Оригінальна назва: What Karpathy Joining Anthropic Actually Means For Claude
Автор оригіналу: @nateherk
Переклад: Peggy, BlockBeats

Редакторський коментар: Приєднання Андрея Карпатьї до Anthropic — це не просто новина про «зіркового фахівця в галузі ШІ, що приєднується до провідної лабораторії». Більш важливим є те, на що вказує ця кадрова зміна щодо напрямку розвитку продуктів.

За минулий рік конкуренція у сфері ШІ зосереджувалась здебільшого на моделях: у кого бенчмарки вищі, у кого кращі здатності до логічних висновків, хто лідирує у рейтингах. Але з розвитком таких продуктів, як Claude Code, Skills, MCP, пам’ять проектів, робочі потоки агентів, з’являється більш чітка тенденція: сама модель — це лише один шар продукту, а справжній фактор, що визначає ефективність користувача, — це контекст, пам’ять, робочі процеси, навички, конектори, структура файлів, гайдлайни стилю та цільові цикли.

Останні кілька місяців Карпатьї постійно наголошував на «інженерії контексту», і це саме відповідає цій зміні. Те, що визначає стабільну цінність ШІ, — це не лише команда, яку користувач дає моделі, а здатність моделі розуміти ваші документи, робочі процеси, стандарти стилю, бізнес-цілі та системи суджень. Іншими словами, наступний етап конкуренції у ШІ — це вже не просто «хто має сильнішу модель», а хто зможе краще інтегрувати модель у реальні робочі сценарії.

Від LLM Wiki до AutoResearch і циклу /goal — ці напрямки, які Карпатьї відкрито досліджує, зосереджені навколо однієї і тієї ж проблеми: як зробити так, щоб ШІ з «чат-окна для відповідей» перетворився на систему, що розуміє контекст, виконує завдання та ітерує навколо цілей. А останні розгортання Anthropic у Claude Code, корпоративних сервісах, екосистемних конекторах і робочих потоках — це теж розвиток цієї ж ідеї.

Отже, значення приєднання Карпатьї до Anthropic — це не просто кадровий хід, а скоріше коментар до стратегії розвитку Anthropic: майбутні інструменти ШІ будуть цінними не лише через параметри моделей, а й через накопичені користувачами дані, робочі процеси, системи пам’яті та галузеві знання. Той, хто зможе організувати цей контекст, — справжній переможець, і зможе підняти ШІ з рівня «інструменту» до «інфраструктури».

Нижче — оригінальний текст:

Кілька годин тому Андрея Карпатьї опублікував пост, у якому повідомив, що приєднується до Anthropic.

Найпростіша версія цієї історії — це те, що один із провідних фахівців у галузі ШІ приєднався до великої лабораторії ШІ.

Але більш важливе питання — чому саме Anthropic? І чому саме зараз?

Бо якщо подивитись на те, що Карпатьї відкрито будував останні кілька місяців, і порівняти з нещодавніми функціями Claude Code, стає очевидним, що обидва напрямки вже давно рухаються у схожому напрямку.

Передумови

Карпатьї — одна з найважливіших фігур у сучасній галузі ШІ.

Він був одним із засновників OpenAI у 2015 році, п’ять років відповідав за AI-підрозділ у Tesla; у 2023 повернувся до OpenAI, а через рік пішов. Потім заснував свою компанію Eureka Labs, що займається освітою у сфері ШІ. Також він створив курс LLM 101, безкоштовний для користувачів, щоб навчити їх з нуля будувати мовні моделі.

Він також є автором концепції «vibe coding»: описати бажане англійською мовою, щоб ШІ написав код, а потім постійно відчувати, керувати та ітеративно покращувати його. Він також запропонував ідею «інженерії контексту» (context engineering), яка стане ключовою у подальшому обговоренні.

Отже, це не просто звичайне наймання. Це означає, що один із найвпливовіших голосів у галузі ШІ приєднується до однієї з найдинамічніших лабораторій.

Claude Code вже став пріоритетним інструментом для багатьох розробників у створенні агентів, написанні коду або роботі з реальними знаннями. Близько тижня тому Ramp опублікував свій індекс ШІ. За цими даними, Anthropic вперше обігнала OpenAI за рівнем корпоративного впровадження: 34.4% проти 32.3%.

Звісно, справедливо зазначити, що це лише дані клієнтської бази Ramp. OpenAI все ще має сильний бренд для споживачів і багато корпоративних контрактів, які не враховані у цю вибірку. Я не хочу перебільшувати значення цього сигналу, але його важко ігнорувати.

На початку цього місяця Anthropic оголосила про створення нової компанії для корпоративних AI-сервісів. Це спільне підприємство з Blackstone, Hellman & Friedman і Goldman Sachs, мета якого — допомогти середнім бізнесам інтегрувати Claude у ключові процеси.

Знову поглянемо на цей крок: вони створюють моделі, але й продукти — наприклад, Claude Code, Skills, MCP; будують партнерську мережу; і тепер додають сервісний рівень, щоб допомогти компаніям впроваджувати продукти.

Це вже не гра «дайте модель і самі розбирайтеся».

Wrapper — це продукт

Зараз більшість дискусій про ШІ зосереджені на моделях як на цілісних продуктах: хто у яких бенчмарках перемагає, Opus 4.7, GPT-5.5, Gemini — хто сильніший, як змінюються рейтинги.

Моделі, звісно, важливі, я не заперечую. Але чим довше ти їх використовуєш, тим очевидніше стає: модель — це лише один шар продукту. Справжня зміна у твоїй щоденній роботі — це зовнішній шар wrapper.

Саме тому двоє людей, що використовують одну й ту ж модель, можуть отримати зовсім різні результати.

Що таке wrapper? Це все, що визначає, як модель використовується.

→ Claude Code, Codex, Skills, Subagents, Hooks, MCP конектори.

→ Твої CLAUDE.md, пам’ять, документи, кейси.

→ Структура файлів, гайдлайни стилю, реальні стандарти «хорошого результату».

Це і є оточення моделі.

Якщо ти відкриєш новий чат без контексту і попросиш його допомогти з бізнес-завданням, воно нічого не знає про тебе і може лише здогадуватись. Ти будеш змушений багато разів пояснювати вже знайомі речі.

Але якщо ти надаєш йому свої файли, кейси, робочі процеси, гайдлайни і стандарти успіху — результат буде зовсім іншим.

Саме тут і криється суть «інженерії контексту» Карпатьї. Він пропонує не просто писати ідеальні промти, а створювати правильне оточення, щоб модель могла справді працювати і пам’ятати контекст між сесіями.

Anthropic вже давно створює таке оточення. Карпатьї відкрито навчає цьому. Тепер ці підходи злилися в одне ціле.

Якщо так зрозуміти, то дії Карпатьї за останні місяці перестають бути випадковими проектами і стають дорожньою картою.

LLM Wiki і ваш захист від конкуренції

У квітні цього року Карпатьї запустив LLM Wiki. Цей проект швидко став популярним у X.

Структура дуже проста. Якщо хочете, я зробив повний YouTube-урок.

→ Папка raw/ з безліччю markdown-файлів — нотатки, джерела, транскрипти, будь-який матеріал.
→ Папка wiki/ — агент систематизує все, створює зв’язки між матеріалами і генерує ментальні карти.
→ Документ schema — схожий на CLAUDE.md або AGENTS.md, пояснює, як працює система і як вона засвоює нові дані.

Це не просто пошук у файлах або запуск векторних запитів. Це — створення живої, еволюційної бази знань. Вона читає, розуміє зв’язки між матеріалами. Багато хто починає будувати «другий мозок».

Це важливіше, ніж здається. Коли кажуть «дані — це захист», мають на увазі великі корпоративні бази. Але для звичайного розробника захист — це ваші нотатки, внутрішні SOP, записи клієнтів, транскрипти, стандарти і робочі рамки.

Якщо Claude зможе зробити ці дані видимими і доступними для моделі, вона щотижня буде ставати розумнішою і кориснішою для вас.

Це і є ефект «замикання». Не тому, що ви не можете змінити модель, — звісно, можете. Але якщо ви постійно будуєте контекст, робочі процеси і пам’ять у конкретному інструменті, з часом важко буде його покинути.

LLM Wiki — це не просто додатковий проект. Це — сигнал. Не здивуюся, якщо у Claude Code або у пам’яті проекту з’являться більш нативні версії таких функцій. Уже зараз у функції auto-dream видно перші ознаки.

Звісно, не потрібно чекати. Ці вихідні можете самі налаштувати Claude Code для читання важливих документів і побудови такого Wiki.

Якщо хочете стати AI-першим, ваші дані мають бути доступні і зрозумілі агенту, щоб він міг їх знайти і правильно використати.

AutoResearch і цикл /goal

У березні цього року Карпатьї запустив проект AutoResearch — автоматизований цикл досліджень. Якщо ви знайомі з Ralph Loop, то побачите схожість у підходах.

Загалом він працює так:

1. Отримати скрипт тренування.
2. Запропонувати зміну.
3. Запустити коротке тренування.
4. Перевірити результати за допомогою метрик — успіх чи провал.
5. Повторювати, доки не досягнете цілі.

Чесно кажучи, я не часто використовую цю функцію. Я не треную моделі і не створюю цикли для таких застосувань. Але сама ідея важлива.

Визначити ціль. Залучити агент. Після завершення повернутися.

Подивіться, що зараз робить екосистема: у Codex з’явився /goal, у Hermes — /goal, у Claude Code — власний /goal.

Я не кажу, що Карпатьї винайшов цю функцію. Не знаю. Але зрозуміло, що AutoResearch і /goal — це схожі підходи.

Обидва виводять нас із режиму «один промт — один відповідь».

Вони ведуть до нової взаємодії: встановлюєш результат, а агент сам вирішує, що робити, і повертається, коли виконає.

Це посилена версія vibe coding: визначити «що потрібно», а не «як зробити», і чекати, поки воно завершиться.

Якщо поєднати цю ідею з LLM Wiki, то система вже не буде просто чат-ботом. Вона почне працювати як справжній співробітник: розуміти бізнес і цілеспрямовано працювати, доки ціль не буде досягнута.

Освітня лінія

У повідомленні про приєднання Карпатьї є фраза, яку варто виділити: «Я все ще маю глибоку пристрасть до освіти».

Eureka Labs, його попередня компанія, — це, по суті, освітній проект. Його мета — не просто навчити натискати кнопку або з’єднувати вузли, а допомогти людям внутрішньо зрозуміти, як працює ШІ.

Карпатьї рідко вдається так пояснити, щоб це було зрозуміло і близько. Знати — це одна справа. Навчити інших — зовсім інша.

Це дуже важливо для Anthropic. Якщо наступний етап конкуренції — контекст, робочі процеси, Skills, пам’ять і цикли, — то перешкодою будуть не лише технології, а й освіта.

Недавнє дослідження IBM щодо впровадження ШІ і управління змінами показало, що між «можливістю використовувати ШІ» і «справжнім ефективним застосуванням» — велика різниця. Більшість компаній застрягає саме тут.

Запросити фахівця з освіти у галузі ШІ у свою команду — це не дрібна дія, а важливий крок.

Три прогнози щодо Claude Code

Це лише припущення. У мене немає внутрішньої інформації і я не знаю дорожню карту Anthropic. Але, враховуючи останні продукти і публічні заяви Карпатьї, напрямок вже досить зрозумілий.

Anthropic створить «магазин застосувань контексту»

Вони вже почали це робити. З’являються перші прототипи плагінів, Skills і комерційних компонентів.

Але я маю на увазі не ринок промтів.

Мова йде про набір компонентів: Skills, робочі процеси, пам’ять проектів, контексти для вертикальних галузей, цикли оцінки, конектори для реальних даних. І приклади, що навчають модель «що таке добре» у конкретній професії.

Об’єднуючи ці компоненти у свою сферу, можна одразу отримати більшу цінність від моделі, навіть якщо сама модель вже досить розумна.

Адже для звичайних користувачів модель вже не є єдиним диференціатором. Головне — правильно організувати дані і wrapper, щоб отримати ROI для бізнесу.

LLM Wiki — це спосіб перетворити хаотичну інформацію у корисну пам’ять. /Goal — спосіб перетворити цілі у автоматичні цикли. А освіта Карпатьї — спосіб зробити складні концепції доступними.

Він фактично пропагує поведінковий підхід. Якщо Anthropic зробить цю поведінку екосистемою, Claude Code перетвориться з інструменту програмування у ринок.

Більше команд у стилі /goal з’явиться у продуктах

/Goal, ймовірно, буде лише першим варіантом, а не кінцевою формою.

Можливо, з’являться спеціалізовані версії: цикли досліджень, налагоджень, завершальні цикли. Або командування для конкретних вертикалей, де агент вже знає, що означає «завершити».

Я не знаю, як вони назвуть ці функції, і це не головне.

Головне — зміниться інтерфейс взаємодії. Тепер ти не скажеш «зроби цей крок», а скажеш: «у цьому конкретному сценарії, поки не виконаєш — не зупиняйся».

Anthropic запустить систему освіти, щоб допомогти користувачам формувати свої робочі процеси

Це найсміливіший прогноз. І, чесно кажучи, найцікавіший.

Якщо Anthropic прагне створити справжній ринок контекстів, звичайні користувачі мають мати можливість долучатися і вносити свій вклад, а не лише розробники і дослідники.

Тобто, фахівці з різних галузей мають мати змогу долучатися.

→ Той бухгалтер, що розуміє місячний закриття рахунків.
→ Той рієлтор, що знає кожен крок у реєстрації нерухомості.
→ Той ютубер, що вміє робити брейнстормінг і розуміє, що таке гарне пакування.

Ці знання цінні. Але зараз вони або залишаються у голові, або розкидані по хаотичних документах, Slack-ланцюжках і ClickUp.

Вже зараз можна побачити перші ознаки: багато тренерів створюють своїх AI-двійників і чат-ботів, беруть за це плату, щоб користувачі могли спілкуватися з цими AI. Це ручна робота. Люди прагнуть витягти експертні знання і застосувати їх у своїх бізнесах.

Якщо я хочу створити рекламного агента, я застрягну, бо не маю галузевих знань. Але якщо з’явиться ринок, де я зможу підписатися на високоякісний SME-контекст — я стану клієнтом.

Ось цю ідею я і буду просувати далі.

Заключення

Головна історія — це сама модельна парадигма.

Модель — це лише один шар. Зовнішній шар wrapper стає справжнім продуктом. Ваші дані і робочі процеси — це справжній ефект «замикання». Карпатьї і Anthropic останні місяці цим займаються.

Тому цей приєднання — не просто новина, а дорожня карта. У повному відео я розбив цю логіку і залишив посилання у першій відповіді.

[Посилання на оригінал]

Клікніть, щоб дізнатися про вакансії BlockBeats

Приєднуйтесь до офіційної спільноти BlockBeats:
Telegram підписка: https://t.me/theblockbeats
Telegram чат: https://t.me/BlockBeats_App
Офіційний Twitter: https://twitter.com/BlockBeatsAsia