Spydell_finance

08 July 2026 07:27

Аномальные темпы накопления наличной валюты в России

В июне прирост наличности вне банковской системы составил 400 млрд руб, что сопоставимо со среднемесячными темпами в феврале-мае 2026 (384 млрд).

За 1П26 прирост наличной валюты составил 1.56 трлн руб, что является вторым результатом в истории после 1П20 – 1.86 трлн (COVID ограничения).

За последние 12м прирост по номиналу на 3.09 трлн – это второй результат за всю историю после пиковых 3.9 трлн в авг.23, однако, набранный темп в 2026 предполагает обновление рекорда уже в конце года (ближе к 5 трлн), т.к. в конце года наличка всегда растет (сезонный эффект).

Здесь еще важен дифференциал – так в 1П25 было сокращение наличной валюты на 573 млрд, а в 1П24 сокращение на 428 млрд.

Очевидно, что уход в наличность не связан с траекторией ключевой ставки. Основные причины: блокировки связи, частичный уход экономики в тень и частичная утрата доверия к банковской системе из-за регулярных вбросов про ограничения прав на владение сбережениями в различных формах.

Процесс не носит лавинообразный характер, но дифференциал в 2.1 трлн весьма показателен (переход от сокращения на 0.6 трлн к приросту почти на 1.6 трлн) и это всего за полгода.

Что касается денежной массы, в июне рост на 1.06% м/м после 1.25% в мае и 1.36% в апреле – это весьма быстрые темпы по историческим меркам.

За 1П26 номинальная денежная масса выросла на 4.18% (0.01% в реальном выражении) по сравнению с 1.56% (-2.13%) за 1П25, 5.25% (1.33%) в 1П24, 5.93% (3.09%) в 1П23.

С 2015 по 2021 средние темпы роста номинальной М2 за первое полугодие составили 2.49% и минус 1.06% в реальном выражении, а в 2017-2019 – 2.53% и +0.25% соответственно.

С этой точки зрения номинальные темпы роста примерно в 1.7 раза выше нормы, но примерно соответствуют норме в реальном выражении (инфляция компенсирует номинальный прирост).

Годовые темпы роста номинальной М2 ускорились до 13.1% – это максимум с авг.25 (минимальные темпы были в янв.26 – 9.7%), тогда как среднегодовые темпы в 2015-2021 составили 11.4%, а в 2017-2019 – 10.6%. Наблюдается незначительное отклонение от референсных показателей, но пока некритично.

Реальная М2 выросла на 7% г/г – это максимальный темп с фев.25 при среднегодовых темпах роста около 5.2% в 2015-2021 и 7.1% в 2017-2019, т.е. реальная М2 вполне соответствует целевому диапазону.

На данный момент статистика относительно нейтральна с точки зрения сигналов по ДКП. Да, ускорение М2 присутствует (началось с мар.26), но значительно ниже монетарного импульса в 2023-2024 – тогда среднегодовые темпы номинальной М2 достигли 19.4% (пиковый импульс доходил до 26% в мар.23), а реальной – 10.2% (пик – 21.9% в июн.23).

В структуре прироста М2 с начала года на наличность приходится 1.56 трлн, текущие счета и вклады до востребования – 4.06 трлн, а срочные счета сократились на 0.2 трлн.

Население и бизнес переводят средства в «быструю» ликвидность, тогда как в 2024-2025 практически весь прирост М2 формировался в срочных счетах под высокие ставки.

Структура М2 доступна только по май.26 (133.6 трлн), кратко сообщу:

• Наличная валюта – 19.4 трлн vs 13 трлн в начале 2022
• Депозиты населения – 67.1 трлн vs 28.4 трлн в начале 2022
• Депозиты бизнеса – 39.3 трлн vs 21 трлн в янв.22
• Депозиты финансовых организаций вне банков – 7.8 трлн vs 2.9 трлн.

В июне М2 достигла 135 трлн, где наличная валюта – 19.8 трлн.

Spydell_finance

07 July 2026 16:20

Способен ли ИИ заменить человека? Начало здесь

Несмотря на то, что прогресс в LLMs идет экспоненциально, где функционал и когнитивная глубина ИИ достигает невиданных высот, практически полностью замещая человека во многих областях, финальная битва пока что за человеком.

Бизнес или научную операцию можно разделить на пять уровней:

🔘Задача (написать код, резюмировать отчет, сделать сравнительную таблицу по критериям, перевести документ и т.д)

🔘Модуль (собрать отчет из разрозненных элементов, провести анализ процесса или события, исправить участок программы, предложив наилучшее решение и т.д).

🔘Процесс (вести повторяемый бизнес-процесс по скриптам или процедурам, состоящий из подмножества модулей разного типа, формата и структуры).

🔘Проект (интегрировать завершенные модули в целостную структуру, динамически выстраивая иерархию приоритетов).

🔘Интегратор систем (сложная иерархическая модуляция динамических систем в противоречивой среде).

Сейчас относительно эффективно ИИ закрывает первые два уровня, претендуя на третий уровень – те самые ИИ-агенты.

AGI можно оценивать по трем осям: производительность с коррекцией на рентабельность, универсальность (требуется эффективное междисциплинарное взаимодействие, балансировка композицией факторов риска в сложных динамических системах) и автономность (первичное требование – внешний валидатор и верификатор с умением динамически декомпозировать задачи в зависимости от изменения условий).

С универсальностью и автономностью пока все плохо, с производительностью намного лучше, но в зависимости от локализации и формализации задачи, при этом экономика проекта может быть под вопросом.

Преимущество человека остается в другом: критерий истинности с верификацией результата (понимание правильности вектора решений), постановка цели, декомпозиция факторов, интеграция противоречивых факторов в целостную картину, выстраивание иерархии приоритетов в междисциплинарном взаимодействии, работа в открытой динамической среде, понимание скрытых, незадокументированных ограничений системы и процесса, координация людей и институтов, интеграция совокупности модулей проекта в единый проект, переопределение задачи по ходу проекта, выбор между несовместимыми целями, решение конфликтных, незапротоколированных ситуаций, ну и главное – создание новых смыслов и идей, а не только рекомбинация старых.

Именно поэтому текущий ИИ еще не вытесняет человека как системного субъекта. Он вытесняет человека как исполнителя фрагментов.

Иначе говоря, архитекторы проектов и интеграторы сложных систем так и останутся вне конкуренции, замещение будет происходить на низших и средних слоях.

Чем менее формализуемая задача, чем шире градиент векторов решения, чем выше требования к интеграции разрозненных модулей, чем более сложная и более динамическая система – тем выше требования к присутствию квалифицированного человека в системе принятия решений.

LLM прекрасно видит паттерны, но сложный проект требует не паттернов, в реальном проекте нужно понимать: что является причиной, что является следствием, что является шумом, что изменится при вмешательстве, где скрытая переменная, где ложная корреляция, как реализуется нелинейный эффект и каскадный риск и в какой точке формируются обратные связи?

Если представленные вопросы существуют в корпусе обучающих данных – LLM способна ответить с высокой степенью достоверности, но реальный мир – он сложный и противоречивый, где проблемы приходится решать «на ходу» и подстраиваться под быстро меняющиеся условия на всех уровнях.

Настоящий интеллект начинается там, где идет динамическая балансировка иерархическими связями, выделение сущностных элементов и процессов в каждый момент времени.

На самом деле очень малое количество людей имеют необходимые навыки для представленных требований, вот поэтому я с одной стороны говорю, что ИИ уже уверенно превысил когнитивную глубину для примерно 99% человечества, но в то же время еще бесконечно далек от полного замещения человечества, т.к. разрыв между 1% и 99% по навыкам, знаниям и когнитивным характеристикам может быть очень существенным, не говоря уже о 0.01% интеллектуальной супер-элиты.

Spydell_finance

07 July 2026 07:23

Способен ли ИИ заменить человека?

В продолжение материала.

Повторюсь, я продолжаю считать, что на июль 2026 флагманские модели LLMs превосходят, как минимум, по самым скромным оценкам 99% человеческой популяции по «когнитивной глубине», т.е. формально AGI уже достигнут с большим опережением.

Но! Все решает тот самый 1%. LLMs представляет собой сверхсилу со значительным превосходством над человеком по широкому спектру задач, но и одновременно – сверхслабость.

Ключевая задача оператора ИИ – умение сепарировать задачи так, чтобы достигать наилучшей производительности ИИ в широком спектре различных задач, фокусируя точку приложения усилий в области, где ИИ наиболее сильны.

Однако, если ИИ действительно умнее 99% человеческой популяции – это радикально меняет представление о степени и мере интеграции ИИ в экономику.

Нельзя сравнивать как "думает" LLMs и как думает человек с точки зрения воспроизводства навыков, компиляции опыта, формирования идей, концепций, сущностей, агрегаций знаний, декомпозиции факторов, перекалибровки смыслов и так далее. Принципы совершенно разные, но сейчас не о биомеханике человеческого мозга или архитектуре LLMs.

Ключевой вопрос в том, где начинается та грань, откуда человек «сходит со сцены».

Могу предположить, что эта грань заключается в следующем:

🔘Реальная способность со стороны ИИ создавать информационную добавленную ценность, создавать инновации, генерировать новые смыслы, идеи, что предполагает запуск «технологической сингулярности», когда технологический прогресс ускоряется экспоненциально, учитывая специфику ИИ работать со сверхбольшими массивами данных и невероятную скорость обработки информации.

🔘Умение непрерывно на протяжении длительного времени работать в противоречивой динамической среде в рамках междисциплинарного взаимодействия, интегрируя в единый многофакторный проект совокупность модулей, выстраивая иерархию приоритетов и связей, в зависимости от целей и задач.

Например, построить, откалибровать и запустить завод – для человека это решаемая задача, хотя требует привлечения сотен или даже тысяч специалистов различного профиля на протяжении многих месяцев или лет в зависимости от сложности проекта.

ИИ, очевидно, абсолютно бессилен в задачах подобного рода, поэтому превосходство над человеком в широком смысле еще не достигнуто, но уступит ли человек свое последнее преимущество (критерии истинности, инновации, интеграция сложных проектов, функционирование в динамических системах, выстраивание иерархии приоритетов и декомпозиция факторов в сложных и противоречивых проектах).

Грань, где человек сходит «со сцены», начинается там, где ИИ становится самостоятельным интегратором сложного реального проекта: сам ставит промежуточные цели, строит модель процесса, декомпозирует факторы риска, агрегирует инструменты и ресурсы, проверяет ход выполнения на всех этапах, исправляет ошибки, координирует модули, выдерживает длинный горизонт, генерирует новые решения и несет проект через хаос внешней среды, т.к. ни один проект не выполняется по шаблону и всегда вмешиваются «обстоятельства непреодолимой силы» (сбой цепочек поставок, новое регулирование, налоговые инициативы, смена поставщиков и контрагентов, технические сбои и сотни других проблем).

Человек начинает сходить со сцены тогда, когда ИИ способен не просто выполнять задачи, а автономно вести открытый, междисциплинарный, многофакторный проект, где нет заранее заданного валидатора, а критерий успеха формируется и уточняется по ходу работы.

Это принципиально отличается от текущего уровня LLM. Сегодняшние модели сильны в задачах, иногда в цепочках задач, но пока не доказали способность устойчиво вести проекты.

Человек является арбитром, оператором, верификатором и интегратором проектов, тогда как LLMs пока выполняет функционал инструмента (умного, но все еще инструмента), вот именно поэтому до 1% и тем более до 0.1% или даже 0.01% лучших представителей человечества еще далеко.

Spydell_finance

06 July 2026 19:06

Эпоха постправды

Кто-нибудь задумывался, как настолько посредственный (с интеллектуальной и когнитивной точки зрения), необразованный и всецело некомпетентный персонаж достиг таких высот?

Воинствующая тупость (шпарить концентрированным трештолком с патологической уверенностью, достойной лучшего применения), облаченную в беззастенчивую, бесстыжую и гротескную ложь всегда, везде и во всем, приправленную нарциссическим бредом под соусом балаганной, низкопробной театральщины (то самое фирменное гримасничество, паясничество и клоунада Трампа).

Трамп физически не способен испытывать неловкость за свою некомпетентность. Эта психопатическая неуязвимость позволяет ему таранить систему в лоб – там, где психически здоровые люди под давлением системы контроля рисков вынуждены отступать, просчитывая последствия, Трамп бросается, как спятивший буйвол, на амбразуру, не просчитывая даже один шаг вперед.

Это, как нельзя серьёзно играть в шахматы с оппонентом, который буквально срет на шахматную доску, бросаясь фигурами и нарушая правила игры.

Все «успехи» в бизнесе у Трампа – результат манипуляций, жульничества, инсайда и игры «не по правилам», т.к. в чисто конкурентной среде он недееспособен. Принцип «стервятника» – захватить добычу, пока оппонент контужен «выкрутасами» Трампа. Так и в политике.

Феномен Трампа (но не только Трампа – скорее всех подобных Трампу) мог возникнуть исключительно в деградирующем и отупевшем обществе.

Перенасыщение информационной среды и социальных сетей через клиповый контент привело к разрушению механизмов длинного, вдумчивого чтения и глубокого анализа у широких масс.

Электорат, перманентно находящийся в состоянии когнитивной перегрузки, испытывает стресс перед лицом усложняющихся глобальных процессов и экспоненциально растущего потока примитивизированного контента, предъявляя спрос на «контент для тупых», где и вылезают такие прохиндеи, как Трамп, предлагающие простые решения для сложных проблем.

Гротескный абсурд в превосходных степенях выполняет функцию дурмана для отупевшей публики, что формирует иллюзию понимания мира, не требующую интеллектуальных усилий. Именно поэтому непрерывный поток отборного бреда Трампа так оргазмически сжирается публикой.

Все это накладывается на институциональный кризис и неспособность старой элиты предложить выход из затяжного тупика (целый комплекс социальных и экономических проблем, зреющих десятилетиями), где в Трампе видят несистемного политика, способного сломать систему, предложив новый образ будущего, но общество упускает один существенный момент – идиоты не способны создавать новую систему, они в лучшем случае способны ломать, но даже чтобы сломать систему нужна воля, которой Трамп не обладает по определению.

Поскольку за риторикой Трампа нет скрытой многовекторной стратегии, его поведение подчинено примитивным этологическим законам. Будучи трусливым по своей психической структуре, он эскалирует ситуацию ровно до момента столкновения с жестким, симметричным сопротивлением (позорный пример с войной в Иране) – тот самый принцип TACO, ставший нарицательным.

Как только процесс теряет медийную маржинальность и превращается в затяжную рутину, субъект соскакивает, объявляя поражение «величайшей победой», создавая новый инфоповод.

Трамп, имея бэкграунд торгаша и шоумена, интуитивно понял, что смысл больше не имеет значения – значение имеет только удержание внимания в шизоидном мире постправды.

Гримасничество, ложь и гротеск идеально ложатся в алгоритмы социальных сетей. Эмоциональный шок, гнев и возмущение продаются лучше всего. Пока аналитики и журналисты тратят дни на опровержение одной его галлюцинации, он генерирует еще десять, полностью парализуя способность общества к критическому осмыслению реальности.

Центральным элементом такого "лидерства" является терминальная стадия нарциссического расстройства, сопряженная с манией величия. Вся внешняя реальность воспринимается субъектом исключительно как зеркало для подпитки собственного эго. Любые государственные церемонии, включая национальные юбилеи, неизбежно узурпируются и превращаются в гротескный персональный перформанс.

Spydell_finance

06 July 2026 06:37

Нефтегазовые доходы России немного выросли, но остаются низкими

В июне нефтегазовые доходы России составили 684 млрд руб, что на 38.2% выше результата прошлого года.

За 1П26 нефтегазовые доходы составили 3.66 трлн, снизившись на 22.7% г/г (4.73 трлн за 1П25), но база сравнения прошлого года достаточно низкая по историческим меркам. В сравнении с 1П24 (5.69 трлн) нефтегазовые доходы снизились на 36%.

Здесь нужно учитывать, что последние три месяца была благоприятная конъюнктура на рынке нефти – среднемесячная расчетная цена нефти составила $86.1 ($77 в марте, $94.9 в апреле и $86.5 в мае), расчеты идут со смещением на месяц назад, т.е. июньские доходы на основе базы расчетов, сформированной в мае.

В рублях среднемесячные цены за 2кв26 составили 6597 руб за баррель Urals.

За 2кв26 нефтегазовые доходы составили 2.22 трлн vs 2.09 трлн (при расчетной цене 4606 руб или $55.3) в 2кв25 и 2.77 трлн (6509 руб или $70.9) в 2кв24.

Что получается из этих расчетов? Нефтегазовые доходы выросли всего на 6.2% г/г при росте расчетной цены на 43.2% г/г, при этом доходы ниже на 36%, чем в 2024 при сопоставимой расчетной цене.

Это означает, что конверсия сбора доходов значительно снизилась, однако, в расчетах необходимо учитывать, что в апреле был сильный провал по НДД (-47% или потери 229 млрд при базе расчетов финансовых показателей за очень слабый 1кв26).

Скорректированные доходы выросли примерно на 32-35% г/г без учета фактора НДД и это все равно ниже прироста среднемесячной цены.

В июле нефтегазовые доходы будут рассчитываться по среднемесячной цене 4674 руб за баррель – примерно сопоставимы с прошлым годом. В июле платится НДД и планируется около 330 млрд vs 302 млрд в июл.25.

Прогнозируемый доход за июль может составить 760-800 млрд (сопоставимо с прошлым годом или немного меньше), а с августа нефтегазовые доходы снова могут обвалиться в диапазон 500-600 млрд, если текущая конъюнктура останется плюс-минус сопоставимой.

Из этого вытекает, что по итогам 2026 года нефтегазовые доходы могут составить 7-7.3 трлн (наименьшие доходы с 2020) vs 8.48 трлн в 2025, 11.13 трлн в 2024, 8.82 трлн в 2023, 11.59 трлн в 2022 и 9.06 трлн в 2021.

Кратко по структуре нефтегазовых доходов:

🔘В июне НДПИ + таможенные пошлины составили 732 млрд vs 813 млрд в июл.25 и 1010 млрд в июл.24.

За 1П26 – 3937 млрд vs 4977 млрд в 1П25 и 5937 млрд в 1П24.

🔘Налоговые вычеты, льготы и демпферы из бюджета в пользу нефтяников в совокупности – 331 млрд vs 136 млрд в июн.25 и 325 млрд в июн.24. За 1П26 – 1279 млрд vs 1367 млрд в 1П25 и 1890 млрд в 1П24.

🔘НДД в 1П26 – 443 млрд vs 978 млрд в 1П25 и 1042 млрд в 1П24.

Как видно, одна из причин пониженных доходов в 2026 – это расширенные выплаты из бюджета в пользу нефтяников плюс снижение конверсии от сбора нефтегазовых доходов.

Spydell_finance

04 July 2026 06:06

Достигли ли современные LLMs уровня человеческого интеллекта?

Выскажу свой личный опыт.

Однозначно – да, но есть нюансы, о которых расскажу.

Эффект чрезвычайно неравномерный. Флагманские модели способны решать задачи, доступные лучшим умам планеты (ведущие ученые, инженеры или программисты), но при этом спотыкаться на элементарных вопросах, которые решают школьники с задержкой в развитии.

Вот эта перекореженная структура не позволяет интегрировать ИИ в серьезные бизнес или научные процессы. LLMs могут создать блистательный академический текст, но в нем будут такие нелепые «закладки», которые однозначно идентифицирует в генерации именно ИИ, т.к. человек, способный выступать на таком уровне, никогда бы не сделал подобные ошибки или несогласованности.

Тут можно улететь сразу на серию теоретических постов (где LLMs работают хорошо, а где плохо), поэтому я все же выскажу свой опыт взаимодействия, отойдя от теории.

По чисто формальным критериям и строгим тестам, LLMs не достигли AGI, но я вот здесь скорее технооптимист и объясню свои мотивы.

Здесь изначально неверные критерии тестирования, т.к. предполагается, что человек обладает интеллектом, но, если приводить строго формальные критерии наличия интеллекта (об этом писал вот здесь), получится, что по самым скромным оценкам не менее 99% человеческой популяции не обладают интеллектом по строгим определениям.

Большинство тестов AGI берут планку сверхспособностей человека, доступной даже не процентам, а считанным единицам – тем, кто способен управлять сложными бизнес-процессами или совершать научные открытия.

Сравнивая с экстраординарными способностями человека, со сверхразумом, текущее состояние флагманских LLMs все же отстает и могу опять же углубиться в серию статей, объясняя когнитивные кластеры, в которых ИИ все еще слаб.

Однако, разве человечество не ошибается, разве человечество не несет глупости, разве люди обладают развитыми когнитивными навыками, критическим мышлением, способностью выстраивать сложные иерархические причинно-следственные связи?

На протяжении 20 лет я в ежедневном формате обрабатываю сверхбольшие массивы результатов человеческой когнитивной работы (новостные, аналитические, дискуссионные материалы различного уровня сложности от масс медиа и публичных комментариев в пабликах до сложных академических работ и инвестбанковских ресерчей).

Могу сказать, что с каждым годом качество материалов падает, причем с ускорением (мне есть с чем сравнить), т.е. общество тупеет буквально на глазах. Это видно везде и во всем. От драматического обвала качества образования (современные школьники и студенты феерически тупы) до оглушительной тупости многих политиков (чего стоит тот же Трамп и компания?).

Поэтому, когда рассуждают о том, что ИИ путается в цепочках причинно-следственных связей – а разве общество способно выстраивать хотя бы элементарные причинно-следственные связи? Текущие события во многих странах, как бы символизируют.

С точки зрения логических конструкций, выделения сущностей, декомпозиции факторов и модуляции иерархических связей – текущие флагманские ИИ модели не просто умнее 99% людей, а значительно, кратно умнее. Это я могу ответственно заявить.

Да, ошибаются, путаются, галлюцинируют, искажают факты, неверно комбинируют факторы и процессы, но, во-первых, с каждым месяцем все лучше и лучше, а во-вторых, ИИ экспоненциально умнеет, а человечество обвально тупеет. Две кривые, двигающиеся в противоположном направлении.

Это я к чему? При определенных настройках инструкций и навыков для ИИ, при комбинации необходимых инструментов, при правильной формулировке задачи уже через несколько месяцев (точно через пару лет) LLMs без проблем обойдут 99.9% человеческой популяции – я гарантирую.

Да, не везде и не во всем. Все так же иногда будут галлюцинировать на «базовых бытовых» вопросах, но исход битвы предрешен. У человечества нет никаких шансов.

Причем, чем глубже ИИ будет проникать в экономику и общество, тем стремительнее человечество будет тупеть и разрыв только вырастет.

Spydell_finance

02 July 2026 17:52

Зарплаты в России продолжают расти невероятными темпами

Росстат демонстрирует «сногшибательную» статистику по зарплатам, где с начала года фиксируется один из лучших за 20 лет периодов «взрывного» роста зарплат.

В апреле (последние доступные данные) зарплаты выросли на 12% г/г по номиналу и на 6.1% г/г в реальном выражении, незначительное замедление с очень сильного 1кв26.

За 4м26 номинальные зарплаты выросли на 14.9% г/г и +8.5% в реальном выражении – это невероятный рост по историческим меркам. Вот, как это было раньше.

Номинальная начисленная средняя зарплата в России составила 109 тыс руб в апреле, за 4м26 – 107.4 тыс vs 93.4 тыс за 4м25, 81.3 тыс за 4м24, 67.7 тыс за 4м23 и 30.8 тыс за 4м14.

С начала СВО номинальные зарплаты выросли на 89.4%! Практически удвоение!

По сопоставимому периоду январь-апрель реальные зарплаты: +8.5% к 2025, +13.3% к 2024, +26.3% к 2023, +32.2% к 2022, +50.1% к 2014.

Чтобы понимать масштаб роста.

Среднегодовой темп роста по зарплатам (реальные и номинальные) в 2011-2021, 2015-2021, 2017-2019 и 2022-2026.

·         Номинальные зарплаты: 9.4%, 8.6%, 10.5%, 15.4%
·         Реальные зарплаты: 3.1%, 3.8%, 6.6% и 7.2%.

Импульс в 8.5% по реальным зарплатам с начала года – в 2.7 раза выше долгосрочного тренда!

Долларовая зарплата достигла невероятных по меркам России $1419 и растет вертикально, за 4м26 – $1377 vs $1039 за 4м25, $891 за 4м24, $907 за 4м23 и $874 за 4м14. Для сравнения, в 2021 средние зарплаты были вдвое ниже – $742, а в 2017-2019 – $687.

▪️Распределение зарплат по укрупненным отраслям

ТОП-5 наиболее высокооплачиваемых укрупненных секторов:

• Финансовая и страховая деятельность: 244.8 тыс, +19.4% г/г, 2.3 раза выше средней по экономике;
• Информация и связь: 205.0 тыс, +15.0% г/г, 1.9 раза выше средней;
• Добыча полезных ископаемых: 170.5 тыс, +9.9% г/г, 1.6 раза выше средней;
• Профессиональная, научная и техническая деятельность: 156.1 тыс, +17.7% г/г, 1.45 раза выше средней;
• Транспортировка и хранение: 108.6 тыс, +12.4% г/г, почти ровно средний уровень по экономике.

Показательно, что после первых четырех отраслей премия практически исчезает. То есть высокие зарплаты концентрируются в очень узкой группе: финансы, ИТ/связь, добыча и профессионально-научный контур.

Нижние пять укрупненных секторов по наименьшим доходам:

• Деятельность гостиниц и предприятий общественного питания: 72.1 тыс, +22.5% г/г, 67% от средней по экономике;
• Образование: 74.4 тыс, +12.9% г/г, 69% от средней;
• Сельское, лесное хозяйство, охота, рыболовство и рыбоводство: 77.2 тыс, +12.4% г/г, 72% от средней;
• Административная деятельность и сопутствующие услуги: 79.4 тыс, +19.8% г/г, 74% от средней;
• Водоснабжение, водоотведение, утилизация отходов: 79.5 тыс, +15.1% г/г, 74% от средней.

Если дезагрегировать по отраслям:

ТОП-5 наименее доходных детализированных видов деятельности

• Производство одежды: 56.7 тыс, +19.1% г/г, всего 53% от средней по экономике;
• Почтовая связь и курьерская деятельность: 58.9 тыс, +13.4% г/г, 55% от средней;
• Производство кожи и изделий из кожи: 65.0 тыс, +16.1% г/г, 60% от средней;
• Производство мебели: 67.2 тыс, +18.4% г/г, 62% от средней;
• Обработка древесины и производство изделий из дерева: 68.9 тыс, +7.4% г/г, 64% от средней.

Наибольшая концентрация доходов: финансы, ИТ и связь, добыча, научно-технические и профессиональные услуги, отдельные промышленные ниши, связанные с высокой маржинальностью или специфическим государственным спросом.

Слабые зоны: сельское хозяйство, легкая промышленность, гостиницы и общепит, почта, образование и здравоохранение в государственном контуре.

Текущий зарплатный рост выглядит не как здоровое расширение экономики, а как симптом перегрева рынка труда на фоне слабого производственного и инвестиционного контура, т.е. зарплаты растут сильно выше производительности труда.

Статистика однозначно в пользу ужесточения риторики по ДКП на фоне оглушительного потребительского бума.

Spydell_finance

02 July 2026 11:03

В Москве недвижимость часто покупают в долгую: дорогой вход, ипотека на десятилетия и низкая арендная доходность. В Дубае уже высокая конкуренция за арендатора и тысячи новых объектов.

На Бали другая модель: туристический спрос, аренда в валюте и дефицит хорошей недвижимости у океана. BREIG Property собрал приватный каталог off-plan объектов на Бали: первый взнос от $9,900, рассрочка 0%, управление под ключ, ориентир доходности от 12% годовых и потенциал роста цены до 35%+ на этапе стройки.

По ссылке ниже - каталог, цены, свободные юниты и расчет доходности. Там же - Telegram-канал BREIG с пресейлами и предложениями не из открытого доступа.

→ Получить каталог проектов на Бали

→ Подписаться на Telegram-канал BREIG

Spydell_finance

01 July 2026 20:40

Из личного опыта использования LLMs и ИИ-агентов

Целая серия аналитических и исследовательских статей по ИИ, но теперь перейду к более «приземленному» – личный опыт.

Все меняется быстро, поэтому эта информация актуальна в середине 2026.

Я начал работать с LLMs с первых дней внедрения в широкий доступ и через свои проекты в режиме онлайн (в момент релиза обновленных моделей) пропустил все флагманские LLMs и мне есть что сказать по этому поводу.

▪️Где сейчас можно использовать ИИ?

• Справочное бюро по различным вопросам, помощь в быстром анализе документации, протоколов. С середины 2025 я практически полностью перестал использовать поисковые системы, за исключением поиска наборов данных.

• Дайджест новостей по заданным направлениям через оптимизированные инструкции. С конца прошлого года я отписался от всей англоязычной деловой прессы и в целях оптимизации времени запускаю поискового бота по интересующим меня вопросам и собираю экстракт нарративов и ключевых фактов с перекрестной верификацией. Важные факты проверяю из первоисточников.

• Поиск нарративов и агрегация усреднённого настроения в медиа-пространстве – понять, чем «дышит» общество, что волнует, какие запросы, какие триггеры.

• «Комбайн для отчетов» – сбрасываю на съедение ИИ пул отчетов, в том числе корпоративных, чтобы понять, какие ключевые темы подсвечены и нужно ли углубляться в детализацию. Если тема интересна или важна – читаю самостоятельно полную версию отчета.

• Парсинг информации из WEB по критериям (сейчас все еще плохо работает) – там, где нет API или структурированной выгрузки. Пока это самое слабое звено.

• Форматирование неструктурированных массивов данных, как правило после парсинга, в Excel в рамках структурированных массивов.

• Систематизация накопленного исследовательского опыта по различным направлениям в удобном структурированном виде.

• Интерпретатор для медицинских анализов или по любой другой специализированной документации, где необходимы экспертные знания вне контура собственных направлений. В рамках расшифровки терминов.

• Помощь в разработке плагинов, скриптов и модулей для собственных научно-исследовательских платформ.

• Переводчик, что значительно расширяет охват, полностью устраняя языковой барьер по любым исследовательским работам человечества.

▪️Где я НЕ использую ИИ?

• Никогда и ни при каких обстоятельствах – рерайт текста – принципиально.

• Многоуровневая аналитическая работа особенно в сложных динамических системах с противоречивой иерархией приоритетов – даже при желании ИИ на это не способны из-за архитектурных ограничений.

• Поиск новых идей, смыслов, переработка парадигм. Вновь ИИ остается бесполезным в этом аспекте. Агрегация существующего опыта – да, выработка новых идей – нет. Я же выступаю в жанре генератора новых идей.

• ИИ-агенты для сбора, систематизации, компиляции, интеграции и визуализации данных. Вот это то направление, где я бьюсь уже больше трех лет, но прогресс отсутствует и именно это создало плацдарм для серии статей про архитектурные ограничения с 2024 года.

В сложных многоуровневых базах данных и информационных системах с «разнокалиберными» наборами данных интеграция автоматизированных комплексов настолько сложная работа (если данные не представлены в API), учитывая все ранее озвученные ограничения, что обнуляет рентабельность проекта по «ИИ автоматизации» – проще делать в полуручном режиме, как раньше.

Для API выгрузки ИИ автоматизация не нужна, т.к. процесс изначально автоматизирован.

Из этого получается, что непосредственно в проектах (базы данных, информационные системы + обработка данных + интерпретация и генерация идей) прогресс вблизи нуля.

На высоком уровне прогресс может быть только через разработку модулей, скриптов или путеводитель по инструкциям и документации.

Получается, что глубина интеграции ИИ остается на низком уровне, взвешивая по уровню сложности информационных систем.

Применение скорее на уровне дополнения в фоновом процессе в рамках структуризации источников информации. Да, полезно, но не решающее преимущество.

Spydell_finance

01 July 2026 14:08

Финансовый директор — это не просто человек, который считает деньги. Это стратег, от которого зависит, будет ли компания расти или захлебнётся в кассовых разрывах. Налоги, отчёты, прогнозы, переговоры с банками, собственник с вопросом «Где деньги?». Ошибся в одной цифре — встречай гостей из ФНС.

Чтобы держать финансы под контролем, нужна система: от налоговой оптимизации до разработки антикризисной стратегии. Для этого есть обновлённый курс «Финансовый директор» от Академии Эдюсон.

Кому подойдёт:
•  бухгалтеру, аналитику или финансисту, который хочет сделать шаг вверх по карьерной лестнице;
•  действующему финдиру, которому нужны новые инструменты и знания;
•  предпринимателю, который хочет прозрачные финансы и управляемый рост.

В программе:
▪️ 72 реальных бизнес-кейса и интерактивных тренажёра — от Excel до оценки рентабельности;
▪️ методики от Ицхака Адизеса, экспертов из KPMG Russia, «Сколково», «Ростеха» и ВШЭ;
▪️ 30+ шаблонов и ИИ-инструментов — помогут автоматизировать отчётность, анализ и планирование;
▪️ диплом о профпереподготовке с занесением в ФРДО.

Курс обновлён в 2026 году: добавлены актуальные модули по налоговой реформе, госконтролю и современным финансовым инструментам. Доступ навсегда, следующие обновления — бесплатны.

Оставьте заявку с промокодом SPYDELL — получите скидку 65% + программу «Нейросети для финансистов» в подарок. Если хотите в топ-менеджмент — это ваш шанс.

Реклама. ООО «Эдюсон», ОГРН 1147746925369, erid:2W5zFGHqwRT

Spydell_finance

30 June 2026 21:05

Архитектурные ограничения ИИ-агентов

Продолжаю исследовать тему, под которую вложены триллионы.

ИИ-агент надежен там, где истина формализуема и быстро проверяема. Агент слаб там, где истина дрейфует, зависит от контекста, меняется во времени или требует эмпирической проверки.

Почему я продолжаю настаивать на том, что интеграция в реальную экономику весьма ограничена? Реальный мир неидеален и часто функционирует в режиме исключений: неполный или неформатный документ, нетиповой клиент, конфликт правил, устаревшие или неполные данные, сбои в синхронизации, сломанные ключи API и тысячи других ограничений, которые решает человек, но с высокой вероятностью не может эффективно и корректно решить ИИ.

Даже если предположить, что ИИ идеально следует инструкциям (стало намного лучше, но это все еще не так), даже если заметно снижены галлюцинации (далеко не так), даже если обеспечена высокая стабильность на всей глубине контекста (лучше, но очень далеко до оптимальных кондиций), ИИ все равно будет «спотыкаться» на несовершенстве условий, наборов данных или протоколов, которые существуют в реальном мире.

Вот эта конфликтность является еще одним препятствием к полноценной автономности. То, что человек способен решать достаточно быстро, на ИИ сразу сливается.

На личном примере. Попытка автоматизировать сбор и систематизацию данных не привела к успеху, т.к. переформатирование структуры данных со стороны поставщика сразу ломает всю схему (я способен решать это за минуты, тогда как для ИИ требуется новый набор инструкций, как работать с новым типом или набором данных).

Даже в относительно формализованной среде (поиск, сбор, обработка, синхронизация и интеграция наборов данных) затраты на интеграцию ИИ-агентов в информационные системы могут быть кратно выше самостоятельной работы без ИИ-агентов.

Почему? Разметка данных, подготовка жестких по ограничениям инструкций, внедрение контекста, создание API мостов, интеграция, контроль и верификация результатов ИИ-агентов требуют много времени. Набор данных деформируется и придется вручную пересоздавать инструкции, перенастраивать API мосты и калибровать систему заново. Это один из примеров.

Меняется формат или структура данных, меняется контекст – необходимо вручную дооптимизировать. В реальном мире таких конфликтов на всех уровнях генерируется непрерывное множество, и все конфликты нельзя формализовать.

Помимо верификации/валидации, отсутствия критерия истинности, ограничений на уровне среды и наборов данных, здесь еще много ограничений можно зафиксировать:

Ограничения «длинной траектории» – чем длиннее агентный цикл, тем выше риск накопления ошибок, где ошибки возникают не только в ответе, но и в последовательности (неверно понял цель, выбрал не тот инструмент, получил неполные данные, забыл ограничения, не заметил противоречия, не выполнил проверку и десятки других сбоев и багов).

Даже на операционном уровне масса ограничений. Для внедрения агента нужны:

•  права доступа и политики безопасности;
•  журнал действий и мониторинг исполнения;
•  тестирование, калибровка и интеграция в информационные системы;
•  контроль качества;
•  процедуры отката и разбор инцидентов.

ИИ-агент – это не универсальная интеллектуальная среда для решения любой задачи. Для эффективного применения необходимы: корректно локализовать задачу на формализуемую и неформализуемую, грамотно написанная инструкция и постановка задачи, четкое целеполагание и формализация допусков, внедрения качественного набора данных (контекста) и стабильных внешних источников, устойчивая и желательно изолированная от шумов среда, стабильные внешние валидаторы, калибровка системы и настройка прав доступа.

И даже все это не гарантирует результат, т.к. все может схлопываться на экономику проекта: слишком дорогие токены, слишком долгая и дорогая интеграция, затраты на валидацию / верификацию результата и т.д.

Не нужно ждать взрывного роста производительности или технологического прогресса от ИИ-агентов.

Spydell_finance

30 June 2026 14:23

Совкомбанк обновил тарифы на переводы в Китай, сделав их выгоднее для 85% клиентов.

Ключевое изменение — переход с агентской схемы на расчётно-кассовое обслуживание. Это позволяет начислять комиссию без НДС и упрощает оформление платежей.

Кроме того, банк снизил минимальный порог комиссии более чем вдвое (с 2300 до 1000 юаней) и ввёл гибкую шкалу ставок. Теперь, чем больше сумма перевода, тем ниже комиссия — от 0,1%.

Spydell_finance

29 June 2026 21:02

Что мешает LLMs полномасштабному внедрению в научно-исследовательских проектах?

В каких условиях возможен запуск автономного ИИ агента?

▪️Широкое и стабильное контекстное окно должно быть гарантировано, причем на всей глубине, иначе невозможно удерживать большой массив данных, тогда как все современные LLMs страдают проблемой «обрыва» эффективности воспроизводства информации при увеличении глубины контекста.

Для крупных проектов 1 млн токенов в контекстном окне критически мало (из них стабильные 200-300 тыс) – необходимо на порядки больше, но ранее описывал, что архитектурно LLMs не могут работать с широким контекстным окном.

▪️Эффективный механизм валидации и верификации результата, что напрямую влияет на стабильность длительного цикла работы автономного ИИ-агента, иначе произойдет критическое накопление ошибки и коллапс результата.

Отсутствие критерия истинности убивает доверие к генерируемым результатам. Даже в самых прокаченных LLMs генерируемые результаты подаются с одинаковой уверенностью независимо от того, взяты они из источника, интерполированы или выдуманы, а единственный способ отличить – пересчитать независимо, что превращает автономные ИИ агенты в полуавтоматические с циклом прерывания для верификации.

▪️Саморефлексия и самопроверка, как встроенный механизм самокоррекции, – логическое продолжение прошлого пункта. Современные рассуждающие модели действительно умеют «думать дольше», перебирать подходы, проверять промежуточные гипотезы, вызывать инструменты, но это не равно подлинной саморефлексии в смысле устойчивой внутренней модели истины.

▪️Стабильность воспроизводства результатов при прочих равных условиях, что критически важно для проверяемых научных опытов, никакой вариативности не допускается – строжайшая математическая точность и академическая пунктуальность.

▪️Предельно жесткое следование инструкциям, иначе при масштабировании проектов, удлинении периода эксплуатации ИИ-агентов и при росте количества запусков / опытов система начнет рассыпаться из-за вариативности выходных результатов и искажения векторов генерации.

▪️Необходимость самообучения, как базовый функционал для самокоррекции ошибок и когнитивной эволюции. Ни одна из представленных LLMs не имеет функционала обучения и иметь не будет – это серьезно ограничивает ИИ в глубине интеграции.  

▪️Архитектура LLMs усредняет, сглаживает статистические выбросы, а научное открытие в своей основе есть "выброс", выход за пределы распределения обучающих данных.

▪️Обратимость и идемпотентность действий. Каждое действие агента должно быть откатываемым, а повтор – безопасным. Автономность допустима там, где ошибка не создаёт необратимых последствий.
 
ИИ автономен в точности там, где истину можно проверить снаружи, и несамостоятелен в точности там, где истину нужно установить изнутри. Наука в своей сердцевине (суждение, открытие, установление значимости) есть деятельность по установлению истины изнутри, – поэтому она и есть предельная граница автономности.

Автономный научный агент в полном смысле невозможен по той же причине, по которой невозможен автономный агент в любой среде без внешнего верификатора: ему нечем заменить вынесенное наружу суждение.
 
В моих рабочих и исследовательских проектах надежность и мера автономности пока остается настолько низкой, что буквально – проще все сделать самому так, как раньше, при этом не сказать, что прогресса нет – LLMs эволюционируют весьма стремительно и множество архитектурных багов и ограничений, которые я описывал в 2024-2025, были смягчены или частично решены в 2026.

Описывать все уязвимости будет слишком долго.

Мой вердикт такой.

Польза – есть, но нужно очень грамотно локализовать задачу и сферу применения под ИИ, нужно грамотно и корректно формализовать инструкцию, нужно подключать автоматические или ручные валидаторы и верификаторы.

Чудес и тем более полной автоматизации в режиме «включил, и забыл» ждать не стоит. Часто внедрение, интеграция, оптимизация и доводка LLMs стоят заметно больше, чем работа без ИИ, но иногда могут очень сильно помочь.

Spydell_finance

29 June 2026 14:32

Так уж и быть.

В честь дня рождения канала открывается доступ к приватному клубу, но это в первый и последний раз.

В среднем 90% инсайдерской информации приходится на этот источник. Доступа на сутки должно хватить, чтобы вступить успели самые активные читатели.

Вступить — /channel/+Nh1Qwux3ooJkNTA6

Spydell_finance

28 June 2026 07:50

Доходы американских домохозяйств снижаются в реальном выражении, но расходы продолжают расти

В мае 2026 номинальные доходы американцев составили 26.92 трлн долл в годовом выражении, увеличившись на 3.82% г/г, располагаемые доходы – 23.65 трлн долл, рост на 4.09% г/г.

Вклад в номинальный рост доходов на 3.82% г/г распределился следующим образом:

• Оплата труда работников: +2.45 п.п;
• Социальные трансферты: +0.88 п.п;
• Доходы предпринимателей: +0.41 п.п;
• Доходы от активов: +0.32 п.п;
• Арендные доходы: +0.12 п.п;
• Взносы на социальное страхование: -0.37 п.п.

Структура персональных доходов в мае 2026:

• Оплата труда работников – 16.25 трлн долл, или 60.4% всех персональных доходов. Внутри: зарплаты – 13.39 трлн долл, или 49.7%, дополнительные выплаты и взносы работодателей – 2.86 трлн долл, или 10.6%;

• Доходы самозанятых и предпринимателей – 2.19 трлн долл, или 8.1%;

• Доходы от аренды – 1.15 трлн долл, или 4.3%;

• Доходы от активов – 4.29 трлн долл, или 15.9%, из которых процентные доходы – 2.02 трлн долл, дивиденды – 2.27 трлн долл;

• Текущие трансферты – 5.13 трлн долл, или 19.1% персональных доходов, почти полностью государственные социальные выплаты.

• Взносы на социальное страхование вычитаются из доходов на 2.10 трлн долл, или 7.8% персональных доходов, т.е. чистые трансферы за вычетов социальных сборов – 3.03 трлн.

• Объем НДФЛ оценивается в 3.26 трлн в годовом выражении.

Теперь приведу расходы и доходы в динамике в единой структуре, чтобы удобно было сравнивать тенденции.

🔘Расходы в реальном выражении выросли на 0.26% м/м после 0.00% в апреле и 0.27% в марте, за 3м – 0.18%, 6м – 0.11%, 12м – 0.18%, за 5м25 – 0.11% vs 0.01% за 5м24 по сравнению с 0.20% в 2011-2019, 0.21% в 2017-2019 и 0.28% в 2020-2024.

🔘Располагаемые доходы выросли на 0.25% м/м после (-0.51%) м/м в апреле и (-0.12%) в марте, за 3м – (-0.13%), 6м – (-0.05%), 12м – 0.00%, за 5м26 – (-0.04%) vs +0.13% за 5м25 при норме 0.20% в 2011-2019, 0.25% в 2017-2019, в 2020-2024 – 0.30%.

🔘Зарплаты в реальном выражении снижаются 4 месяца подряд: (-0.02%) в мае после (-0.09%) в апреле и (-0.24%) в марте, за 3м – (-0.12%), 6м – (-0.13%), 12м – 0.00%, 5м26 – (-0.09%) vs +0.07% за 5м25, в 2011-2019 – 0.23%, 2017-2019 – 0.25%, в 2020-2024 – 0.16%.

🔘Норма сбережений: 3.0% в мае 2026,  3.5% в среднем с начала 2026,  3.9% за последние 12 месяцев,  5.2% в среднем в 2023–2025,  6.5% в среднем в 2017–2019.

🔘Процентная нагрузка также остается повышенной: процентные платежи составляют 2.52% располагаемых доходов против 2.06% в 2017–2019.

Сравнение с доковидной базой также показывает перекос в пользу расходов. С декабря 2019 реальные располагаемые доходы выросли на 14.7%, а реальные расходы – на 18.4%.

🔘Чистая господдержка населения в % от доходов определяет чистое денежное сальдо между всеми выплаченными в пользу населения платежами (пенсии, пособия, дотация, монетизированные льготы и страховки) и всеми изъятиями (налоги и все виды сборов) в пользу государства. Обычно государство изымает больше, чем распределяет.

Так вот, чистая господдержка имеет тенденцию на увеличение (чем ближе к нулю, тем выше интегральные стимулы): в мае –(-4.75%), за 3м –(-4.74%), 6м –(-4.74%), 12м – (-4.84%) по сравнению с (-6.6%) в 2010-2019, но тренд на усиление госстимулов, т.е. в 2025 – (-5.05%), в 2024 – (-5.30%), в 2023 – (-5.61%), в 2022 – (-7.68%).

Как это интерпретировать? В сравнении с 2024 чистый эффект госстимулов составил 0.55% от доходов, а в сравнении с 2022 уже 3% и это существенно на фоне околонулевой нормы сбережений.

Иными словами, в 2026 потребительский спрос в США уже не опирается на расширение реальных трудовых доходов. Он держится на усилении госстимулов, на снижении нормы сбережений и высокой готовности домохозяйств продолжать потребление при сжимающемся доходном буфере.

Номинальные доходы еще растут, но инфляция практически полностью съедает прирост доходной базы, тогда как реальные расходы продолжают расширяться через истощение буфера сбережений, что ограничивает потенциал роста .

Spydell_finance

07 July 2026 20:15

Способен ли ИИ заменить человека? Ранее Ч1 и Ч2

Системное вытеснение человека начинается, когда ИИ сможет вести проект на недели и месяцы, сохраняя и эффективно удерживая контекст, подстраиваясь под быстро меняющиеся условия, сохраняя интегральную целостность и связанность проекта.

Сейчас ИИ в основном находится между рекомбинацией и гипотезами. Он может расширить поле вариантов, но не гарантирует, что нашел новое рабочее пространство решений.

🔘Человек начинает уходить из операционной роли, когда ИИ стабильно, эффективно и с экономической точки зрения рентабельно выполняет более 50% задач лучше/дешевле/быстрее, чем человек.

🔘Человек уходит из экспертной роли, когда ИИ: самостоятельно декомпозирует задачу, ставит подцели и консолидирует необходимый пул инструментов / ресурсов с координацией ИИ-агентов для наиболее эффективной реализации поставленной задачи, сам определяет недостающие данные, верифицирует источники информации, загружает, калибрует, синхронизирует и интегрирует структуру данных в необходимый формат интеграций для проекта, сам проверяет результат и исправляет ошибки, выстраивает иерархию приоритетов и причинную карту, в конечном итоге сам работает с противоречиями, техническими, системными сбоями и решает проблемы по мере поступления.

Ничего из этого нет и пока не предвидится, поэтому можно выдохнуть и успокоиться – ИИ не захватят мир, по крайней мере, в обозримой перспективе.

В чем заключается уникальная ценность человека? Непрерывный контакт с реальностью, калибровка обратных связей и модификация накопленного опыта через работу над ошибками в формате «действие – противодействие – саморефлексия или процедурные операции по контролю и коррекции ошибок».

Человек (не все конечно, а те, кто предрасположен к этому) непрерывно учится, корректирует опыт, изменяет вектор движения в зависимости от ситуации, оптимизирует пути решения проблем в динамической среде.

LLMs в своей сути – статична, т.к. веса определены в корпусе данных в момент обучения. Вся последующая работа с ИИ происходит в «черном ящике» без накопления опыта с неприемлемо малым объемом контекста (достаточно для локальных задач, но критически мало для крупных проектов).
 
🔘Настоящая грань начинается там, где ИИ перестает быть исполнителем задач и становится автономным создателем новых рабочих систем: научных, технологических, промышленных, организационных.

ИИ сам формирует гипотезу, проверяет ее через эксперимент или симуляцию, получает результат, исправляет модель и запускает следующий цикл без человека в роли главного исследователя.

Например, ИИ анализирует массив литературы, находит слабое место в существующей теории, предлагает новую научную гипотезу, проектирует эксперимент, передает задачу роботизированной лаборатории, получает данные, видит, что гипотеза частично неверна, перестраивает модель, вносит соответствующие коррективы, проектирует вторую серию экспериментов, получает новую порцию результатов и повторяет цикл верификации, синтеза, калибровки и реинтеграции данных.

ИИ уже сейчас может выдать тысячу идей. Большая часть будет мусором, часть – банальной рекомбинацией ранее оформленных идей, но несколько – интересными, которые скорее являются интерполяцией в рамках градиента решений в рамках уже существующих идей. Это не сингулярность. Это «интеллектуальная мясорубка» вариантов.

Сингулярный порог другой:

🔘ИИ создает новое пространство решений, где раньше не было понятного направления поиска.

Например, новая архитектура аккумуляторов, новый принцип охлаждения дата-центров, новая структура материалов, новый метод синтеза лекарств, новая архитектура чипов и еще сотни других научных и инженерных вариаций.

🔘ИИ должен вести междисциплинарный инженерный проект неделями и месяцами, удерживая целостность проекта, сохраняя контекст и накопленный опыт, корректировать ошибки, непрерывно верифицировать результаты, модифицировать пути решения проблем в зависимости от условий, сохраняя физическую реализуемость и обратную связь.

Пока лишь умные чат-боты с претензией на кривых ИИ-агентов, но прогресс идет!

Spydell_finance

07 July 2026 14:14

‼️Напоминание! Завтра начинаем публикации в новом канале, будут  идеи и стратегия с учетом текущей ставки, с доходностью 15-50% и сроком до 1-2 месяцев.

Уже опубликованы облигационные портфели, актуальная подборка, под новый ключ.

‼️Дополнительно каждый день будет выходить 1 урок, идеально для новичков!

Без пустых новостей, без лишней информации, только то, что действительно важно и нужно.

ВХОД — /channel/+gcUH8KN7tqg2YjA6

Задумка свежая, стоит задача набрать отзывы, заходите, тестируйте!

Spydell_finance

06 July 2026 21:25

О стратегических рисках «Трампизма»

Неспособность к удержанию внимания, системному анализу и восприятию информации объемом более 1–2 страниц упрощенного текста «для тупых» формирует феномен «эпистемической изоляции».

Субъект физически не способен просчитывать долгосрочные риски и каскадные последствия своих решений (тарифы, война в Иране, подрыв независимости ФРС, третирование стратегических союзников, институциональный демонтаж без формирования новых институтов и т.д.). Результат, как говорится, на табло.

Слабо развитый мозг защищается от когнитивной перегрузки через персеверацию – навязчивое повторение мифологизированных сюжетов о прошлых псевдопобедах («синдром заезженной пластинки»), когда каждое выступление Трампа (где бы оно ни было) многократно дублирует ранее озвученные тезисы, создавая иллюзию контроля, вечных побед и благоденствия.

Однако, потребность нарцисса в непрерывной лести и параноидальный страх перед интеллектуальным превосходством приводят к вымыванию технократов. Меритократия замещается подобострастными статистами-лизоблюдами.

Государственная машина теряет институциональную память и экспертизу, впадая в управленческий паралич.

Государство, превращенное в декорацию для обслуживания комплексов одного человека, теряет резильентность к экзогенным шокам. В условиях реального кризиса (инфраструктурный коллапс, финансовый шок, масштабный военный вызов) система, лишенная обратной связи и управляемая импульсивными твитами, демонстрирует высокую вероятность каскадного обрушения. Пример Ирана стал буквально хрестоматийным.

Трамп физически и информационно отсекает от себя независимых аналитиков, экспертов и советников, готовых приносить «плохие новости» или указывать на ошибки. Информационные потоки фильтруются таким образом, чтобы доставлять только те данные (или псевдоданные), которые подтверждают гениальность принимаемых решений.

Вместо того чтобы корректировать стратегию на основе макроэкономической статистики или данных разведки, Трамп требует от подчиненных корректировать сами данные или их интерпретацию под свой нарратив.

Соответственно, все будущие решения принимаются на изначально фейковой картине мира.

Абсолютно не имеет значение, какое количество аналитических или разведывательных агентств функционирует в США – имеет значение интерпретация этих данных, а если интерпретация сужается до фокуса восприятия одного малограмотного психопатического персонажа с прогрессирующим нарциссическим расстройством личности и манией величия – результат не заставит себя долго ждать.

Возникает искренняя вера в то, что реальность можно изменить исключительно силой собственного заявления. Сложные структурные проблемы сводятся к примитивным лозунгам, а их «решение» декларируется просто по факту произнесения речи.

Главным KPI для назначения на ключевые посты становится не профессионализм, а готовность к публичному подобострастию и беспрекословному выполнению даже абсурдных указаний. Интеллектуально независимые технократы выдавливаются из системы.

Частая и хаотичная ротация кадров (из-за того, что Трамп видит угрозу в тех, кто набирает политический вес, или ищет козлов отпущения за собственные провалы) приводит к обнулению экспертного опыта внутри ведомств.

Поскольку делегирование полномочий воспринимается нарциссом как угроза его статусу альфа-фигуры, возникает микроменеджмент высочайшего уровня – решения замыкаются на одного неадеквата (Трампа). При этом решения принимаются импульсивно, часто на основе телевизионных эфиров или постов в социальных сетях. Госаппарат замирает, ожидая директив, и теряет способность к проактивному планированию.

Решения принимаются и отменяются в зависимости от настроения сумасброда, его желания отомстить политическим оппонентам или потребности вздрючить собственное эго, или перебить негативный информационный фон.

Наибольшая опасность такого стиля управления проявляется в моменты реальных, а не выдуманных кризисов. Поскольку аналитические центры разрушены, а система настроена лишь на генерирование позитивных отчетов для Трампа, система теряет способность оперативно и адекватно реагировать на внезапные угрозы.

Spydell_finance

06 July 2026 17:00

Так уж и быть.

В честь дня рождения канала открывается доступ к приватному клубу, но это в первый и последний раз.

В среднем 90% инсайдерской информации приходится на этот источник. Доступа на сутки должно хватить, чтобы вступить успели самые активные читатели.

Вступить — /channel/+sELf0V0Gp-A2MWFi

Spydell_finance

05 July 2026 06:13

Трамп и 250-летие независимости США

Как и следовало ожидать, Трамп превратил национальный юбилей не в нейтральную государственную церемонию, а в огромный персонально-политический спектакль, в котором до гротескных размахов вздрючил собственное эго и фейковое псевдовеличие.

Само выступление было в стиле «2 года назад над нами смеялись, нас высмеивали, и мы были страной в упадке. Мы находились в очень серьёзном упадке, а сегодня мы самая популярная и горячая страна в мире. Нас все уважают так, как ни одну другую страну.

Я – прекрасен, я – великий, я победил Иран 38 раз и закончил 8 войн, благодаря пошлинам строятся заводы в таких количествах, которых мы никогда, никогда раньше не видели. Я привлек инвестиций на 19.2 трлн долларов»

Самым показательным эпизодом стало не само выступление (очередное унылое блеяние о собственном величии в режиме заезженной пластинки), а публикация видео с его образом на Mount Rushmore (мемориал, где в скале высечены Вашингтон, Джефферсон, Теодор Рузвельт и Линкольн).

Перед речью Трамп разместил ролик, где 3D-графика показывает его лицо, встроенное в композицию горы на почетном первом месте.

На следующий день Трамп за государственный счет развлекал сам себя рекордным за всю историю фейерверком, пафосно названным «Salute to America Celebration & Fireworks»
продолжительностью 40 минут, который затмил церемонии открытия и закрытия Олимпийских игр (свыше 850 тыс пиротехнических эффектов и фейерверков с запуском из 10 мест).

Военные пролеты, сцена с тупорылыми статистами, оргазмирующими на величие Трампа.

До этого, записывайте:

🔘Подпись Трампа на будущих бумажных долларах США – первый случай в истории, когда подпись действующего президента США на банкнотах в обращении.

🔘Паспорт США с портретом и подписью Трампа - впервые в истории США!

🔘24-каратная золотая памятная монета с изображением Трампа

🔘Trump Accounts – государственный сберегательный инструмент с пилотным взносом $1 000 для детей, родившихся с 1 января 2025 по 31 декабря 2028.

🔘TrumpIRA.gov – Белый дом выпустил исполнительный указ о создании TrumpIRA.gov как федерального портала доступа к пенсионным счетам с «фамильным гербом» Трампа.

🔘TrumpRx.gov – Белый дом официально представил TrumpRx.gov как правительственный сайт для покупки лекарств по сниженным ценам.

🔘Trump Gold Card / Trump Platinum Card – Иммиграционная программа для состоятельных заявителей с резидентством США за взнос в $1 млн.

🔘Добавление имени Трампа к Kennedy Center + имя Трампа было прикреплено к зданию U.S. Institute of Peace в Вашингтоне.

🔘Переименование аэропорта Palm Beach International Airport в President Donald J. Trump International Airport.

🔘Класс боевых кораблей имени Трампа в рамках создания «золотого флота» имени Трампа/

🔘Национальные парковые пропуска с лицом Трампа – с 1 января 2026 были введены пропуска с изображением Трампа.

🔘Гигантские баннеры с лицом Трампа практически на всех федеральных зданиях.

🔘Галерея портретов президентов «Presidential Walk of Fame» в Белом доме, где Трамп заспамил самого себя несколько раз.

🔘Возведение 250-футовой триумфальной арки у входа в Вашингтон.

🔘Бальный зал в Белом доме в честь Дональда Трампа.

🔘Трамп изуродовал историческое здание и все окружение вокруг Белого дома в цыганском стиле хаотичных золотых канделябров. Массовое добавление золота, портретов, статуэток, бюстов, декоративных предметов, золотых накладок, драпировки золотом всего, к чему можно дотянуться, разумеется, с золотыми унитазами.

🔘Устроил саморазвлечение в свой ДР – временная арена UFC на Южной лужайке Белого дома к его 80-летию.

🔘Все это не считая «Трамп в образе Иисуса», «Трамп, как Папа Римский», «Трамп, как Супермен», Трамп в золотой короне с подписью «Long Live the King».

Персонаж, пределы компетенций которого заключаются в торговле сахарной ватой в ларьке на Тайм-сквер, влез в «центр управления полетами», имея интеллект 12-летнего ребенка с задержками развития с целым букетом когнитивных расстройств и психологических перверсий.

Просто долбанный псих. Американская политическая система скатывается в откровенный кринж и шизу.

Spydell_finance

03 July 2026 07:40

Рынок труда в США – имитация устойчивости

Чтобы понимать, насколько все запущено, с фев.25 (Трамп пришел к власти) до июн.26 среднемесячный прирост рабочих мест в США составил всего 42 тыс (в 4.5 раза ниже нормы), где частный сектор создал 53 тыс, а государственный сектор сокращал в среднем по 11 тыс рабочих мест.

Однако, внутри частного сектора медицина и соцобеспечение формируют 56 тыс, т.е. вне медицины сокращение в среднем на 3 тыс рабочих мест в месяц – в масштабе экономики США это немного, но важен сам факт слома тренда, а тренд в частном секторе без учета медицины был примерно 128 тыс рабочих мест в месяц в 2017-2019.

Соответственно, экономика недосчиталась свыше 2.2 млн рабочих мест в частном секторе за последние 17 месяцев.

Соответственно, любой анализ тенденций сводится к ремарке о структуре, где тотально доминирует медицина, а вся остальная экономика уже в среднесрочном нисходящем тренде.

Справедливости ради, слом восходящего тренда произошел не в феврале 2025, а в ноябре 2023, т.е. в период с ноя.23 по янв.25 среднемесячный прирост в частном секторе без учета медицины составил … всего ноль!

Таким образом, уже не 17 месяцев, а 32 месяца стагнации с легким нисходящим уклоном – потеряно 37 тыс рабочих мест в этой группе или чуть больше 1 тыс в месяц.

Импульс был в значительной степени утрачен в марте 2023 (с мар.23 по окт.23 создавалось лишь по 48 тыс рабочих мест в частном секторе без учета медицины).

Соответственно, с марта 2023 по июнь 2026 (40 месяцев) создано всего 349 тыс рабочих мест или 9 тыс в месяц.

Для сравнения, среднемесячный прирост: 128 тыс в 2017-2019 и 155 тыс в 2011-2019 и это в абсолютном количестве без коррекции на прирост населения.

Это значит, что если бы экономика создавала с марта 2023 рабочие места в темпах 2017-2019 – было бы плюс 5.1 млн, а в темпах 2011-2019 – 6.2 млн. Реально еще больше, учитывая изменение населения в США.

Что еще по трендам? Если «сбой в матрице» принять за март 2023 с тенденцией на усиление негативной тенденции с ноября 2023, получается следующий накопленный расклад:

·         Профессиональные и бизнес-услуги сократили 330 тыс рабочих мест в совокупности
·         Промышленность – 300 тыс в минус
·         ИТ и связь – 274 тыс сокращений
·         Розничная торговля – 143 тыс
·         Финансы и страхование – 48 тыс
·         Оптовая торговля – 32 тыс
·         Добыча полезных ископаемых – 26 тыс.
 
Итого семь секторов сократили 1153 тыс рабочих мест, образуя в настоящий момент 69.1 млн рабочих мест из 135.6 млн в частном секторе, т.е. в фазе сжатия 51% всей экономики, взвешенной по численности рабочих мест и существенно больше по оплате труда, т.к. режут самые «жирные» сектора, такие как профессиональные и бизнес услуги, ИТ и финансы.

Вот это второй ключевой вывод. Наиболее доходные рабочие места в стадии сокращения.

В июне создано 57 тыс рабочих мест. Данные за май пересмотрены вниз с 172 до 129 тыс, а данные за апрель вниз с 214 до 148 тыс, т.е. почти 100 тыс рабочих мест «потеряно».

За январь-июнь 2026 создано 552 тыс рабочих мест, из них:

• Частный сектор: +530 тыс;
• Госсектор: +22 тыс.

Внутри частного сектора:

• Здравоохранение и социальная помощь: +319 тыс;
• Профессиональные и бизнес-услуги: +135 тыс;
• Строительство: +59 тыс;
• Транспортировка и складская логистика: +48 тыс;
• Розничная торговля: +46 тыс;
• Образовательные услуги: +27 тыс.

Сокращение:

• Финансовый сектор: -82 тыс;
• Информационный сектор: -68 тыс;
• Гостиницы и общественное питание: -21 тыс.

Получается, что медицина обеспечила около 60% всего прироста частной занятости в 1П26.

Особо вдаваться в детали нет смысла. Ежегодно статистику пересматривают и взяли манеру сразу по 1 млн «сжигать», поэтому +80-100 тыс в месяц могут превратить в «ничто» по итогам очередного пересмотра.

Spydell_finance

02 July 2026 13:14

Потребительский спрос в России растет «остервенелыми» темпами

Еще никогда, по крайней мере за 20 лет, потребительский спрос в России не рос настолько «остервенело», буквально «взрывными» темпами, вертикально! Все это справедливо, если опираться на официальную статистику Росстата.

Данные Росстата характеризуют потребительский спрос как режим «супер-бума», невиданного за четверть века. С 2008 года не было ни одного случая, когда потребительский спрос рос выше 5% (сейчас памп ближе к 7%) на высокой базе сравнения прошлого года – все прошлые эпизоды были попыткой компенсирующего роста (2010-2011, 2017, 2021 и 2023) после кризисов 2009, 2015-2016, 2020 и 2022.

В мае номинальный оборот розничной торговли составил 5.70 трлн руб, платных услуг – 1.82 трлн руб, общественного питания – 0.52 трлн руб.

Совокупно розница и услуги без общепита – 7.52 трлн руб за месяц, а вместе с общепитом – 8.04 трлн руб.

По официальным данным Минэка, потребительский спрос вырос на 6.4% г/г в мае.

Если оценивать вклад компонентов в официальный рост потребительской активности на 6.4% г/г в мае:

• розничная торговля внесла около 5.5 п.п;
• платные услуги – около 0.45 п.п;
• общественное питание – около 0.4 п.п по собственным расчетам.

Почти весь майский разгон потребительского спроса обеспечила именно розница.

За 5м26 аналогичная картина:

• розница дала около 3.5 п.п из 4.5% совокупного роста;
• услуги – около 0.6 п.п;
• общественное питание – около 0.4 п.п.

Потребительский бум 2026 года – это прежде всего товарный спрос, особенно непродовольственный сегмент.

В моих расчетах потребительский спрос отражает услуги + розничные продажи, но без общественного питания (в прошлом месяце Росстат нарисовал разрыв в 20% вверх, который непонятно как адаптировать).

В мае резкий рост потребительского спроса на 6.75% г/г после 6.1% в апреле и 5.9% в марте.

Реальный потребительский спрос без общепита за 5м26: +4.85% г/г; +7.5% к 5м24; +17.2% к 5м23; +25.5% к 5м19.

За три года среднегодовой рост составляет около 5.4% – это экстремально много, примерно в 5 раз больше долгосрочного тренда 2011-2021.

▪️Розничные продажи в мае выросли на 7.8% г/г по Росстату и примерно на 8.0% г/г по расчетам через исторические ряды.

За 5м26 розница выросла на 5.0–5.1% г/г, +8.1% за два года, +19.6% за три года, +24.9% к 5м19 и +14.6% к 5м14.

▪️Официально объем платных услуг населению в мае вырос на 2.0% г/г, за 5м26 – на 2.7% г/г. Однако по историческим рядам и собственным расчетам динамика сильнее: +3.4% г/г в мае

Платные услуги за 5м26: +4.25% г/г, +8.2% за два года, +13.8% за три года, +30.2% к 5м19, +37.2% к 5м14.

Среди платных услуг в мае наиболее сильную динамику показывают:

• Электронные услуги и сервисы в области ИКТ: +14.6% г/г, за 5м26 +15.7%;
• Фитнес-центры и спортивные клубы: +11.0% г/г, за 5м26 +11.1%;
• Телекоммуникационные услуги: +6.4% г/г, за 5м26 +7.5%;
• Услуги туристических агентств и бронирования: +5.9% г/г, за 5м26 +4.9%;
• Бытовые услуги: +3.3% г/г, за 5м26 +3.3%.

Слабые сегменты:

• Транспортные услуги: -1.1% г/г, за 5м26 -0.7%;
• Гостиницы и аналогичные услуги размещения: -6.7% г/г, за 5м26 -1.4%;
• Услуги учреждений культуры: -2.2% г/г, за 5м26 -0.4%;
• Услуги гражданам пожилого возраста и инвалидам: -3.6% г/г, за 5м26 -3.2%.

Для справки, среднегодовые темпы роста по периодам: 2011-2021, 2015-2021, 2017-2019 и 2022-2026.

·         Розничные продажи: 1.10%, 0.78%, 2.63% и 4.71%
·         Услуги: 1.37%, 0.94%, 3.07% и 4.93%
·         Потребительский спрос: 1.40%, 1.24%, 3.37% и 4.73%.

В 2023-2026 среднегодовые темпы свыше 5% годовых, сейчас ближе к 6-7% – вот это и есть вертикальный взлет.

С одной стороны, статистика показывает мощный потребительский спрос в режиме «вертикального стратосферного взлета». С другой стороны, значительная часть производственного и инвестиционного контура выглядит слабой: строительство падает, инвестиции в основной капитал в 1кв26 рухнули, промышленность вне ВПК неоднородна, где 80% отраслей падают максимальными с 2009 года темпами, что компенсируется 20% драйверами роста (ВПК), а индекс выпуска около нуля.

Spydell_finance

02 July 2026 05:55

Российская экономика в мае вновь разворачивается на негативную траекторию

Индекс выпуска товаров и услуг по базовым видам экономической деятельности замедлился до 0.0% г/г в мае после 1.68% г/г в апреле и +2.21% в марте, но мартовские данные были пересмотрены заметно вниз.

Этот индекс – прокси ВВП, агрегирует базовые виды экономической активности: сельское хозяйство, промышленность, строительство, транспорт, розничную и оптовую торговлю.

Формально годовая динамика в этом году не изменилась, но база расчета прошлого года снижена с +5.3% г/г до 0.5% г/г в мар.25.

За 5м26 символическое снижение на 0.12% г/г и всего +0.81% к 5м24 (март и апрель смогли компенсировать негативную динамику в начале года, когда падение составило около 2.5% г/г за 2м26).

За 3м26 +1.31% г/г, за 6м +0.83% г/г, за 12м +1.07% г/г, +4.16% за 2 года и +17.5% к 2021 году.

По оценке Минэкономразвития, ВВП в мае вырос на 0.3% г/г, а за 5м26 – на 0.2% г/г, как и по итогам 4 месяцев.

Формально рост есть, но его качество сомнительное.

Динамика ВВП по месяцам:
• январь: -1.7% г/г;
• февраль: -1.0% г/г;
• март: +1.9% г/г;
• апрель: +1.3% г/г;
• май: +0.3% г/г.

В мае импульс почти полностью погас. Экономика не развивает восстановление, а соскальзывает обратно к нулевой траектории, тем более в 2025 база была «слабой», вблизи нуля к 2024, т.е. нулевая динамика в 2026 к прошлому году эквивалентна околонулевой динамике за два года.

▪️ Объем строительных работ в мае снизился на 4.4% г/г после -5.0% г/г в апреле, -1.9% г/г в марте, -14.0% г/г в феврале и -16.0% г/г в январе.

За 5м26 строительство снизилось на 7.4% г/г. Росстат фиксирует объем строительных работ в мае на уровне 1.44 трлн руб и 5.72 трлн за 5м26.

В этих данных не только жилое строительство, но и коммерческое, промышленное, государственное и инфраструктурное строительство.

Еще хуже выглядит жилищное строительство.

Ввод жилья в мае составил 5.5 млн кв.м, что на 7.1% ниже мая 2025. За 5м26 падение почти на 22%.

Строительство – один из самых емких мультипликаторов экономики: цемент, металл, древесина, стекло, отделочные и прочие строительные материалы, мебель, бытовая и цифровая техника, логистика, проектирование, инженерия, ипотека и т.д.

▪️ Последние доступные данные по инвестициям в основной капитал: падение составило 14.3% г/г в 1кв26 после -2.3% по итогам 2025. Это снижение на условно низкой базе 2025 года, хотя по итогам 1кв25 был рост на 6.5% г/г.

Это, вероятно, самый жесткий сигнал среди всех крупных макроиндикаторов.

Экономика может некоторое время держаться на потреблении, госрасходах, запасах и инерции ранее начатых проектов, но падение инвестиций на 14% означает удар по будущему выпуску.
Оптовая торговля стабилизировалась, но без сильного восстановления.

▪️ Оптовая торговля в мае выросла на 2.1% г/г (13.2 трлн руб) после 2.3% г/г в апреле и 8.0% г/г в марте.

После провала в январе на -9.1% г/г и феврале на -1.7% г/г мартовский скачок выглядел как мощный компенсаторный отскок, но май показывает, что восстановительный импульс быстро нормализовался.

За 5м26 оптовая торговля выросла всего на 0.6% г/г (63.1 трлн руб).

▪️ Транспорт показывает локальный отскок, но накопленно остается слабым.

🔘Грузооборот транспорта в мае вырос на 2.1% г/г, но за январь-май снизился на 1.1% г/г.

🔘Если исключить трубопроводный транспорт, картина лучше: в мае рост 6.0% г/г, за 5м26 +1.0% г/г.

🔘Железнодорожный грузооборот в мае вырос на 4.1% г/г, автомобильный – на 1.8% г/г.

🔘Погрузка грузов на железнодорожном транспорте в России составила 90.2 млн тонн в июне (данные более оперативные), +0.9% г/г после +0.3% г/г в мае и +1.8% г/г в апреле, но начало года было очень слабым и за 1П26 снижение на 1.1% г/г и обвал на 8.7% к 1П24. Текущая 6м средняя соответствует кризису 2009 и началу нулевых.

Грузооборот транспорта – один из лучших индикаторов реальной экономики, потому что если товары производятся, экспортируются, импортируются и перераспределяются между регионами, это неизбежно отражается в транспортной статистике.

Spydell_finance

01 July 2026 16:31

Направления интеграции ИИ-агентов. Начало здесь.

Нет никакого смысла приводить сектора / отрасли с высоким коэффициентом замещения ИИ, т.к. в рамках одной отрасли или компании могут сочетаться самые разные направления – исследовательская, офисная, финансовая, юридическая автоматизация и т.д.

Например, где строительная компания (работа на земле), а где LLMs? Однако, архитектура и дизайн проекта, визуализация жилищных комплексов, офисная работа внутри компании, маркетинг и автоматизация бизнес-процессов могут происходить с использованием ИИ.

Поэтому не отрасли, а скорее профессии и если еще точнее – направления интеграции, учитывая смешивание профессий.

Чтобы понять направления, нужно понять, что ИИ может делать лучше всего?

• Поиск паттернов, как первичный и самый прокаченный функционал LLMs с широким градиентом применения (финансовые закономерности, похожие формулировки, типовые ошибки, повторяющиеся жалобы, общие смысловые узлы, медиа-нарративы и т.д).

• Агрегация данных в единую, упорядоченную структуру (например, отзывы клиентов → кластер проблем, договоры → карта условий и рисков, коммерческие предложения → сравнительная таблица по конкурентам).

• Сжатие данных / конспектирование / обобщение / резюме или дайджесты (применимо для новостей, отчетов, книг, документов, переписок, стенограмм встреч, лекций и выступлений и т.д).

• Классификация / каталогизация неструктурированных массивов информации (например, разнести заявки, претензии клиентов, письма, договора или документы по типам или критериям).

• Извлечение данных по шаблонам, инструкциям (сейчас ИИ с достаточно высокой надежностью извлекает поля из документов: даты, суммы, имена, реквизиты, условия, адреса, статусы, обязательства, сроки, ограничения).

• Литературный перевод текста на любой язык.

• Справочное бюро (ответы на вопросы), путеводитель, интерпретатор, помощник по документации.

• Аналитический помощник на базовом уровне без вычленения сложных причинно-следственных связей, скорее как базовая экспертная работа (собрать факты, выделить факторы, предложить структуру, подготовить черновую гипотезу, собрать таблицу, описать отклонения и т.д.).

• Преобразование форматов (от простых задач типа преобразовать неформатные текстовые данные в числовые, так и к сложным задачам – договор → таблица рисков. техническое описание → инструкция и т.д.).

• Рерайт текста под стиль / шаблон.

• Написание формальных и служебных документов в государственные структуры, ведение отчетности.

• Разработка ПО – работа с кодовой базой, интерпретация кода, поиск ошибок, кодинг.

• Поисково-исследовательский синтез в рамках сбора информации из разных источников в соответствии с темой или задачей (сейчас надежность относительно высокая при сборе, но средняя надежность на выводах).

• Вычисления и симуляция при условии наличия проверки контрольной суммы.

Как видно сценариев применения много, причем эти сценарии можно модифицировать, комбинировать и дополнять.

ИИ хорошо выполняет поиск → агрегацию → классификацию → интерпретацию → трансформацию → базовое рассуждение → упаковку в отчет.

Что из всего этого вытекает? Работа с документами, отчетами, почтой, обслуживание потоков данных, ответы на вопросы, базовая аналитика, подготовка дайджестов, распознавание паттернов и медиа-нарративов – все это выполняется с достаточно высокой степенью надежности в середине 2026.

Все те, кто работает с текстом, данными, сообщениями и почтой и аналитикой на базовом уровне, генерирует однотипные, протокольные отчеты в рамках бюрократических процессов, безусловно, найдут пользу в ИИ.

Нужно понимать, что ИИ замещает не профессию, а повторяемые когнитивные операции внутри профессии.

Бухгалтер, юрист, аналитик, маркетолог, архитектор, инженер, менеджер проекта, врач, преподаватель или программист не замещаются целиком. Но внутри их работы есть блоки, которые LLM-агент делает очень хорошо: поиск, сжатие, классификация, извлечение, сопоставление, черновая подготовка, структурирование, справочная информация, первичная аналитика.

Spydell_finance

01 July 2026 06:26

Направления интеграции ИИ-агентов

Продолжаю цикл материалов (актуализировано на середину 2026, но все меняется очень быстро) относительно направления, аккумулирующего триллионы долларов.

Отступая от лирики, сразу к сути. Какие условия и критерии наиболее успешной интеграции ИИ-агента?

🔘Контур валидации (самое важное) обеспечивает обратную связь ИИ-агента с реальностью и именно на верификации результатов ИИ-агентов рассыпаются все проекты. В кодинге (наилучшая интеграция) это происходит в режиме реального времени через интерпретатор и компилятор (либо работает код, либо нет), но даже работающая программа может включать скрытые баги и сломанную логику.

🔘Частота процесса – чем чаще инициализируется операция / задача, тем быстрее способность к возврату инвестиций в ИИ-агента.

🔘Уровень формализации задачи задает границы допусков и четкость инструкций – в прикладных задачах эффективность ИИ-агентов кратно выше.

🔘Доступ к данным – чем более упорядочены, стабильны и точны данные, тем выше способность к генерации целевой структуры выходных токенов (ответа ИИ модели).

🔘Коэффициент замещения и экономический эффект – ИИ-агент должен однозначно приводить к росту производительности и экономической эффективности, иначе он не имеет смысла, ИИ-агенты обязаны замещать исходные процессы интегрированные ИИ-системами, приводя к автоматизации бизнес-процессов.

🔘Прочие условия в виде отката итераций (наличие бэкапов), логов операции (журнал действий), политики безопасности (права доступа к данным и экосистеме корпоративных проектов), прерывания (возможность вмешательства оператора в итерации) и другие функции являются обязательными атрибутами зрелых ИИ-агентов.

Прежде чем перейти к направлениям, где ИИ-агенты наиболее эффективны, попробую сначала обрисовать концептуальные допуски и ограничения.

▪️ ИИ хорош там, где процесс повторяется часто, данные доступны и структурированы, есть понятный механизм оценки результата и автоматическая валидация, присутствует сверка по контрольной сумме, цена ошибки ограничена, задача формализуема и автоматизируема, процесс подлежит непротиворечивой декомпозиции, а условия в идеале статичны с внятным / очерченным критерием завершения с низкой ответственностью за генерацию.

При всем вышесказанном возможны непротиворечивые оценки KPI ИИ-агента и глубины автоматизации, чтобы выравнивать экономическую целесообразность (стоимость ИИ-агента + цена интеграции, калибровки и внешней валидации).

ИИ хорошо работает там, где поток данных, информации упорядочивается в некое единообразие, структуру, из которой извлекаются паттерны и зависимости – здесь наивысшая надежность и эффективность.

▪️ Соответственно, ИИ плохо работает в динамической среде с неявными контурами с невозможностью полной формализации, в нестабильном / дискретном потоке противоречивых, неструктурированных данных, где декомпозиция факторов является дискуссионной, иерархия приоритетов – несформированной, задача носит избирательный характер, а частота вызовов достаточно редка, а финальный результат сложно проверить в автоматизированном режиме при высокой цене ошибки.

Еще раз повторю и это действительно критически важно – если результат работы ИИ невозможно автоматически верифицировать, затраты на ручную верификацию результатов часто выше, чем затраты на работу вне контура ИИ (без ИИ-агентов), другими словами, проще вообще без ИИ.

Валидация / верификация – этот тот центральный «хребет», на котором держится вообще все. Нагенерировать можно все, что угодно, но малейший сбой приводит к наследованию ошибок, что при большом количестве итераций приведет к коллапсу всего проекта.

ИИ в отличие от опытного оператора не имеет интуиции и «чувства неверного пути», поэтому ИИ-агенты с плохо сформированными инструкциями, низконасыщенным контекстом, в плохо формализуемой среде и без инструментов валидации неизбежно коллапсируют, т.е. приводят к неверным, ошибочным результатам.

Я не говорю о том, что ИИ-агенты неэффективны, я лишь призываю разделять направления. Об этом в следующем материале.

Spydell_finance

30 June 2026 16:36

Что мешает ИИ-агентам стать универсальным бустером в бизнесе и науке?

Сотни миллиардов капитальных расходов ведущих ИИ-провайдеров, десятки триллионов долларов капитализации, многотриллионная экономика сейчас строится вокруг ИИ-агентов, как основной драйвер развития ИИ, роста производительности и технологического прогресса, но так ли это?

В формализуемых областях ИИ-модели резко усилились: программирование, математика, инженерные, физические и офисные задачи (работа с электронными таблицами и документами).

Там, где есть четкая постановка, проверяемый результат и возможность использовать инструменты, LLM уже может демонстрировать положительный эффект.

Но в открытых и динамических системах проблема остается: экономика, финансовые рынки, консалтинг, юриспруденция, политика, социальные процессы, биология в реальной среде, долгосрочное планирование, стратегические решения, физический мир и робототехника.

Что все это объединяет? Динамическая среда функционирует в среде обитания и взаимодействия человека – эти процессы практически невозможно моделировать.

В этих областях недостаточно перечислить факторы. Нужно понимать их вес, иерархию приоритетов, обратные и причинно-следственные связи, режимные сдвиги, скрытые ограничения и вторичные эффекты.

Однако, наибольшая сложность часто заключается в поиске актуальных и достоверных данных – ведь сложность не просто в установлении зависимостей, которые непрерывно меняются (усиливаются, ослабляются или распадаются), но и в фиксации адекватного набора данных, отражающих реальные процессы (сейчас с этим проблема из-за ограничений публикации корпоративной или макроэкономической статистики, ухудшения качества сбора данных).

ИИ-агенты хорошо работают в инкубаторе, где среда изолирована, четко формализована, предсказуема, подчиняется математическим или физическим законам, но как только контуры становятся размытыми, данные – неполными или противоречивыми, а связи – нестабильными или несформированными с целым комплексом неоднозначностей, все рассыпается.

Чем хорош кодинг и почему там успех ИИ-агентов? Там валидатор в виде встроенного компилятора и интерпретатора, который в режиме реального времени «возвращает ИИ-модели в реальность». Это четко формализуемая среда.

Реальный, открытый мир – он не такой. Даже человек не способен однозначно установить критерий истинности, меру правдивости и адекватности данных, поэтому нет ничего удивительного в том, что высокая эффективность в одних классах задач (кодинг, математика, некоторые инженерные задачи) одновременно сопрягается с катастрофически низкой эффективностью в динамических открытых системах (все, что связано с взаимодействием человека).

Поэтому, рассуждая об ИИ-агентах, нужно изначально разделять класс задач на формализуемые (прикладные задачи в области кодинга, математики, физики и химии – относительно высокая эффективность) и неформализуемые (все, что прямо или косвенно касается взаимодействия человека) – очень низкая эффективность.

Но даже в группе формализуемых задач следует понимать специфику выполнения задачи со стороны ИИ-агента. Если в обучающем корпусе данных не представлено решение задачи, что с высокой вероятностью так и есть, ИИ генерирует исполняемый в своей виртуальной среде скрипт, который «как бы решает задачу». Условно говоря, пишет свой калькулятор, если задача была «что-то посчитать».

Где здесь уязвимость? ИИ-агент никогда и ни при каких обстоятельствах не сможет конкурировать с высокоразвитыми программными комплексами, написанными человеком, а из этого следует, что уровень прикладных задач, который эффективно обслуживается ИИ-агентами – находится чуть выше уровня калькулятора – то, что можно накодить «на лету».

Какой центральный вывод, за который я хочу зацепиться? ИИ превосходно конспектирует и каталогизирует неструктурированные массивы данных (работа с письмами, текстом, отчетами и документами), способен решать некоторые задачи, но вот уровень этих задач изначально находится на достаточно низком уровне, который не позволит заместить эксперта-человека, ограничивая масштаб применения ИИ-агентов.

Spydell_finance

30 June 2026 07:42

ИИ-агенты

Сейчас информационное пространство в сегменте ИТ нашпиговано нарративами об ИИ-агентах как панацее от всех проблем.

Не нужно идеализировать ИИ-агентов.

Концептуально точнее всего определять агента через пять обязательных компонентов: пространство решений и допусков + цикл (итеративная петля действие-наблюдение) + инструменты (ИИ интерфейс к среде выполнения для буста задач по определенным алгоритмам) + память через внешние коннекторы + цель в рамках строгих инструкций (заданное человеком целеполагание). Отсутствие любого из пяти компонентов превращает агента обратно в ассистента или генератор.

Как мне видится, наиболее емкое определение ИИ-агента звучит примерно так – автоматизированная интеллектуальная система, которая способна самостоятельно декомпозировать поставленную задачу на блоки, фрагменты, этапы и составляющие, находить нужный инструмент под каждую задачу (инструментальная оркестрация), запускать цикл выполнения с обязательной валидацией (действие → наблюдение → коррекция), обратимостью (возможности отката на несколько итераций назад), действуя при этом строго в рамках очерченных инструкций, контуров и допусков, где целеполагание и формализацию задачи определяет оператор.

Автономность определяется итерационным циклом до момента полного достижения результата или отказа от выполнения, если результат невозможен в рамках существующих ресурсов.

У модели нет внутреннего критерия истины, поэтому подлинная валидация всегда опирается на внешний верификатор. Агент, «валидирующий сам себя», не валидирует, а галлюцинирует уверенность.

ИИ-агент – это интеллектуальная система, которая превращает заданную человеком цель в последовательность инструментально оркеструемых действий, инструкций, проверяя каждую вычислительную итерацию внешней обратной связью, и оставаясь внутри очерченных границ, допусков и обратимости.

Таким образом, ИИ-агент – это контур из четырех обязательных элементов: вычислительный инкубатор (изоляция исполнения) + допуск к специализированным инструментам (автоматизированным, универсальным или специализированным) и коннекторам (внешняя память или поток данных) + валидатор / верификатор результата + внешний итерационный контроль через оператора.

По уровню автономии можно разделить на условные чат-боты / copilot (человек на каждом шаге), исполнитель под надзором (человек на контрольных точках), делегат (выборочный аудит человеком постфактум), автономный сервис (человек только при инцидентах или сбоях).

Любой реальный ИИ-агент – это точка в пятимерном пространстве, а не один «вид». Споры о «типах агентов» безрезультатны, пока не разведены оси:

Ось 1 – архитектурный паттерн определяет процедуры функционирования и методы обработки информации.

Ось 2 – среда действия: терминал/код (верифицируемая), API/SaaS (полуверифицируемая), браузер/веб (открытая, недоверенная), GUI/компьютер, физический мир.

Ось 3 – роль: ассистент (усиливает человека) → делегат (берёт задачу целиком) → автономный оператор (владеет процессом) → координатор (управляет другими агентами).

Ось 4 – топология: одиночный → с субагентами → гетерогенная мультиагентная система (разные модели под разные роли).

Ось 5 – горизонт жизни: сессионный (минуты-часы) → процедурный (часы-дни) → резидентный (недели или на постоянной основе).

Где самое слабое звено в 2026 году? Валидатор и верификатор. Что есть истина? Без критерия истинности происходит непрерывное наследование ошибок и неизбежный коллапс модели на длительных итерациях.

Практически все ИИ-агенты ломаются на валидаторах. По-настоящему надежной сверки не существует в условиях динамических систем и процессов, где «истина барражирует», т.е. связи между объектами непрерывно модифицируются и в своей основе являются неустойчивыми, когда невозможно не только оперативно произвести сверку параметров, но и установить иерархии и зависимости между объектами.

Это предполагает, что значительный кластер задач в динамических системах не будет автоматизирован в существующей архитектуре, значительно ограничивая сферу применения ИИ-агентов.

Spydell_finance

29 June 2026 16:40

Способны ли современные LLMs принести пользу в реальных рабочих проектах? Начало здесь.

Не все так однозначно и линейно. Ретранслирую собственный опыт внедрения LLMs в научно-исследовательские проекты.

▪️Помимо значительных проблем в верификации результатов, LLMs страдают врожденной неизлечимой болезнью, которая называется «отсутствие вычислительной предсказуемости».

В творческих проектах, как и в мозговых штурмах нужна вариативность, поэтому нестабильность выходных результатов является преимуществом, а не недостатком, т.к. создает дополнительное пространство решений, расширяя спектр векторов решения задачи.

В точных науках нужны противоположные требования – предсказуемость и стабильность генерации результата так, как в условном «калькуляторе», когда задача, запущенная в любое время с исходными параметрами, возвращала бы идентичный результат.

С этим проблемы – с LLMs никогда не знаешь, куда тебя заведет непредсказуемая траектория генерации ответов. Да, через настройки, инструкции и изоляцию среды эту проблему можно решить, но лишь частично.

В отсутствие стабильности результата снижается предсказуемость и способность к планированию, что вновь повышает издержки на контроль и верификацию результата.

▪️Из этого следует, что никакой по-настоящему автономной ИИ системы в текущих реалиях сделать невозможно (в сложных проектах).

ИИ агенты представляют собой автоматизированные скрипты (как правило, в рамках локальной задачи), предполагающие интеллектуальную декомпозицию задачи, поиск инструментов, планирование и решение с верификацией результата.

Чем проще проект, чем более одномерная задача и четкие границы формализации со статичными условиями – тем выше способность к автоматизации, однако, в многомерных задачах с размытыми контурами, в динамических условиях и при отсутствии четких критериев истинности – автоматизация рассыпается.

Например, запустить ИИ агента по сбору и сортировке электронных писем с четко заданными параметрами – задача выполнима, но запустить ИИ агента по поиску и моделированию точки срыва экономической и политической системы – однозначно нет, это же касается и любых управленческих задач.

Было бы правильнее воспринимать ИИ как плагин для автоматизации одномерных задач, а не как универсальное средство для сборки и интеграции сложных проектов.

Где LLMs действительно хороши? В аппроксимации, интерполяции паттернов. Там, где формируется четко формализованный вектор, LLMs создают эффективную и достаточно правдоподобную матрицу решений.

Однако, в условиях фазовых переходов, LLMs бессильны. Как это корректно интерпретировать?

Если задача состоит в том, чтобы систематизировать, конспектировать и интерпретировать накопленную аналитическую базу по какому-либо вопросу – здесь LLMs при правильно сформированном запросе могут давать блестящий результат.

Если задача состоит в том, чтобы на основе неструктурированных массивов противоречивых данных выработать адекватную интерпретацию происходящих процессов – здесь LLMs с очень высокой вероятностью окажутся бессильными.

Таким образом, для систематизации опыта человечества – да, но для генерации новых идей и фазовых переходов – однозначно нет.

Все, что касается «неизведанной территории» – сразу мимо. LLMs – это эффективный механизм для компрессии и декомпрессии информации с поиском паттернов и закономерностей, но не для сложных динамических систем с размытыми контурами, противоречивыми данными и динамической, нестабильной иерархией приоритетов.

В этом контексте отвечая на вопрос, могут ли быть полезны LLMs, нужно понимать цели и задачи. Для инновационных решений – нет, а для поиска паттернов и эффективного конспектирования – да.

▪️Помимо проблем с верификацией, нестабильных результатов и квази-автономии, есть еще одна неизлечимая врожденная болезнь – галлюцинации.

В этом направлении проделана огромная работа, интегральная стабильность заметно выросла, но галлюцинации лишь сократились, а не были устранены, что по умолчанию вшивает в любой проект «скрытый баг», на поиск и идентификацию которого могут уйти огромные ресурсы.

Spydell_finance

29 June 2026 07:03

Способны ли современные LLMs принести пользу в реальных рабочих проектах?

Однозначно – да, но все зависит от типа и формата проекта. Не буду углубляться в теорию и технические термины, а сразу расскажу, помогают ли LLMs в собственных проектах?

Эффект крайне неравномерен, сильно фрагментирован и нестабилен.

Оценка эффективности предельно прозрачна – совокупные ресурсы и время, затраченные на финализацию определенной задачи с использованием LLMs или без LLMs.

Например, какой бюджет токенов нужно консолидировать и сколько времени затратить на формализацию задачи, ожидание выполнения и фактчекинг с использованием LLMs и сколько ресурсов и времени уходит без LLMs.

В какой точке конструкция рассыпается? Главное и фундаментальное препятствие – затраты на верификацию результата.

Опыт использования комбинации самых мощных на сегодняшний день LLMs показывает, что они способны выдавать визуально блистательные (оформленные как солидные академические и консалтинговые исследования) с очень правдоподобным (на первый взгляд) наполнением результаты.

Первый и беглый взгляд показывает – превосходная работа, но … при верификации все начинает рассыпаться, а именно:

🔘Неверная развесовка факторов, параметров и искаженная иерархия приоритетов, что почти всегда ломает всю архитектуру проекта.

🔘Неравномерная контекстная развертка, когда одни направления могут быть избыточно подробно описаны, а другие, наоборот, необоснованно поверхностно.

🔘Концептуальные пробелы – неполное раскрытие вопросов и факторов, неучет множества обстоятельств.

🔘Неверная декомпозиция задачи на составляющие элементы и неверное задание векторов исследования.

🔘Очень частые ошибки в фактуре, как случайные, так и «намеренные», когда модели галлюцинируют, выдумывая «факты».

🔘Неверная консолидация источников информации. Часто решается принудительным ограничением контекстного пространства / источников информации.

🔘Очень часто сломанный стиль повествования, что требует глубокого рерайта.

Что получается на практике? LLMs генерируют огромное количество лонгридов, но на проверку, верификацию, переосмысление и рерайт которых уходит неприемлемое количество времени, сильно превышающее время на самостоятельное исследование.

Как это происходит на практике?

1. Формализация запроса с подробной проработкой техзадания для учета всех факторов, обстоятельств, требуемых векторов исследования и стиля повествования – 10% времени

2. Наполнение моделей контекстом – внутренний готовый набор данных, спектр внешних источников – 5% времени.

3. Ожидание генерации ответа (часто может идти десятки минут) сразу в нескольких моделях – 4% времени.

4. Правки по ходу выполнения – 3% времени.

5. Сведение результатов 3-5 LLMs в единую матрицу для концептуального наслоения – 13% времени.

6. Очень длительный процесс верификации полученного ответа – примерно 65% всего времени, а часто еще больше.

Таким образом, постановка задачи примерно 15% времени, генерация ответа – 7%, сверка результатов – 13%, а проверка и контроль – 65%.

Слабое звено – проверка и верификация, которые поглощают основные ресурсы.

На моем опыте, комбинация самых мощных LLMs приводит не к росту производительности, а к радикальному снижению. Насколько? Примерно в 5 раз.

Ту работу, которую можно делать самостоятельно за час, на нее с использованием ИИ займет примерно в 5 раз больше времени и это в наиболее оптимизированном сценарии использования.

В моем классе задач, при моем опыте, накопленных знаниях и навыках, LLMs ухудшают работу, а не улучшают, и речь идет о существенно, иногда кратном ухудшении.

Это не значит, что LLMs – плохи или бесперспективны для определенного спектра задач. Ни в коем случае. В будущем я приведу спектр и категории задач, где LLMs наиболее эффективны.

Я лишь описываю собственный опыт, но при всем этом я остаюсь технооптимистом, т.е. верю в то, что технологии будут улучшаться, захватывая все больше ранее нерешенных задач.

Причем значительный класс задач так и остается принципиально неразрешимым с использованием ИИ (об этом в других материалах).

Spydell_finance

27 June 2026 07:39

Инфляция в США неприемлемо высока

В мае рост цен в США составил 0.45% м/м по индексу PCE (участвует в расчете ВВП США и ДКП ФРС) после 0.41% в апреле и 0.67% в марте и это неприемлемо высокие показатели по историческим меркам.

За 3м – 0.51%, 6м – 0.43%, 12м – 0.33% по сравнению со средними показателями 0.23% в 2023-2025 и всего 0.14% в 2017-2019.

Здесь вот, что любопытно, в момент инициализации тарифного безумия (апр.25) по ноя.25 среднемесячная инфляция по PCE была всего 0.22%, что было немного выше 12м средней до тарифного идиотизма – 0.19% с апр.25 по мар.25.

Но даже те «прекрасные данные» до «дня освобождения от здравого смысла» были примерно в 1.4 раза выше, чем норма. Сейчас даже 6м средней результаты вдвое выше показателей в 2024 и более, чем втрое выше нормы.

Если оценивать по 3м средней – совсем запредельные отклонения – в 3.6 раза выше нормы.

Эти данные однозначно снимают с повестки вопрос о смягчении ДКП ФРС.

Чтобы понимать, насколько все запущено – по 6м средней последний раз столь омерзительные результаты были … в окт.22 в цикле агрессивного ужесточения ДКП, а по 3м средней – в середине 2022, когда наблюдался инфляционный шторм.

Это не просто плохие данные, это полный провал концепции таргетирования инфляции. По-хорошему, пора ужесточать ДКП и причем срочно, учитывая бэкграунд – более 5 лет непрерывного превышения инфляции над таргетом.

Чем обусловлен рост PCE на 0.45% м/м в мае?

Наибольший положительный вклад внесли:

• Топливо: 0.129 п.п vs 0.014 п.п нормы в 2017–2019;
• Финансовые услуги и страхование: 0.100 п.п vs 0.025 п.п нормы;
• Медицина: 0.065 п.п vs 0.025 п.п;
• Прочие услуги: 0.062 п.п vs 0.009 п.п;
• Жилье и коммунальные услуги: 0.056 п.п vs 0.045 п.п;
• Транспортные услуги: 0.027 п.п vs 0.006 п.п;
• Общепит и гостиницы: 0.021 п.п vs 0.013 п.п;
• Прочие товары длительного пользования: 0.012 п.п vs -0.002 п.п.
 
Указанные категории обеспечили практически весь рост PCE в мае, но принципиально важно: это не только топливо.

Да, энергетический импульс огромный, но даже без топлива месячный рост PCE остается около 0.30 п.п, что все равно более чем вдвое выше нормального доковидного темпа.

Товары в мае дали около 0.136 п.п вклада, услуги – около 0.313 п.п. Основной инфляционный импульс уже в услугах, хотя главный разгон относительно нормы все еще идет через топливо и отдельные товарные категории.

За последние 3 месяца инфляция выглядит еще хуже.

В общем среднемесячном росте цен на 0.51% наибольший вклад обеспечили:

• Топливо: 0.219 п.п vs 0.014 п.п нормы;
• Жилье и коммунальные услуги: 0.073 п.п vs 0.045 п.п;
• Медицина: 0.043 п.п vs 0.025 п.п;
• Финансовые услуги и страхование: 0.040 п.п vs 0.025 п.п;
• Развлекательные товары и предметы для хобби: 0.036 п.п vs -0.009 п.п;
• Транспортные услуги: 0.028 п.п vs 0.006 п.п;
• Общепит и гостиницы: 0.026 п.п vs 0.013 п.п;
• Прочие услуги: 0.021 п.п vs 0.009 п.п;
• Одежда и обувь: 0.013 п.п vs -0.002 п.п;
• Прочие товары длительного пользования: 0.012 п.п vs -0.002 п.п.

Сверхнормативное отклонение PCE за последние 3м составляет около 0.37 п.п к норме 2017–2019.

Наибольшее отклонение от нормы:

• Топливо: +0.205 п.п;
• Развлекательные товары и предметы для хобби: +0.044 п.п;
• Жилье и ЖКХ: +0.029 п.п;
• Транспортные услуги: +0.022 п.п;
• Медицина: +0.019 п.п;
• Одежда и обувь: +0.016 п.п;
• Финансовые услуги и страхование: +0.014 п.п;
• Прочие товары длительного пользования: +0.014 п.п;
• Общепит и гостиницы: +0.013 п.п;
• Прочие услуги: +0.012 п.п.

Ключевой вывод: топливо объясняет примерно 56% всего отклонения PCE от доковидной нормы за последние 3 месяца, но оставшиеся 44% формируются широким фронтом: услуги, импортозависимые товары, транспорт, медицина, финансовые услуги и жилье.

Товары за последние 3м дали 0.268 п.п вклада против 0.007 п.п нормы, услуги – 0.241 п.п против 0.136 п.п нормы.

Инфляционный импульс уже не является исключительно энергетическим. Энергия запустила и усилила отклонение, но инфляционный фон идет широким фронтом.