Пользователи Claude в США оказались богаче аудитории ChatGPT, DeepSeek AI: “V4 отстаёт от лучших ИИ-моделей всего на 3–6 месяцев” и Перегрев мозга от ИИ: новый синдром, который бьёт по самым активным пользователям

ChatGPT остается самым массовым ИИ-помощником, но по структуре аудитории по доходам Claude оказался заметно выше. По данным опроса Epoch AI и Ipsos, 79,8% пользователей Claude в США за последнюю неделю живут в домохозяйствах с годовым доходом от $100 тыс. У ChatGPT таких пользователей 60,3%.

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper

Для сравнения: у Microsoft Copilot доля пользователей из домохозяйств с годовым доходом от $100 тыс. составила 63,7%, у Google Gemini — 55,9%, у Grok — 56,2%, а у Meta AI — только 36,5%. The Decoder обращает внимание на главный контраст: Claude выглядит самым "обеспеченным" ИИ-помощником по составу аудитории, а Meta AI* — самым массовым по доходному профилю (* — принадлежит Meta, компании, признанной экстремистской и запрещенной в России).

Но это не значит, что Claude стал главным ИИ для обеспеченных американцев. По охвату аудитории с доходом от $100 тыс. ChatGPT все равно далеко впереди: среди таких пользователей его использовали 37%, тогда как Claude — только 6%. Еще 44% обеспеченных американцев, по этим данным, вообще не пользовались ИИ-помощниками за последнюю неделю.

Иными словами, Claude пока скорее нишевый сервис с заметным перекосом в сторону более обеспеченной аудитории, а ChatGPT — массовый продукт, который уже распространился и в группах с высоким доходом, и среди более широкой аудитории. Возможные причины Epoch AI прямо не указывает: это может быть связано с ценой подписок, профессиональными сценариями использования, узнаваемостью брендов или тем, как разные ИИ-сервисы встроены в привычные продукты.

Главный вывод здесь не в том, что "Claude победил ChatGPT", а в другом: рынок ИИ-помощников уже начинает расходиться по социальному профилю пользователей. Если более дорогие или более сильные инструменты чаще оказываются у тех, у кого и так больше ресурсов, ИИ может стать не только способом экономить время, но и еще одним фактором неравенства.

Компания DeepSeek AI считает, что её флагман V4-Pro-Max “демонстрирует превосходство над GPT-5.2 и Gemini-3.0-Pro в стандартных бенчмарках рассуждений”, но “незначительно уступает GPT-5.4 и Gemini-3.1-Pro, что указывает на траекторию развития, отстающую от передовых фронтирных моделей примерно на 3–6 месяцев”. Обычно лаборатории либо избегают прямых сравнений, либо подают всё как победу – здесь же мы получили редкий образец самодиагностики.

Три–шесть месяцев в сегодняшнем темпе релизов – это очень небольшая фора. Фактически DeepSeek утверждает, что работает на уровне моделей, считавшихся фронтирными в конце прошлого – начале этого года, и продолжает сокращать разрыв. Бенчмарки подтверждают эту картину.

DeepSeek сама признаёт, что “уступает Gemini 3.1 Pro в богатстве знаний о мире”.

Для агентных задач, которые всё сильнее определяют практическую ценность ИИ, отставание сжимается почти до нуля.

Отдельный подарок разработчикам – V4-Flash-Max. В техотчёте DeepSeek отмечает, что эта более дешёвая и быстрая модель “достигает производительности, сопоставимой с GPT-5.2 и Gemini-3.0-Pro”. То есть бюджетный вариант сегодня повторяет то, что ведущие американские лаборатории поставляли примерно полгода назад.

На этом фоне контрастом звучит мнение, озвученное бывшим инженером ByteDance, а ныне профессором Пекинского университета Чжан Чи в подкасте Into Asia. Он заявил Business Insider: “Я несогласен с посылом, что китайские модели догоняют США, – мы по-прежнему сильно отстаём, и, к сожалению, разрыв, кажется, увеличивается”. По его словам, многие команды в Китае занимаются “бенчмаксингом” – оптимизацией под тесты, а не под реальную работу. Он также указывает на разницу в скорости итераций: Google может провести полный цикл пред- и постобучения LLM за три месяца, а ByteDance – примерно за полгода. Добавьте сюда ограничения на чипы, слабую инфраструктуру и невысокое качество тренировочных данных, и получится, что Китаю догонять США может быть сложнее, чем кажется на бумаге.

DeepSeek со своим V4, судя по всему, как раз олицетворяет другую крайность – компанию, которая несмотря на экспортные барьеры и скромный (по масштабам OpenAI/Google) парк из, по некоторым данным, около 50 000 ускорителей H100, добилась конкурентоспособности за счёт архитектурных ухищрений: DSA (DeepSeek Sparse Attention) и сжатия на уровне токенов. Фактически вся эта история – про выжимание максимума из ограниченного железа.

DeepSeek – не единственный китайский игрок, поджимающий США. Недавно Moonshot AI с Kimi K2 и Alibaba с Qwen тоже сдвинули планку открытых моделей, и доля китайских решений в опенсорс-сегменте растёт за счёт западных альтернатив. А Google, в свою очередь, выпустила Gemma 4, нацеленную на агентные сценарии, – борьба между открытой и закрытой философией становится всё острее.

Глава Nvidia Дженсен Хуанг называл китайские лаборатории “ведущими компаниями открытых моделей в мире”. Если это верно уже сейчас, пока отставание оценивается в 3–6 месяцев, то перспектива его исчезновения будет иметь серьёзные последствия для индустрии.

Публичная самооценка “3–6 месяцев позади” – не только честность, но и стратегия. Такой ориентир занижает ожидания и позволяет легко превзойти их в следующем поколении: если V5 сократит разрыв до 1–2 месяцев, получится красивая история. Кроме того, компания опережает критику: признав отставание добровольно, DeepSeek сама задаёт рамки сравнения, не позволяя агрегаторам бенчмарков рисовать однобокую картину. А для корпоративных покупателей, выбирающих между DeepSeek и закрытыми конкурентами, формула “3–6 месяцев отставания за долю цены” может оказаться вполне приемлемой сделкой, особенно в кодинге и агентных задачах, где V4 уже впереди.

Многие из нас идут на работу, полные энтузиазма, что ИИ сделает самую нудную и сложную часть работы. Claude, Cursor, Gemini и десятки агентов - обещают освободить нас от рутины и превратить обычный день в поток гениальных идей. Но вместо лёгкости вы вдруг ловите себя на том, что мозг гудит, как перегретый сервер. Мысли путаются, решения даются медленнее, и вы тупите, будто после бессонной ночи. Добро пожаловать в эпоху «AI brain fry» (перегрев мозга от ИИ).

Именно так называется феномен, который подробно разбирают авторы статьи в Harvard Business Review (март 2026 года) — команда экспертов из BCG и Университета Калифорнии в Риверсайде. Они провели опрос среди 1488 американских сотрудников крупных компаний и выяснили, что ИИ не всегда друг. Иногда он тихо ворует ваши когнитивные ресурсы.

«AI brain fry» — авторы вводят чёткое определение, что это острая ментальная усталость, возникающая от чрезмерного использования, взаимодействия или проверки работы сервисов ИИ, когда нагрузка превышает когнитивные возможности человека. Люди описывают это как гудение в голове, ментальный туман, трудности с концентрацией, замедление принятия решений и даже головные боли. Кто‑то сравнивает с похмельем, кто‑то с ощущением, будто в мозгу одновременно открыта дюжина вкладок браузера.

Важно: это не то же самое, что классический burnout (эмоциональное выгорание). Burnout — хронический стресс с истощением, цинизмом и снижением эффективности. А brain fry — острая когнитивная перегрузка, связанная с интенсивным надзором (oversight) за ИИ‑агентами: постоянной проверкой, корректировкой, синтезом и принятием решений по их выводам.

Исследование показало интересный парадокс:

Особенно сильно феномен бьёт по маркетингу (26%), HR (около 19%), инженерам, финансистам и IT. На юридических должностях — всего 6%, вероятно, из‑за более структурированной работы.

Многие компании поощряют «больше ИИ — лучше». Вводят метрики вроде потребления токенов как показатель производительности (Meta, например, учитывает сгенерированные строки кода). Сотрудников мотивируют строить сложные команды агентов, но редко учитывают когнитивную нагрузку. В итоге вместо освобождения мозга мы получаем новый вид нагрузки — надзорный труд.

Продуктивность ведёт себя интересно. Один ИИ‑инструмент повышает ощущение эффективности. Второй ещё сильнее. Третий — уже с меньшим приростом. А начиная с четвёртого и дальше продуктивность падает. Многозадачность между инструментами и потоками выводов перегружает рабочую память и внимание. Авторы называют оптимальную зону — до трёх инструментов одновременно.

Кейс: платформа Gas Town (открытый проект Стива Йегге), где пользователи запускают группы агентов Claude для быстрой сборки кода. Результаты впечатляют скоростью, но пользователи жалуются: «Слишком много всего происходит, чтобы разумно это осмыслить». Возникает паралич от вайб‑кодинга — когда ИИ генерирует слишком быстро, а человек не успевает за ним.

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper