ИИ встречается с реальностью | Денис Ермилов
24 subscribers
38 photos
10 videos
44 links
Как работать, управлять и строить бизнес, когда интеллект стал дешёвым. Исследования, реальные кейсы и практические разборы ИИ. Автор серии книг «Когда интеллект стал дешёвым».
По вопросам и предложениям @denis_fintech.
Download Telegram
Так где же революция производительности?

Интервью Илона Маска для The Economist

В нашей сводке 14-ти исследований медиана влияния ИИ на рост производительности — около +0,4 п.п. в год, среднее — около +0,5 п.п.

Это заметно, но пока не тот масштаб, который ожидаешь от экономики, где человеческий труд становится необязательным.

Для сравнения: Банк России оценивает долгосрочный потенциальный рост экономики примерно в 1,5–2,5% в год.

Это другой показатель, напрямую складывать их нельзя. Но масштаб понятен: если дополнительные +0,4 п.п. производительности сохранялись бы десять лет подряд, её уровень оказался бы примерно на 4% выше базовой траектории.

Хороший экономический эффект. Но всё-таки не новая экономическая физика.

Penn Wharton получает ещё более спокойную картину: генеративный ИИ добавит примерно 1,5% к уровню ВВП и производительности США к 2035 году, а максимальный годовой вклад в рост производительности — около 0,2 п.п.

Но отсюда нельзя делать обратный вывод, что ИИ почти ничего не меняет.

На уровне отдельных задач эффект уже большой.

Исследование 5 179 операторов поддержки: с генеративным ИИ они решали в среднем на 14% больше обращений в час, а менее опытные сотрудники — примерно на 34% больше.

Эксперимент HBS и BCG на 758 консультантах: внутри возможностей GPT-4 они работали примерно на 25% быстрее и выполняли на 12% больше задач. Но за границей возможностей модели пользователи ИИ были на 19% реже правы.

Альфа-Банк сообщает, что анализ договора для валютного контроля раньше мог занимать до двух часов и требовал заполнения около 90 полей. ИИ-агент формирует результат примерно за минуту, но заявленная точность — около 80%.

Операция меняется радикально. Проверка и ответственность — нет.

2036-й по Маску — эпоха невероятного изобилия: можно получить что угодно, деньги теряют значение, работа становится необязательной. Экономические данные пока этого прогноза не подтверждают.


По оценке Penn Wharton, примерно у четверти занятости ИИ потенциально может выполнить 90–99% задач при минимальном надзоре. Но полностью выполнить работу без существенного участия человека — лишь примерно у 1% рабочих мест.

То есть сильнее всего меняется не профессия целиком, а её состав: часть работы дешевеет, а часть становится важнее.

Революция в стоимости отдельных интеллектуальных задач уже началась.
Революции в производительности всей экономики пока не произошло.

И здесь важна оговорка: сейчас только 2026 год.

Компании ещё перестраивают процессы, а физический мир автоматизируется медленнее цифрового. Нужны роботы, дата-центры, чипы, электричество и охлаждение.

Инфраструктурная волна уже огромна: по данным IEA, капитальные расходы пяти крупнейших технологических компаний превысили $400 млрд в 2025 году, а потребление электроэнергии дата-центрами к 2030 году может примерно удвоиться.

Поэтому сегодняшние цифры не доказывают, что Маск обязательно ошибается. Они говорят более осторожную вещь:

пока нет оснований считать мир без обязательного труда базовым сценарием ближайших десяти лет.

Скорее всего, работы у нас впереди ещё много. Просто её состав будет быстро меняться.

Одни задачи станут почти бесплатными. Другие — постановка задачи, контекст, проверка, решение и ответственность — станут ценнее.

Не обязательно ждать 2036 года, чтобы понять, что меняется.

Посмотрите на собственную неделю: какие 3–5 повторяющихся задач забирают у вас больше всего времени — и какую часть каждой из них уже сегодня можно передать ИИ?

С этого и начнём.
ИИ встречается с реальностью | Денис Ермилов pinned «Давайте знакомиться Я — Денис Ермилов. Много лет работаю на стыке технологий, банков и бизнеса: от проектов для американских компаний и Банка России до международных платёжных систем, через которые проходит большая часть экспорта/импорта РФ, а также взаимодействие…»
ИИ встречается с реальностью | Денис Ермилов pinned «Так где же революция производительности? Интервью Илона Маска для The Economist В нашей сводке 14-ти исследований медиана влияния ИИ на рост производительности — около +0,4 п.п. в год, среднее — около +0,5 п.п. Это заметно, но пока не тот масштаб, который…»
Как резко повысить качество ответов ИИ — без магии промптов

Меня довольно часто спрашивают:

«Как у тебя получаются такие презентации? Почему ИИ так глубоко копает в детали? Я вроде пользуюсь теми же моделями, но получаю совсем другие ответы».

Чаще всего дело вообще не в модели.

Дьявол — в контексте.

Представьте нового сотрудника в первый рабочий день. Он может быть очень умным, но пока не знает вашу компанию, клиентов, терминологию, прошлые решения, внутренние правила и то, что лично вы считаете хорошим результатом.

Примерно это мы постоянно делаем с ИИ.

Открываем новый чат, бросаем туда пару файлов и через пять минут ждём уровня человека, который работает с нами несколько лет.

Не получаем.

И делаем вывод: «Этот ИИ ничего не умеет».

Хотя проблема часто не в интеллекте модели. Ей просто почти ничего не рассказали о вашем мире.

В книге я использую для этого слово harness — буквально «обвязка» вокруг модели.

Звучит технически, но идея очень простая.

Модель — это двигатель. Harness — всё, что позволяет этому двигателю работать именно на вас: ваши документы, инструкции, примеры, история решений, терминология, правила и накопленный контекст.

И здесь есть очень простой трюк, для которого не нужны ни агенты, ни программирование, ни сложные промпты.

Создайте в ChatGPT отдельные Projects под большие темы, с которыми вы постоянно работаете.

Например:

— работа;
— конкретный клиент или проект;
— отчет руководству;
— обучение;
— свой продукт;
— исследования по определённой теме.

Положите туда ключевые документы, презентации, заметки, примеры хороших материалов и всё, что помогает понять контекст.

И дальше работайте с ИИ внутри этого проекта, а не каждый раз начинайте знакомство заново.

Разница может быть огромной.

ИИ уже не приходится каждый раз угадывать, что вы имеете в виду. Он начинает работать внутри контекста: знает материалы, видит предыдущие решения, лучше понимает терминологию и постепенно становится гораздо ближе к вашему способу работы.

На картинке — пример того, как организованы мои проекты.

И если вы пока используете ИИ в основном через отдельные случайные чаты, начните именно с этого.

Сделаете только одну эту вещь — и, думаю, уже будете использовать ИИ лучше 90% пользователей.

Не потому, что знаете какой-то секретный промпт.

А потому, что перестали каждый раз заставлять умного собеседника начинать с нуля.

И отсюда логично возникает следующий вопрос:

а насколько вообще важно уметь правильно писать промпты?

Об этом — в следующем посте.
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ Anthropic запустила бесплатную Claude Academy

Теперь у Claude появилась полноценная обучающая платформа с бесплатными курсами и гайдами для всех желающих.

Внутри есть разные уровни: от базового понимания, как работает AI, до более продвинутого использования Claude в повседневной работе.

Некоторые курсы дают сертификаты, так что скоро их наверняка станет заметно больше и в LinkedIn.

Все материалы бесплатные и открыты без ограничений.

https://academy.claude.com

@ai_machinelearning_big_data

#Anthropic #claude
Трёхстраничный промпт, который изменил весь найм

Недавно был на конференции и слушал выступление девушки из HR.

На двенадцати слайдах она рассказывала, как с помощью ИИ они перестроили отбор кандидатов в компании: новый подход, автоматизация, оценка резюме, повышение качества найма.

В какой-то момент появляется главный герой всей истории:

один промпт.

И промпт этот — примерно на три страницы.

Кем должна быть модель. Какой у неё опыт. Как читать резюме. На что обращать внимание. Какие признаки считать хорошими, какие — плохими. В какой последовательности анализировать кандидата. Как выставлять баллы. Что писать в заключении.

Что-то вроде:

«Ты — опытный HR-директор с 20-летним стажем…»

И дальше ещё несколько экранов инструкций.

Я смотрел и думал: а точно ли современные модели всё ещё нужно так подробно учить думать?

Чем умнее становится модель, тем меньше смысла на трёх страницах объяснять ей, как именно думать. Гораздо важнее объяснить, какую задачу мы решаем, дать нужный контекст и определить, как проверить результат.


Есть хорошее исследование на эту тему — *When “A Helpful Assistant” Is Not Really Helpful*, опубликованное в Findings of EMNLP 2024.

Исследователи решили проверить одну из самых популярных практик prompt engineering: действительно ли модель начинает работать лучше, если назначить ей правильную роль.

Они собрали 162 разные персоны — профессии и социальные роли — и прогнали через них 2 410 фактических вопросов на четырёх семействах языковых моделей.

То есть сравнивали примерно такое:

«Ответь на вопрос».

и

«Ты опытный юрист. Ответь на вопрос».

Или: «Ты программист…» «Ты врач…» «Ты эксперт…»

В среднем добавление роли не улучшало качество ответа по сравнению с вариантом вообще без персоны.

Конкретная роль иногда могла помочь конкретному вопросу. Проблема в другом: заранее надёжно определить, какая именно роль поможет, исследователям не удалось. Такой выбор часто работал не лучше случайного.

Это, конечно, не означает, что промпты больше вообще не нужны. Исследование проверяло в первую очередь объективные фактические задачи, а не полноценный корпоративный найм.

Но оно хорошо показывает одну вещь: магии в словах «ты лучший эксперт в мире» нет.

Мой практический вывод: современные модели уже достаточно хорошо умеют сами достраивать способ решения задачи.

Вместо трёхстраничного промпта для HR я бы попробовал начать примерно так:

«Вот вакансия, требования компании и резюме кандидата. Наша цель — не пропустить сильного человека и не тратить время интервьюеров на заведомо слабых кандидатов. Сначала предложи лучший способ оценки кандидата и критерии. Проверь, чего тебе не хватает. Затем проведи оценку и отдельно укажи, где ты не уверен».

А дальше можно сделать ещё интереснее:

«Подумай, как улучшить сам процесс оценки».

То есть не обязательно самому проектировать для модели каждый шаг. Можно дать ей пространство подумать.

Если всё-таки нужен сложный промпт, попробуйте сначала не писать его три часа самостоятельно. Дайте модели задачу, контекст, примеры хорошего результата и ограничения — и попросите:

«Составь для себя оптимальную инструкцию для решения этой задачи. Проверь её на слабые места и только после этого приступай».

Не факт, что ваш трёхстраничный промпт окажется лучше.

Поэтому вопрос «насколько важно сегодня уметь правильно писать промпты?» я бы уже ставил иначе.

Всё меньше ценности в знании секретных формул prompt engineering. И всё больше — в способности хорошо сформулировать, что мы хотим получить, какой контекст нужен модели, какие есть ограничения, что считать хорошим результатом и как мы его проверим.

Промпт модель всё чаще способна улучшить сама. А вот понять, какую задачу на самом деле нужно решить и как отличить хороший результат от убедительно написанной ерунды, — это пока остаётся нашей работой.

———
Мой подробный разбор исследования про магию промптов здесь.
Мы довольно часто задаём себе один и тот же вопрос:

«А как вообще понять, что ИИ сделает с моей профессией или моей компанией?»

И почти сразу следом: «Наверное, здесь нужен профессиональный аудит? Консультанты? Декомпозиция всех процессов? Несколько недель интервью?»

Возможно. Но я бы начал с другого: на час отменил существование своей компании.

Представьте: сегодня ночью из неё исчезли оргструктура, должности, департаменты, регламенты и привычное «мы всегда делали это так». Но утром остались клиенты, деньги, продукт, обязательства, конкуренты и рынок. И компанию нужно собрать заново.

Только теперь вы знаете, что часть интеллектуальной работы можно отдать моделям, поднять десятки агентов и заставить их работать параллельно. Что из старой компании вы построите снова? А что — уже никогда?

Мне нравится использовать для этого идею Zero Human Company. Не в буквальном смысле «давайте уволим всех людей».

Zero Human Company — не про компанию без людей. Это способ на время убрать из модели должности, отделы и привычные процессы и спросить: если бы мы строили эту компанию сегодня с нуля, где действительно нужен человек, а где уже достаточно ИИ и агентов?


ИИ-ассистент помогает человеку лучше делать существующую работу: написать письмо, подготовить документ, проанализировать данные, собрать презентацию.

ИИ-агент уже может взять на себя часть функции целиком: получить цель, собрать информацию, сходить в несколько систем, выполнить последовательность действий, вернуть человеку результат или решение на контроль.

Поэтому следующий вопрос уже не только: «Как дать каждому сотруднику хорошего AI-ассистента?» А: «Какие части компании вообще больше не требуют человека между входом и результатом?»

Не спрашивать: «Как автоматизировать работу Маши?» А спросить: «Зачем вообще существует функция, которую сегодня выполняет Маша?»

Не: «Как сделать ИИ-помощника руководителю проекта?» А: «Какой результат должен появляться между входом и выходом этого процесса — если забыть, что когда-то для этого придумали руководителя проекта?»

В первом случае мы прикручиваем ИИ к компании 2015 года. Во втором представляем, какую компанию построили бы в 2026-м с чистого листа.

Что является настоящей когнитивной функцией вашего бизнеса? Где вы создаёте ценность, а где просто переносите информацию от одного человека к другому? Где человек принимает решение, а где фактически работает человеческим API между двумя системами?

Где достаточно дать человеку ИИ-ассистента, а где уже можно передать агенту целый кусок процесса? Какие процессы действительно нужны клиенту, а какие существуют потому, что двадцать лет назад иначе было невозможно организовать работу?

Какие роли исчезнут? Какие, наоборот, станут намного дороже? И что произойдёт лично с вашей профессией, если вынуть из неё переписку, поиск информации, подготовку документов, координацию, отчётность и первые 80% аналитической работы?

Для такого первого прохода я сделал довольно злой промпт. Он не льстит: вычленяет реальную функцию бизнеса, находит посредничество, пересобирает компанию с нуля, проектирует агентную архитектуру, показывает карту отмирающих и растущих ролей, находит окно возможностей и заканчивает не стратегией на 140 слайдов, а вопросом: что ты можешь сделать за следующие 60 минут?

Советую прогнать его дважды: сначала на свою компанию или подразделение, а потом — на самого себя.

Замените «компания» на «моя профессия» и попробуйте ответить: за какую функцию мне на самом деле платят, если убрать название моей должности?

Это не заменит нормальный аудит там, где нужны цифры, интервью, экономика процессов, риски и ответственность. Но, возможно, до того как платить за большой аудит, стоит сначала бесплатно сломать несколько собственных предположений.

Потому что лучший первый вопрос про ИИ сегодня, возможно, звучит уже не так: «Что здесь можно автоматизировать?»

А так: «Если бы мы создавали эту компанию или эту профессию сегодня — зачем бы мы вообще построили её именно такой?»

———
Полный промпт Zero Humans Strategy для первичного разбора компании здесь.
Китайские дети стали хуже учиться с ИИ

Вышло интересное исследование про 26 811 китайских школьников 12–18 лет, за которыми наблюдали с 2023 по 2025 год.

Около 80% из них начали использовать генеративный ИИ в учёбе.

Сначала всё выглядело отлично.

После подключения ИИ школьники:

— тратили на домашнее задание примерно на треть меньше времени — около 45 минут вместо 64;

— получали за домашку примерно на 18% более высокие оценки.

То есть быстрее и лучше.

Но потом исследователи посмотрели на экзамены — там, где ИИ рядом уже не было.

И получили обратную картину:

Результаты использовавших ИИ школьников оказались примерно на 20% ниже.

Причём здесь есть две важные детали.

Первая: до начала использования ИИ эти ученики показывали вполне нормальные результаты — примерно на уровне остальных. Это хорошо видно по розовой линии на графике.

То есть дело не в том, что нейросетями просто начали пользоваться изначально слабые школьники.

Вторая деталь ещё интереснее.

Ученики, которые использовали ИИ, но при этом не стали тратить на домашнюю работу меньше времени, сдавали экзамены примерно так же, как контрольная группа.

Получается довольно наглядная картина:

ИИ улучшил домашнюю работу, но там, где он начал заменять само усилие ученика, знания стали хуже.

ИИ может одновременно улучшать видимый результат работы и ухудшать навык, который должен был этот результат производить.


Мне кажется, это и есть главный вывод исследования.

Сам по себе ИИ здесь не выглядит ни хорошим, ни плохим.

Если использовать его как личного репетитора — задавать вопросы, просить объяснить ошибку, разбирать непонятное, — он вполне может делать обучение глубже.

Но если просто передать ему домашнюю работу, возникает неприятный обмен:

время экономится сейчас, а пробелы обнаруживаются потом — на экзамене.

В общем, технологии меняются, а одна старая вещь пока остаётся:

Чтобы чему-то научиться, всё равно приходится провести некоторое время непосредственно внутри задачи и делать ее САМОСТОЯТЕЛЬНО.

Исследование: The Generative AI Learning Penalty: Evidence from Chinese Secondary Education, David Strömberg, Victor Lei, Yanhui Wu, 2026.

Само исследование

Разбор и графики
Три новости недели, которые плохо укладываются в сценарий «ИИ всех уволит»

Вокруг ИИ сейчас легко попасть в одну из двух крайностей: либо через пять лет он оставит всех без работы, либо решит почти все наши проблемы.

Мне интереснее смотреть на то, что уже происходит на практике.

За последнюю неделю попались три очень разных сигнала — из науки, медицины и рынка труда.

1. Claude уже проектирует белки, которые потом работают в лаборатории

Anthropic дала Claude довольно серьёзную задачу: самостоятельно провести кампанию по проектированию белковых биндеров — молекул, которые должны связываться с заданными белками-мишенями.

Это один из ранних этапов разработки новых лекарств.

Claude исследовал мишени, выбирал инструменты, запускал модели, отбирал кандидатов и в итоге передал результаты независимым лабораториям для физической проверки.

Результат: из 1 320 спроектированных вариантов 354 действительно связались с мишенью — около 27%. Работающие варианты удалось получить для 14 из 15 проверяемых мишеней.

И это уже не красивый ответ чат-бота. Белки физически синтезировали и проверили в лаборатории.

Исследование: Autonomous De Novo Protein Binder Design with Claude →

Важно не впасть в другую крайность: Claude не «вылечил рак» и не создал готовое лекарство.

Но произошло кое-что потенциально более важное.

Работа, для которой раньше требовались дни и недели специалистов, начинает превращаться в задачу, где человек задаёт цель и критерии, а машина перебирает огромное пространство решений.

ИИ уже удешевляет текст, код и презентации. Теперь — и научный поиск.

Реальный эффект ИИ — не конец труда, а перераспределение ценности: часть задач дешевеет, а новые роли становятся нужнее.


2. Лекарство всё больше можно собирать под конкретного человека

19 августа Moderna и Merck сообщили положительные результаты Phase 3 для индивидуализированной терапии против меланомы — intismeran autogene вместе с Keytruda.

И здесь интересен сам принцип.

Берутся данные опухоли конкретного пациента. На основе её уникального набора мутаций алгоритмически выбираются неоантигены, после чего создаётся индивидуальная мРНК-терапия — она может кодировать до 34 мишеней именно для этого пациента.

Moderna: результаты Phase 3 →

То есть мы постепенно движемся от логики:

*«Вот лекарство для пациентов с таким диагнозом»*

к логике:

«Вот терапия, собранная под биологию именно вашей опухоли».

Человек здесь никуда не исчезает: врачи, исследования, производство, клинические испытания и контроль остаются критически важными.

Но машина позволяет делать то, что раньше было слишком дорогим и сложным: перебирать огромное количество вариантов и персонализировать решение.

И это хороший пример того, что я имею в виду под «дешёвым интеллектом».

3. И наконец — рабочие места

Свежий Lloyds Business Barometer опросил 1 200 британских компаний.

54% сообщили, что внедрение ИИ уже привело у них к появлению новых рабочих мест. Ещё 21% создают специализированные AI-роли, а 58% собираются увеличивать инвестиции в AI-навыки сотрудников.

Lloyds Business Barometer →

Здесь интересна не сама цифра 54%, а направление движения.

ИИ автоматизирует часть существующей работы. Вокруг него уже появляются новые роли, навыки и процессы. Где-то компания сокращает ручной труд, где-то переучивает людей, а где-то создаёт работу, которой ещё несколько лет назад просто не существовало.

Поэтому полезнее спрашивать не «исчезнет ли моя профессия?», а:

Какая часть моей работы становится дешёвой — и что более ценное я могу делать вместо неё?

Вот это, кажется, гораздо полезнее попыток угадать, останется ли ваша профессия в списке профессий 2035 года.

Именно за такими изменениями, прошедшими проверку реальностью, будем следить здесь.
👨‍💻1
Когда интеллект стал дешёвым: вся трилогия вышла на Amazon

На Amazon теперь доступны все три книги серии на английском языке — о человеке, бизнесе и доверии в мире, где интеллект превращается из дефицитного ресурса в инфраструктуру.

Пока вышли английские издания. Русские версии серии тоже готовятся к выходу и скоро появятся в российских книжных магазинах.

Я писал эти книги не как прогноз на 2035 год.

Вопрос уже лежит у нас на рабочем столе:

Если интеллект становится почти бесплатным, за что тогда будут платить человеку и бизнесу?

Первый том — The Human Edge — о человеке и работе.

Что в нашей работе дешевеет вместе с интеллектом? Что, наоборот, становится ценнее? И почему просто «уметь пользоваться нейросетью» — слишком слабая профессиональная стратегия.

Второй — Business in the Age of AI Agents — о бизнесе.

Здесь меня интересует уже не чат с ИИ внутри отдела, а вся система работы: что можно отдать агентам, какие процессы придётся пересобрать, где должен остаться человек и кто в итоге отвечает за результат.

Третий — The Economics of Trust — о доверии.

Когда текст, голос, изображение, документ и даже цифровую личность становится дёшево воспроизвести, дорожает другое: происхождение, проверяемость, независимое подтверждение и понятная ответственность.

Когда ответ становится почти бесплатным, ценность переезжает туда, где начинается ответственность за результат.


В этом и была идея всей серии.

На уровне человека меняется работа.
На уровне компании — процессы и устройство бизнеса.
А поверх всего этого меняется доверие: как понимать, чему верить, что проверять и кому доверять решение.

Книги на Amazon:

The Human Edge →

Business in the Age of AI Agents →

The Economics of Trust →

Но книга даёт карту и принципы. Сама карта работу не меняет.

Поэтому рядом с серией появился Практикум.

Там вопрос уже обратный:

Какую одну задачу вы можете изменить с помощью ИИ на этой неделе — и по чему поймёте, что действительно стало лучше?

Следующим постом покажу, как устроен Практикум и с каких инструментов нужно начинать.
🔥3
Astra умеет больше. Но доверять ей больше я пока не стал

Последние дни много работал с Astra.

На сложных, но относительно ограниченных задачах новые модели действительно стали сильнее: глубже рассуждают, охотнее берутся за большую работу, сами используют инструменты, запускают агентов и могут довольно долго двигаться по задаче без постоянных подсказок.

Правда, и токены при этом расходуют с совершенно новым энтузиазмом :)

Но в реальной работе мне всё меньше нужен очередной красивый benchmark и всё больше нужна стабильность.

Чтобы модель:

— держалась согласованного плана;
— не забывала, зачем вообще начала работу;
— проверяла то, что сделала;
— не ломала работающий кусок системы, улучшая соседний;
— после исправления ошибки шла дальше, а не создавала две новые;
— и чтобы результат не приходилось полностью перепроверять вручную.

В другом проекте я дал Astra исправить проблему. Она её исправила, но по дороге усложнила решение. В итоге мы потратили на эту работу, по моей оценке, в разы больше времени, чем требовалось: модель настолько глубоко закопалась, что мне пришлось её остановить.

Причём ещё весной предыдущая модель фактически написала мне приложение за ночь.

У меня есть FluentLoop — приложение для изучения английского в Telegram. Загружаешь материалы занятий, а бот помогает повторять слова, тренироваться и возвращаться к своим ошибкам.

Сначала я провёл исследование. Потом ещё два-три дня разбирался, каким должен быть продукт, и собирал подробный план разработки.

Использовал spec-driven development и Superpowers. Если без терминов: сначала подробно понимаешь, что собираешься строить, фиксируешь требования, ограничения и порядок работы — и только потом доходишь до кода.

Когда план был готов, я отдал его GPT-5.5 xhigh и ушёл спать.

Примерно через 11 часов первая версия приложения была готова. Модель за всю ночь не задала мне ни одного дополнительного вопроса.

Выглядит почти как тот самый AI future.

Но тут очень легко неправильно рассказать эту историю.

За ночь был написан код. Сам продукт за ночь придуман не был. До этого были исследование, постановка задачи, требования, архитектурные решения и несколько дней подготовки. Модели досталась уже хорошо собранная задача.

Это разные проекты и задачи, не сравнительный тест моделей. Но после той ночи хочется, чтобы такой результат стал привычным.

Мне хочется быть уверенным, что завтра она решит её снова — и при этом не сломает то, что вчера уже работало.


Здесь мне нравится оговорка исследователей METR: рост сложности задач, которые способен выполнить ИИ, нельзя автоматически переводить в такое же сокращение человеческого труда.

Кроме самого выполнения остаются постановка задачи, контекст, проверка, исправления, контроль побочных изменений и ответственность за то, что получилось в итоге.

Поэтому после нескольких дней с Astra мой вывод довольно простой: до AGI, по крайней мере в моей реальной работе, ещё далеко.

GPT-5.5 xhigh в этом смысле для меня пока остаётся одной из самых стабильных рабочих моделей. Возможности Astra впечатляют, но больше всего мне сейчас не хватает надёжности.

Поэтому человека я бы пока из цепочки точно не вычёркивал.

Модель уже может написать приложение за ночь.

А вот понять, какое приложение вообще стоит писать, что нельзя сломать и можно ли утром нажать Deploy, — пока всё ещё приходится нам.
«Когда ИИ окупается»: цикл статей на РБК о внедрении агентов

На РБК вышли первые две статьи за моим авторством. Они о том, почему ускорение отдельной задачи не всегда меняет экономику процесса и кто помогает довести внедрение до повседневной работы.

Представим менеджера, которому ИИ за секунды подготовил ответ клиенту. Письмо готово, но условия ещё нужно проверить в другой системе, детали — уточнить у коллеги, а договорённости — вручную перенести в CRM. К вечеру менеджер всё ещё за компьютером.

Для меня вопрос о пользе ИИ начинается именно здесь: что изменилось в работе этого человека и в экономике всего процесса?

Мы с командой строим для наших клиентов экосистему внедрения ИИ-агентов — от платформы до методики «От процесса к результату». Здесь приходится решать, какие действия можно передать агенту, где нужен человек и кто отвечает за итог.

Прежде чем выбирать задачу для агента, стоит разобраться, какие операции вообще можно убрать из процесса. Возможно, часть работы не придётся автоматизировать.

Эта работа тесно связана с моей серией книг «Когда интеллект стал дешёвым». В книгах я разбираю, как доступный интеллект меняет работу, бизнес и ответственность за решения.

При внедрении те же вопросы становятся очень конкретными: вот заявка, вот сотрудник, вот действие, которое мы собираемся доверить агенту.

Где теряется экономический эффект от ИИ — о том, почему нужно проследить весь путь заявки: вместе с проверками, переделками и ручными переходами между системами.

Зачем бизнесу инженер по внедрению — о роли FDE (Forward Deployed Engineer). Такой инженер связывает данные и системы и помогает довести решение до повседневной работы.

В следующих статьях покажу, как восстановить реальный процесс, выбрать задачу для агента, посчитать затраты и определить границы его самостоятельности. А затем проверить, что дал пилот и стоит ли идти дальше.

И вернёмся к тому самому менеджеру перед CRM. Хочется разобраться, что должно измениться, чтобы он наконец закрыл ноутбук вовремя.
Forwarded from Финтехно
Media is too big
VIEW IN TELEGRAM
OpenAI запустила ChatGPT for Financial Services — отраслевую версию ChatGPT Work для финансовых организаций. Продукт создавали вместе с Morgan Stanley и Evercore — он умеет собирать исследования, анализировать отчётность, строить оценки и финансовые модели, делать скрининги и систематизировать результаты работы по шаблонам конкретной компании.

В базовую конфигурацию входят данные Daloopa, PitchBook, Crunchbase и LSEG News — OpenAI сама индексирует их, поэтому модель может ссылаться не просто на источник, а на конкретную таблицу или фрагмент, из которого взята цифра. То есть финансовые данные находятся прямо внутри продукта. Параллельно можно использовать корпоративные подписки на S&P Capital IQ, LSEG, MSCI, Dow Jones Factiva, Moody’s и другие сервисы.


Для банков добавили разграничение прав, отдельные рабочие пространства, аудит действий и настройку хранения данных. Кроме этого, корпоративные данные по умолчанию не используются для обучения моделей.

Продукт позиционируется как замена junior-аналитиков, работа которых состоит преимущественно из простых операций, которые можно связать в автоматизированный процесс. В таком случае ценность сотрудника смещается вверх по цепочке — к выбору допущений, проверке результата, интерпретации, переговорам и ответственности перед клиентом.

💳 Финтехно в Telegram | в MAX
Please open Telegram to view this post
VIEW IN TELEGRAM