защитные барьеры — это основа, а не доработка. Валидация вывода на запрещённые слова и клише, проверка атрибуции фактов, лимит на количество итераций, точка одобрения человека перед публикацией. Всё это нужно закладывать в архитектуру с самого начала. Добавить потом — дороже и больнее.
Архитектура памяти решает больше, чем кажется. Агент без памяти теряет контекст задачи между сессиями. Агент с наивной памятью загружает всё подряд и деградирует: чем длиннее разговор, тем хуже результат. Для контента правильный подход, тем структурированные заметки: что уже написано, какие источники использованы, что согласовано с редактором. Не полная история, а живой конспект текущего состояния.
Доработка и есть настоящий проект. Собрать первую рабочую версию агента — это 20% работы. Остальные 80% — итеративная настройка: правка описаний инструментов, калибровка голоса, отлов нестандартных сценариев, которые не предусмотрел при проектировании. Для контентных агентов особенно: голос и редполитика требуют многократной итерации на реальных текстах.
Узкий агент надёжнее универсального. Агент «напиши любой контент» работает хуже, чем агент «напиши экспертную статью для CNews от спикера...». Чем точнее определён домен, формат, аудитория и голос — тем предсказуемее результат. Это не ограничение, это принцип проектирования.
#ai_agents
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Говорят, что если добавить инженер в название канала, то подписчики сами добавятся. Попробуем.
Но, конечно, название меняется в соответствии с изменившимся направлением канала.
Но, конечно, название меняется в соответствии с изменившимся направлением канала.
👍1🤬1
OpenAI встраивает Sora в ChatGPT. Пока это только утечка через The Information, официального подтверждения нет — но выглядит логично.
Sora запустилась как отдельное приложение в сентябре 2025: взлетела на первое место в App Store, набрала почти 10 млн скачиваний. Потом всё быстро затихло — в январе установки упали на 45%, расходы пользователей сократились, приложение вылетело из топ-100. Сделка с Disney на контент с их персонажами тоже не помогла.
Решение предсказуемое: не можешь удержать пользователей отдельным продуктом — встрой его туда, где они уже есть. Именно так год назад ChatGPT поглотил DALL-E. Standalone-приложение Sora, судя по всему, останется, но основная аудитория придёт через чат.
ChatGPT используют около 900 млн человек в неделю. Для сравнения — у Sora было 9,6 млн скачиваний за всё время. Разница объясняет стратегию лучше любых слов.
Интересно другое: ChatGPT за последний год превращается в платформу. Текст, изображения (DALL-E), веб-поиск, интерактивные визуализации для обучения, а теперь видео. Граница между «чат-ботом» и «универсальным AI-инструментом» стирается быстрее, чем кажется.
Риски тоже реальные. При запуске Sora пользователи быстро начали делать дипфейки с историческими личностями и контент с нарушением авторских прав. Водяные знаки и фильтры есть, но обходные пути находятся всегда. Встраивание в ChatGPT масштабирует и возможности, и проблему одновременно.
#ai_news
📥 Инженер Контекста
Sora запустилась как отдельное приложение в сентябре 2025: взлетела на первое место в App Store, набрала почти 10 млн скачиваний. Потом всё быстро затихло — в январе установки упали на 45%, расходы пользователей сократились, приложение вылетело из топ-100. Сделка с Disney на контент с их персонажами тоже не помогла.
Решение предсказуемое: не можешь удержать пользователей отдельным продуктом — встрой его туда, где они уже есть. Именно так год назад ChatGPT поглотил DALL-E. Standalone-приложение Sora, судя по всему, останется, но основная аудитория придёт через чат.
ChatGPT используют около 900 млн человек в неделю. Для сравнения — у Sora было 9,6 млн скачиваний за всё время. Разница объясняет стратегию лучше любых слов.
Интересно другое: ChatGPT за последний год превращается в платформу. Текст, изображения (DALL-E), веб-поиск, интерактивные визуализации для обучения, а теперь видео. Граница между «чат-ботом» и «универсальным AI-инструментом» стирается быстрее, чем кажется.
Риски тоже реальные. При запуске Sora пользователи быстро начали делать дипфейки с историческими личностями и контент с нарушением авторских прав. Водяные знаки и фильтры есть, но обходные пути находятся всегда. Встраивание в ChatGPT масштабирует и возможности, и проблему одновременно.
#ai_news
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Мы вот такое в фильмах фантастических видели, а оно уже здесь. Google раскатила агентную автоматизацию на Galaxy S26 и Pixel 10. Пока бета, пока только США и Корея.
Работает так: зажимаешь кнопку питания, говоришь Gemini что сделать — «закажи пиццу на Uber Eats» или «вызови такси домой». Агент открывает приложение в защищённом виртуальном окне, проходит все шаги сам, перед оплатой останавливается и ждёт твоего подтверждения. Журналисты уже проверили на Galaxy S26 Ultra.
Поддерживаются Uber, Lyft, DoorDash, Grubhub, Uber Eats, Starbucks.
Из интересного с технической стороны: изолированный контекст — агент видит только конкретное приложение, не весь телефон. Остановить можно в любой момент. Финальное действие всегда требует подтверждения человека.
Кто в России сможет первый такое реализовать, как думаете?
#ai_news
📥 Инженер Контекста
Работает так: зажимаешь кнопку питания, говоришь Gemini что сделать — «закажи пиццу на Uber Eats» или «вызови такси домой». Агент открывает приложение в защищённом виртуальном окне, проходит все шаги сам, перед оплатой останавливается и ждёт твоего подтверждения. Журналисты уже проверили на Galaxy S26 Ultra.
Поддерживаются Uber, Lyft, DoorDash, Grubhub, Uber Eats, Starbucks.
Из интересного с технической стороны: изолированный контекст — агент видит только конкретное приложение, не весь телефон. Остановить можно в любой момент. Финальное действие всегда требует подтверждения человека.
Кто в России сможет первый такое реализовать, как думаете?
#ai_news
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔2❤1
По мотивам двух рассказов про нейросети за неделю я решил написать небольшое разъяснение, что такое агент, что такое воркфлоу и как их стоит разграничивать. Просто кажется, что мы, и я в том числе, начали всё смешивать в кучу.
➡️ Воркфлоу: порядок шагов прописываем мы, LLM исполняет.
➡️ Агент: мы даём цель и инструменты, модель сама решает что вызвать, в каком порядке и когда остановиться.
Если в твоём описании агента написано «сначала сделай структуру, потом черновик, потом проверь редполитику» и нейросеть просто выполняет шаги в этом порядке — это воркфлоу. Ты прописал поток, модель исполняет.
Если нейросеть сама решает: «мне не хватает данных, пойду поищу в базе знаний» или «структура слабая, переделаю перед тем как писать» — и ты это не прописывал явно — это агент. Модель управляет потоком сама.
На практике у тебя скорее всего получится гибрид, и это нормально. Но важно понимать, где именно проходит граница, потому что это определяет где искать баги и как управлять качеством.
И немного теории. Есть четыре воркфлоу-архитектуры:
1️⃣ Prompt Chaining — цепочка вызовов LLM, результат каждого шага передаётся в следующий. Между шагами gate: не прошёл валидацию — шаг перезапускается. Большинство моих агентов написаны в этом воркфлоу.
2️⃣ Routing — LLM классифицирует запрос один раз, код направляет к нужному обработчику. Одно решение, один раз — это ещё воркфлоу. Это то, что я реализую сейчас, чтобы не терять контекст. Подробнее вот тут.
3️⃣ Parallelization — два варианта. Sectioning: задача бьётся на независимые части, каждую обрабатывает отдельный LLM параллельно, агрегатор собирает. Voting: несколько LLM решают одну задачу независимо, побеждает большинство.
4️⃣ Evaluator-Optimizer — генератор создаёт, оценщик критикует, генератор переделывает. Цикл контролируется кодом. Больше 2–3 итераций не имеет смысла: контекст раздувается, модель путается в своих версиях.
Последние два воркфлоу я использую, например, для агентов редактуры и проверки редполитики.
И две агентские архитектуры:
1️⃣ ReAct (Reasoning + Acting) — базовая агентская архитектура. Цикл: Think (какой инструмент вызвать) → Act (инструмент выполняется) → Observe (результат в контекст, хватит или ещё шаг). Повторяется пока модель сама не решит что данных достаточно. Это работает под капотом когда Claude Code читает и правит файл.
2️⃣ Orchestrator-Workers — оркестратор разбивает задачу на части и раздаёт субагентам. Количество субагентов определяется динамически под конкретную задачу, не прописано в коде — в этом отличие от Parallelization. Каждый субагент — отдельный ReAct со своим контекстом.
Далее разберу подробнее воркфлоу-архитектуры. Там под капотом тоже интересно.
#ai_agents
📥 Инженер Контекста
Если в твоём описании агента написано «сначала сделай структуру, потом черновик, потом проверь редполитику» и нейросеть просто выполняет шаги в этом порядке — это воркфлоу. Ты прописал поток, модель исполняет.
Если нейросеть сама решает: «мне не хватает данных, пойду поищу в базе знаний» или «структура слабая, переделаю перед тем как писать» — и ты это не прописывал явно — это агент. Модель управляет потоком сама.
На практике у тебя скорее всего получится гибрид, и это нормально. Но важно понимать, где именно проходит граница, потому что это определяет где искать баги и как управлять качеством.
И немного теории. Есть четыре воркфлоу-архитектуры:
Последние два воркфлоу я использую, например, для агентов редактуры и проверки редполитики.
И две агентские архитектуры:
Далее разберу подробнее воркфлоу-архитектуры. Там под капотом тоже интересно.
#ai_agents
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Инженер Контекста pinned «👁 Рубрикатор: ➡️ #ai — общие темы про ИИ. ➡️ #ai_news — новости ИИ. ➡️ #ai_agents — всё про разработку и использование агентов ➡️ #ai_plugin — плагины на ИИ ➡️ #ai_prompts — промты, простые и инженерные ➡️ #контентменеджерское — тут про редакцию и контент…»
Разберёмся в тёмной эре онлайна
Коллега по цеху, Андрей из MWS, написал интересную статью про кризис онлайн-маркетинга, очень рекомендую. Но я хочу разобрать именно выводы о новом дивном мире..
«В нём работает долгосрочное планирование»
Это утверждение звучит разумно, но сформулировано как совет без обоснования причины. Почему сейчас работает долгосрочное планирование, а раньше нет? Автор объясняет это «стабилизацией рынка» после бурного роста, но вся его же статья утверждает, что рынок нестабилен, непредсказуем и меняется быстро. Если рынок непредсказуем, то именно тогда долгосрочные стратегии наиболее уязвимы. Это противоречие внутри одного абзаца.
Практически совет «проверьте контент-стратегию» — это не вывод из анализа, это стандартная рекомендация, которая актуальна всегда и ни о чём конкретно не говорит.
«Простые и развлекательные форматы теряют эффективность»
Падение органического охвата в соцсетях, рост стоимости контакта, усталость аудитории — всё это фиксируется. Но тут же автор делает скачок: «присмотритесь к офлайн-форматам». Это логически не следует из предыдущего. Если развлекательный контент не работает — это не значит, что нужен офлайн. Это может означать, что нужен более глубокий онлайн-контент, экспертные материалы, образовательные форматы, подкасты. Офлайн — один из вариантов, а не единственный вывод. Да. рост офлайн-ивентов и HR-маркетинга — подтверждённый факт, хотя автор не учитывает инфляционную компоненту роста и начавшееся торможение рынка. Стоимость ивент-услуг выросла на 50–60%, а средний чек корпоративного мероприятия увеличился на 30–40%. Это означает, что часть «роста» рынка — чистая инфляция, а не увеличение числа мероприятий.
Кроме того, «учитывать усталость от цифровой среды» и одновременно «внедрять гиперперсонализацию с помощью ИИ» — это два совета, которые тянут в разные стороны.
«Больше не работают простые и директивные решения, каждая задача усложняется»
«Не повторяй чужие кейсы, думай своей головой» — эта рекомендация существует ровно столько, сколько существует маркетинг. Это не вывод из анализа трендов 2024–2026 годов, это общее место, которое было справедливо и в 2010-м, и в 2000-м. Никакой специфики момента здесь нет.
Более того, именно сейчас появились инструменты, которые действительно позволяют масштабировать работающие подходы: A/B-тесты, аналитика на основе ИИ, автоматическая персонализация. То есть игнорируется тот факт, что именно сейчас инструментарий для проверки гипотез стал доступнее, чем когда-либо.
«На пересыщенном технологическом рынке растёт важность гуманитарных компетенций»
Дефицит гуманитарных компетенций — тезис, прямо опровергаемый данными hh.ru, Минтруда и Банка России: дефицитны именно технические кадры, а гуманитарные специальности показывают растущую конкуренцию. Да, упоминания «деловых коммуникаций» в IT-резюме выросли на 119%, «дизайн-мышления» — на 110%. Однако, hh.ru прямо указывает: эти soft skills «не входят в число приоритетов большинства работодателей при найме» — работодатели охотятся за редкими hard skills.
Но есть и структурная проблема в самом утверждении. «Рынок пересыщен технологиями → нужны гуманитарии» — это умозаключение требует промежуточного шага, который автор пропускает. Почему пресыщение технологиями создаёт спрос именно на гуманитариев, а не, например, на специалистов по UX, product-менеджеров или data-аналитиков — людей с гибридными компетенциями? Бинарное противопоставление «технари vs гуманитарии» само по себе устарело как аналитическая рамка.
Все четыре вывода объединяет одна проблема: они не вытекают из анализа, но аксиомы, которые Андрей принёс с собой до написания статьи.
Но всё же статью рекомендую прочитать, гипотезы по отдельности очень интересны.
#контентменеджерское #habr
Коллега по цеху, Андрей из MWS, написал интересную статью про кризис онлайн-маркетинга, очень рекомендую. Но я хочу разобрать именно выводы о новом дивном мире..
«В нём работает долгосрочное планирование»
Это утверждение звучит разумно, но сформулировано как совет без обоснования причины. Почему сейчас работает долгосрочное планирование, а раньше нет? Автор объясняет это «стабилизацией рынка» после бурного роста, но вся его же статья утверждает, что рынок нестабилен, непредсказуем и меняется быстро. Если рынок непредсказуем, то именно тогда долгосрочные стратегии наиболее уязвимы. Это противоречие внутри одного абзаца.
Практически совет «проверьте контент-стратегию» — это не вывод из анализа, это стандартная рекомендация, которая актуальна всегда и ни о чём конкретно не говорит.
«Простые и развлекательные форматы теряют эффективность»
Падение органического охвата в соцсетях, рост стоимости контакта, усталость аудитории — всё это фиксируется. Но тут же автор делает скачок: «присмотритесь к офлайн-форматам». Это логически не следует из предыдущего. Если развлекательный контент не работает — это не значит, что нужен офлайн. Это может означать, что нужен более глубокий онлайн-контент, экспертные материалы, образовательные форматы, подкасты. Офлайн — один из вариантов, а не единственный вывод. Да. рост офлайн-ивентов и HR-маркетинга — подтверждённый факт, хотя автор не учитывает инфляционную компоненту роста и начавшееся торможение рынка. Стоимость ивент-услуг выросла на 50–60%, а средний чек корпоративного мероприятия увеличился на 30–40%. Это означает, что часть «роста» рынка — чистая инфляция, а не увеличение числа мероприятий.
Кроме того, «учитывать усталость от цифровой среды» и одновременно «внедрять гиперперсонализацию с помощью ИИ» — это два совета, которые тянут в разные стороны.
«Больше не работают простые и директивные решения, каждая задача усложняется»
«Не повторяй чужие кейсы, думай своей головой» — эта рекомендация существует ровно столько, сколько существует маркетинг. Это не вывод из анализа трендов 2024–2026 годов, это общее место, которое было справедливо и в 2010-м, и в 2000-м. Никакой специфики момента здесь нет.
Более того, именно сейчас появились инструменты, которые действительно позволяют масштабировать работающие подходы: A/B-тесты, аналитика на основе ИИ, автоматическая персонализация. То есть игнорируется тот факт, что именно сейчас инструментарий для проверки гипотез стал доступнее, чем когда-либо.
«На пересыщенном технологическом рынке растёт важность гуманитарных компетенций»
Дефицит гуманитарных компетенций — тезис, прямо опровергаемый данными hh.ru, Минтруда и Банка России: дефицитны именно технические кадры, а гуманитарные специальности показывают растущую конкуренцию. Да, упоминания «деловых коммуникаций» в IT-резюме выросли на 119%, «дизайн-мышления» — на 110%. Однако, hh.ru прямо указывает: эти soft skills «не входят в число приоритетов большинства работодателей при найме» — работодатели охотятся за редкими hard skills.
Но есть и структурная проблема в самом утверждении. «Рынок пересыщен технологиями → нужны гуманитарии» — это умозаключение требует промежуточного шага, который автор пропускает. Почему пресыщение технологиями создаёт спрос именно на гуманитариев, а не, например, на специалистов по UX, product-менеджеров или data-аналитиков — людей с гибридными компетенциями? Бинарное противопоставление «технари vs гуманитарии» само по себе устарело как аналитическая рамка.
Все четыре вывода объединяет одна проблема: они не вытекают из анализа, но аксиомы, которые Андрей принёс с собой до написания статьи.
Но всё же статью рекомендую прочитать, гипотезы по отдельности очень интересны.
#контентменеджерское #habr
👍2🤔2❤1