This media is not supported in your browser
VIEW IN TELEGRAM
#шуткадня
Может, я старомоден, но я всегда говорю «Пожалуйста» и «Спасибо», когда разговариваю с искусственным интеллектом.
❤3
Билл Гейтс об эпохе ИИ: налог на токены, профессии для людей и перестройка государства
Большую часть жизни Билл Гейтс хотел, чтобы технологии развивались быстрее. Теперь в своём эссе об ИИ он признаёт: реалистичный план глобального замедления этой технологии, вероятно, получил бы его поддержку.
Но такого плана он не видит. Конкуренция и геополитические интересы заставляют участников гонки ускоряться. Поэтому Гейтс предлагает уже сейчас менять правила работы государств, компаний и рынка труда.
Почему прежний опыт может подвести
Персональным компьютерам, по оценке Гейтса, потребовалось около двадцати лет, чтобы существенно изменить работу. Нужно было разработать программы, удешевить оборудование, обучить людей.
С ИИ он ожидает другой скорости: технология уже работает на существующих устройствах и понимает человеческий язык. Гейтс пишет — в переводе: «Нам не нужно подстраиваться под него: он может подстроиться под нас».
Он прогнозирует масштабные изменения в занятости в течение десятилетия. Особенно сильный сдвиг связывает с моментом, когда системы смогут работать почти без ошибок и постоянного контроля человека.
Механизм ускорения в эссе такой: компания внедряет ИИ, сокращает издержки и снижает цены. Конкуренты вынуждены отвечать. Сохранить привычную организацию труда будет трудно даже руководителю, который этого хочет.
Human Reserved: границы автоматизации
Часть работы Гейтс предлагает сознательно сохранить за людьми, даже если машины смогут с ней справиться.
Human Reserved он сравнивает с природными заповедниками: территорию можно застроить, но общество считает потери неприемлемыми.
Гейтс вспоминает специалистов, ухаживавших за его отцом с болезнью Альцгеймера. Человеческое присутствие в такой заботе он считает незаменимым. К той же категории относит сообщение пациенту о неизлечимой болезни.
Защита занятости может понадобиться и тем, кому трудно сменить профессию после десятилетий работы. Где провести границу и кто её установит, ещё предстоит решить.
Кто оплатит переобучение
Гейтс предупреждает: при сокращении занятости государство рискует собрать меньше налогов с трудовых доходов — как раз когда больше людей будут нуждаться в поддержке.
Он предлагает обложить налогом токены ИИ и роботов. Его аргумент: найм сопровождается налогами на оплату труда, тогда как покупку робота обычно можно списать в расходы.
По его замыслу, налог немного замедлит вытеснение работников и оплатит переобучение и социальную помощь. Настроить его Гейтс предлагает избирательно, чтобы не тормозить применения ИИ, которые делают медицину и образование доступнее.
Государству придётся перестроиться
Гейтс сравнивает масштаб реформ с реорганизацией американского правительства после терактов 11 сентября. Тогда дело касалось национальной безопасности. ИИ затрагивает занятость, образование, налоги, энергетику, здравоохранение и финансовую систему.
По его оценке, потребуется ещё большая перестройка: согласованная работа ведомств внутри стран и международная организация для управления трансграничными рисками. Без сотрудничества США и Китая такую систему не выстроить.
На это уйдут годы. Гейтс призывает начинать до того, как правительства окажутся в режиме кризиса.
Шанс для небольших компаний
Есть у Гейтса и оптимистический прогноз: ИИ позволит небольшим компаниям конкурировать с теми, у кого гораздо больше денег на исследования. Люди и малый бизнес получат возможности, которые сегодня требуют дорогой профессиональной помощи и многочисленных сотрудников. С этим он связывает ускорение исследований и инноваций.
Прогноз Гейтса — один из возможных. Можно спорить о сроках, потерях рабочих мест и пользе налогов. Но ИИ уже меняет то, как мы работаем, учимся и создаём новое.
Нам тоже нужно готовиться к новым требованиям в профессии, менять привычные способы работы и искать возможности, на которые раньше не хватало ресурсов. Про возможности поговорим в следующих постах.
Большую часть жизни Билл Гейтс хотел, чтобы технологии развивались быстрее. Теперь в своём эссе об ИИ он признаёт: реалистичный план глобального замедления этой технологии, вероятно, получил бы его поддержку.
Но такого плана он не видит. Конкуренция и геополитические интересы заставляют участников гонки ускоряться. Поэтому Гейтс предлагает уже сейчас менять правила работы государств, компаний и рынка труда.
Почему прежний опыт может подвести
Персональным компьютерам, по оценке Гейтса, потребовалось около двадцати лет, чтобы существенно изменить работу. Нужно было разработать программы, удешевить оборудование, обучить людей.
С ИИ он ожидает другой скорости: технология уже работает на существующих устройствах и понимает человеческий язык. Гейтс пишет — в переводе: «Нам не нужно подстраиваться под него: он может подстроиться под нас».
Он прогнозирует масштабные изменения в занятости в течение десятилетия. Особенно сильный сдвиг связывает с моментом, когда системы смогут работать почти без ошибок и постоянного контроля человека.
Механизм ускорения в эссе такой: компания внедряет ИИ, сокращает издержки и снижает цены. Конкуренты вынуждены отвечать. Сохранить привычную организацию труда будет трудно даже руководителю, который этого хочет.
Human Reserved: границы автоматизации
Часть работы Гейтс предлагает сознательно сохранить за людьми, даже если машины смогут с ней справиться.
Human Reserved он сравнивает с природными заповедниками: территорию можно застроить, но общество считает потери неприемлемыми.
Гейтс вспоминает специалистов, ухаживавших за его отцом с болезнью Альцгеймера. Человеческое присутствие в такой заботе он считает незаменимым. К той же категории относит сообщение пациенту о неизлечимой болезни.
Защита занятости может понадобиться и тем, кому трудно сменить профессию после десятилетий работы. Где провести границу и кто её установит, ещё предстоит решить.
Кто оплатит переобучение
Гейтс предупреждает: при сокращении занятости государство рискует собрать меньше налогов с трудовых доходов — как раз когда больше людей будут нуждаться в поддержке.
Он предлагает обложить налогом токены ИИ и роботов. Его аргумент: найм сопровождается налогами на оплату труда, тогда как покупку робота обычно можно списать в расходы.
По его замыслу, налог немного замедлит вытеснение работников и оплатит переобучение и социальную помощь. Настроить его Гейтс предлагает избирательно, чтобы не тормозить применения ИИ, которые делают медицину и образование доступнее.
Государству придётся перестроиться
Гейтс сравнивает масштаб реформ с реорганизацией американского правительства после терактов 11 сентября. Тогда дело касалось национальной безопасности. ИИ затрагивает занятость, образование, налоги, энергетику, здравоохранение и финансовую систему.
По его оценке, потребуется ещё большая перестройка: согласованная работа ведомств внутри стран и международная организация для управления трансграничными рисками. Без сотрудничества США и Китая такую систему не выстроить.
На это уйдут годы. Гейтс призывает начинать до того, как правительства окажутся в режиме кризиса.
Шанс для небольших компаний
Есть у Гейтса и оптимистический прогноз: ИИ позволит небольшим компаниям конкурировать с теми, у кого гораздо больше денег на исследования. Люди и малый бизнес получат возможности, которые сегодня требуют дорогой профессиональной помощи и многочисленных сотрудников. С этим он связывает ускорение исследований и инноваций.
Обсуждать предстоит две задачи: как помочь тем, чья работа исчезает, и как сделать новые возможности доступными тем, кто прежде не мог их себе позволить.
Прогноз Гейтса — один из возможных. Можно спорить о сроках, потерях рабочих мест и пользе налогов. Но ИИ уже меняет то, как мы работаем, учимся и создаём новое.
Нам тоже нужно готовиться к новым требованиям в профессии, менять привычные способы работы и искать возможности, на которые раньше не хватало ресурсов. Про возможности поговорим в следующих постах.
❤2👍1
Forwarded from Метаверсище и ИИще
This media is not supported in your browser
VIEW IN TELEGRAM
Ютюберы в кучу
Автомонтаж подъехал.
Здесь такой дисклеймер, что Flash 3.8 - это лучшая модель для понимания видео, аудио и вообще любых модальностей. Дело в том, что в посте про мультимодальность я немножко облажался. Мне потребовалось сделать небольшой ресерч, чтобы выяснить, что все вот эти громкие заявления, что наша модель мультимодальная, - это на самом деле то, что она понимает картинки и текст. И всё.
То есть два — это уже мультимодальность. И никто, ни DeepSeek, ни какой-нибудь Kimi, никто не понимает на вход, например, аудио. И в этом смысле Gemini — это единственная модель, которая реально хавает всё. Ну хорошо, еще новый Qwen Omni.
Я даже специально спросил: а вот эта наша новая Astra, она же мультимодальная, она может понимать аудио на вход? Ответ: нет. Она принимает на вход только текст и картинки. Я честно пытался засовывать в неё MP3 файлы, она галлюцинирует. Поэтому в этом смысле новость, вообще говоря, бомба. Потому что Google строит прямо интересную систему вокруг мультимодальности Flash 3.8, ну и, надеемся, Gemini 4.
YouTube показал, пожалуй, одну из самых интересных фишек - полноценного разговорного монтажёра на Gemini Omni.
Идея простая: загружаешь исходники в Shorts или YouTube Create и вместо ручного ковыряния таймлайна начинаешь разговаривать с Gemini.
Например:
«Собери первый черновик»
-> «Убери паузы»
-> «Сделай начало динамичнее»
-> «Переставь эти куски»
-> «Синхронизируй монтаж с битом»
-> «Добавь текстовый hook»
Gemini сама режет речь, переставляет кадры, синхронизирует музыку и собирает первый монтаж. После этого можно руками полезть в обычный timeline, что-то поправить и снова отдать работу AI. То есть это не чёрный ящик «нажал кнопку - получил видео», а гибридный монтаж человек + модель.
Параллельно YouTube перестраивает вокруг AI вообще весь workflow автора.
YouTube Studio сможет смотреть ранний монтаж и давать персональные советы по темпу, структуре и сторителлингу.
Появится A/B-тестирование уже не только заголовков и превью, но и до трёх разных монтажных версий одного видео. Можно сделать три разных начала и посмотреть, какой hook реально лучше держит зрителя.
Dynamic Thumbnails смогут показывать разные из трёх превью разным сегментам аудитории, вместо попытки найти одно универсально лучшее.
Ask Studio сможет в фоне копаться в старых видео канала, находить кандидатов на повторное продвижение, предлагать новые превью и тестировать их.
Генерация thumbnails тоже становится персонализированной - YouTube пытается подстраивать изображения под стиль конкретного канала.
Плюс экспериментальный AI-модератор комментариев будет постепенно учиться на том, какие комментарии конкретный автор удаляет и оставляет.
На итоге, ютюберы:
-> исходники
-> автоматический первый монтаж
-> разговорные правки
-> ручная доводка
-> AI-анализ ролика
-> превью
-> A/B-тест разных монтажей
-> публикация
-> анализ старого каталога и попытка его оживить.
Пока это именно новая линейка анонсированных инструментов Made on YouTube 2026, а не набор функций, который сегодня одновременно появился у всех. Например, A/B-тест трёх монтажей YouTube прямо помечает как coming soon.
В общем, начинаем кричать, не на монтажера, а в монитор.
https://blog.youtube/news-and-events/made-on-youtube-new-tools-power-creation-journey/
@cgevent
Автомонтаж подъехал.
Здесь такой дисклеймер, что Flash 3.8 - это лучшая модель для понимания видео, аудио и вообще любых модальностей. Дело в том, что в посте про мультимодальность я немножко облажался. Мне потребовалось сделать небольшой ресерч, чтобы выяснить, что все вот эти громкие заявления, что наша модель мультимодальная, - это на самом деле то, что она понимает картинки и текст. И всё.
То есть два — это уже мультимодальность. И никто, ни DeepSeek, ни какой-нибудь Kimi, никто не понимает на вход, например, аудио. И в этом смысле Gemini — это единственная модель, которая реально хавает всё. Ну хорошо, еще новый Qwen Omni.
Я даже специально спросил: а вот эта наша новая Astra, она же мультимодальная, она может понимать аудио на вход? Ответ: нет. Она принимает на вход только текст и картинки. Я честно пытался засовывать в неё MP3 файлы, она галлюцинирует. Поэтому в этом смысле новость, вообще говоря, бомба. Потому что Google строит прямо интересную систему вокруг мультимодальности Flash 3.8, ну и, надеемся, Gemini 4.
YouTube показал, пожалуй, одну из самых интересных фишек - полноценного разговорного монтажёра на Gemini Omni.
Идея простая: загружаешь исходники в Shorts или YouTube Create и вместо ручного ковыряния таймлайна начинаешь разговаривать с Gemini.
Например:
«Собери первый черновик»
-> «Убери паузы»
-> «Сделай начало динамичнее»
-> «Переставь эти куски»
-> «Синхронизируй монтаж с битом»
-> «Добавь текстовый hook»
Gemini сама режет речь, переставляет кадры, синхронизирует музыку и собирает первый монтаж. После этого можно руками полезть в обычный timeline, что-то поправить и снова отдать работу AI. То есть это не чёрный ящик «нажал кнопку - получил видео», а гибридный монтаж человек + модель.
Параллельно YouTube перестраивает вокруг AI вообще весь workflow автора.
YouTube Studio сможет смотреть ранний монтаж и давать персональные советы по темпу, структуре и сторителлингу.
Появится A/B-тестирование уже не только заголовков и превью, но и до трёх разных монтажных версий одного видео. Можно сделать три разных начала и посмотреть, какой hook реально лучше держит зрителя.
Dynamic Thumbnails смогут показывать разные из трёх превью разным сегментам аудитории, вместо попытки найти одно универсально лучшее.
Ask Studio сможет в фоне копаться в старых видео канала, находить кандидатов на повторное продвижение, предлагать новые превью и тестировать их.
Генерация thumbnails тоже становится персонализированной - YouTube пытается подстраивать изображения под стиль конкретного канала.
Плюс экспериментальный AI-модератор комментариев будет постепенно учиться на том, какие комментарии конкретный автор удаляет и оставляет.
На итоге, ютюберы:
-> исходники
-> автоматический первый монтаж
-> разговорные правки
-> ручная доводка
-> AI-анализ ролика
-> превью
-> A/B-тест разных монтажей
-> публикация
-> анализ старого каталога и попытка его оживить.
Пока это именно новая линейка анонсированных инструментов Made on YouTube 2026, а не набор функций, который сегодня одновременно появился у всех. Например, A/B-тест трёх монтажей YouTube прямо помечает как coming soon.
В общем, начинаем кричать, не на монтажера, а в монитор.
https://blog.youtube/news-and-events/made-on-youtube-new-tools-power-creation-journey/
@cgevent
ИИ удешевляет производство. За что тогда будут платить людям?
Разработчик пишет код. Дизайнер создаёт интерфейсы. Аналитик готовит отчёты. Маркетолог делает материалы и запускает кампании.
Долгое время ценность специалиста во многом определялась тем, насколько трудно было произвести его результат. ИИ меняет эту экономику: код, анализ, тексты и прототипы становятся дешевле.
Не всё становится бесплатным и не всё можно передать ИИ. Но один хороший специалист теперь делает гораздо больше.
У Yoni Rechtman есть статья There will only be four jobs — «Останется всего четыре работы». Речь о четырёх рабочих архетипах в технологических компаниях. Эту рамку я применяю и к другим профессиям.
1. Быстро превращать идею в результат
Slop Cannons — хулиганское название людей с высокой скоростью работы. Такой специалист сам проходит большой кусок пути: разбирается в задаче, собирает первую версию, проверяет, показывает пользователю и переделывает.
Маркетолог анализирует аудиторию и запускает тест. Продавец собирает инструмент для своей команды. Product Manager делает прототип. ИИ увеличивает радиус действия каждого из них.
Ценность такого специалиста — в коротком пути от «есть идея» до «уже работает».
2. Собрать всё созданное в работающую систему
Больше кода, документов и автоматизаций — больше работы по их соединению.
Rechtman называет эту категорию SRE / Infrastructure / Systems и понимает её шире классического ИТ. Кто-то должен задать стандарты, обеспечить качество, безопасность и устойчивость.
В маркетинге это контроль качества материалов. В продажах — работа с лидами и данными. В финансах — контроль автоматизированных операций.
Чем проще создавать новое, тем сложнее управлять всем созданным.
3. Понять, что вообще стоит делать
Adults — «взрослые в комнате». Люди, которые понимают экономику, риски и последствия и умеют вовремя остановить ненужную работу.
Можно построить агента. Но здесь хватит обычной автоматизации. Можно запустить продукт — только сначала нужно понять, есть ли у него экономика. А некоторые процессы правильнее отменить.
Чем быстрее организация что-то создаёт, тем дороже решение: «Технически можем. Но делать этого не надо».
4. Создавать доверие между людьми
Hot People — люди, с которыми хотят иметь дело: продавцы, руководители, переговорщики, рекрутеры. Они объясняют сложное, собирают команду, убеждают клиента.
ИИ напишет коммерческое предложение. Но крупный контракт часто заключается потому, что один человек доверяет другому.
У Rechtman нет требования стать всеми четырьмя сразу. Имеет смысл найти один-два типа, в которых вы будете особенно сильны.
Я смотрю на это так: с ИИ один человек делает больше. Но вместе с объёмом работы растёт и ответственность за неё. Недостаточно быстро собрать отчёт, прототип или агента — нужно ещё понять, верен ли результат и что произойдёт, когда им начнут пользоваться.
ИИ становится всё более мощным инструментом. А нам приходится точнее выбирать задачи, замечать ошибки и разбираться в последствиях. Чем больше работы мы отдаём искусственному интеллекту, тем больше естественного интеллекта нужно, чтобы всем этим управлять.
Посмотрите на свою работу. Аналитику платят за отчёт или за решение, которое приняли с его помощью? Рекрутеру — за подборку резюме или за человека, который оказался нужен команде?
От этого и стоит выбирать, что развивать: скорость результата, работающую систему, качество решений или доверие.
Инструменты дешевеют. Способность правильно ими распорядиться — пока нет.
———
Мой промпт для разбора профессии и примеры для маркетолога, финансиста, риелтора и рекрутера — здесь.
Разработчик пишет код. Дизайнер создаёт интерфейсы. Аналитик готовит отчёты. Маркетолог делает материалы и запускает кампании.
Долгое время ценность специалиста во многом определялась тем, насколько трудно было произвести его результат. ИИ меняет эту экономику: код, анализ, тексты и прототипы становятся дешевле.
Не всё становится бесплатным и не всё можно передать ИИ. Но один хороший специалист теперь делает гораздо больше.
У Yoni Rechtman есть статья There will only be four jobs — «Останется всего четыре работы». Речь о четырёх рабочих архетипах в технологических компаниях. Эту рамку я применяю и к другим профессиям.
Если производить почти всё становится проще, где останется дефицит — и за что будут хорошо платить человеку?
1. Быстро превращать идею в результат
Slop Cannons — хулиганское название людей с высокой скоростью работы. Такой специалист сам проходит большой кусок пути: разбирается в задаче, собирает первую версию, проверяет, показывает пользователю и переделывает.
Маркетолог анализирует аудиторию и запускает тест. Продавец собирает инструмент для своей команды. Product Manager делает прототип. ИИ увеличивает радиус действия каждого из них.
Ценность такого специалиста — в коротком пути от «есть идея» до «уже работает».
2. Собрать всё созданное в работающую систему
Больше кода, документов и автоматизаций — больше работы по их соединению.
Rechtman называет эту категорию SRE / Infrastructure / Systems и понимает её шире классического ИТ. Кто-то должен задать стандарты, обеспечить качество, безопасность и устойчивость.
В маркетинге это контроль качества материалов. В продажах — работа с лидами и данными. В финансах — контроль автоматизированных операций.
Чем проще создавать новое, тем сложнее управлять всем созданным.
3. Понять, что вообще стоит делать
Adults — «взрослые в комнате». Люди, которые понимают экономику, риски и последствия и умеют вовремя остановить ненужную работу.
Можно построить агента. Но здесь хватит обычной автоматизации. Можно запустить продукт — только сначала нужно понять, есть ли у него экономика. А некоторые процессы правильнее отменить.
Чем быстрее организация что-то создаёт, тем дороже решение: «Технически можем. Но делать этого не надо».
4. Создавать доверие между людьми
Hot People — люди, с которыми хотят иметь дело: продавцы, руководители, переговорщики, рекрутеры. Они объясняют сложное, собирают команду, убеждают клиента.
ИИ напишет коммерческое предложение. Но крупный контракт часто заключается потому, что один человек доверяет другому.
У Rechtman нет требования стать всеми четырьмя сразу. Имеет смысл найти один-два типа, в которых вы будете особенно сильны.
Я смотрю на это так: с ИИ один человек делает больше. Но вместе с объёмом работы растёт и ответственность за неё. Недостаточно быстро собрать отчёт, прототип или агента — нужно ещё понять, верен ли результат и что произойдёт, когда им начнут пользоваться.
ИИ становится всё более мощным инструментом. А нам приходится точнее выбирать задачи, замечать ошибки и разбираться в последствиях. Чем больше работы мы отдаём искусственному интеллекту, тем больше естественного интеллекта нужно, чтобы всем этим управлять.
Посмотрите на свою работу. Аналитику платят за отчёт или за решение, которое приняли с его помощью? Рекрутеру — за подборку резюме или за человека, который оказался нужен команде?
От этого и стоит выбирать, что развивать: скорость результата, работающую систему, качество решений или доверие.
Инструменты дешевеют. Способность правильно ими распорядиться — пока нет.
———
Мой промпт для разбора профессии и примеры для маркетолога, финансиста, риелтора и рекрутера — здесь.
🔥2
Как выделиться на собеседовании с помощью ИИ
Резюме помогло получить приглашение на интервью. Дальше я бы сам задавал направление разговору: вот моя экспертиза, вот задача вашей компании, а вот как я предлагаю выстроить эту работу с ИИ.
Не ждите вопроса «А как вы используете ИИ?». Приходите с собственным разбором и предложите показать его на встрече.
До встречи возьмите вакансию и своё резюме и разберите с ИИ профессию целиком. За списком обязанностей найдите результат, который нужен компании. Какую работу вы теперь можете вести самостоятельно? Где примете решение сами, а где понадобится команда?
Из этого получится короткая презентация «Моя профессия в эпоху ИИ». Её главный аргумент — собственный рабочий пример, который вы подготовите и разберёте на встрече.
В прошлом посте я писал о четырёх типах ценности: быстро превращать идею в результат, собирать созданное в работающую систему, понимать, что стоит делать, и создавать доверие. Выберите один-два типа, в которых вы сильны. На них и стройте предложение.
Допустим, вы маркетолог. В вакансии — реклама, контент, аналитика, подрядчики. За этим перечнем стоит задача бизнеса: создавать спрос и понимать, как он превращается в выручку.
С ИИ вы можете сами пройти более длинный путь: изучить рынок и отзывы, сопоставить их с данными, найти вероятную причину проблемы, подготовить первые материалы и предложить проверку.
Например, разобраться, почему привлечённые клиенты покупают один раз и не возвращаются. Причина может быть в обещании рекламы, предложении или опыте после покупки. Тогда вместе с коллегами предстоит менять то, что мешает повторным продажам.
Представьте: на интервью вы открываете такой разбор. Вот проблема, вот основания для гипотезы, вот что я подготовил и как предлагаю проверить. Здесь нужны внутренние данные, здесь — участие команды. Если данных пока нет, покажите учебный пример и обозначьте допущения.
Работодатель видит вас в деле: как вы выбираете проблему, связываете факты и обосновываете действия.
В эксперименте P&G специалисты с ИИ поодиночке разрабатывали продуктовые идеи, сопоставимые по качеству с идеями команд без ИИ. Их предложения лучше соединяли техническую и коммерческую стороны.
Для меня здесь особенно интересно, насколько шире становится профессиональное поле человека. Он увереннее работает на стыке областей. Эту способность и стоит показать на интервью.
У финансиста пример может охватывать путь от отклонения в показателях до вариантов управленческого решения с понятными последствиями. У рекрутера — от потребности команды до критериев отбора и способов проверки кандидатов. Покажите, насколько далеко можете продвинуть задачу и где подключаете других.
Для презентации хватит пяти слайдов:
1. Задача компании. Какой результат стоит за вакансией и что нужно уточнить.
2. Моя профессия в эпоху ИИ. Как организую работу и за что готов отвечать.
3. Человек, ИИ и коллеги. Кто что делает и как проверяется качество.
4. Мой рабочий пример. Исходные данные, решение, проверка и ограничения.
5. Первые 30 дней. С чего начну и какой результат смогу показать.
Сначала проделайте работу, затем собирайте слайды. Пример должен выдержать вопросы: что сделали лично вы, почему выбрали это решение и как убедились, что оно работает.
У работодателя будет перед глазами ваша работа. А у вас — возможность обсуждать конкретные решения, необходимые ресурсы и ответственность, которую вы готовы взять на себя.
———
Промпт, разборы профессий, пример расчёта пользы и макет презентации для собеседования — в Telegraph.
Резюме помогло получить приглашение на интервью. Дальше я бы сам задавал направление разговору: вот моя экспертиза, вот задача вашей компании, а вот как я предлагаю выстроить эту работу с ИИ.
Не ждите вопроса «А как вы используете ИИ?». Приходите с собственным разбором и предложите показать его на встрече.
До встречи возьмите вакансию и своё резюме и разберите с ИИ профессию целиком. За списком обязанностей найдите результат, который нужен компании. Какую работу вы теперь можете вести самостоятельно? Где примете решение сами, а где понадобится команда?
Из этого получится короткая презентация «Моя профессия в эпоху ИИ». Её главный аргумент — собственный рабочий пример, который вы подготовите и разберёте на встрече.
В прошлом посте я писал о четырёх типах ценности: быстро превращать идею в результат, собирать созданное в работающую систему, понимать, что стоит делать, и создавать доверие. Выберите один-два типа, в которых вы сильны. На них и стройте предложение.
Допустим, вы маркетолог. В вакансии — реклама, контент, аналитика, подрядчики. За этим перечнем стоит задача бизнеса: создавать спрос и понимать, как он превращается в выручку.
С ИИ вы можете сами пройти более длинный путь: изучить рынок и отзывы, сопоставить их с данными, найти вероятную причину проблемы, подготовить первые материалы и предложить проверку.
Например, разобраться, почему привлечённые клиенты покупают один раз и не возвращаются. Причина может быть в обещании рекламы, предложении или опыте после покупки. Тогда вместе с коллегами предстоит менять то, что мешает повторным продажам.
Представьте: на интервью вы открываете такой разбор. Вот проблема, вот основания для гипотезы, вот что я подготовил и как предлагаю проверить. Здесь нужны внутренние данные, здесь — участие команды. Если данных пока нет, покажите учебный пример и обозначьте допущения.
Работодатель видит вас в деле: как вы выбираете проблему, связываете факты и обосновываете действия.
В эксперименте P&G специалисты с ИИ поодиночке разрабатывали продуктовые идеи, сопоставимые по качеству с идеями команд без ИИ. Их предложения лучше соединяли техническую и коммерческую стороны.
Для меня здесь особенно интересно, насколько шире становится профессиональное поле человека. Он увереннее работает на стыке областей. Эту способность и стоит показать на интервью.
У финансиста пример может охватывать путь от отклонения в показателях до вариантов управленческого решения с понятными последствиями. У рекрутера — от потребности команды до критериев отбора и способов проверки кандидатов. Покажите, насколько далеко можете продвинуть задачу и где подключаете других.
Для презентации хватит пяти слайдов:
1. Задача компании. Какой результат стоит за вакансией и что нужно уточнить.
2. Моя профессия в эпоху ИИ. Как организую работу и за что готов отвечать.
3. Человек, ИИ и коллеги. Кто что делает и как проверяется качество.
4. Мой рабочий пример. Исходные данные, решение, проверка и ограничения.
5. Первые 30 дней. С чего начну и какой результат смогу показать.
Сначала проделайте работу, затем собирайте слайды. Пример должен выдержать вопросы: что сделали лично вы, почему выбрали это решение и как убедились, что оно работает.
Уверен, такая подготовка сразу выделит вас среди других кандидатов.
У работодателя будет перед глазами ваша работа. А у вас — возможность обсуждать конкретные решения, необходимые ресурсы и ответственность, которую вы готовы взять на себя.
———
Промпт, разборы профессий, пример расчёта пользы и макет презентации для собеседования — в Telegraph.
🔥2
Forwarded from Хайтек+
Первая модель ИИ прошла тест Тьюринга в живом общении по видеосвязи
Американский стартап Tavus представил Griffin — первую в мире модель ИИ класса Human Interaction Model (HIM), которая прошла видео-тест Тьюринга. В живом видеозвонке продолжительностью около минуты 48% участников решили, что говорили с настоящим человеком. Модель смеется, меняет тон, перебивает и позволяет перебить себя, хорошо чувствует паузы. При этом она отлично понимает собеседника и его окружение, например, может помочь собрать кубик Рубика. Griffin-Lite уже доступна для тестирования узкому кругу избранных, а более мощная версия ожидается «очень скоро» — после решения основных вопросов безопасности.
https://hightech.plus/2026/10/02/pervaya-model-ii-proshla-test-tyuringa-v-zhivom-obshenii-po-videosvyazi
Американский стартап Tavus представил Griffin — первую в мире модель ИИ класса Human Interaction Model (HIM), которая прошла видео-тест Тьюринга. В живом видеозвонке продолжительностью около минуты 48% участников решили, что говорили с настоящим человеком. Модель смеется, меняет тон, перебивает и позволяет перебить себя, хорошо чувствует паузы. При этом она отлично понимает собеседника и его окружение, например, может помочь собрать кубик Рубика. Griffin-Lite уже доступна для тестирования узкому кругу избранных, а более мощная версия ожидается «очень скоро» — после решения основных вопросов безопасности.
https://hightech.plus/2026/10/02/pervaya-model-ii-proshla-test-tyuringa-v-zhivom-obshenii-po-videosvyazi
Media is too big
VIEW IN TELEGRAM
Сегодня запускаю SlideCraft на Product Hunt
За 20 лет я строил платёжные платформы национального масштаба: трансграничный хаб с прямыми связями с Китаем, Индией, Вьетнамом и Бангладеш; ISO 20022 для трансграничных платежей с Alipay; платформу дилерской сети вместе с берлинской командой Volkswagen Group.
Вёл программы вместе с McKinsey, Accenture и IBM и вырастил практику с 9 до 150+ человек. Все эти проекты выигрывались, финансировались и управлялись презентациями.
Когда ИИ научился делать слайды быстро, они стали хуже. Поэтому я записал свой метод так, чтобы ему следовал любой ИИ-ассистент.
Как это работает: вставляете один промпт в ChatGPT (agent mode), Claude или Codex — и получаете редактируемый PowerPoint, а ещё PDF и HTML.
Заголовки-выводы согласуете сами, обложку выбираете из 2–3 вариантов. Макетов — 46, а текст в них измерен. У каждой цифры есть источник, суммы сверены, каждый слайд проверен именно в том виде, в котором его рисует PowerPoint.
Исходники доступны: source-available, лицензия PolyForm Shield. Бесплатно для частных лиц и компаний, включая клиентские проекты.
Страница запуска: www.producthunt.com
Примеры использования: examples
Загляните и оставьте честный комментарий: что получилось, что нет, чего не хватает. Для меня это самое ценное.
Используете в компании? Ранний доступ для команд и брендбук: denis.ermilov@gmail.com.
P.S. Для меня это первый опыт запуска через международную площадку. Решил попробовать и посмотреть, как работает эта механика.
За 20 лет я строил платёжные платформы национального масштаба: трансграничный хаб с прямыми связями с Китаем, Индией, Вьетнамом и Бангладеш; ISO 20022 для трансграничных платежей с Alipay; платформу дилерской сети вместе с берлинской командой Volkswagen Group.
Вёл программы вместе с McKinsey, Accenture и IBM и вырастил практику с 9 до 150+ человек. Все эти проекты выигрывались, финансировались и управлялись презентациями.
Когда ИИ научился делать слайды быстро, они стали хуже. Поэтому я записал свой метод так, чтобы ему следовал любой ИИ-ассистент.
Как это работает: вставляете один промпт в ChatGPT (agent mode), Claude или Codex — и получаете редактируемый PowerPoint, а ещё PDF и HTML.
Заголовки-выводы согласуете сами, обложку выбираете из 2–3 вариантов. Макетов — 46, а текст в них измерен. У каждой цифры есть источник, суммы сверены, каждый слайд проверен именно в том виде, в котором его рисует PowerPoint.
Исходники доступны: source-available, лицензия PolyForm Shield. Бесплатно для частных лиц и компаний, включая клиентские проекты.
Страница запуска: www.producthunt.com
Примеры использования: examples
Загляните и оставьте честный комментарий: что получилось, что нет, чего не хватает. Для меня это самое ценное.
Используете в компании? Ранний доступ для команд и брендбук: denis.ermilov@gmail.com.
P.S. Для меня это первый опыт запуска через международную площадку. Решил попробовать и посмотреть, как работает эта механика.
👍3🔥2👏2
Forwarded from LIVE — Telegram, AI и технологии
Вся эта работа уйдет к ИИ ботам, такие изменения затронут и другие сферы в ближайшие годы.
Please open Telegram to view this post
VIEW IN TELEGRAM
ИИ-индустрия покупает то, что вы знаете о своей работе
У вашей рабочей рутины появился покупатель.
9 октября micro1, компания, которая готовит данные и среды для обучения ИИ, объявила о планах потратить $1 млрд за следующие 12 месяцев на приобретение и лицензирование операционных данных бизнеса. Из этих материалов компания строит среды, в которых модели учатся выполнять рабочие задачи.
В списке интересов — внутренние инструкции, история проектов, данные CRM, бухгалтерские сверки, согласование договоров и логика принятия решений. На странице программы указаны ориентиры вознаграждения: от $100 тысяч за подходящие партнёрства с компаниями до $1 млн и выше за особо ценные данные. Размер зависит от качества, уникальности и полезности материалов.
На мой взгляд, лидерство в разработке моделей ещё не даёт готового понимания того, как выполнять работу внутри конкретного бизнеса. Нужно знать, какие сведения считать надёжными, почему похожие ситуации требуют разных решений, где допустимо действовать самостоятельно и как отличить хороший результат от убедительно оформленной ошибки.
Часть этих знаний относится к профессии. Часть — к устройству компании. А часть существует только в опыте людей, которые годами разбирались с нестандартными случаями.
Представим закупщика, который сравнивает предложения поставщиков. В итоговой таблице выбран вариант подороже. Чтобы понять решение, нужно знать: у дешёвого поставщика уже были срывы сроков, замена компонента потребует повторного согласования, а задержка поставки остановит производство. Опытный сотрудник учитывает это почти автоматически. В таблице с ценами такой логики может вообще не быть.
В тренировочной среде агент может пробовать выполнить задачу, получать оценку и учиться на ошибках. micro1 прямо связывает свою программу с необходимостью воспроизвести работу при неполной информации, противоречивых приоритетах и исключениях.
Параллельно Anthropic запускает академию инженеров по внедрению: после учебных сценариев участники 12 недель работают над реальным проектом в своей организации. Разработчик модели вкладывается и в людей, которые смогут соединить её возможности с практикой бизнеса.
Предложение micro1 касается корпоративных партнёрств и данных. Возможность для отдельного специалиста я вижу в том, чтобы оформлять свой опыт в проверяемые рабочие случаи и помогать внедрять автоматизацию. Для этого важны три умения:
1. Понимать работу изнутри. Видеть, где теряются деньги и время, какие ошибки дорого обходятся и почему люди обходят формальные инструкции.
2. Делать свой опыт проверяемым. Собрать на разрешённых или учебных данных набор рабочих случаев: исходная ситуация, необходимые сведения, решение, объяснение и признаки ошибки. Такой набор позволяет проверить, справляется ли ИИ с задачей.
3. Доводить автоматизацию до результата. Вместе с технической командой встроить решение в процесс, определить границы самостоятельности и измерить, что изменилось в сроках, стоимости и качестве работы.
Для финансиста это может стать услугой по автоматизации сверок. Для юриста — системой проверки договоров по понятным критериям. Для отраслевой команды — основой собственного продукта.
Одной формализации опыта, на мой взгляд, недостаточно для устойчивого преимущества. Я бы делал ставку на способность постоянно разбирать новые ситуации, обновлять критерии качества и улучшать процесс — и проверять, какую измеримую пользу это приносит бизнесу.
У вашей рабочей рутины появился покупатель.
9 октября micro1, компания, которая готовит данные и среды для обучения ИИ, объявила о планах потратить $1 млрд за следующие 12 месяцев на приобретение и лицензирование операционных данных бизнеса. Из этих материалов компания строит среды, в которых модели учатся выполнять рабочие задачи.
В списке интересов — внутренние инструкции, история проектов, данные CRM, бухгалтерские сверки, согласование договоров и логика принятия решений. На странице программы указаны ориентиры вознаграждения: от $100 тысяч за подходящие партнёрства с компаниями до $1 млн и выше за особо ценные данные. Размер зависит от качества, уникальности и полезности материалов.
На мой взгляд, лидерство в разработке моделей ещё не даёт готового понимания того, как выполнять работу внутри конкретного бизнеса. Нужно знать, какие сведения считать надёжными, почему похожие ситуации требуют разных решений, где допустимо действовать самостоятельно и как отличить хороший результат от убедительно оформленной ошибки.
Часть этих знаний относится к профессии. Часть — к устройству компании. А часть существует только в опыте людей, которые годами разбирались с нестандартными случаями.
Представим закупщика, который сравнивает предложения поставщиков. В итоговой таблице выбран вариант подороже. Чтобы понять решение, нужно знать: у дешёвого поставщика уже были срывы сроков, замена компонента потребует повторного согласования, а задержка поставки остановит производство. Опытный сотрудник учитывает это почти автоматически. В таблице с ценами такой логики может вообще не быть.
Для обучения ИИ ценна вся последовательность: что человек знал, что проверил, какие варианты отверг и почему принял решение.
В тренировочной среде агент может пробовать выполнить задачу, получать оценку и учиться на ошибках. micro1 прямо связывает свою программу с необходимостью воспроизвести работу при неполной информации, противоречивых приоритетах и исключениях.
Параллельно Anthropic запускает академию инженеров по внедрению: после учебных сценариев участники 12 недель работают над реальным проектом в своей организации. Разработчик модели вкладывается и в людей, которые смогут соединить её возможности с практикой бизнеса.
Предложение micro1 касается корпоративных партнёрств и данных. Возможность для отдельного специалиста я вижу в том, чтобы оформлять свой опыт в проверяемые рабочие случаи и помогать внедрять автоматизацию. Для этого важны три умения:
1. Понимать работу изнутри. Видеть, где теряются деньги и время, какие ошибки дорого обходятся и почему люди обходят формальные инструкции.
2. Делать свой опыт проверяемым. Собрать на разрешённых или учебных данных набор рабочих случаев: исходная ситуация, необходимые сведения, решение, объяснение и признаки ошибки. Такой набор позволяет проверить, справляется ли ИИ с задачей.
3. Доводить автоматизацию до результата. Вместе с технической командой встроить решение в процесс, определить границы самостоятельности и измерить, что изменилось в сроках, стоимости и качестве работы.
Для финансиста это может стать услугой по автоматизации сверок. Для юриста — системой проверки договоров по понятным критериям. Для отраслевой команды — основой собственного продукта.
Одной формализации опыта, на мой взгляд, недостаточно для устойчивого преимущества. Я бы делал ставку на способность постоянно разбирать новые ситуации, обновлять критерии качества и улучшать процесс — и проверять, какую измеримую пользу это приносит бизнесу.
Media is too big
VIEW IN TELEGRAM
К предыдущему посту сделал вот такой небольшой мультик с помощью ИИ. Пока экспериментирую и осваиваю инструменты :)
Как думаете, было бы полезно иногда дополнять посты такими роликами? Буду рад обратной связи. (мультик на английском, т. к. думаю всем полезно учить язык, если хочешь быть на передовой ИИ)
Как думаете, было бы полезно иногда дополнять посты такими роликами? Буду рад обратной связи. (мультик на английском, т. к. думаю всем полезно учить язык, если хочешь быть на передовой ИИ)
👍2🔥1
Компании начинают блокировать ИИ-агентов. Несколько реальных кейсов:
- Delta — ограничивает бронирование авиабилетов сторонними ИИ-агентами.
- JPMorgan Chase и Charles Schwab — блокируют неавторизованный доступ агентов к счетам клиентов.
- Yelp — требует лицензирования доступа агентов к своим данным.
- Amazon — ограничивает сторонних торговых агентов.
- eBay — запрещает автоматические покупки через ИИ-агентов без разрешения.
- Kohl’s — не допускает сторонних агентов к оформлению покупок.
Похоже, в интернете начинается новое противостояние между компаниями и ИИ-агентами. И вполне возможно, что следующим шагом агенты научатся вести себя на сайтах практически как обычные пользователи.
Хотя позиция бизнеса вполне объяснима.
Люди часто принимают решения эмоционально: под влиянием рекламы, скидок, привычек. ИИ-агент может действовать рациональнее — сравнить десятки предложений, проверить условия и найти более выгодный вариант.
Для покупателя это плюс. Для продавца — не всегда.
К тому же агенты могут массово собирать данные о ценах, ассортименте и предложениях конкурентов.
Но есть и обратная сторона: вопросы безопасности, доступа к личным данным, ответственности за покупки и того, насколько сам агент действительно независим в своих рекомендациях.
И здесь, возможно, начинается куда более серьёзное изменение. Интернет десятилетиями учился убеждать людей покупать. Теперь бизнесу придётся учиться убеждать алгоритмы, которые выбирают за людей.
А это уже совсем другие правила игры.
- Delta — ограничивает бронирование авиабилетов сторонними ИИ-агентами.
- JPMorgan Chase и Charles Schwab — блокируют неавторизованный доступ агентов к счетам клиентов.
- Yelp — требует лицензирования доступа агентов к своим данным.
- Amazon — ограничивает сторонних торговых агентов.
- eBay — запрещает автоматические покупки через ИИ-агентов без разрешения.
- Kohl’s — не допускает сторонних агентов к оформлению покупок.
Похоже, в интернете начинается новое противостояние между компаниями и ИИ-агентами. И вполне возможно, что следующим шагом агенты научатся вести себя на сайтах практически как обычные пользователи.
Хотя позиция бизнеса вполне объяснима.
Люди часто принимают решения эмоционально: под влиянием рекламы, скидок, привычек. ИИ-агент может действовать рациональнее — сравнить десятки предложений, проверить условия и найти более выгодный вариант.
Для покупателя это плюс. Для продавца — не всегда.
К тому же агенты могут массово собирать данные о ценах, ассортименте и предложениях конкурентов.
Но есть и обратная сторона: вопросы безопасности, доступа к личным данным, ответственности за покупки и того, насколько сам агент действительно независим в своих рекомендациях.
В итоге получается интересный конфликт: то, что делает ИИ-агентов полезными для покупателей, одновременно может делать их невыгодными для бизнеса.
И здесь, возможно, начинается куда более серьёзное изменение. Интернет десятилетиями учился убеждать людей покупать. Теперь бизнесу придётся учиться убеждать алгоритмы, которые выбирают за людей.
А это уже совсем другие правила игры.
👍3
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔2
OpenAI Academy
Unlock the new opportunities of the AI era by equipping yourself with the knowledge and skills to harness artificial intelligence effectively.
Курсы по ИИ, с которых можно начать
Недавно я сам прошёл AI Leadership в OpenAI Academy и получил цифровой бейдж. Рекомендую руководителям: курс про выбор задач для ИИ, пользу для бизнеса и ответственность за решения.
Сам много работаю с ИИ: пишу код, собираю свои инструменты, занимаюсь внедрением в бизнесе. Поэтому от обучения жду конкретной пользы — чтобы после курса было понятнее, как решить рабочую задачу.
Выдать команде доступ к ChatGPT — лишь первый шаг. Дальше нужно договориться, как изменится работа, где человек будет проверять результат и как измерить пользу. С такими вопросами и советую идти учиться: берите свой процесс и по ходу курса пробуйте его улучшить.
В Академии есть и другие курсы — можно выбрать под свой опыт:
- AI Foundations — для начала: запросы, контекст и проверка ответов.
- Agents and Workflows — следующий шаг: делегирование задач агентам, границы и контроль результата.
- Evaluate AI Applications — для разработчиков: как проверять качество ИИ-приложений и находить ошибки.
А если уже внедрили ИИ в рабочий процесс, посмотрите Agent Activator Challenge: там можно представить свой кейс и показать результат.
Курсы бесплатные, учиться можно в своём темпе. Для начала нужен аккаунт ChatGPT.
Присоединяйтесь — welcome! И делитесь, что удалось применить.
Недавно я сам прошёл AI Leadership в OpenAI Academy и получил цифровой бейдж. Рекомендую руководителям: курс про выбор задач для ИИ, пользу для бизнеса и ответственность за решения.
Сам много работаю с ИИ: пишу код, собираю свои инструменты, занимаюсь внедрением в бизнесе. Поэтому от обучения жду конкретной пользы — чтобы после курса было понятнее, как решить рабочую задачу.
Выдать команде доступ к ChatGPT — лишь первый шаг. Дальше нужно договориться, как изменится работа, где человек будет проверять результат и как измерить пользу. С такими вопросами и советую идти учиться: берите свой процесс и по ходу курса пробуйте его улучшить.
В Академии есть и другие курсы — можно выбрать под свой опыт:
- AI Foundations — для начала: запросы, контекст и проверка ответов.
- Agents and Workflows — следующий шаг: делегирование задач агентам, границы и контроль результата.
- Evaluate AI Applications — для разработчиков: как проверять качество ИИ-приложений и находить ошибки.
А если уже внедрили ИИ в рабочий процесс, посмотрите Agent Activator Challenge: там можно представить свой кейс и показать результат.
Курсы бесплатные, учиться можно в своём темпе. Для начала нужен аккаунт ChatGPT.
Для старта я бы выбрал один курс под свою рабочую задачу.
Присоединяйтесь — welcome! И делитесь, что удалось применить.
👍2🔥2
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
ИИ-гонка: от конкуренции за инженеров к конкуренции за вычислительные мощности
В прошлом посте про капитализм и ИИ я рассуждал о том, кому достанутся результаты новой технологической революции. Вот несколько новостей за последние дни.
Google (Alphabet) — второй квартал подряд фиксирует отрицательный свободный денежный поток: −$5,9 млрд во II квартале и −$9,1 млрд в III. Огромные вложения в облако и ИИ-инфраструктуру.
Во II квартале компания ушла в минус по этому показателю впервые за 22 года своей публичной истории. А после отчёта 28 октября акции падали на 10% на торгах после закрытия биржи.
Microsoft — предложила около 60 тысячам сотрудников добровольный уход с компенсацией на фоне масштабных инвестиций в ИИ. Это не означает, что все они уйдут.
Meta — объявила план привлечь около $95 млрд: $35 млрд размещений и ещё примерно $60 млрд через будущую программу продажи акций. В том числе — на ИИ-инфраструктуру.
Для меня эти новости складываются в одну картину:
Компании вкладывают огромные деньги в серверы, чипы и дата-центры, одновременно пересматривая потребность в сотрудниках. На мой взгляд, часть денег, которые раньше могли идти на расширение команд, теперь направляется на вычислительные мощности.
И если один сервер сможет выполнять работу целой команды, сколько специалистов понадобится завтра?
Лично для меня это пока спорный тезис. Реальная работа устроена сложнее, чем простая замена людей вычислениями. Но именно такую картину будущего рисуют лидеры ИИ-гонки. Сэм Альтман, например, говорил о компании стоимостью $1 млрд с одним человеком.
И здесь мы возвращаемся к мысли из прошлого поста: технологии могут сделать общество богаче, но совсем не обязательно богаче станут те, чей труд они заменяют.
В следующем посте разберу, как будет устроена компания, где значительную часть задач выполняют ИИ-агенты. Сколько людей ей потребуется, что останется человеку и почему, несмотря на автоматизацию, мы, возможно, будем работать даже больше?
Видите ли вы в своих компаниях что-то похожее: больше вложений в ИИ и вычисления, осторожнее найм?
В прошлом посте про капитализм и ИИ я рассуждал о том, кому достанутся результаты новой технологической революции. Вот несколько новостей за последние дни.
Google (Alphabet) — второй квартал подряд фиксирует отрицательный свободный денежный поток: −$5,9 млрд во II квартале и −$9,1 млрд в III. Огромные вложения в облако и ИИ-инфраструктуру.
Во II квартале компания ушла в минус по этому показателю впервые за 22 года своей публичной истории. А после отчёта 28 октября акции падали на 10% на торгах после закрытия биржи.
Microsoft — предложила около 60 тысячам сотрудников добровольный уход с компенсацией на фоне масштабных инвестиций в ИИ. Это не означает, что все они уйдут.
Meta — объявила план привлечь около $95 млрд: $35 млрд размещений и ещё примерно $60 млрд через будущую программу продажи акций. В том числе — на ИИ-инфраструктуру.
Для меня эти новости складываются в одну картину:
Раньше компании конкурировали за лучших инженеров. Теперь они всё активнее конкурируют за вычислительные мощности.
Компании вкладывают огромные деньги в серверы, чипы и дата-центры, одновременно пересматривая потребность в сотрудниках. На мой взгляд, часть денег, которые раньше могли идти на расширение команд, теперь направляется на вычислительные мощности.
И если один сервер сможет выполнять работу целой команды, сколько специалистов понадобится завтра?
Лично для меня это пока спорный тезис. Реальная работа устроена сложнее, чем простая замена людей вычислениями. Но именно такую картину будущего рисуют лидеры ИИ-гонки. Сэм Альтман, например, говорил о компании стоимостью $1 млрд с одним человеком.
И здесь мы возвращаемся к мысли из прошлого поста: технологии могут сделать общество богаче, но совсем не обязательно богаче станут те, чей труд они заменяют.
В следующем посте разберу, как будет устроена компания, где значительную часть задач выполняют ИИ-агенты. Сколько людей ей потребуется, что останется человеку и почему, несмотря на автоматизацию, мы, возможно, будем работать даже больше?
Видите ли вы в своих компаниях что-то похожее: больше вложений в ИИ и вычисления, осторожнее найм?
❤1