30 мая 2026 года Саймон Уиллисон — один из самых внимательных наблюдателей AI-индустрии — процитировал в своём блоге Дэниела Джалкута. Тот высказался коротко: «Моя позиция по ИИ — все, кто против, слишком против него. И все, кто за, слишком за». Цитата пришла через Джона Грубера. Три имени, одна фраза, нулевой хайп — и при этом больше смысла, чем в большинстве корпоративных white paper про трансформацию бизнеса.
Контекст
Дэниел Джалкут — indie-разработчик, создатель MarsEdit, инструмента для ведения блогов на Mac. Не AI-стартапер, не венчурный инвестор, не исследователь из Big Tech. Именно поэтому его слова имеют вес: он смотрит на происходящее без экономического интереса ни в одну сторону.
Джон Грубер, который распространил цитату, ведёт Daring Fireball — один из старейших авторитетных блогов о технологиях. Саймон Уиллисон — соавтор Django и автор инструмента LLM, который позволяет запускать языковые модели из командной строки. Уиллисон публично и методично документирует свой опыт работы с AI-инструментами уже несколько лет — без восторженности, но и без отрицания.
Три человека с разным бэкграундом, которые имеют дело с кодом и словом каждый день — и все трое сходятся: поляризация вокруг ИИ зашла слишком далеко в обе стороны.
Аналитика
Публичная дискуссия об ИИ сегодня выглядит примерно так: одни говорят, что LLM «галлюцинируют и бесполезны», другие убеждены, что AGI случится через 18 месяцев и изменит всё. Между этими позициями — пропасть, в которой живёт большинство реальных пользователей: люди, которые используют Claude или GPT ежедневно, видят конкретные результаты, но не испытывают ни разочарования, ни религиозного восторга.
Поляризация выгодна обеим сторонам. Скептики собирают аудиторию на тезисе «всё это пузырь». Энтузиасты — на тезисе «кто не внедрил, тот проиграл». Обе позиции хорошо монетизируются: книги, курсы, консалтинг, подкасты. Трезвый взгляд — менее кликабельный продукт.
При этом реальные последствия поляризации вполне осязаемы. Компании, которые переоценивают ИИ, вкладывают в «автоматизацию» то, что пока требует постоянного надзора человека — и разочаровываются. Компании, которые недооценивают, теряют конкурентное окно, пока конкуренты уже сокращают рутину на 30-60% в отдельных потоках. Обе ошибки дорогие.
«Все, кто против, слишком против него. И все, кто за, слишком за» — Дэниел Джалкут
Кейсы применения в бизнесе
B2B-SaaS стартап. Типичная ошибка — внедрить AI-фичу «потому что инвесторы ждут». Результат: chatbot, который отвечает невпопад, и раздражённые пользователи. Трезвый подход: выбрать один узкий поток (например, первичная классификация входящих тикетов поддержки) и автоматизировать только его, измерив baseline до и после. Если работает — расширять. Если нет — убрать без потери репутации.
Корпорация с legacy-инфраструктурой. Здесь часто работает противоположная ошибка: «наши данные закрыты, нам ИИ не подходит». На практике — даже изолированный локальный LLM (Qwen, Mistral) на внутренних серверах закрывает задачи суммаризации внутренних документов, помощи в составлении отчётов, поиска по базе знаний. Никаких внешних API, никакой утечки данных. Пилот на одном отделе стоит дешевле, чем кажется.
SMB и локальный бизнес в КР/СНГ. Малому бизнесу часто говорят: «ИИ не для вас, это дорого и сложно». Это тоже перегиб. Claude или GPT через браузер — уже инструмент для составления коммерческих предложений, ответов на запросы клиентов, первичного анализа договоров. Без единой строчки кода. Эффект — экономия 3-5 часов в неделю на рутине — реальный и измеримый.
Кейсы в личной жизни
Разработчик. Главный риск — либо не использовать AI-ассистента вообще («он пишет плохой код»), либо доверять каждой строчке без проверки. Рабочая модель: использовать как «умный автодополнитель» для бойлерплейта и документации, но всегда читать вывод перед коммитом. Скорость растёт, качество не падает — если не отключать голову.
Контент-мейкер. Типичная ошибка скептика — «ИИ пишет безликий текст, я не буду это использовать». Типичная ошибка энтузиаста — публиковать AI-текст без редактуры. Рабочий паттерн: LLM генерирует структуру и черновик, человек добавляет фактуру, личный опыт, голос. Итог — материал выходит в 2-3 раза быстрее без потери авторства.
Студент или фрилансер. Здесь поляризация особенно заметна: одни боятся «читерства», другие сдают стопроцентно AI-написанные работы. Устойчивая позиция посередине: использовать LLM как тьютора — задавать вопросы, проверять своё понимание, получать объяснения сложных концептов. Это ускоряет обучение без замены мышления.
Как применить сегодня
- Сформулируй свою реальную позицию: что AI делает хорошо конкретно в твоей работе — не в теории, а на практике за последние 30 дней.
- Выдели один процесс, который ты не автоматизировал из-за скепсиса или страха — и попробуй его за 2 часа. Результат покажет больше, чем любая дискуссия.
- Если уже используешь — найди один кейс, где доверяешь AI без проверки. Это риск-точка. Добавь шаг верификации.
- Читай тех, кто пишет с конкретикой: Саймон Уиллисон, Бенедикт Эванс, Ethan Mollick — люди с трезвым взглядом без аффилиации с вендорами.
- Откажись от контента, который требует от тебя выбрать лагерь. Поляризация — это чужая повестка, не твоя.