Несмотря, что речь в посте пойдет преимущественно об квартальной отчётности ММК $MAGN мы обязательно коснемся общих проблем и перспектив восстановления черной металлургии.
Финансовые результаты за I квартал 2025 года:
• Выручка сократилась на 17,9% по сравнению с аналогичным периодом прошлого года, до ₽158,46 млрд.
• EBITDA упала на 53,1%, до ₽19,76 млрд
• Рентабельность по EBITDA составила 12,5% против 21,8% годом ранее
• Чистая прибыль обвалилась в 7,6 раза, до ₽3,14 млрд
• Свободный денежный поток — отрицательный, -455 млн руб., несмотря на сокращение капвложений и высвобождение части оборотного капитала.
В компании объяснили динамику показателя снижением объемов продаж и цен реализации на фоне высокой ключевой ставки и замедления деловой активности в России. Общие проблемы для всего сектора.
Чистый долг/EBITDA составил -0,56х против -0,47х в первом квартале 2024 года. В компании указали на снижение долговой нагрузки в связи с погашением выпуска замещающих облигаций ЗО-2024.
Ранее я не очень сильно следила за инвестиционной блогосферой. Обычно просто пролистывала заголовки и читала лишь то, что «зацепило». Но после того, как сама начала писать, решила немного углубиться в то, что интересует инвесторов.
Я для себя отметила два основных чаще всего встречающихся вопроса:
Я считаю эти вопросы странными и даже в чем-то вредными.
По поводу капитала хочу обратить внимание, что у всех совершенно разные жизненные ситуации, разные зарплаты, разные расходы и, самое главное, разные цели. Я не вижу никакого смысла в сравнении капитала разных инвесторов. Для кого-то 10 млн руб. может быть депозитом для игры, а для кого-то недостижимой целью. Вместо вопроса «сколько у тебя денег?» гораздо продуктивнее интересоваться мыслями человека, мотивами его поступков, обоснованием его действий и долгосрочной стратегии.
Я сейчас с семьей на FIRE, и уже несколько человек интересовались вопросом количества наших денег. Но капитал, при котором лично вы можете выйти на раннюю пенсию, никак не связан с нашим капиталом. Кому-то будет достаточно и 20 млн руб., а кому-то и 100 млн руб. будет мало. Каждый может самостоятельно посчитать нужный ему размер, этой информации очень много в интернете.
🤔 Что это за зверь такой — AI-агент?
Если коротко, AI-агент — это не просто чат-бот, который отвечает на глупости в стиле «расскажи анекдот про программиста». Это самостоятельный цифровой помощник, который умеет ставить цели, принимать решения и учиться на собственных ошибках. Да, немного пугающе звучит, но это и правда новая лига искусственного интеллекта.
🏗 Как он устроен
Представь: ты — предприниматель. У тебя есть ассистент. Ты говоришь: «Найди самых дешевых поставщиков для моей кофейни, сравни отзывы, закажи образцы и подготовь отчет». Обычный ИИ завис бы уже на слове «найди». А AI-агент пойдет и сделает.
Он работает как автономная система: анализирует информацию, запускает нужные действия (вплоть до написания писем или кодинга), и главное — адаптируется под задачу. Некоторые агенты могут даже создавать других агентов! Такой себе цифровой муравейник, где каждый знает, что делать.
🧪 Примеры, которые уже работают
• AutoGPT — запускаешь его с заданием «создай блог и заработай на нем $100», и он сам формирует стратегию, пишет тексты, публикует их, анализирует трафик и ищет способы монетизации. Да, он может ошибаться, но он пытается — сам.
🗂️ Без паники, расшифровка
RAG — Retrieval-Augmented Generation, в переводе: генерация с дополнением из поиска.
Это способ сделать большие языковые модели — такие как GPT — умнее. Они не просто отвечают по памяти, а сначала ищут информацию в базе, а уже потом формируют ответ. Как умный помощник с отличным поиском и вежливой речью.
📚 Почему без этого уже никуда
Обычные языковые модели обучены на огромных объёмах текста. Но они не знают всего. Например, не знают, что у тебя в компании отпуск оформляется через портал HR, а отчёты сдаются не по шаблону, а по внутренней инструкции.
Вот здесь и включается RAG: он ищет нужную информацию внутри твоих документов, знаний и баз, а потом выдает связный, понятный ответ. И не фантазирует, как это бывает у LLM «из коробки».
📌 Пример — на пальцах
Представим, что ты работаешь в компании, где есть внутренняя база знаний: инструкции, шаблоны, памятки. Сотрудник спрашивает: «Как оформить командировку?»
Обычный бот может начать путаться. А модель с RAG найдет нужный документ, вытащит оттуда нужный пункт и сформулирует ответ человеческим языком. Быстро, точно, без ошибок.
💬 Представь: ты пишешь вопрос в чат — и получаешь не ссылку на форум 2007 года, а чёткий, понятный ответ. Будто с тобой говорит умный собеседник, который читал всё на свете.
Познакомься: это LLM.
🤖 LLM — это большая языковая модель. Искусственный интеллект, обученный на миллиардах слов и текстов, чтобы понимать и говорить с людьми. Не по шаблону, а по смыслу. Отвечать, писать, объяснять, советовать.
🧩 А теперь расшифруем:
LLM — это аббревиатура от Large Language Model, что по-русски значит «большая языковая модель».
— Large (большая) — потому что модель обучена на гигантских массивах данных и имеет миллиарды параметров, словно «нейроны», которые учатся понимать язык.
— Language (языковая) — потому что она работает с человеческой речью: распознаёт вопросы, команды, описания.
— Model (модель) — потому что это математическая структура, созданная на основе машинного обучения, которая находит закономерности и применяет их для генерации текста.