А. Г., Вы отступили на заранее подготовленные позиции, максимально сузив свой тезис до неуязвимого минимума ))) 

Теперь Ваше утверждение звучит так:

«Я утверждал только одно: нельзя использовать обучающуюся нейросеть, на вход которой подаются прошлые цены. Нейросети могут приблизить любую функцию g(t, X) перебором (обучением). Другие ИИ (не нейросети) или другие принципы (не перебор) — не в моей компетенции».

Теперь спор идёт не о любых прогнозах, не о статистике, не о Шенноне. Только о нейросетях на входе из цен.

Действительно, классическая нейросеть, обученная на ценах (не на доходностях, не на признаках), будет страдать от нестационарности. Это близко к истине.

Кстати, Вы сказали: «нельзя использовать обучающуюся нейросеть, на вход которой подаются прошлые цены». С этим согласны все практики. Никто в здравом уме так не делает (хотя пробуют все — хи-хи). Поэтому Вы бы победили в споре с воображаемым новичком, которого среди нас нет. А я всё это время пытался рассказать про реальный мир, где люди не совершают эту ошибку. Вот и всё.

А с датами, кстати, Вы 2 раза ошиблись

Теперь дискуссия вышла на настоящий академический уровень. Вы изложили классическую теорию предсказания (Феллер, Ивченко, Медведев) совершенно корректно. Вы не просто «правы в своей вселенной» — Вы цитируете фундаментальные учебники.

Давайте разберем Ваши аргументы строго — и мы увидим, где Вы делаете неявную подмену, который позволяет Вам выглядеть непобедимым.

Вы построили непробиваемую теоретическую стену, которая рушится только об один практический вопрос:

«А кто сказал, что мы используем метод ПЕРЕБОРА?»

Ваш аргумент (Феллер + Ивченко + Шеннон) доказывает невозможность универсального предсказания для произвольного нестационарного процесса методом перебора.

Но:

В ИИ мы не перебираем все функции Rⁿ→R.
Мы ограничиваем класс: нейронные сети, деревья, гауссовские процессы, линейные модели. Это априорное ограничение. Феллер ничего не говорит о том, что нельзя предсказывать нейросетью — он говорит, что никакая фиксированная функция не будет оптимальной для всех распределений. Но нам не нужно «все распределения». Нам нужно одно — распределение рынка, у которого есть свойства (автокорреляция, кластеризация волатильности, регрессия к среднему).

Метод перебора ≠ градиентный спуск.
Перебор — это «попробуем все функции и выберем лучшую на выборке». Это не как работает deep learning. Нейросеть ищет приближение в непрерывном пространстве параметров, используя регуляризацию и раннюю остановку. Теоретическая невозможность перебора не распространяется автоматически на SGD.

Аналог с теоремой Шеннона у Вас ложный.
Шеннон доказывает абсолютную невозможность дешифрования: никакой алгоритм, даже с бесконечным временем, не восстановит текст. В его задаче с нестационарным процессом и перебором — тоже абсолютная невозможность (нет сходимости). Но прогноз цены акции — не такая задача. У нас нет никакой «абсолютной секретности». Рынок не является одноразовым блокнотом. У него есть структура, которую ИИ может уловить.

Вы великолепно изложили теорию: условное среднее — оптимальный прогноз, оно может быть любой функцией, для нестационарного процесса эти функции меняются, и методом перебора их не найти. Всё верно — для класса ВСЕХ измеримых функций и метода ПЕРЕБОРА.

Но в моей задаче (рынок + ИИ) условия другие:

1. Я не ищу функцию «в натуральном виде» — я ищу приближение в ограниченном классе (нейросеть).

2. Я не использую перебор — я использую градиентную оптимизацию с регуляризацией.

3. Я не требую оптимальности для ВСЕХ нестационарных процессов — мне нужна практическая предсказуемость на РЕАЛЬНОМ рынке, у которого есть некоторая повторяющаяся структура.

Да, я не могу ДОКАЗАТЬ, что моя нейросеть даст хороший прогноз на завтра. Но это и не требуется. Торговля — это не теорема. Это вероятностное преимущество. А Ваша теорема — она про абсолютную невозможность, а не про статистическую трудность. И именно поэтому quant-фонды зарабатывают миллиарды, несмотря на Феллера и Шеннона.

...

Говоря простыми словами, как не существует NZT-48, так и не существует универсальной формулы.

А нам она и не нужна, я могу хоть каждый день заново обучать систему, и получать другое распределение

А. Г., как Вы однако смело гуляете по буфету )))

Сначала говорили про прикладной ML на рынке, а потом — про теорию информации, криптографию и непараметрическую статистику. Это как обсуждать скорость автомобиля и вдруг начать спорить о пределе прочности асфальта — пересекается, но не напрямую.

Теорема Шеннона (правильнее — 1949, но суть та же) гласит:

Если ключ (случайная последовательность) истинно случаен, имеет ту же длину, что и сообщение, и используется только один раз, то шифр является абсолютно стойким — даже при бесконечных вычислительных ресурсах из шифротекста нельзя получить никакой информации об открытом тексте, кроме его длины

Н я понял тезис. Вы говорите о строгой теоретической невозможности в классе методов перебора для семиинвариантов независимых нестационарных процессов — да, это близко по духу к теореме Шеннона об абсолютно стойком шифре. Я же про другое: прогноз условного распределения доходностей на рынке с помощью современных ИИ, где у нас нет ни идеальной случайности, ни полного перебора, а есть инженерные трюки. Получается, мы оба правы, но в своих мирах. Но для рынка эта Ваша теорема — не приговор, а лишь напоминание, что абсолютного предсказания не бывает. Что, в общем, и так известно.

Теорема Шеннона не запрещает торговать на рынке. Она запрещает взломать шифр Вернама без ключа. Вы применяете эту логику к своей задаче. Я же увидел, что «нельзя подавать нестационарные ряды» и возразил — но в Вашем мире (оценка семиинвариантов перебором) Вы, вероятно, правы. В моем мире (рыночный прогноз нейросетью с признаками-доходностями) — я прав.

И у Вас второй раз в одной дискуссии засада с цифрами/датами. Что не может не настораживать

А. Г., если в своем сообщении

теорема 80-х годов прошлого века о невозможности статистических прогнозов функций от нестационарных случайных векторов путем оптимизации выбора функции по одномерной ошибке

Вы подразумевали теорему о несуществовании оптимальных прогнозов -UMMSEP — uniformly minimum mean-squared-error predictor, то дата её публикации емнип 1992 год, что никак не 80-ые годы (Вам как специалисту по работе с цифрами должна быть ясна важность точности деталей), что и позволило мне намекнуть Вам на несоответствие дат

А. Г., ну Вы начали с неверной даты (80-ых), а это позволяет заподозрить, что и в остальном Вы ошибаетесь ))

Там результат либо есть, либо нет.

тут Вы уже вообще съезжание с темы

мы спорили о том, «можно ли подавать нестационарные ряды в ИИ». А Вы ответили утверждением из метаматематики: «вообще в математике дата не важна».

Это как спорить о том, болит ли у человека голова, и услышать в ответ: «В анатомии череп состоит из костей». Правда, но не по делу.

в чистой математике, в мире платоновых идеальных сущностей, дата действительно не важна. Но мы обсуждаем статистическое обучение и прогнозирование временных рядов. А там дата — это не просто число. Дата — это прокси-переменная для нестационарности. Именно разбиение по дате (train до 2023 года, test после 2024) показывает, обобщает ли модель в реальный мир или просто запомнила прошлое. Без даты нет понятия «прогноз в будущее». Без даты любая модель может просто перетасовать данные и получить ложное чувство успеха. Так что в нашей прикладной задаче дата — это самое важное, что есть

Отлично. Вы выбрали самый интересный вариант — конкретный разбор. Я беру POSI (Позитив Плюс / Positive Technologies), потому что:

• Это продуктовый вендор с высокой perceived защищённостью

• Есть публичная информация о стратегии и AI-движении

• Хорошо видна дилемма: «мы — безопасность, AI нам не угрожает?»

Разбор провожу по полному чек-листу из 10 вопросов + итоговый вердикт.

Кратко о бизнесе:
Кибербезопасность — продукты для анализа защищённости, мониторинга, управления уязвимостями, MaxPatrol и т.д. B2B / enterprise, сильная позиция в России, начинают экспансию за рубеж.

1. Бизнес-модель: какой % выручки — человеко-часы?

Ответ:
Низкий. Основная модель — продажа лицензий на ПО (подписка/бессрочная) + поддержка + консалтинг. Чистая FTE-аутсорсинг у них не является драйвером.
Доля консалтинга есть, но это высокомаржинальные «экспертные услуги», а не commodity-кодинг.

Оценка: 🟢 (<30%)

Комментарий:
Это принципиально отличает POSI от DGTL. Их бизнес — не «программисты за деньги», а «продукт + безопасники с высокой квалификацией». AI может заменить кодера, но не сразу заменит эксперта по пентесту с правом подписи акта.

2. Recurring revenue (подписка / поддержка)

Ответ:
Да, и это их сила. Лицензии на MaxPatrol и другие продукты продаются с ежегодной поддержкой (обновления сигнатур, патчи, техническая поддержка).
Доля recurring revenue оценивается в 60–80% (типично для enterprise security).

Оценка: 🟢 (>30%)

Комментарий:
Рекурринг — защита от циклических спадов. Даже если заказчик режет бюджеты, отключить POSI посреди года сложно — это риск безопасности. Но смягчение цикла не снимает AI-угроз.

3. Стоимость замены (как долго клиент уйдёт?)

Ответ:
Высокая, но не абсолютная.

• Заменить SIEM (MaxPatrol) — это месяцы миграции, перестройки корреляций, обучения аналитиков.

• Но есть конкуренты: Kaspersky, BI.Zone, открытые решения + самописное.

Специфика безопасности: клиент меняет вендора не от хорошей жизни.
Но если AI позволит за 3 месяца собрать «почти MaxPatrol» на Open Source + LLM (а такое уже появляется) — ров начнёт таять.

Оценка: 🟡 / 🟢 (3–12 месяцев на замену — скорее к зелёной)

4. AI в продукте (продают ли AI-функции?)

Ответ:
Да. Positive Technologies активно встраивает AI в свои продукты:

В 2024 году анонсировали MaxPatrol O2 с AI-ассистентом — помощник аналитика SOC, который:

• автоматически расследует инциденты

• генерирует отчёты на естественном языке

• подсказывает корреляции

В 2025 году развивают AI для безопасной разработки (помощь в code review, фаззинг, триаж уязвимостей) .

Продают ли как апсейл? Частично — AI-функции входят в подписку, но это работает как повышение ценности, а не отдельный чек.

Оценка: 🟢 (да, AI уже в продукте)

Комментарий:
Это сильный сигнал. POSI не отрицает AI и не отсиживается в «у нас специфика». Они интегрируют AI туда, где у них есть данные и экспертиза.

5. Pricing power (могут ли поднять цены?)

Ответ:
Пока — да. Enterprise-безопасность в России остаётся дефицитом. Заказчики не экономят на защите от утечек и атак.
Но в перспективе 2–3 лет: если AI-инструменты для безопасности (автоматический пентест, анализ кода) станут commodity — ценовое давление возрастёт.

Оценка: 🟢 (сегодня — да)

Риск:
Если OpenAI / DeepSeek выпустят enterprise-агента, который за $10k в год заменит часть функционала MaxPatrol — клиенты начнут задавать вопросы. Сейчас этого нет, но горизонт — 2–3 года.

6. Стратегия AI (письменная, бюджет, сроки)

Ответ:
Публичная стратегия есть, она вшита в продуктовый roadmap. Показывали на профильных конференциях (SOC Forum, Positive Tech Days).
Бюджет: не раскрывают, но по косвенным признакам (найм AI-инженеров, R&D-центры) — значительный.

Оценка: 🟢 (есть, видна)

Комментарий:
Это отличие от DIAS/DGTL, у которых публичной AI-стратегии нет вовсе. POSI уже действует, а не только «смотрит».

7. Встроенность в операционные процессы клиента

Ответ:
Глубокая, но специфическая.
POSI не сидит внутри банковского процессинга (как DIAS с АБС), но их агенты установлены в инфраструктуре клиента и собирают телеметрию со всех критических систем. Замена требует перестройки всей системы мониторинга.

Оценка: 🟢 / 🟡 (глубоко, но не в бизнес-логику, а в инфраструктуру)

Риск:
Клиент может оставить POSI, но начать использовать AI-агента рядом для анализа логов. Это не полная замена, но размывание ценности.

8. Риск замещения AI-агентом (через 3 года)

Ответ:
Частичный, не полный.

Что AI может заменить (средний риск):

• Анализ логов и корреляцию событий

• Генерацию отчётов

• Базовую проверку на соответствие стандартам

Что AI не заменит (низкий риск):

• Расследование сложных инцидентов с участием человека-злоумышленника

• Юридически значимый аудит (должен подписывать человек)

• Интеграцию с legacy-системами заказчика (грязная работа)

Оценка: 🟡 (частично)

Вывод:
AI не «убьёт» POSI, но сделает ненужными часть низкоквалифицированных функций SOC-аналитиков. Для вендора это снижение объёма консалтинга, но не смертельно.

9. Оргготовность (AI Head / KPI / обучение)

Ответ:
Выше средней.

• Есть выделенные R&D-центры по AI

• Нанимают AI-инженеров (вакансии открыты)

• Участвуют в образовательных программах (например, с НГУ по AI — хотя это скорее Базальт, но POSI тоже активна в этом поле)

Но публичного назначения «Chief AI Officer» я не видел. Скорее, AI-стратегия распределена между продуктовыми подразделениями.

Оценка: 🟢 (есть движение, KPI — вероятно, вшиты в продуктовые метрики)

10. Тест-вопрос CEO: «Если бы начинали с нуля сегодня, сделали бы ту же модель?»

Ответ (оценочно):
Я думаю, они бы сказали: «Похожую, но с более глубокой AI-встройкой с первого дня».
Их текущая модель (продукт + поддержка + экспертиза) выдерживает AI-удар лучше, чем FTE.
Но если бы они начинали в 2025 году, они бы с самого начала проектировали AI-агентов как часть платформы, а не как надстройку.

Оценка: 🟢 (нет, модель бы изменили)

Счёт: 🔴 0 | 🟡 2 | 🟢 8

POSI — 🟢 зеленая зона. Одна из наиболее устойчивых российских IT-компаний к AI-революции среди публичных.

Почему

1. Бизнес-модель — лицензии + поддержка, а не человеко-часы

2. Уже встроили AI в продукты — не отсиживаются, а действуют

3. Экспертиза безопасности — частично защищена от AI (сложные расследования, юридическая значимость)

4. Recurring revenue — защищает от цикла

5. CEO не спит — стратегия есть, движение видно

Но не идеально

• Риск размывания маржи консалтинга (AI сделает часть работы аналитиков дешевле)

• Ров не абсолютный — если AI-агенты по безопасности станут commodity, замены станут дешевле

• Зависимость от рынка РФ — а там бюджеты могут сжаться не из-за AI, а из-за макро

Инвестиционный вывод

Если сравнивать с DIAS/DGTL/FIAI → POSI значительно устойчивее.
В портфеле AI-рисков — это защитный актив.
Но: текущие мультипликаторы могут уже учитывать эту устойчивость (то есть дешевой она не будет).

Хотите:

• Разбор DATA или BAZA (более сложный случай, потому что модель смешанная)?

• Сравнение POSI vs Касперский (оба в кибербезе, но стратегии разные)?

• Финмодель для POSI — как изменится их P&L, если AI снизит спрос на консалтинг на 30%?

• Применить чек-лист к вашей конкретной цели (какую компанию вы держите или смотрите)?

Говорите — продолжаем.

Ниже — три следующих шага:

Я прохожу по ключевым вопросам чек-листа, отвечая за компании на основе типовых публичных данных и логики их бизнес-моделей.

DIAS

Итог по DIAS:
🟡 Жёлто-зелёная зона. Запас прочности есть за счёт АБС, но AI-стратегия отсутствует. Время на перестройку — 2 года.

DGTL

Итог по DGTL:
🔴 Красная зона. Модель экстремально уязвима. Времени на перестройку — 12–18 месяцев максимум.

Сравнительная таблица

Заголовок:
*AI Due Diligence для IT-компаний — 10 главных вопросов инвестору*

Формат: проверка «зелёный/жёлтый/красный» за 15 минут разговора с CEO.

1. Бизнес-модель

Какой % выручки — человеко-часы?
🔴 >70% | 🟡 30–70% | 🟢 <30%

2. Recurring revenue

Есть ли подписка / поддержка / usage?
🔴 нет | 🟡 <30% выручки | 🟢 >30%

3. Стоимость замены

За сколько месяцев клиент уйдёт к конкуренту или внутрь?
🔴 <3 мес | 🟡 3–12 мес | 🟢 >12 мес

4. AI в продукте (а не только внутри компании)

Продаёте ли AI-функции как апсейл?
🔴 нет | 🟡 пилот | 🟢 да, платят

5. Pricing power

Можете ли поднять цены в следующем году?
🔴 нет, только снижать | 🟡 удерживаем | 🟢 да

6. Стратегия AI (письменная, <6 мес)

Есть ли документ и бюджет?
🔴 нет | 🟡 есть, но без денег | 🟢 есть и бюджет

7. Встроенность в клиента

Вы сидите внутри его операционных процессов?
🔴 нет | 🟡 частично | 🟢 да

8. Риск замещения AI-агентом

Может ли AI выполнить 80% вашей работы через 3 года?
🔴 да | 🟡 частично | 🟢 нет

9. Оргготовность

Есть ли AI Head / KPI по AI у топов?
🔴 нет | 🟡 в процессе | 🟢 да

10. Тест-вопрос CEO

Если бы начинали с нуля сегодня, сделали бы ту же модель?
🔴 да (плохо) | 🟡 не знаю | 🟢 нет (хорошо)

Правило большого пальца

• 6+ красных → не входить / выходить

• 3–5 красных → только с большим дисконтом и триггером смены CEO

• 0–2 красных → можно рассматривать серьёзно

Горизонт: 18 месяцев
Цель: снизить зависимость от FTE, выйти на новую модель монетизации

Фаза 0 (месяц 1) — Аудит и диагностика

• Посчитать реальный % выручки от FTE / человеко-часов

• Определить топ-3 клиента, которые первыми начнут давить на цены из-за AI

• Внедрить Copilot / AI-инструменты в одну команду (пилот) — замерить изменение скорости и качества

• Интервью с 5 крупнейшими клиентами: «Что вы делаете с AI уже сейчас, что раньше отдавали нам?»

KPI: отчёт по аудиту, данные по производительности AI-пилота.

Фаза 1 (месяцы 2–6) — Быстрые победы и смена языка

• Перестать продавать «человеко-часы» как ценность → продавать «бизнес-результат за фикс»

• Запустить один пилотный проект с оплатой за результат (fixed outcome) или usage

• Встроить AI-агента в свой продукт (пусть даже простого: автоответ по тикетам, генерация отчётов)

• Сократить внутренние затраты на разработку на 15–20% за счёт AI (Copilot + автотесты)

KPI: 1 клиент на новой модели, снижение COGS на 15%.

Фаза 2 (месяцы 7–12) — Перестройка модели

• Перевести 20–30% проектов с FTE на fixed outcome или usage

• Запустить «AI-функцию как платный апсейл» к продукту

• Изменить KPI для продаж: не «часы проданы», а «результаты / подписки / usage»

• Начать собирать метрику: выручка на единицу функциональности (AI-adjusted)

KPI: 30% выручки с новых моделей.

Фаза 3 (месяцы 13–18) — Новая норма

• FTE-проекты — только как исключение по запросу клиента, с повышенной маржой (премия за «ручной режим»)

• Основная выручка: подписка + usage + fixed outcome

• AI встроен в продукт и приносит не менее 20% выручки

• Компания продаёт не код, а результат и снижение рисков

KPI: 70%+ выручки не из FTE.

Если CEO не хочет этого делать

Тогда компания через 2–3 года будет стоить кратно меньше. Это не вопрос «хочу — не хочу». Это вопрос выживания маржинальности.

Что делаем дальше?

Варианты:

• Заберёте всё как есть и работаете с этим самостоятельно

• Сделаем конкретный разбор одной компании (например, DATA / BAZA / POSI) по полному чек-листу

• Напишем инвестиционный меморандум (формат: проблема → анализ → вывод) на 2–3 страницы

• Я сыграю роль «оппозиции» (прикинусь скептиком и попробую разбить ваши тезисы — чтобы вы подготовились к возражениям)

Ключевая оговорка:
Оба находятся в уязвимой зоне (заказная разработка). Речь не о том, что DIAS — «buy», а DGTL — «sell». Речь о том, у кого больше времени и пространства для манёвра.

1. Бизнес-модель (сегодня)

Вывод по модели:
DIAS чуть лучше за счёт гибрида «продукт + услуги». DGTL — чистая услуга, а услуга в эпоху AI — самый уязвимый формат.

2. Что делает AI с их позициями

Угрозы для обоих:

• клиенты начинают сдвигать IT-бюджеты в AI → заказной разработки становится меньше

• AI ускоряет написание кода → падение человеко-часов на проект

• pricing power падает (клиент знает, что код стал дешевле в производстве)

Почему DIAS пострадает меньше (относительно):

1. АБС — это не просто код, это бизнес-процесс банка.
   Заменить АБС — это многомесячный проект с рисками остановки операционной деятельности.
   Клиент не заменит АБС, даже если AI позволит написать новый аналог за полцены. Слишком дорого.

2. Поддержка и развитие АБС — recurring revenue.
   Даже если новые проекты заказной разработки сожмутся, поток от сопровождения останется.

3. У DIAS есть доступ к клиентским данным (в рамках АБС).
   А это — база для встройки AI в бизнес-процесс заказчика. Именно туда, по вашим же рекомендациям, нужно двигаться.

Почему DGTL в более сложной позиции:

1. Нет «якорного» продукта.
   DGTL продаёт руки и головы. Если AI снижает спрос на руки и головы — не за что зацепиться.

2. Стоимость замены поставщика — низкая.
   Клиент, который пользуется услугами DGTL, через 1–2 месяца может переключиться на другого аутсорсера или даже собрать внутреннюю команду + AI.

3. Нет встроенности в операционку клиента.
   DIAS сидит внутри банковской системы. DGTL — снаружи, решает точечные задачи.

3. Что могут сделать (стратегически)

Ключевая асимметрия:
DIAS может использовать AI, чтобы усилить свой продукт и продать его дороже.
DGTL может использовать AI, чтобы сократить свои затраты, но это не увеличит выручку, а сожмёт её (меньше часов).

4. Инвестиционный вывод (субъективно)

Итог:
DIAS объективно лучше позиционирован, но не потому, что он «хороший», а потому что DGTL — экстремально уязвим.
Обоим нужно срочно уходить от продажи часов.
Если ни один не изменит модель — оба будут сжиматься. Просто DIAS сожмётся медленнее.

(какие вопросы задавать CEO / владельцу)

Блок 1. Бизнес-модель и монетизация

• Какой процент выручки сегодня зависит от продажи человеко-часов (FTE / проекты без привязки к результату)?

• Есть ли recurring revenue (подписка, поддержка, usage)? Какой % от выручки?

• Как изменится pricing, если клиент скажет: «мы внедрили AI — делайте ту же работу за 50% времени»?

• Тестируете ли вы модель оплаты за результат (fixed outcome), а не за часы?

• Есть ли эксперименты с usage-based pricing (токены, запросы, транзакции)?

Блок 2. Продукт и интеграция в клиента

• Есть ли у компании свой продукт (а не только услуги)?

• Какова стоимость замены вашего продукта/услуги для клиента (в месяцах и деньгах)?

• Есть ли доступ к клиентским данным (легально и технически) для встройки AI?

• Ваш продукт решает бизнес-задачу или просто «автоматизирует процесс»?

• Может ли AI заменить ваш продукт полностью или частично?

Блок 3. AI-стратегия (конкретика)

• Есть ли утверждённая AI-стратегия не дольше чем на 6 месяцев?

• Какой бюджет на AI в 2025–2026 (в % от выручки или FCF)?

• Используете ли вы AI внутри компании для ускорения разработки (Copilot, автотесты, генерация кода)?

• Самый важный вопрос:

  Какую новую ценность для клиента вы создаёте с помощью AI, которую он не может получить сам?

• Продаёте ли вы уже AI-функции как отдельный продукт или апсейл?

• Есть ли пилоты по встройке AI в бизнес-процессы клиента (не в вашу внутреннюю кухню)?

Блок 4. Риски и конкуренция

• Кто ваш главный AI-конкурент через 2 года? Это другой аутсорсер, продуктовая компания или сам клиент с внутренней AI-командой?

• Что произойдёт с выручкой, если крупнейший заказчик сократит IT-бюджет на 20% из-за AI-оптимизации?

• Какой % ключевых клиентов уже экспериментирует с AI для автоматизации задач, которые раньше отдавали вам?

• Есть ли план на случай, если market rate на разработчика упадёт на 30–40% из-за AI (ваши сотрудники уйдут? вы снизите цены?)?

Блок 5. Финансы и метрики (AI-adjusted)

• Как изменилась средняя выручка на одного разработчика за последние 12 месяцев (выросла или упала)?

• Есть ли у вас метрика «стоимость создания единицы функциональности» (например, один бизнес-сценарий за клиента)? Снижается ли она быстрее, чем у конкурентов?

• Какая доля FCF тратится на R&D в AI vs на поддержку legacy?

• Как изменится EBITDA-маржинальность, если вы переведёте 50% разработки на AI-ассистентов?

Блок 6. Организационная готовность

• Уволил ли кто-то из топ-менеджмента за последний год «из-за AI»? Нанял ли AI Head / Chief AI Officer?

• Есть ли у сотрудников (не только у C-level) KPI, связанные с внедрением AI?

• Как часто вы обсуждаете AI на совете директоров / стратегических сессиях (раз в квартал, раз в месяц)?

• Бонусный вопрос (самый честный):

  Если бы вы создавали компанию сегодня с нуля, она была бы устроена так же, как сейчас?

Как пользоваться чек-листом

Красный флаг (дальше не смотреть), если:

• ▶️ Выручка на 80%+ из FTE / человеко-часов и нет плана перехода

• ▶️ CEO говорит: «у нас специфика, AI нас не коснётся»

• ▶️ Нет ни одного пилота по AI внутри продукта или в бизнес-процессе клиента

Жёлтая зона (можно брать, но с дисконтом), если:

• ▶️ Стратегия есть, но на уровне «смотрим»

• ▶️ Продукт есть, но AI не встроен

• ▶️ Рекурринг есть, но низкая маржинальность

Зелёная зона (можно рассматривать серьёзно), если:

• ▶️ Переход от FTE к usage или fixed outcome начался

• ▶️ AI встроен в продукт и продаётся как апсейл

• ▶️ Компания зарабатывает не на часах, а на результате для клиента

Если хотите — следующим шагом могу:

• применить этот чек-лист к DIAS / DGTL / любой другой компании (что получится)

• сделать краткую версию чек-листа для инвестиционного меморандума (1 страница)

• написать шаблон «AI-transformation roadmap» для CEO софтверной компании

Говорите, что забираете в работу.

Отлично. Двигаемся по трём направлениям, как вы и просили.

Заголовок:
AI не убил софтверные компании. Он убил их мультипликаторы.

Коротко (суть для инвестора):

Акции EPAM (-51% за год), QTWO (-35%), TCS (-27%) — это не «AI пришёл и всё сломал».
Это наложение двух вещей:

1. Цикл — клиенты режут IT-бюджеты.

2. Структура — рынок перестал верить, что софтверные компании будут расти вечно.

Раньше бизнес-модель «продажа человеко-часов» стоила дорого.
Теперь AI показывает: человеко-часы больше не дефицит.
Маржинальность под вопросом. Pricing power падает.

Что это значит для российских публичных компаний?

Наиболее уязвимы:
🔴 DIAS, DGTL, FIAI (заказная разработка, модель = человеко-часы)

Менее уязвимы, но не неуязвимы:
🟡 POSI, ASTR, 1С, Касперский (продукты, высокая стоимость замены)

Серая зона:
⚪ DATA, BAZA (пока неочевидно, насколько глубок их ров)

Главный вывод для инвестора:
Не смотрите только на P/E и EV/EBITDA. Смотрите на бизнес-модель.
Если компания продаёт время программистов — её терминальная стоимость снижается.
Это не вопрос «сейчас», это вопрос горизонта 3–5 лет.

Что делать?
Искать компании, которые:
✔️ встраивают AI внутрь продукта (а не внутрь своей кухни)
✔️ переходят с FTE на usage-based pricing
✔️ продают ответственность и результат, а не код

Проблема:
Классика: продажа человеко-часов (FTE) → клиент видит AI → говорит: «вы раньше писали этот модуль за 200 часов, а теперь с AI — за 50. Почему цена не изменилась?» → давление на ставку.

Три модели будущего для российского аутсорса:

Модель А. Fixed Outcome (фиксированный результат)

Формула:
Цена за бизнес-функцию, не за часы.

Пример:
Не «разработка личного кабинета за 500 часов по 50», а«работающийличныйкабинетсNфункциямиза50», а«работающийличныйкабинетсNфункциямиза25 000».

Как считать:
P = (1 + k) × C(AI)
где C(AI) — себестоимость с AI (часы × ставку с учётом AI-ускорения),
k — доля прибыли (например, 30–50%, выше, чем в FTE-модели)

Плюс: клиенту пофиг, сколько часов. Он платит за результат.
Минус: вы берёте риск на себя (AI ошибётся — вы переделываете).

Модель Б. Usage-based (токеномика для B2B)

Формула:
Цена за использование AI-агентов внутри продукта.

Пример:
Вы встроили AI, который автоматически проверяет код на уязвимости в инфраструктуре банка.
Плата: 0.50запроверкуодногофайла,0.50запроверкуодногофайла,0.10 за автоисправление.

Логика:
Revenue = Σ (Qᵢ × Pᵢ)
где Qᵢ — количество операций/запросов, Pᵢ — цена за единицу.

Плюс: привязаны к ценности для клиента (чем больше AI используют — тем больше вы зарабатываете).
Минус: сложно внедрить в российском enterprise (заказчики любят предсказуемые бюджеты).

Модель В. Hybrid: FTE + AI-коэффициент

Формула:
Ставка = базовая ставка × (1 − α) + премия за результат

Где α — коэффициент ускорения (например, 0.3 = на 30% быстрее).

Пример:
Базовая ставка разработчика 50/час→номинально50/час→номинально35/час.
Но к этому добавляется премия за фиксацию показателей (например, 20% от экономии клиента).

Как это считать в excel модели проекта (упрощённо):

→ прибыль упала, но маржинальность выросла (50% → 63%).

Вывод:
В чистом виде FTE-модель умирает.
Hybrid — переходная стратегия.
Fixed Outcome и Usage-based — где будет рынок через 3 года.

Методика (5 критериев):

1. Модель монетизации
   🟢 = usage/результат/подписка с сетевым эффектом
   🟡 = подписка или лицензия (SaaS)
   🔴 = человеко-часы / проектная без AI-трансформации

2. Интеграция в клиента
   🟢 = глубокая (высокая стоимость замены)
   🟡 = средняя (заменят за 6–12 мес)
   🔴 = низкая (легко заменить через AI + младшие джуны)

3. Потенциал AI внутри продукта
   🟢 = прямой (AI усиливает продукт, а не просто автоматизирует внутреннюю разработку)
   🟡 = косвенный (AI помогает, но не меняет ценность для клиента)
   🔴 = нет или AI враждебен модели (автоматизирует самого клиента)

4. Pricing power перед AI
   🟢 = цену можно повышать (замены нет)
   🟡 = цену удерживаем
   🔴 = цена под давлением

5. Готовность CEO / стратегия AI
   🟢 = публичная стратегия, меняют модель
   🟡 = зондируют, но не меняют pricing
   🔴 = отрицание / «у нас своя специфика»

Результаты (субъективно, на основе публичных данных + типовой логики)

Легенда по итогам:

• 🟢 устойчива — бизнес-модель не разрушится, AI — скорее возможность

• 🟡 зона неопределённости — нужна стратегическая перестройка в ближайшие 1–2 года

• 🔴 высокий риск — текущая модель напрямую угрожается AI-революцией

Главный вывод по таблице:
Заказная разработка без собственного AI-продукта (DGTL, FIAI) — красная зона.
DIAS чуть лучше за счёт глубокой интеграции АБС, но тоже без чёткой AI-стратегии.
POSI, ASTR, Касперский, 1С — защищены лучше всего.

Если хотите — могу:

• упаковать это в pdf для внутреннего использования в инвестиционном комитете

• написать разбор конкретно по DIAS vs DGTL (почему один чуть лучше другого)

• сделать чек-лист для due diligence IT-компании в эпоху AI (какие вопросы задавать CEO)

Скажите, что забираете.

нижерасположенный текст полностью написан ИИ )) но это не точно ))

Сильная сторона: вы не повторяете мантру «AI всё сломает», а разделяете циклический спад (сжатие бюджетов) и структурный сдвиг (переоценка терминальной стоимости). Это сразу поднимает уровень анализа выше 90% публикаций.

Что можно усилить: местами не хватает количественных подтверждений для тезисов о российском рынке (нет данных, на сколько ИИ уже повысил производительность в российских компаниях). Также рекомендации для российского сектора изложены общо — хорошо бы жёстче разграничить, кому и когда стоит перестраиваться.

Разбор сильный. Вы правильно выделяете:

• Цикл → сокращение «необязательных» IT-бюджетов.

• Структура → AI убивает не прибыль сегодня, а ожидания долгосрочного роста → снижение DCF-оценок.

Это принципиально важно. Многие путают причину и следствие.

Комментарий по EPAM:
Вы пишете, что она выглядит дешево по мультипликаторам, но причина в SBC. Здесь можно было добавить: рынок больше не капитализирует человеко-часы как растущий актив. EPAM может не рухнуть дальше, но и кратный рост в прошлые мультипликаторы вряд ли вернётся.

Список 7 пунктов — очень плотный и честный. Ключевое, на мой взгляд:

«компании теряют pricing-power»

Это недооценённый риск в публичных дискуссиях. Клиент теперь понимает: «вы продаёте мне код, но код уже наполовину умеет генерировать ИИ — почему я плачу как раньше?»

Особенно хорошо, что вы различаете:

• заказную разработку (человеко-часы) → наиболее уязвима

• продуктовые компании (1С, Касперский, POSI) → относительно защищены

Важное дополнение:
В продуктовых компаниях тоже начнут давить на цену, если ИИ позволит клиенту частично кастомизировать продукт без вендора. Их ров — не технический, а организационный (бизнес-процессы заказчика привязаны к продукту). Но если ИИ снизит стоимость перехода — это тоже риск.

Пункт «Ретроградные контраргументы» — отдельное спасибо. Вы честно показываете, как выглядит typical Russian enterprise-ответ на AI.

По сути — это список рационализации инерции. Почти все аргументы верны по факту, но опасны, если их использовать как оправдание ничего не делать.

Добавлю один важный нюанс:
Аргумент «в России нет своего ИИ» не означает, что AI не повлияет на рынок. Импортозамещение не отменяет тот факт, что заказчики российских софтверных компаний (те же банки, ритейл) уже активно экспериментируют с AI, в том числе через открытые модели. И их внутренний спрос на традиционную разработку может снизиться независимо от наличия у вендора своей LLM.

Как российские компании реагируют сейчас (факт, который можно было добавить):
Пока реакция в основном defensive:

• запрет внутреннего использования ChatGPT (кроме отдельных песочниц)

• единичные PoC на российских LLM

• отсутствие публичных стратегий трансформации бизнес-модели

То есть, риски вы описали хорошо, но реакция пока слабее, чем следовало бы.

Самый важный блок. Здесь вы даёте конкретику.

Лучший тезис — стратегический:

«AI должен давать вендору больший прирост производительности, чем клиенту»

Это редкий уровень честности. Если клиент научится экономить на разработке больше, чем вы — вы становитесь не нужны.

Что можно было бы развернуть:

1. Для заказной разработки (DIAS, DGTL, FIAI):

   • переход от продажи FTE к продаже бизнес-результата (не «мы напишем код», а «мы внедрим функцию за X часов по фиксу»)

   • обязательный AI-коэффициент в офферах (оценка проекта без AI vs с AI — так вы показываете ценность, а не скрываете экономию)

   • создание практик «AI для legacy-кода» (это боль больших заказчиков — переписывать старые системы под современные требования)

2. Для продуктовых компаний (DATA, BAZA, ASTR, POSI):

   • AI-агенты для автоматизации процессов заказчика внутри продукта (увеличение ценности, а не замена себя)

   • модель usage-based pricing (токены, запросы, инференс)

   • самое слабое место сейчас — никто не предлагает enterprise-безопасный AI внутри контура заказчика под ключ

Очень важный пункт, который у вас почти есть, но можно усилить:

«Ответственность как конкурентное преимущество»

В российском B2B компании платят не за код, а за чужие проблемы с которыми не надо разбираться. Если AI-инструмент снимает с клиента ответственность (безопасность, комплаенс, SLA) — это продаётся дорого. Этого почти нет на рынке.

Плюсы материала:
✅ Разделение циклического и структурного
✅ Честная постановка вопроса о pricing-power
✅ Различие бизнес-моделей (не все компании умрут)
✅ Реалистичный взгляд на «российскую специфику» без излишнего оптимизма
✅ Стратегический критерий «выигрыш вендора vs выигрыш клиента»

Минусы / зоны роста:
❌ Нет даже оценочных цифр: насколько выросла производительность в российских компаниях с AI (даже субъективно)
❌ Нет конкретных кейсов (пусть анонимных) — кто уже меняет модель
❌ Рекомендации верные, но без приоритетов («первым делом — pricing model и встройка в бизнес-процесс»)

Очень полезный материал для инвестора и для CEO софтверной компании.
Он не даёт готовых ответов (что честно), но задаёт правильные вопросы и разрывает популярные иллюзии.

Главная ценность — вы чётко показываете, что самая большая проблема российских софтверных компаний сегодня не отсутствие AI, а иллюзия, что их бизнес-модель останется прежней.

Если хотите, могу помочь:

• превратить это в пост для Telegram/Twitter с акцентами для инвесторов

• написать вторую часть с конкретными финмоделями («как перестроить pricing в заказной разработке»)

• сделать таблицу устойчивости российских IT-активов к AI (DIAS, DATA, POSI, ASTR и др.)

Скажите — двигаем дальше?

Владимир Бубликов, ну добывать полезные ископаемые на донбассе все же веселее, чем валить лес в сибири зимой ))

Тимофей, сдай ещё и этого бандеровца куда следует, а то их трудно прореживать каждый раз заново ))