Evidence Learning Path

Public learning path / 18 months / evidence first

От сильного builder к top-tier delivery.

Публичная карта развития Антона Зиновьева: как превратить широкую практику AI-продуктов и автоматизации в независимо доказанную, надёжную и международно переносимую систему работы.

Начать с 90 дней Открыть scorecard
17проверяемых gaps
10критических P0
4capstone-проекта
80+целевой score

Главный ограничитель — не отсутствие ещё одного framework. Нужны независимо измеренные outcomes, формальные evals, SLO, recovery evidence, внешние reviews и повторяемый коммерческий процесс.

01 / Сейчас

Где сила уже есть. Где рынок пока не может её проверить.

Сильная сторона — end-to-end delivery. Главный потолок — не глубина сборки, а внешняя проверяемость результата, эксплуатации и коммерческой повторяемости.

Текущий уровень Целевой уровень
02 / Модель

Шесть уровней. Переход только через evidence gate.

Курс, красивое демо и размер репозитория не поднимают уровень. Каждый переход требует воспроизводимости, эксплуатации или независимо измеренного эффекта.

03 / Gap map

Не учить всё. Закрывать точные ограничители.

P0 определяет текущий потолок позиции и ставки. P1 превращает delivery в устойчивый production. P2 доказывает переносимость практики вовне.

Показано 17 из 17
0/3

Три активных направления максимум

Выберите фокус прямо в карточках. Это не отметка выполнения: данные сохраняются только в этом браузере.

Фокус пока не выбран.

04 / Первые 90 дней

Сначала Evidence Operating System.

Первый цикл не про новые проекты. Один существующий workflow становится измеримым, устойчивым и связанным с реальным outcome.

05 / 18 месяцев

Шесть кварталов от baseline до repricing.

Каждый квартал заканчивается не списком просмотренных материалов, а gate, который можно проверить и отклонить.

06 / Capstones

Четыре проекта вместо двадцати курсов.

Каждый capstone закрывает несколько gaps и обязан закончиться измерением, review и публично-безопасным evidence pack.

07 / Ритм

Еженедельная система, которая производит доказательства.

Обучение остаётся частью работы, но не маскирует отсутствие реального прогона, метрики и решения continue, change или kill.

70% build + measurement

20% — evidence и external review. Не более 10% — targeted learning.

Definition of learning: concept → реализация → adversarial test → метрика → evidence artifact.
08 / Audit

Top-tier — не титул, а проходной scorecard.

Отмечать пункт можно только когда gate доказан. Локальный симулятор начинает с нуля и хранит выбор только в этом браузере.

Когда claim допустим

    Что прекратить делать

      09 / Market scenario

      Что меняется в рыночной стоимости после закрытия gates.

      Профиль переходит из категории «сильный универсальный builder» в более редкую категорию специалиста, который доказывает качество AI-системы, надёжность, outcome и повторяемость delivery.

      При закрытии всех top-tier gates профиль может обоснованно выходить в переговоры в этих диапазонах. Это сценарий, не обещание.

      Сценарная персональная калибровка / 26 июля 2026

      €95–120k Испания / senior-lead employment EUR, gross base в год / analytical inference
      €550–750 Испания / direct consulting EUR, contractor в день до налогов и простоя / analytical inference
      €750–1,000 EU remote / consulting EUR, contractor в день до налогов и простоя / analytical inference
      $125–175 International / specialist work USD, contractor в час до налогов и простоя / analytical inference
      Outcome proofМинимум два independently validated outcome-кейса с baseline.
      External trustТри–пять references, reviews и публично-безопасные case packs.
      Operating proofScorecard 80+ два квартала подряд и 90–180 дней telemetry.
      International proofPaid cross-border engagement или сильный международный reference.
      Commercial modelDelivery продаётся как управляемый результат, а не как количество agent-hours.
      Risk ownershipSecurity, governance, SLO и recovery подтверждены независимой проверкой.

      Это аналитический сценарий, а не опубликованный средний рынка, гарантия оффера или дохода. Фактическая компенсация зависит от компании, географии, английского, deal flow, ответственности, типа контракта и качества внешних доказательств. Диапазоны разных моделей занятости не складываются. Для сравнения использованы близкие parent roles и отчёты 2026; прямого универсального benchmark для гибридной роли AI Product & Automation Delivery нет.

      10 / Standards

      Рабочие стандарты, а не случайный список курсов.

      Ресурсы задают критерии качества для capstones. Ссылки внешние, но страница и все интерактивные функции работают без них.