Вышла моя серия книг «Когда интеллект стал дешёвым»
Небольшая личная новость. Ещё летом я закончил работу над серией из трёх книг о том, как искусственный интеллект меняет нашу работу, бизнес и отношения между людьми. А недавно все три тома наконец вышли и стали доступны читателям.
Я попытался рассмотреть его с трёх сторон:
1. «Человек» — как оставаться востребованным специалистом, чему учиться и как строить карьеру, когда ИИ уже способен выполнять часть нашей интеллектуальной работы.
2. «Бизнес в эпоху ИИ-агентов» — как будут меняться компании, команды, взаимодействие с клиентами и сама экономика бизнеса.
3. «Доверие» — как отличать настоящее от созданного ИИ и кому доверять, когда тексты, голоса, документы и даже личности можно убедительно подделать.
В книгах я собрал исследования, реальные кейсы, собственный опыт и много практических инструментов, которые можно применять в работе и бизнесе. Не хотелось ограничиваться рассуждениями о будущем — гораздо интереснее понять, что можно делать уже сегодня.
Постепенно буду рассказывать об этих инструментах на страницах канала, разбирать конкретные примеры и делиться тем, что действительно работает на практике.
Все три тома доступны на Литресе:
Том 1. Человек · Том 2. Бизнес · Том 3. Доверие
На **Amazon** также представлены русские и английские издания серии.
Буду рад, если книги окажутся полезными. Особенно интересны ваши замечания, вопросы и несогласие с моими выводами.
А здесь продолжим разбираться, как ИИ встречается с реальностью — и что всё это означает для каждого из нас.
Небольшая личная новость. Ещё летом я закончил работу над серией из трёх книг о том, как искусственный интеллект меняет нашу работу, бизнес и отношения между людьми. А недавно все три тома наконец вышли и стали доступны читателям.
В основе серии один вопрос: если интеллект становится всё дешевле, что тогда приобретает настоящую ценность?
Я попытался рассмотреть его с трёх сторон:
1. «Человек» — как оставаться востребованным специалистом, чему учиться и как строить карьеру, когда ИИ уже способен выполнять часть нашей интеллектуальной работы.
2. «Бизнес в эпоху ИИ-агентов» — как будут меняться компании, команды, взаимодействие с клиентами и сама экономика бизнеса.
3. «Доверие» — как отличать настоящее от созданного ИИ и кому доверять, когда тексты, голоса, документы и даже личности можно убедительно подделать.
В книгах я собрал исследования, реальные кейсы, собственный опыт и много практических инструментов, которые можно применять в работе и бизнесе. Не хотелось ограничиваться рассуждениями о будущем — гораздо интереснее понять, что можно делать уже сегодня.
Постепенно буду рассказывать об этих инструментах на страницах канала, разбирать конкретные примеры и делиться тем, что действительно работает на практике.
Все три тома доступны на Литресе:
Том 1. Человек · Том 2. Бизнес · Том 3. Доверие
На **Amazon** также представлены русские и английские издания серии.
Буду рад, если книги окажутся полезными. Особенно интересны ваши замечания, вопросы и несогласие с моими выводами.
А здесь продолжим разбираться, как ИИ встречается с реальностью — и что всё это означает для каждого из нас.
👍3🔥3
Есть мнение, что в будущем этого (микрофон для вайб-кодинга/маркетинга/юриста и тп) будет достаточно, чтобы делать интеллектуальную работу - все остальное будет «зашито» в модели супер-интеллекта https://x.com/moishe_ee/status/2117557374827253833?a=ZNj31PSAXaga-FRnOHY&s=52
X (formerly Twitter)
Mooiše (@moishe_ee) on X
Работаю с этой фигней уже две недели. Лучшие 8 потраченных долларов. Поначалу кажется немного диким все проговаривать и раздражают ошибки, но потом понимаешь, что ИИ их обработает и смысл будет пе…
👍3
Revolut сокращает расходы на ИИ в 10 раз. А что тогда будет с OpenAI, Google и Anthropic?
Похоже, на рынке ИИ начинается довольно интересный процесс. Крупные компании, которые ещё недавно активно покупали доступ к моделям OpenAI и Anthropic, начинают считать экономику и переходить на собственную инфраструктуру.
Хороший пример — Revolut, один из крупнейших финтехов Европы.
Компания перевела около 2 000 инженеров на китайскую модель GLM от Z.ai, которую запускает на собственных вычислительных мощностях.
Цифры, которыми поделились в Revolut, впечатляют:
— 56 GPU Nvidia B200 для работы моделей.
— Около $0,30 за миллион токенов — примерно в 10 раз дешевле прежнего варианта.
— Улучшение показателя времени написания кода на 60%.
— Сокращение времени выполнения задач от начала до передачи результата на 70%.
При этом Claude Code и Codex никуда не исчезли. Просто теперь их используют преимущественно для сложных задач, где действительно нужны возможности передовых моделей.
Но самое интересное здесь даже не экономия.
Мы уже обсуждали в предыдущих постах Google и Microsoft, огромные инвестиции в ИИ и попытки технологических гигантов обеспечить себе преимущество за счёт самых мощных моделей и вычислительных ресурсов.
А теперь возникает интересный вопрос: насколько устойчиво это преимущество?
Ещё недавно казалось, что доступ к самым передовым моделям станет главным конкурентным преимуществом. Но открытые модели быстро сокращают разрыв. И для всё большего числа повседневных задач возможностей относительно недорогого ИИ уже достаточно.
Вполне возможно, что через несколько лет мы будем относиться к ИИ примерно как к интернету или электричеству. Просто пользоваться им, не особенно задумываясь, какая именно модель работает внутри.
Причём значительная часть таких моделей может оказаться китайской, открытой и запущенной на собственной инфраструктуре компаний или даже на наших домашних компьютерах.
И вот здесь возникает проблема для технологических гигантов.
OpenAI, Google, Microsoft и Anthropic вкладывают колоссальные средства в разработку всё более мощных моделей и строительство дата-центров.
Но если для 80–90% повседневных задач будет достаточно гораздо более дешёвых решений, то кто и сколько будет готов платить за оставшиеся 10–20%?
Разумеется, эти пропорции условные. Но сам вопрос от этого никуда не исчезает.
Потребление ИИ может вырасти в десятки и сотни раз, а вот выручка и прибыль создателей самых мощных моделей совсем не обязательно будут расти такими же темпами.
Мне кажется, рынок сейчас находится в довольно неустойчивом положении. Мы видим огромные инвестиции и фантастические ожидания, но пока нет убедительного ответа, как именно разработчики суперсовременных моделей смогут массово монетизировать своё технологическое преимущество.
Возможно, ИИ действительно станет повсеместным (на примере моих клиентов я вижу, что компании уже пользуются дешевыми и локальными моделями в 90+ процентов кейсов). Но это ещё не означает, что на нём смогут заработать столько, сколько сегодня рассчитывают его создатели.
А вы как думаете? Сохранят ли самые мощные модели свою ценность или рынок постепенно придёт к тому, что большинству из нас будет достаточно обычного, дешёвого ИИ?
Похоже, на рынке ИИ начинается довольно интересный процесс. Крупные компании, которые ещё недавно активно покупали доступ к моделям OpenAI и Anthropic, начинают считать экономику и переходить на собственную инфраструктуру.
Хороший пример — Revolut, один из крупнейших финтехов Европы.
Компания перевела около 2 000 инженеров на китайскую модель GLM от Z.ai, которую запускает на собственных вычислительных мощностях.
Цифры, которыми поделились в Revolut, впечатляют:
— 56 GPU Nvidia B200 для работы моделей.
— Около $0,30 за миллион токенов — примерно в 10 раз дешевле прежнего варианта.
— Улучшение показателя времени написания кода на 60%.
— Сокращение времени выполнения задач от начала до передачи результата на 70%.
При этом Claude Code и Codex никуда не исчезли. Просто теперь их используют преимущественно для сложных задач, где действительно нужны возможности передовых моделей.
Но самое интересное здесь даже не экономия.
Мы уже обсуждали в предыдущих постах Google и Microsoft, огромные инвестиции в ИИ и попытки технологических гигантов обеспечить себе преимущество за счёт самых мощных моделей и вычислительных ресурсов.
А теперь возникает интересный вопрос: насколько устойчиво это преимущество?
Ещё недавно казалось, что доступ к самым передовым моделям станет главным конкурентным преимуществом. Но открытые модели быстро сокращают разрыв. И для всё большего числа повседневных задач возможностей относительно недорогого ИИ уже достаточно.
Вполне возможно, что через несколько лет мы будем относиться к ИИ примерно как к интернету или электричеству. Просто пользоваться им, не особенно задумываясь, какая именно модель работает внутри.
Причём значительная часть таких моделей может оказаться китайской, открытой и запущенной на собственной инфраструктуре компаний или даже на наших домашних компьютерах.
И вот здесь возникает проблема для технологических гигантов.
OpenAI, Google, Microsoft и Anthropic вкладывают колоссальные средства в разработку всё более мощных моделей и строительство дата-центров.
Но если для 80–90% повседневных задач будет достаточно гораздо более дешёвых решений, то кто и сколько будет готов платить за оставшиеся 10–20%?
Разумеется, эти пропорции условные. Но сам вопрос от этого никуда не исчезает.
Потребление ИИ может вырасти в десятки и сотни раз, а вот выручка и прибыль создателей самых мощных моделей совсем не обязательно будут расти такими же темпами.
Мне кажется, рынок сейчас находится в довольно неустойчивом положении. Мы видим огромные инвестиции и фантастические ожидания, но пока нет убедительного ответа, как именно разработчики суперсовременных моделей смогут массово монетизировать своё технологическое преимущество.
Возможно, ИИ действительно станет повсеместным (на примере моих клиентов я вижу, что компании уже пользуются дешевыми и локальными моделями в 90+ процентов кейсов). Но это ещё не означает, что на нём смогут заработать столько, сколько сегодня рассчитывают его создатели.
А вы как думаете? Сохранят ли самые мощные модели свою ценность или рынок постепенно придёт к тому, что большинству из нас будет достаточно обычного, дешёвого ИИ?
❤1👍1
Кажется, мы переоцениваем, насколько далеко мир продвинулся в использовании ИИ.
Андрей Карпаты (Andrej Karpathy), один из основателей OpenAI и бывший руководитель направления ИИ в Tesla, недавно поделился интересной оценкой того, как люди используют искусственный интеллект.
Он представил своеобразную «воронку» пользователей ИИ:
— Около 6 млрд человек практически не сталкивались с языковыми моделями.
— 1–2 млрд человек периодически используют ChatGPT и аналоги, преимущественно как более умный поисковик или помощник для бытовых задач.
— Около 20 млн человек активно применяют передовые модели в программировании, математике и сложных профессиональных задачах.
— Примерно 5 тысяч человек имеют доступ к наиболее продвинутым внутренним ИИ-системам исследовательских лабораторий.
Конечно, это не статистическое исследование, а приблизительные оценки Карпаты. Но они заставляют задуматься.
Я работаю в IT, постоянно экспериментирую с ИИ и использую его в собственных проектах. Вокруг меня обсуждают новые модели, агентов, автоматизацию и то, какие профессии исчезнут первыми.
Находясь внутри этой среды, довольно легко поверить, что ИИ уже повсюду. Но за пределами нашего профессионального круга ситуация, похоже, совсем другая.
Получается, что мы обсуждаем последствия технологической революции, в которой большая часть человечества ещё даже не начала участвовать.
И если оценки Карпаты хотя бы приблизительно верны, то всё самое интересное ещё впереди.
Я всё больше думаю о том, что на горизонте 5–10 лет важно не просто научиться пользоваться ИИ, а найти своё место в экономике, где он станет такой же обыденностью, как интернет.
Причём необязательно оставаться в программировании. Возможно, гораздо интереснее будут профессии на стыке ИИ и физического мира, где автоматизация создаст новый спрос на человеческий труд.
(Конечно, на ум сразу приходят электрики, инженеры ЦОДов, энергетика и строительство инфраструктуры. Но я почти всю жизнь работал в IT и слабо представляю, как практически перейти в эти направления.)
И вот что мне действительно интересно обсудить: какие профессии стоит осваивать уже сегодня, чтобы через 5–10 лет оказаться на стороне растущего спроса, а не конкурировать с ИИ за работу?
Ведь когда технология станет массовой, специалисты, без которых невозможно её внедрение и развитие, вполне могут оказаться одними из самых востребованных и высокооплачиваемых.
Интересно услышать ваши идеи в комментариях. Особенно если вы уже видите такие возможности за пределами привычного IT.
Источник: [Andrej Karpathy — X](https://x.com/karpathy)
Андрей Карпаты (Andrej Karpathy), один из основателей OpenAI и бывший руководитель направления ИИ в Tesla, недавно поделился интересной оценкой того, как люди используют искусственный интеллект.
Он представил своеобразную «воронку» пользователей ИИ:
— Около 6 млрд человек практически не сталкивались с языковыми моделями.
— 1–2 млрд человек периодически используют ChatGPT и аналоги, преимущественно как более умный поисковик или помощник для бытовых задач.
— Около 20 млн человек активно применяют передовые модели в программировании, математике и сложных профессиональных задачах.
— Примерно 5 тысяч человек имеют доступ к наиболее продвинутым внутренним ИИ-системам исследовательских лабораторий.
Конечно, это не статистическое исследование, а приблизительные оценки Карпаты. Но они заставляют задуматься.
Я работаю в IT, постоянно экспериментирую с ИИ и использую его в собственных проектах. Вокруг меня обсуждают новые модели, агентов, автоматизацию и то, какие профессии исчезнут первыми.
Находясь внутри этой среды, довольно легко поверить, что ИИ уже повсюду. Но за пределами нашего профессионального круга ситуация, похоже, совсем другая.
Получается, что мы обсуждаем последствия технологической революции, в которой большая часть человечества ещё даже не начала участвовать.
И если оценки Карпаты хотя бы приблизительно верны, то всё самое интересное ещё впереди.
Я всё больше думаю о том, что на горизонте 5–10 лет важно не просто научиться пользоваться ИИ, а найти своё место в экономике, где он станет такой же обыденностью, как интернет.
Причём необязательно оставаться в программировании. Возможно, гораздо интереснее будут профессии на стыке ИИ и физического мира, где автоматизация создаст новый спрос на человеческий труд.
(Конечно, на ум сразу приходят электрики, инженеры ЦОДов, энергетика и строительство инфраструктуры. Но я почти всю жизнь работал в IT и слабо представляю, как практически перейти в эти направления.)
И вот что мне действительно интересно обсудить: какие профессии стоит осваивать уже сегодня, чтобы через 5–10 лет оказаться на стороне растущего спроса, а не конкурировать с ИИ за работу?
Ведь когда технология станет массовой, специалисты, без которых невозможно её внедрение и развитие, вполне могут оказаться одними из самых востребованных и высокооплачиваемых.
Интересно услышать ваши идеи в комментариях. Особенно если вы уже видите такие возможности за пределами привычного IT.
Источник: [Andrej Karpathy — X](https://x.com/karpathy)
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
4452082 followers · 1144 following. Earth. Joined Apr 2009. See the latest conversations with @karpathy
❤2
Forwarded from Силиконовый Мешок
В выходные читал занимательный тред на Hacker News о том, как разработчики хорошенько так выгорают от всей этой движухи. И знаете, многие комментарии мне резонировали, это действительно какой-то новый вид усталости и эмоциональной нагрузки получается.
Программисты пишут, что
Кто-то жалуется, что
Другой комментатор объясняет, что
Разработчики жалуются, что
Еще один пишет, что
Но особое раздражение у разработчиков вызывает чужой слоп на ревью, когда
Или когда
А еще говорят, что
У кого-то наоборот
Казалось, что с ИИ мы станем свободнее и богаче. В итоге работаем больше, быстрее и часто за меньшие деньги.
Программисты пишут, что
хоть искусственный интеллект и позволяет делать заметно больше, но к вечеру сил остается меньше, чем до него. Приходится следить за кучей параллельных процессов, читать горы сгенерированного текста, все время настраивать для моделей ограничения, принимать решения и переключаться между контекстами.
Кто-то жалуется, что
не получается войти в поток, агенты все время дергают. Как будто руководишь пятью отличными инженерами, которые не знают, когда помолчать.
Другой комментатор объясняет, что
то, что освоено до состояния потока, первым и уходит в автоматизацию. Остается только новое и трудное. Наверное, так себя чувствуют авиадиспетчеры.
Разработчики жалуются, что
с легкостью могут рассказать про код, который писали руками пять лет назад, а о том, что делалось с Claude на прошлой неделе, вспомнить не могут.
Еще один пишет, что
все работает, заказчики довольны, но мозг атрофируется. Разработка ощущается как легкое опьянение.
Но особое раздражение у разработчиков вызывает чужой слоп на ревью, когда
коллеги присылают на проверку сгенерированный код, который сами не читали. Например, чувак рассказывает, как у них все работает. Менеджер пишет тикеты в Claude, разработчик вставляет тикет в Claude и выкладывает PR на 4000 строк, в котором ничего не понимает. Времени на такое ревью нет, и код уходит в прод, хотя ни один человек так и не разобрался, что он делает.
Или когда
спрашиваешь коллегу, почему сделано именно так. В ответ слышишь, что это написал Claude, и теперь правда видно, что смысла нет.
А еще говорят, что
удовольствие от работы пропадает… Кто-то признается, что смысл всей жизни был в том, чтобы решать задачи кодом. Теперь продуктивности больше, чем когда-либо, а радости нет. Хочется обратно.
У кого-то наоборот
работать стало спокойно, к вечеру сил полно. Расстраивает другое. Профессия обесценилась, код теперь почти ничего не стоит.
Казалось, что с ИИ мы станем свободнее и богаче. В итоге работаем больше, быстрее и часто за меньшие деньги.
Сегодня хочу порекомендовать канал Фактосборка. Это лаборатория, где ребята берут проекты, собранные с ИИ, и запускают их сами: игры, утилиты, модели. Показывая на видео, что работает и где ломается.
Telegram
Фактосборка | AI Dev Lab
Запускаем AI-проекты, разбираем код и проверяем громкие технологические обещания. Показываем, что работает, где ограничения и можно ли это повторить.
👍2❤1
А ты сам что предлагаешь - слопократия и как с ней бороться?
Для одной из привычек в работе с ИИ уже придумали название — «слопократия». Человек собирает обрывки информации из встреч и переписки, загружает их в нейросеть и получает стратегию, план проекта или регламент. Сразу рассылает и берётся за следующий вопрос. Он может быть очень деятельным, искренне хотеть всё ускорить и при этом почти не проверять, насколько предложенное вообще имеет смысл.
Дальше на основе одного такого документа появляется другой. Непроверенные предположения переходят из текста в текст, обрастают подробностями и постепенно начинают выглядеть как согласованные решения. Команде приходится восстанавливать контекст, искать противоречия и выяснять, что действительно нужно делать. Особенно тяжело, когда этот поток идёт от руководителя: право принимать решения остаётся у него, а разбираться с последствиями приходится сотрудникам.
Я как руководитель с этим сталкиваюсь и со стороны сотрудников. Стараюсь бороться, хотя это непросто. Хорошо оформленный ответ легко принять за выполненную работу. Но при обсуждении может выясниться, что человек не разобрался в предложении и не может объяснить, почему выбрал именно его. Получился редирект: вопрос отправили в ИИ, результат переслали мне. Разобраться в самой задаче ещё предстоит - и часто реальность показывает что такие ответы "нам дорого стоят".
Для меня важно, чтобы сотрудник применял свой опыт и высказывал собственное мнение. С решением нейросети вполне можно согласиться. Нужно только понимать, почему оно подходит к нашей ситуации: учитывает ли договорённости с заказчиком, возможности команды, сроки и ограничения. Общий совет может быть разумным и при этом совершенно бесполезным в конкретном проекте.
Поэтому всё, что получено от ИИ, нужно пропускать через себя перед отправкой. Проверить существенные факты, убрать лишнее, сопоставить предложения с реальными условиями и сформулировать свой вывод. Если данных недостаточно, прямо об этом сказать. Полезная проверка: могу ли я своими словами объяснить, что предлагаю, почему и в чём пока сомневаюсь? Если не могу, отправлять это как готовый результат рано. Черновик для совместного разбора тоже полезен, когда понятно, что уже проверено и какая помощь нужна.
К руководителю относится ровно то же требование. Если я отправляю команде сгенерированный план, мне нужно понимать, какую работу он создаст и зачем она нужна. А если ожидаю самостоятельного мнения, должен давать человеку возможность возражать, уточнять задачу и признавать, что он пока не разобрался.
И ещё один вывод: непроверенная генерация портит впечатление о тебе как о сотруднике. Когда человек присылает материал от своего имени, но не может ответить на вопросы по содержанию, я начинаю сомневаться в качестве его работы (и будем честны, это вызывает сильное раздражение и неуважение к труду другого человека). В следующий раз приходится внимательнее проверять и остальные его выводы. Поэтому прежде чем отправлять очередной ответ ИИ, стоит разобраться в нём самому. Коллеги будут оценивать по нему твою компетентность и именно ИИ может разрушить вашу репутацию.
Для одной из привычек в работе с ИИ уже придумали название — «слопократия». Человек собирает обрывки информации из встреч и переписки, загружает их в нейросеть и получает стратегию, план проекта или регламент. Сразу рассылает и берётся за следующий вопрос. Он может быть очень деятельным, искренне хотеть всё ускорить и при этом почти не проверять, насколько предложенное вообще имеет смысл.
Дальше на основе одного такого документа появляется другой. Непроверенные предположения переходят из текста в текст, обрастают подробностями и постепенно начинают выглядеть как согласованные решения. Команде приходится восстанавливать контекст, искать противоречия и выяснять, что действительно нужно делать. Особенно тяжело, когда этот поток идёт от руководителя: право принимать решения остаётся у него, а разбираться с последствиями приходится сотрудникам.
Я как руководитель с этим сталкиваюсь и со стороны сотрудников. Стараюсь бороться, хотя это непросто. Хорошо оформленный ответ легко принять за выполненную работу. Но при обсуждении может выясниться, что человек не разобрался в предложении и не может объяснить, почему выбрал именно его. Получился редирект: вопрос отправили в ИИ, результат переслали мне. Разобраться в самой задаче ещё предстоит - и часто реальность показывает что такие ответы "нам дорого стоят".
Для меня важно, чтобы сотрудник применял свой опыт и высказывал собственное мнение. С решением нейросети вполне можно согласиться. Нужно только понимать, почему оно подходит к нашей ситуации: учитывает ли договорённости с заказчиком, возможности команды, сроки и ограничения. Общий совет может быть разумным и при этом совершенно бесполезным в конкретном проекте.
Поэтому всё, что получено от ИИ, нужно пропускать через себя перед отправкой. Проверить существенные факты, убрать лишнее, сопоставить предложения с реальными условиями и сформулировать свой вывод. Если данных недостаточно, прямо об этом сказать. Полезная проверка: могу ли я своими словами объяснить, что предлагаю, почему и в чём пока сомневаюсь? Если не могу, отправлять это как готовый результат рано. Черновик для совместного разбора тоже полезен, когда понятно, что уже проверено и какая помощь нужна.
К руководителю относится ровно то же требование. Если я отправляю команде сгенерированный план, мне нужно понимать, какую работу он создаст и зачем она нужна. А если ожидаю самостоятельного мнения, должен давать человеку возможность возражать, уточнять задачу и признавать, что он пока не разобрался.
И ещё один вывод: непроверенная генерация портит впечатление о тебе как о сотруднике. Когда человек присылает материал от своего имени, но не может ответить на вопросы по содержанию, я начинаю сомневаться в качестве его работы (и будем честны, это вызывает сильное раздражение и неуважение к труду другого человека). В следующий раз приходится внимательнее проверять и остальные его выводы. Поэтому прежде чем отправлять очередной ответ ИИ, стоит разобраться в нём самому. Коллеги будут оценивать по нему твою компетентность и именно ИИ может разрушить вашу репутацию.
👍4
Пока вы молчите на созвоне, Claude уже готовит план
12 ноября Anthropic представила Claude Meetings. Ассистент подключается к Google Meet отдельным участником. Бета постепенно появляется на тарифах Team и Enterprise.
Что он делает на встрече:
- ведёт заметки; вопросы можно задавать голосом или в чате, ответы по умолчанию письменные;
- создаёт документы, доски и слайды, которые можно сразу редактировать с приглашёнными коллегами из своей организации;
- по запросу обращается к подключённым сервисам с соответствующего разрешения.
После звонка остаются расшифровка, заметки, задачи и созданные материалы. К прошлым обсуждениям можно возвращаться с вопросами. Для подключения нужно связать Google Calendar в разделе Meetings и добавить Claude к выбранной встрече.
Мне как руководителю импонирует, что встреча сразу становится рабочим артефактом проекта. Пока мы разговариваем, уже появляется план, который можно поправить вместе. И всё это «из коробки». В примере Anthropic команда планирует мероприятие: Claude собирает документ, по запросу находит прошлогодний бюджет через подключённые инструменты и помогает перенести сроки на доску.
Для меня как менеджера созвоны — часть жизни. Теперь жду, что изменится и сама встреча, и наше участие в ней. Когда план открыт перед всеми, проще уточнить задачу, поспорить со сроком или сказать: «Это беру на себя». Рассчитываю на более вовлечённых участников.
Я бы просил фиксировать четыре пункта: что решили, кто делает, к какому сроку и что осталось открытым. И проверял бы их до того, как все разойдутся. Есть задача без ответственного? Значит, ещё не договорились.
Мы общаемся с иностранными клиентами и партнёрами. Общий письменный план может снять часть «трудностей перевода»: можно сразу сверить, одинаково ли мы поняли сроки и объём работы, и поправить непонятную формулировку.
Здесь есть ограничение: внешние гости должны быть разрешены в настройках. На таких встречах Claude ведёт заметки, но не отвечает в общем чате Meet; гости не получают страницу встречи в Claude. План клиенту можно показать через демонстрацию экрана.
Условия беты на 13 ноября: заметки, расшифровки и ответы без подключённых инструментов включены в тариф. Документы и доски бесплатны до 10 февраля 2027 года; обращения к подключённым сервисам расходуют лимиты. Сохраняются расшифровка, сводка и описания экрана, но не аудиозапись. Участники должны согласиться на транскрибацию. Настройки и условия.
Отсидеться с выключенной камерой станет сложнее. Когда напротив задачи появляется твоё имя, фраза «мы это просто обсуждали» требует объяснения. Но сама по себе включённая камера тоже ничего не доказывает: я бы смотрел на принятые задачи и результат работы.
«Можно попробовать» ещё не означает «беру в работу». Решения, ответственных и сроки надо подтвердить с участниками. Иначе получим аккуратно оформленное недопонимание — или проще, ссоры и конфликты. И непонятно, на кого обижаться: на Claude!?
Вы бы позвали такого ИИ-помощника на свой созвон — и говорили бы при нём так же свободно?
12 ноября Anthropic представила Claude Meetings. Ассистент подключается к Google Meet отдельным участником. Бета постепенно появляется на тарифах Team и Enterprise.
Что он делает на встрече:
- ведёт заметки; вопросы можно задавать голосом или в чате, ответы по умолчанию письменные;
- создаёт документы, доски и слайды, которые можно сразу редактировать с приглашёнными коллегами из своей организации;
- по запросу обращается к подключённым сервисам с соответствующего разрешения.
После звонка остаются расшифровка, заметки, задачи и созданные материалы. К прошлым обсуждениям можно возвращаться с вопросами. Для подключения нужно связать Google Calendar в разделе Meetings и добавить Claude к выбранной встрече.
Мне как руководителю импонирует, что встреча сразу становится рабочим артефактом проекта. Пока мы разговариваем, уже появляется план, который можно поправить вместе. И всё это «из коробки». В примере Anthropic команда планирует мероприятие: Claude собирает документ, по запросу находит прошлогодний бюджет через подключённые инструменты и помогает перенести сроки на доску.
Для меня как менеджера созвоны — часть жизни. Теперь жду, что изменится и сама встреча, и наше участие в ней. Когда план открыт перед всеми, проще уточнить задачу, поспорить со сроком или сказать: «Это беру на себя». Рассчитываю на более вовлечённых участников.
Я бы просил фиксировать четыре пункта: что решили, кто делает, к какому сроку и что осталось открытым. И проверял бы их до того, как все разойдутся. Есть задача без ответственного? Значит, ещё не договорились.
Мы общаемся с иностранными клиентами и партнёрами. Общий письменный план может снять часть «трудностей перевода»: можно сразу сверить, одинаково ли мы поняли сроки и объём работы, и поправить непонятную формулировку.
Здесь есть ограничение: внешние гости должны быть разрешены в настройках. На таких встречах Claude ведёт заметки, но не отвечает в общем чате Meet; гости не получают страницу встречи в Claude. План клиенту можно показать через демонстрацию экрана.
Условия беты на 13 ноября: заметки, расшифровки и ответы без подключённых инструментов включены в тариф. Документы и доски бесплатны до 10 февраля 2027 года; обращения к подключённым сервисам расходуют лимиты. Сохраняются расшифровка, сводка и описания экрана, но не аудиозапись. Участники должны согласиться на транскрибацию. Настройки и условия.
Новая функция Claude - это помощник команды или удобный способ для начальства контролировать сотрудников?
Отсидеться с выключенной камерой станет сложнее. Когда напротив задачи появляется твоё имя, фраза «мы это просто обсуждали» требует объяснения. Но сама по себе включённая камера тоже ничего не доказывает: я бы смотрел на принятые задачи и результат работы.
«Можно попробовать» ещё не означает «беру в работу». Решения, ответственных и сроки надо подтвердить с участниками. Иначе получим аккуратно оформленное недопонимание — или проще, ссоры и конфликты. И непонятно, на кого обижаться: на Claude!?
Вы бы позвали такого ИИ-помощника на свой созвон — и говорили бы при нём так же свободно?
🔥2
полезная новость и упрощение доступа к сильным моделям без дополнительных "костылей" - Пополнить баланс DeepSeek из России можно через мобильное приложение Сбербанка, которое поддерживает оплату по QR-кодам Alipay.
Для этого достаточно открыть https://platform.deepseek.com/top_up, выбрать китайские юани (CNY) и отсканировать QR-код через приложение Сбербанка. Создавать аккаунт Alipay не требуется.
Обработка платежа занимает около пяти минут.
Таким способом можно оплачивать использование DeepSeek API напрямую из России, без иностранных банковских карт и посредников.
Для этого достаточно открыть https://platform.deepseek.com/top_up, выбрать китайские юани (CNY) и отсканировать QR-код через приложение Сбербанка. Создавать аккаунт Alipay не требуется.
Обработка платежа занимает около пяти минут.
Таким способом можно оплачивать использование DeepSeek API напрямую из России, без иностранных банковских карт и посредников.
🔥6
YouTube
Андрей Карпаты | Введение в LLM | Большие Языковые Модели | Часовая Лекция
Это часовая вводная лекция о больших языковых моделях (LLM), рассчитанная на широкую аудиторию. Большие языковые модели — ключевой технический компонент таких систем, как ChatGPT, Claude и Bard. Мы разберём, что они собой представляют, куда движется эта технология…
Как устроены ИИ-агенты и почему полезно понимать, что у них внутри
Сейчас много говорят об ИИ-агентах, которые самостоятельно ищут информацию, пишут код, работают с документами и выполняют целые цепочки задач. Но мне кажется, прежде чем внедрять такие системы, полезно разобраться, как они вообще работают.
В основе агента лежит языковая модель, которая сама по себе не открывает браузер и не запускает программы. Она генерирует запрос к инструменту, внешняя система выполняет действие и возвращает результат модели. Дальше цикл может повторяться.
Звучит просто, но отсюда возникает много интересных вопросов. Почему агент ошибается? Как он выбирает инструменты? Что происходит, когда в контекст попадают недостоверные данные? И насколько безопасно давать ему право выполнять действия?
Нашёл хорошую вводную лекцию Андрея Карпати — Intro to Large Language Models, переведённую на русский язык. В ней последовательно объясняется, как обучаются LLM, откуда берутся галлюцинации, как работают инструменты и какие существуют проблемы безопасности.
Это не полноценный курс по разработке агентов, но хорошая база, чтобы понимать, что происходит под капотом современных ИИ-систем.
Из часовой лекции особенно рекомендую:
- 27:43 — как LLM использует внешние инструменты
- 42:15 — LLM как операционная система
- 51:30 — prompt injection и проблемы безопасности
🎥 https://www.youtube.com/watch?v=WdOTixW8wbY
На мой взгляд, это полезный час не только для разработчиков, но и для тех, кто собирается применять ИИ-агентов в своей работе или бизнесе. Чтобы оценивать возможности технологии, неплохо сначала разобраться в её ограничениях.
Сейчас много говорят об ИИ-агентах, которые самостоятельно ищут информацию, пишут код, работают с документами и выполняют целые цепочки задач. Но мне кажется, прежде чем внедрять такие системы, полезно разобраться, как они вообще работают.
В основе агента лежит языковая модель, которая сама по себе не открывает браузер и не запускает программы. Она генерирует запрос к инструменту, внешняя система выполняет действие и возвращает результат модели. Дальше цикл может повторяться.
Звучит просто, но отсюда возникает много интересных вопросов. Почему агент ошибается? Как он выбирает инструменты? Что происходит, когда в контекст попадают недостоверные данные? И насколько безопасно давать ему право выполнять действия?
Нашёл хорошую вводную лекцию Андрея Карпати — Intro to Large Language Models, переведённую на русский язык. В ней последовательно объясняется, как обучаются LLM, откуда берутся галлюцинации, как работают инструменты и какие существуют проблемы безопасности.
Это не полноценный курс по разработке агентов, но хорошая база, чтобы понимать, что происходит под капотом современных ИИ-систем.
Из часовой лекции особенно рекомендую:
- 27:43 — как LLM использует внешние инструменты
- 42:15 — LLM как операционная система
- 51:30 — prompt injection и проблемы безопасности
🎥 https://www.youtube.com/watch?v=WdOTixW8wbY
На мой взгляд, это полезный час не только для разработчиков, но и для тех, кто собирается применять ИИ-агентов в своей работе или бизнесе. Чтобы оценивать возможности технологии, неплохо сначала разобраться в её ограничениях.
👍1🔥1
На ChatGPT приходится 81,4% мирового трафика ИИ-ассистентов
Такую оценку даёт исследование агентства Graphite, в котором доля Claude составляет 6,8%, Google Gemini 5%, DeepSeek 4%, Grok 1,9% и Perplexity 0,9%.
После семи месяцев без роста аудитория ChatGPT прибавила почти 20% и в сентябре достигла рекордных 61,35 млрд визитов, при этом общая посещаемость ИИ-сервисов за год выросла на 37% и превысила 76 млрд визитов в месяц.
На пользователей из США приходится лишь 8,8% этого трафика, а объём переходов с ИИ-платформ на внешние сайты вырос на 92%, причём 60% таких переходов обеспечивает ChatGPT.
Получается, что ChatGPT фактически король в ИИ и имеет самый близкий доступ к пользователю. Пока именно вокруг чатов и будет строиться автоматизация работы, т к это просто и понятно. В следующих постах расскажу что уже для этого делают ведущие компании.
Такую оценку даёт исследование агентства Graphite, в котором доля Claude составляет 6,8%, Google Gemini 5%, DeepSeek 4%, Grok 1,9% и Perplexity 0,9%.
После семи месяцев без роста аудитория ChatGPT прибавила почти 20% и в сентябре достигла рекордных 61,35 млрд визитов, при этом общая посещаемость ИИ-сервисов за год выросла на 37% и превысила 76 млрд визитов в месяц.
На пользователей из США приходится лишь 8,8% этого трафика, а объём переходов с ИИ-платформ на внешние сайты вырос на 92%, причём 60% таких переходов обеспечивает ChatGPT.
Получается, что ChatGPT фактически король в ИИ и имеет самый близкий доступ к пользователю. Пока именно вокруг чатов и будет строиться автоматизация работы, т к это просто и понятно. В следующих постах расскажу что уже для этого делают ведущие компании.
👍2❤1
Media is too big
VIEW IN TELEGRAM
Про будущее обучения и в целом визуализации информации - Камран Ахмед, создатель roadmap.sh и библиотеки driver.js, разработал новый навык для Claude Code (можно брать любую нейронку) — stick-scene.
https://github.com/nilbuild/stick-scene
Он позволяет создавать анимированные объяснения с помощью стикменов.
Достаточно вызвать навык командой
https://github.com/nilbuild/stick-scene
Он позволяет создавать анимированные объяснения с помощью стикменов.
Достаточно вызвать навык командой
/stick-scene [prompt] и описать, что нужно визуализировать. Нейронка самостоятельно подготовит код и создаст анимацию (далее попробуем сделать простую обучалочку по профессиям будущего с помощью простых моделей вроде qwen и deep seek).❤2
Компания в одном чате
В прошлом посте писал, что у ChatGPT есть сильное преимущество: люди уже привыкли приходить туда со своими задачами. Думаю, постепенно этот привычный чатик станет входом в целую рабочую среду — платформу ИИ-агентов, через которую можно будет управлять значительной частью работы компании.
У OpenAI, Anthropic и других крупных ИИ-компаний есть экономическая причина туда идти.
Пока твоя модель заметно лучше остальных, за неё готовы доплачивать. Но если несколько моделей достаточно хорошо справляются с повседневными задачами, заказчик начинает внимательнее смотреть на цену. Приходится доказывать, почему твой интеллект стоит дороже.
С автоматизацией бизнеса другая история. Если платформа помогает обрабатывать заявки, готовить предложения и сопровождать клиентов, её стоимость можно сравнивать с расходами на выполнение этой работы.
Поэтому мой прогноз такой:
Вместе с ними будут продавать и среду, в которой они работают.
Отдельные части такой ИИ-платформы уже появляются. OpenAI описывает Frontier как платформу для создания и управления корпоративными агентами: с общим контекстом, доступами и оценкой качества.
Anthropic собирает в Claude таблицы, документы и работу с корпоративными системами, включая бета-интеграцию с Salesforce.
Представим следующий шаг. Ты открываешь рабочее пространство. Там твоя команда, проекты, документы и цифровые коллеги. Один занимается первичным разбором заявок, другой готовит расчёты, третий следит за исполнением договорённостей. У каждого своя роль и круг задач.
Пишешь: «Подготовьте предложение для этого клиента. Учтите прошлые переговоры, нашу загрузку и условия, на которые мы готовы пойти».
Платформа распределяет работу между агентами. Они обращаются к корпоративным системам, собирают материалы и возвращаются с результатом. Там, где нужно твоё решение, появляется конкретный вопрос. Рядом открываются расчёт, документ или карточка согласования.
Одна платформа: люди, ИИ-агенты, данные, роли, доступы и лимиты. Часть агентов постепенно становится цифровыми аналогами отдельных рабочих ролей. А сотрудник ставит задачу, обсуждает и проверяет результат.
CRM, бухгалтерия и другие системы продолжают выполнять свою работу. Но всё больше взаимодействия с ними берут на себя агенты. Человеку уже не обязательно помнить, в каком разделе какой программы находится нужная операция.
Мне кажется, за место этой рабочей среды и начинается борьба. Кто станет платформой, в которой компания каждый день организует свою работу, тот сможет продавать ей всё больше автоматизации.
В какой-то момент в подписке может появиться предложение: «Подключить специалиста по закупкам». И дальше ты будешь выбирать его по качеству работы, стоимости и тому, насколько хорошо он понимает твой бизнес.
В прошлом посте писал, что у ChatGPT есть сильное преимущество: люди уже привыкли приходить туда со своими задачами. Думаю, постепенно этот привычный чатик станет входом в целую рабочую среду — платформу ИИ-агентов, через которую можно будет управлять значительной частью работы компании.
У OpenAI, Anthropic и других крупных ИИ-компаний есть экономическая причина туда идти.
Пока твоя модель заметно лучше остальных, за неё готовы доплачивать. Но если несколько моделей достаточно хорошо справляются с повседневными задачами, заказчик начинает внимательнее смотреть на цену. Приходится доказывать, почему твой интеллект стоит дороже.
С автоматизацией бизнеса другая история. Если платформа помогает обрабатывать заявки, готовить предложения и сопровождать клиентов, её стоимость можно сравнивать с расходами на выполнение этой работы.
Поэтому мой прогноз такой:
ИИ-компании пойдут за бюджетами на выполнение работы: будут продавать бизнесу автоматизацию и цифровых сотрудников
Вместе с ними будут продавать и среду, в которой они работают.
Отдельные части такой ИИ-платформы уже появляются. OpenAI описывает Frontier как платформу для создания и управления корпоративными агентами: с общим контекстом, доступами и оценкой качества.
Anthropic собирает в Claude таблицы, документы и работу с корпоративными системами, включая бета-интеграцию с Salesforce.
Представим следующий шаг. Ты открываешь рабочее пространство. Там твоя команда, проекты, документы и цифровые коллеги. Один занимается первичным разбором заявок, другой готовит расчёты, третий следит за исполнением договорённостей. У каждого своя роль и круг задач.
Пишешь: «Подготовьте предложение для этого клиента. Учтите прошлые переговоры, нашу загрузку и условия, на которые мы готовы пойти».
Платформа распределяет работу между агентами. Они обращаются к корпоративным системам, собирают материалы и возвращаются с результатом. Там, где нужно твоё решение, появляется конкретный вопрос. Рядом открываются расчёт, документ или карточка согласования.
Одна платформа: люди, ИИ-агенты, данные, роли, доступы и лимиты. Часть агентов постепенно становится цифровыми аналогами отдельных рабочих ролей. А сотрудник ставит задачу, обсуждает и проверяет результат.
CRM, бухгалтерия и другие системы продолжают выполнять свою работу. Но всё больше взаимодействия с ними берут на себя агенты. Человеку уже не обязательно помнить, в каком разделе какой программы находится нужная операция.
Мне кажется, за место этой рабочей среды и начинается борьба. Кто станет платформой, в которой компания каждый день организует свою работу, тот сможет продавать ей всё больше автоматизации.
В какой-то момент в подписке может появиться предложение: «Подключить специалиста по закупкам». И дальше ты будешь выбирать его по качеству работы, стоимости и тому, насколько хорошо он понимает твой бизнес.
👍3❤1
Люди и агенты в одном конвейере
Когда думаю о платформах ИИ-агентов, вспоминаю проект «Операционный конвейер», которым занимался в одном из банков.
Операционный блок насчитывал десятки тысяч сотрудников и ежедневно занимался счетами, платежами, претензиями и другими банковскими операциями (около 120 процессов на данный момент).
Мы строили систему, которая распределяла задачи между сотрудниками с учётом их специализации и текущей загрузки. Для каждого этапа задавали сроки и показатели качества. Сотрудник получал задачу вместе с необходимыми данными и подсказками, а руководитель видел, где скапливается очередь и почему работа задерживается.
Например, обработка клиентской заявки могла включать проверку документов, сверку данных, запрос недостающей информации и оформление результата. Конвейер связывал эти шаги в единый процесс: определял следующего исполнителя, передавал ему задачу и отслеживал её выполнение.
Часть операций в этом конвейере уже выполнялась автоматически, в том числе программными роботами. Теперь ИИ-агентам можно поручать разбор переписки, подготовку документов и поиск причин проблемы.
У цифрового сотрудника будет своя рабочая биография: роль, освоенные задачи, доступы, история работы и оценка качества. Руководитель определяет его полномочия и отвечает за применение.
Подключение такого сотрудника может напоминать приём на работу. Выбираешь специализацию, знакомишь с продуктами и правилами компании, показываешь примеры хорошего результата. Проверяешь на рабочих задачах и постепенно расширяешь самостоятельность. Получается испытательный срок. Или «калибровка», если продолжать аналогию с роботами.
Некоторые детали уже существуют. Microsoft предусматривает для агентов отдельные идентификаторы и права доступа, а в предварительной версии — собственную учётную запись с почтой и присутствием в корпоративной среде. Цифровой коллега может появиться в рабочем справочнике рядом с людьми.
Дальше — моя картинка будущего.
Вечером руководитель пишет: «К утру подготовьте варианты продления для клиентов, у которых заканчиваются договоры».
Один агент собирает историю работы с клиентами. Другой проверяет обращения в поддержку и незакрытые проблемы. Третий считает варианты по утверждённым правилам. К утру готовы предложения и отдельный список вопросов: здесь нужна нестандартная скидка, здесь мы не выполнили обещание, а здесь лучше сначала лично поговорить с клиентом.
Сотрудник начинает день с решений по этим вопросам. Подготовительная работа уже прошла через конвейер.
При росте нагрузки платформа сможет подключать дополнительные экземпляры проверенного агента. Руководитель будет видеть цену ускорения: сколько стоит обработка, сколько результатов приходится исправлять, где очередь упирается в человека или внешнюю систему.
Часть цифровых сотрудников компания создаст сама, опираясь на опыт своих специалистов. Других подключит у поставщиков. Со временем может появиться и цифровой двойник части твоей собственной работы: агент, которому переданы твои подходы, шаблоны и накопленные рабочие случаи.
Для небольшой команды это возможность браться за задачи, для которых раньше требовался гораздо больший штат. А опыт построения процессов, распределения полномочий и контроля качества станет основой управления такой командой.
И фраза «у меня в команде три человека и пятнадцать агентов» вполне может стать обычным ответом руководителя. Следом спросят:
А как вы организуете совместную работу людей и агентов и какую часть работы закрываете этим составом?
Когда думаю о платформах ИИ-агентов, вспоминаю проект «Операционный конвейер», которым занимался в одном из банков.
Операционный блок насчитывал десятки тысяч сотрудников и ежедневно занимался счетами, платежами, претензиями и другими банковскими операциями (около 120 процессов на данный момент).
Мы строили систему, которая распределяла задачи между сотрудниками с учётом их специализации и текущей загрузки. Для каждого этапа задавали сроки и показатели качества. Сотрудник получал задачу вместе с необходимыми данными и подсказками, а руководитель видел, где скапливается очередь и почему работа задерживается.
Например, обработка клиентской заявки могла включать проверку документов, сверку данных, запрос недостающей информации и оформление результата. Конвейер связывал эти шаги в единый процесс: определял следующего исполнителя, передавал ему задачу и отслеживал её выполнение.
Часть операций в этом конвейере уже выполнялась автоматически, в том числе программными роботами. Теперь ИИ-агентам можно поручать разбор переписки, подготовку документов и поиск причин проблемы.
Следующий шаг я вижу в общей рабочей среде, где задачи распределяются между людьми и цифровыми сотрудниками.
У цифрового сотрудника будет своя рабочая биография: роль, освоенные задачи, доступы, история работы и оценка качества. Руководитель определяет его полномочия и отвечает за применение.
Подключение такого сотрудника может напоминать приём на работу. Выбираешь специализацию, знакомишь с продуктами и правилами компании, показываешь примеры хорошего результата. Проверяешь на рабочих задачах и постепенно расширяешь самостоятельность. Получается испытательный срок. Или «калибровка», если продолжать аналогию с роботами.
Некоторые детали уже существуют. Microsoft предусматривает для агентов отдельные идентификаторы и права доступа, а в предварительной версии — собственную учётную запись с почтой и присутствием в корпоративной среде. Цифровой коллега может появиться в рабочем справочнике рядом с людьми.
Дальше — моя картинка будущего.
Вечером руководитель пишет: «К утру подготовьте варианты продления для клиентов, у которых заканчиваются договоры».
Один агент собирает историю работы с клиентами. Другой проверяет обращения в поддержку и незакрытые проблемы. Третий считает варианты по утверждённым правилам. К утру готовы предложения и отдельный список вопросов: здесь нужна нестандартная скидка, здесь мы не выполнили обещание, а здесь лучше сначала лично поговорить с клиентом.
Сотрудник начинает день с решений по этим вопросам. Подготовительная работа уже прошла через конвейер.
При росте нагрузки платформа сможет подключать дополнительные экземпляры проверенного агента. Руководитель будет видеть цену ускорения: сколько стоит обработка, сколько результатов приходится исправлять, где очередь упирается в человека или внешнюю систему.
Часть цифровых сотрудников компания создаст сама, опираясь на опыт своих специалистов. Других подключит у поставщиков. Со временем может появиться и цифровой двойник части твоей собственной работы: агент, которому переданы твои подходы, шаблоны и накопленные рабочие случаи.
Для небольшой команды это возможность браться за задачи, для которых раньше требовался гораздо больший штат. А опыт построения процессов, распределения полномочий и контроля качества станет основой управления такой командой.
И фраза «у меня в команде три человека и пятнадцать агентов» вполне может стать обычным ответом руководителя. Следом спросят:
А как вы организуете совместную работу людей и агентов и какую часть работы закрываете этим составом?
👍3🔥2
Что стоит за поручением агенту
«Проанализируй рекламную кампанию за прошлый месяц, предложи улучшения и подготовь обсуждение с командой. Создание задач и отправку приглашений согласуй со мной».
Такое поручение в будущем можно будет дать ИИ-платформе компании.
Сегодня сотрудник сам собирает выгрузки, сверяет рекламу с CRM, готовит отчёт и организует встречу. Чтобы собрать это в один процесс, агенту нужны данные, инструменты, методика и права.
В нашем примере он действует от имени маркетолога, в пределах его полномочий и поручения:
- Реклама и CRM: читать показатели нужной кампании; менять бюджеты, настройки рекламы и записи клиентов нельзя.
- Документы: использовать доступные сотруднику планы, отчёты и методики.
- Календарь: получать свободные интервалы участников, без содержания личных встреч.
- Таск-трекер, календарь и почта: создавать задачи, встречу и отправлять повестку после подтверждения.
Ограничения должны обеспечиваться настройками платформы и подключённых систем. Инструкции «не делай ничего лишнего» недостаточно. Если интеграция не даёт ограничить доступ достаточно точно, её придётся доработать или оставить шаг человеку.
1. Собрать факты
Агент находит утверждённый план, получает расходы и результаты рекламы, сопоставляет заявки с продажами в CRM. Проверяет период, полноту данных и привязку продаж к кампании.
Если часть заявок потеряла источник, это ограничение нужно показать в отчёте. Иначе можно предложить сократить канал, который приносит клиентов.
2. Применить рабочую методику
Skills — сохранённые инструкции, шаблоны, примеры и при необходимости скрипты. Навык анализа задаёт порядок проверки показателей, навык отчётности — структуру результата.
Например, в нашей методике стоимость заявки оценивают вместе с её качеством и дальнейшей конверсией. Дешёвые обращения ещё не означают эффективную рекламу.
На выходе — расчёты, ссылки на источники, выводы и предложения. Предположения о причинах отмечены как гипотезы.
3. Согласовать конкретные действия
Сотрудник проверяет отчёт и план. Он видит, какие задачи появятся, кому назначены, кто приглашён на встречу, когда она состоится и какой текст уйдёт команде.
Подтверждается конкретный набор действий. Предложение увеличить бюджет остаётся предложением: права менять его агенту не выдавали.
4. Выполнить и зафиксировать результат
После подтверждения агент создаёт разрешённые задачи и встречу, отправляет повестку. Возвращает ссылки и сообщает о невыполненных шагах. В журнале остаётся, кто поручил работу, что подтвердил и какие действия совершил агент.
Skill задаёт, как выполнять работу. Права определяют, какие данные и действия доступны. Подтверждение разрешает выполнить конкретный шаг в этих границах.
Заготовки уже есть в библиотеке Skills и плагине Marketing для отчётов и планирования кампаний. В ChatGPT Work тоже есть skills и плагины. Их нужно адаптировать под свои процессы.
Мне здесь интересен следующий шаг: компания собирает банк проверенных навыков, подключает данные и инструменты, определяет полномочия агентов. Опыт сотрудников можно передавать цифровым исполнителям, проверять на рабочих задачах и совершенствовать.
Думаю, со временем изменится и устройство корпоративных систем. Работа с клиентами, планирование, учёт и расчёты сохранятся, но часть этих функций может перейти внутрь ИИ-платформы. Другие системы останутся подключённой инфраструктурой.
Изменится и рынок разработки ПО. Подавляющая часть работы переместится в создание агентов, навыков и интеграций (mcp-сервера) под процессы компании внутри ИИ-платформ.
За привычным чатиком окажется целая организация: со своими знаниями, людьми и цифровыми коллегами, разделением труда, правами доступа и ответственностью за результат.
«Проанализируй рекламную кампанию за прошлый месяц, предложи улучшения и подготовь обсуждение с командой. Создание задач и отправку приглашений согласуй со мной».
Такое поручение в будущем можно будет дать ИИ-платформе компании.
Сегодня сотрудник сам собирает выгрузки, сверяет рекламу с CRM, готовит отчёт и организует встречу. Чтобы собрать это в один процесс, агенту нужны данные, инструменты, методика и права.
В нашем примере он действует от имени маркетолога, в пределах его полномочий и поручения:
- Реклама и CRM: читать показатели нужной кампании; менять бюджеты, настройки рекламы и записи клиентов нельзя.
- Документы: использовать доступные сотруднику планы, отчёты и методики.
- Календарь: получать свободные интервалы участников, без содержания личных встреч.
- Таск-трекер, календарь и почта: создавать задачи, встречу и отправлять повестку после подтверждения.
Ограничения должны обеспечиваться настройками платформы и подключённых систем. Инструкции «не делай ничего лишнего» недостаточно. Если интеграция не даёт ограничить доступ достаточно точно, её придётся доработать или оставить шаг человеку.
1. Собрать факты
Агент находит утверждённый план, получает расходы и результаты рекламы, сопоставляет заявки с продажами в CRM. Проверяет период, полноту данных и привязку продаж к кампании.
Если часть заявок потеряла источник, это ограничение нужно показать в отчёте. Иначе можно предложить сократить канал, который приносит клиентов.
2. Применить рабочую методику
Skills — сохранённые инструкции, шаблоны, примеры и при необходимости скрипты. Навык анализа задаёт порядок проверки показателей, навык отчётности — структуру результата.
Например, в нашей методике стоимость заявки оценивают вместе с её качеством и дальнейшей конверсией. Дешёвые обращения ещё не означают эффективную рекламу.
На выходе — расчёты, ссылки на источники, выводы и предложения. Предположения о причинах отмечены как гипотезы.
3. Согласовать конкретные действия
Сотрудник проверяет отчёт и план. Он видит, какие задачи появятся, кому назначены, кто приглашён на встречу, когда она состоится и какой текст уйдёт команде.
Подтверждается конкретный набор действий. Предложение увеличить бюджет остаётся предложением: права менять его агенту не выдавали.
4. Выполнить и зафиксировать результат
После подтверждения агент создаёт разрешённые задачи и встречу, отправляет повестку. Возвращает ссылки и сообщает о невыполненных шагах. В журнале остаётся, кто поручил работу, что подтвердил и какие действия совершил агент.
Skill задаёт, как выполнять работу. Права определяют, какие данные и действия доступны. Подтверждение разрешает выполнить конкретный шаг в этих границах.
Заготовки уже есть в библиотеке Skills и плагине Marketing для отчётов и планирования кампаний. В ChatGPT Work тоже есть skills и плагины. Их нужно адаптировать под свои процессы.
Мне здесь интересен следующий шаг: компания собирает банк проверенных навыков, подключает данные и инструменты, определяет полномочия агентов. Опыт сотрудников можно передавать цифровым исполнителям, проверять на рабочих задачах и совершенствовать.
Думаю, со временем изменится и устройство корпоративных систем. Работа с клиентами, планирование, учёт и расчёты сохранятся, но часть этих функций может перейти внутрь ИИ-платформы. Другие системы останутся подключённой инфраструктурой.
Изменится и рынок разработки ПО. Подавляющая часть работы переместится в создание агентов, навыков и интеграций (mcp-сервера) под процессы компании внутри ИИ-платформ.
Мой прогноз: платформа ИИ-агентов постепенно станет основной рабочей средой компании. В ней будут собраны и опыт организации, и инструменты, и цифровые сотрудники, которым можно поручить работу.
За привычным чатиком окажется целая организация: со своими знаниями, людьми и цифровыми коллегами, разделением труда, правами доступа и ответственностью за результат.
❤2🔥2
Бизнес растёт. А вакансий становится меньше (уже не тихая революция)
На графике — индекс S&P 500 и число открытых вакансий в США. Долгое время они двигались примерно в одном направлении, а после 2022 года заметно разошлись: фондовый рынок пошёл вверх, вакансии — вниз.
Привычная логика масштабирования была понятной: больше заказов, больше работы, больше сотрудников. Сейчас компании, вероятно, получают возможность увеличивать объём бизнеса без сопоставимого роста штата. И ИИ в этом помогает.
Сам график не доказывает связь с появлением ChatGPT. Котировки также нельзя считать прямым показателем роста экономики. Но как руководителю мне понятен механизм: если команда с помощью ИИ справляется с дополнительной нагрузкой, новые вакансии можно не открывать. А после ухода сотрудника — не спешить искать замену.
Поэтому влияние ИИ на занятость стоит искать и за пределами новостей о сокращениях. Компания может никого не увольнять, увеличивать выручку и при этом почти перестать нанимать.
Для бизнеса это повышение эффективности. Для человека, который ищет работу, — вакансии, которые так и не появились.
На графике — индекс S&P 500 и число открытых вакансий в США. Долгое время они двигались примерно в одном направлении, а после 2022 года заметно разошлись: фондовый рынок пошёл вверх, вакансии — вниз.
Привычная логика масштабирования была понятной: больше заказов, больше работы, больше сотрудников. Сейчас компании, вероятно, получают возможность увеличивать объём бизнеса без сопоставимого роста штата. И ИИ в этом помогает.
Сам график не доказывает связь с появлением ChatGPT. Котировки также нельзя считать прямым показателем роста экономики. Но как руководителю мне понятен механизм: если команда с помощью ИИ справляется с дополнительной нагрузкой, новые вакансии можно не открывать. А после ухода сотрудника — не спешить искать замену.
Поэтому влияние ИИ на занятость стоит искать и за пределами новостей о сокращениях. Компания может никого не увольнять, увеличивать выручку и при этом почти перестать нанимать.
Для бизнеса это повышение эффективности. Для человека, который ищет работу, — вакансии, которые так и не появились.
❤1👍1