Закрытие Fable 5 — новый прецедент для ИИ-индустрии
США фактически впервые публично применили к ИИ-модели логику экспортного контроля не только как к чипам и дата-центрам, но как к интеллектуальному продукту.
Anthropic получила директиву приостановить доступ к Fable 5 и Mythos 5 для иностранных граждан, включая иностранных сотрудников самой Anthropic. В результате спустя три дня после релиза компания была вынуждена отключить модели для всех клиентов.
Anthropic называла Fable 5 безопасной версией Mythos 5, а Mythos 5 оставалась недоступной для широкой аудитории: ее планировали открыть для исследований.
Anthropic утверждает, что перед запуском провела тысячи часов тестирования вместе с правительством США. По словам компании, система безопасности Fable оказалась эффективнее, чем у ранее развернутых моделей.
На самом деле это важное событие. Доступ к передовому интеллекту теперь может зависеть от органов национальной безопасности.
Anthropic утверждает, что правительство не дало конкретных деталей угрозы, а описанные в демонстрации уязвимости присутствуют и в других публичных моделях.
Для некоторых тем в кибербезопасности, биологии и химии Fable 5 могла отдавать ответ через Claude Opus 4.8, чтобы снизить риск выдачи вредного ответа.
Но Anthropic утверждает, что такой fallback срабатывал менее чем в 5% сессий, а идеального механизма безопасности сегодня не существует.
Я сам несколько дней пользовался Fable 5 в рабочих задачах. Модель действительно лучше держала длинный контекст, особенно на больших кодовых базах.
Она была более автономной: чаще сама писала скрипты для миграций, рефакторинга и операций с файлами, в общем работала как полноценный инженер.
Конечно, после отключения Fable 5 возвращаться к предыдущему поколению моделей уже сложно.
Именно это и показывает реальный риск нового поколения моделей. Чем модель полезнее, тем она агентнее. Чем она агентнее, тем больше она похожа на цифрового сотрудника. Чем больше она похожа на сотрудника, тем сильнее вопрос контроля.
Илья Суцкевер говорил об этом: чем больше модель рассуждает и действует самостоятельно, тем менее предсказуемым становится ее поведение.
Fable 5 могла быть слишком инициативной и быстрее съедала лимиты токенов. То есть этот более умный инструмент требует новой архитектуры управления.
Anthropic не спорит с тем, что государство должно иметь право блокировать действительно опасные модели, но компания считает, что это должно происходить через прозрачный процесс. В этой ситуации, по словам Anthropic, такого процесса не было.
Anthropic прямо пишет: если такой стандарт применить ко всей индустрии, это фактически остановит все новые деплои передовых моделей.
Ранее администрация США конфликтовала с Anthropic из-за ограничений на военное применение моделей, а сама компания, по сообщениям СМИ, была помещена в черный список контрагентов.
Главный вывод для бизнеса такой: сегодня ставка на одного ИИ-провайдера становится стратегическим риском.
Если ваша компания построена на одной модели, то ее могут отменить за то, что она слишком умная.
Поэтому стройте решения без жесткой привязки к провайдеру. Нужен слой маршрутизации между моделями и возможность переключать задачи между OpenAI, Anthropic, Google и локальными моделями.
Fable 5 могут включить обратно. Конкретный конфликт Anthropic и правительства может разрешиться, но прецедент уже создан.
ИИ-модели теперь окончательно стали инструментом геополитики.
А значит, выиграют те, кто сумел построить автономную интеллектуальную систему, способную пережить отключение любой модели, сервиса и даже интернета.
#новости
США фактически впервые публично применили к ИИ-модели логику экспортного контроля не только как к чипам и дата-центрам, но как к интеллектуальному продукту.
Anthropic получила директиву приостановить доступ к Fable 5 и Mythos 5 для иностранных граждан, включая иностранных сотрудников самой Anthropic. В результате спустя три дня после релиза компания была вынуждена отключить модели для всех клиентов.
Anthropic называла Fable 5 безопасной версией Mythos 5, а Mythos 5 оставалась недоступной для широкой аудитории: ее планировали открыть для исследований.
Anthropic утверждает, что перед запуском провела тысячи часов тестирования вместе с правительством США. По словам компании, система безопасности Fable оказалась эффективнее, чем у ранее развернутых моделей.
На самом деле это важное событие. Доступ к передовому интеллекту теперь может зависеть от органов национальной безопасности.
Anthropic утверждает, что правительство не дало конкретных деталей угрозы, а описанные в демонстрации уязвимости присутствуют и в других публичных моделях.
Для некоторых тем в кибербезопасности, биологии и химии Fable 5 могла отдавать ответ через Claude Opus 4.8, чтобы снизить риск выдачи вредного ответа.
Но Anthropic утверждает, что такой fallback срабатывал менее чем в 5% сессий, а идеального механизма безопасности сегодня не существует.
Я сам несколько дней пользовался Fable 5 в рабочих задачах. Модель действительно лучше держала длинный контекст, особенно на больших кодовых базах.
Она была более автономной: чаще сама писала скрипты для миграций, рефакторинга и операций с файлами, в общем работала как полноценный инженер.
Конечно, после отключения Fable 5 возвращаться к предыдущему поколению моделей уже сложно.
Именно это и показывает реальный риск нового поколения моделей. Чем модель полезнее, тем она агентнее. Чем она агентнее, тем больше она похожа на цифрового сотрудника. Чем больше она похожа на сотрудника, тем сильнее вопрос контроля.
Илья Суцкевер говорил об этом: чем больше модель рассуждает и действует самостоятельно, тем менее предсказуемым становится ее поведение.
Fable 5 могла быть слишком инициативной и быстрее съедала лимиты токенов. То есть этот более умный инструмент требует новой архитектуры управления.
Anthropic не спорит с тем, что государство должно иметь право блокировать действительно опасные модели, но компания считает, что это должно происходить через прозрачный процесс. В этой ситуации, по словам Anthropic, такого процесса не было.
Anthropic прямо пишет: если такой стандарт применить ко всей индустрии, это фактически остановит все новые деплои передовых моделей.
Ранее администрация США конфликтовала с Anthropic из-за ограничений на военное применение моделей, а сама компания, по сообщениям СМИ, была помещена в черный список контрагентов.
Главный вывод для бизнеса такой: сегодня ставка на одного ИИ-провайдера становится стратегическим риском.
Если ваша компания построена на одной модели, то ее могут отменить за то, что она слишком умная.
Поэтому стройте решения без жесткой привязки к провайдеру. Нужен слой маршрутизации между моделями и возможность переключать задачи между OpenAI, Anthropic, Google и локальными моделями.
Fable 5 могут включить обратно. Конкретный конфликт Anthropic и правительства может разрешиться, но прецедент уже создан.
ИИ-модели теперь окончательно стали инструментом геополитики.
А значит, выиграют те, кто сумел построить автономную интеллектуальную систему, способную пережить отключение любой модели, сервиса и даже интернета.
#новости
Anthropic
Statement on the US government directive to suspend access to Fable 5 and Mythos 5
The US government has issued an export control directive to suspend all access to Fable 5 and Mythos 5 by any foreign national, whether inside or outside the United States.
2👍22❤4👏2🤯2⚡1💯1🦄1
10 причин провала ИИ-трансформации — и почему ИИ-компанию бывает проще запустить с нуля
Написал новую статью, но не потому, что разочаровался в ИИ-трансформациях.
Скорее наоборот – слишком долго этим занимался.
Первый опыт был еще в Accenture, а потом в Сбере около десяти лет назад.
Тогда мы строили хранилища данных, чтобы использовать их для обучения моделей и продвинутой аналитики для принятия решений. Потом были и другие крупные трансформации.
И за это время я стал чаще замечать одну вещь.
Большую компанию можно трансформировать, но цена этой трансформации порой оказывается сильно выше, чем кажется в начале.
Проблема не только в данных, легаси, безопасности или качестве моделей. Это все важные, но технически решаемые задачи.
Главная сложность в том, что ИИ вскрывает само устройство компании, а ИИ-трансформация становится проверкой зрелости организации.
И если для внедрения ИИ в большую компанию сначала нужно сделать ее прозрачной и управляемой, то возникает вопрос: где заканчивается трансформация и начинается создание новой компании?
В какой момент дешевле не перестраивать старую систему, а собрать новую сразу под ИИ?
И отсюда появляется следующий вопрос: если сегодня один человек с агентами уже может делать то, для чего раньше требовалась целая команда, то какую компанию вообще имеет смысл строить?
Мне кажется, сейчас наступает время тех, кто начинает с нуля: соло-предпринимателей, небольших команд и сильных специалистов, которые не хотят тратить годы на обслуживание чужого легаси.
Они быстрее проверяют гипотезы, не тратя месяцы на согласование того, как именно их проверять.
Но важнее даже не это.
Меняется сама роль человека в новой экономике.
Сотрудник как юнит внутри структуры постепенно перестает быть единственной нормой.
Человек может сам становиться экономическим узлом: предоставлять сервис или создавать продукт.
Один узел создает ценность, еще один ее переиспользует и собирает из нескольких сервисов новый продукт. Другой запускает AI-First бизнес как оператор и помогает фаундерам строить AI-Native компанию.
Так новая экономика начинает собираться не из должностей, а из продуктов и сервисов, за которыми стоят реальные люди.
Поэтому ИИ-суперсила, которая раньше была преимуществом корпораций, должна стать доступна тем, кто строит с нуля.
В статье разбираю 10 причин, почему ИИ-трансформация проваливается даже в передовых компаниях.
Когда стоит перестраивать старую систему, а когда пора собрать новую под новые экономические реалии?
👉 Полная статья
#мысли
Написал новую статью, но не потому, что разочаровался в ИИ-трансформациях.
Скорее наоборот – слишком долго этим занимался.
Первый опыт был еще в Accenture, а потом в Сбере около десяти лет назад.
Тогда мы строили хранилища данных, чтобы использовать их для обучения моделей и продвинутой аналитики для принятия решений. Потом были и другие крупные трансформации.
И за это время я стал чаще замечать одну вещь.
Большую компанию можно трансформировать, но цена этой трансформации порой оказывается сильно выше, чем кажется в начале.
Проблема не только в данных, легаси, безопасности или качестве моделей. Это все важные, но технически решаемые задачи.
Главная сложность в том, что ИИ вскрывает само устройство компании, а ИИ-трансформация становится проверкой зрелости организации.
И если для внедрения ИИ в большую компанию сначала нужно сделать ее прозрачной и управляемой, то возникает вопрос: где заканчивается трансформация и начинается создание новой компании?
В какой момент дешевле не перестраивать старую систему, а собрать новую сразу под ИИ?
И отсюда появляется следующий вопрос: если сегодня один человек с агентами уже может делать то, для чего раньше требовалась целая команда, то какую компанию вообще имеет смысл строить?
Мне кажется, сейчас наступает время тех, кто начинает с нуля: соло-предпринимателей, небольших команд и сильных специалистов, которые не хотят тратить годы на обслуживание чужого легаси.
Они быстрее проверяют гипотезы, не тратя месяцы на согласование того, как именно их проверять.
Но важнее даже не это.
Меняется сама роль человека в новой экономике.
Сотрудник как юнит внутри структуры постепенно перестает быть единственной нормой.
Человек может сам становиться экономическим узлом: предоставлять сервис или создавать продукт.
Один узел создает ценность, еще один ее переиспользует и собирает из нескольких сервисов новый продукт. Другой запускает AI-First бизнес как оператор и помогает фаундерам строить AI-Native компанию.
Так новая экономика начинает собираться не из должностей, а из продуктов и сервисов, за которыми стоят реальные люди.
Поэтому ИИ-суперсила, которая раньше была преимуществом корпораций, должна стать доступна тем, кто строит с нуля.
В статье разбираю 10 причин, почему ИИ-трансформация проваливается даже в передовых компаниях.
Когда стоит перестраивать старую систему, а когда пора собрать новую под новые экономические реалии?
👉 Полная статья
#мысли
Датаист / Мысли
10 причин провала ИИ-трансформации — и почему ИИ-компанию бывает проще запустить с нуля
После десятка лет работы с ИИ-трансформациями у меня появился неприличный вопрос для компаний: что проще — изменить большую компанию или построить новую с нуля?
3👍20🔥10❤7👏1
Loop Engineering: новый хайп или конец ручного промтинга?
Сначала все учились писать хорошие промты, и ненадолго даже появилась целая профессия промт-инженера. Казалось, что главный навык будущего — это умение просить модель исполнять нужную роль, описывать формат ответа, добавлять примеры и ограничения, чтобы получать ожидаемый результат.
Потом стало понятно, что одного промта мало. Модель не может качественно решать задачу, если она не понимает контекст: какие есть документы и как устроен проект. Так появилась инженерия контекста: умение предоставить модели такую информацию, чтобы она могла выдавать более осмысленные ответы.
Следующий уровень — обвязка вокруг модели в виде инструментов, песочницы, логов, памяти и прав на совершение действий. Потому что модель без среды просто отвечает текстом, а агент в правильно организованной среде уже может действовать.
Но сейчас инженеры “придумали” следующий уровень — инженерию циклов, или Loop Engineering.
Это когда человек больше не пишет каждый следующий запрос агенту вручную. Вместо этого он проектирует систему, которая сама запускает агента в нужный момент, дает ему правильный контекст, выполняет действие, получает обратную связь от среды, проверяет результат и решает, нужно ли продолжать или все цели достигнуты.
Человек больше не контролирует каждый шаг агента. Он становится архитектором процесса, в котором агент может работать, не теряя заданную цель, контекст, прогресс и критерии качества.
Главное здесь — не автономность сама по себе, а проверяемость.
Хороший цикл — это система, у которой есть условие запуска и завершения, тело цикла, среда выполнения и ограничения.
Такие циклы особенно полезны там, где есть повторяющаяся работа и понятная проверка результата.
Простой пример, о котором я писал ранее, — разработка через тесты (Test-Driven Development). Мы заранее описываем, что должно работать, а агент пишет код, запускает проверки, получает ошибки, исправляет, снова проверяет и не завершает задачу, пока система не увидит доказательство, что результат достигнут.
Но даже здесь есть ловушка: успешные проверки еще не означают, что продукт работает. Самый опасный сценарий — когда формально все тесты зеленые, но реальный пользовательский путь сломан.
Проектировать хорошие циклы нужно уметь. Иначе агент будет тратить ресурсы, ошибаться и в конце принесет результат, которому нельзя доверять.
Новые циклы лучше сразу не делать автономными. Сначала их нужно запустить вручную, посмотреть первый полный проход, убедиться, что они правильно сохраняют состояние, не тащат лишний контекст, не делают опасных действий и действительно работают так, как было задумано. Только после этого их можно ставить на расписание или запуск по событию.
Циклы нужно превращать в переиспользуемые навыки. Так у вас появится библиотека рабочих процессов, которые можно встраивать в более сложные системы.
Самоулучшающийся цикл — это когда система записала обобщенное правило в файл, который будет прочитан при следующем запуске. Это может быть полезно, если правило действительно улучшает будущую работу. Но если цикл пишет себе правила без внешней проверки, то агент может “выучить” неверный урок. Поэтому самоулучшение без проверяющего — это новый риск.
Отдельная проблема — контекст. Цикл пересылает контекст на каждом проходе, поэтому лишняя информация быстро раздувает бюджет на токены и плодит ошибки.
Циклы — это недостающее звено системы, в которой агенты могут действовать самостоятельно. Однако ИИ-агент может быть автономным ровно настолько, насколько система умеет проверять его работу.
Поэтому новый важный навык — умение строить циклы, которым можно доверять.
#технологии
Сначала все учились писать хорошие промты, и ненадолго даже появилась целая профессия промт-инженера. Казалось, что главный навык будущего — это умение просить модель исполнять нужную роль, описывать формат ответа, добавлять примеры и ограничения, чтобы получать ожидаемый результат.
Потом стало понятно, что одного промта мало. Модель не может качественно решать задачу, если она не понимает контекст: какие есть документы и как устроен проект. Так появилась инженерия контекста: умение предоставить модели такую информацию, чтобы она могла выдавать более осмысленные ответы.
Следующий уровень — обвязка вокруг модели в виде инструментов, песочницы, логов, памяти и прав на совершение действий. Потому что модель без среды просто отвечает текстом, а агент в правильно организованной среде уже может действовать.
Но сейчас инженеры “придумали” следующий уровень — инженерию циклов, или Loop Engineering.
Это когда человек больше не пишет каждый следующий запрос агенту вручную. Вместо этого он проектирует систему, которая сама запускает агента в нужный момент, дает ему правильный контекст, выполняет действие, получает обратную связь от среды, проверяет результат и решает, нужно ли продолжать или все цели достигнуты.
Человек больше не контролирует каждый шаг агента. Он становится архитектором процесса, в котором агент может работать, не теряя заданную цель, контекст, прогресс и критерии качества.
Главное здесь — не автономность сама по себе, а проверяемость.
Хороший цикл — это система, у которой есть условие запуска и завершения, тело цикла, среда выполнения и ограничения.
Такие циклы особенно полезны там, где есть повторяющаяся работа и понятная проверка результата.
Простой пример, о котором я писал ранее, — разработка через тесты (Test-Driven Development). Мы заранее описываем, что должно работать, а агент пишет код, запускает проверки, получает ошибки, исправляет, снова проверяет и не завершает задачу, пока система не увидит доказательство, что результат достигнут.
Но даже здесь есть ловушка: успешные проверки еще не означают, что продукт работает. Самый опасный сценарий — когда формально все тесты зеленые, но реальный пользовательский путь сломан.
Проектировать хорошие циклы нужно уметь. Иначе агент будет тратить ресурсы, ошибаться и в конце принесет результат, которому нельзя доверять.
Новые циклы лучше сразу не делать автономными. Сначала их нужно запустить вручную, посмотреть первый полный проход, убедиться, что они правильно сохраняют состояние, не тащат лишний контекст, не делают опасных действий и действительно работают так, как было задумано. Только после этого их можно ставить на расписание или запуск по событию.
Циклы нужно превращать в переиспользуемые навыки. Так у вас появится библиотека рабочих процессов, которые можно встраивать в более сложные системы.
Самоулучшающийся цикл — это когда система записала обобщенное правило в файл, который будет прочитан при следующем запуске. Это может быть полезно, если правило действительно улучшает будущую работу. Но если цикл пишет себе правила без внешней проверки, то агент может “выучить” неверный урок. Поэтому самоулучшение без проверяющего — это новый риск.
Отдельная проблема — контекст. Цикл пересылает контекст на каждом проходе, поэтому лишняя информация быстро раздувает бюджет на токены и плодит ошибки.
Циклы — это недостающее звено системы, в которой агенты могут действовать самостоятельно. Однако ИИ-агент может быть автономным ровно настолько, насколько система умеет проверять его работу.
Поэтому новый важный навык — умение строить циклы, которым можно доверять.
#технологии
4❤13👍11🔥7👏1🙏1
Инвестиции не нужны: как ИИ меняет венчур. Часть 1
В 2019 году я выиграл акселератор Сбера с дейтинг-сервисом на базе ИИ с несколькими тысячами пользователей.
Мне предложили 2 млн рублей за 10% компании, а в дальнейшем Сбер мог увеличить долю до 50% по той же цене акций и получить контроль.
Я отказался. Этих денег хватило бы на месяц работы, а в топ-менеджменте Сбера я мог спокойно заработать эту сумму за квартал.
Получается, что ради месяца расходов я должен был навсегда отдать часть компании и потерять свободу.
Согласно опросу, 87% наших пользователей ушли бы из сервиса, если бы мы «продались» Сберу.
Кроме того, условия акселератора лишали меня возможности независимо развивать стартап в течение трех лет.
Тогда в дейтинге многие пользователи успели найти своего человека, поэтому вскоре я его похоронил.
В то время инвестиции казались обязательными, но сегодня все изменилось.
Еще пару лет назад для разработки продукта требовалась команда примерно из десяти человек: пара бэкендеров и фронтендеров, аналитик, дизайнер, ИИ-инженер, QA, маркетолог и тимлид, дирижировавший этим оркестром.
Когда я работал CTO в венчурной студии, одними из основных метрик были количество и скорость проверки гипотез.
Мы закладывали около миллиона долларов в год на одну продуктовую команду — с учетом зарплат, налогов и инфраструктуры.
Основатель продавал долю еще до того, как понимал, какой продукт действительно нужен рынку, а инвестор на ранних стадиях фактически финансировал время команды для проверки гипотез.
ИИ перевернул эту модель с ног на голову.
Теперь основатели не бегают за инвесторами, а сами инвесторы пытаются понять, в каких людей и на каких условиях стоит инвестировать.
Да, для чипов, биотехнологий, робототехники и фундаментальных моделей это не работает. Но для SaaS, ИИ-агентов, автоматизаций и AI-First бизнесов такая экономика уже реальна.
Сегодня очевидно, что с помощью ИИ можно самостоятельно исследовать рынок, разработать продукт вместе с агентами — не завайбкодить, а именно выстроить полноценный инженерный процесс — и провести первые продажи.
Возможно, один человек не сможет в одиночку вытянуть миллиардную компанию (но это неточно). Но он точно способен потянуть раннюю стадию.
Следовательно, порог входа в технологическое предпринимательство радикально снизился.
Если год работы команды стоит около миллиона долларов, то одному основателю нужно порядка $100к. Так потребность в раннем капитале сокращается в десять раз.
Главным расходом становится время и фокус человека, который умеет строить.
Если крутой специалист зарабатывает $10к в месяц, тратит $5к на жизнь и откладывает остальные $5к, то $100к он накопит за пару лет. Конечно, все зависит от локации и уровня расходов.
Через свою компанию это можно сделать быстрее: консалтинг, разработка и внедрение ИИ создают кэшфлоу, который затем финансирует собственные продукты. Я сам прошел этот путь.
Я уехал строить бизнес на Кипр четыре года назад с нулем в кармане, оставив все, что у меня было, кроме своих знаний и опыта.
Конечно, сразу выйти на хороший доход в новой среде было непросто. Тем более что мне, как россиянину, больше года открывали компанию и корпоративный счет.
Это было крайне тяжелое время: я технически не мог принимать оплаты и поэтому выживал как мог. Если интересно, об этом пути могу написать отдельную статью.
Но постепенно прибыль более $300к в год без единого сотрудника стала реальностью.
Правда, у регулятора до сих пор есть вопросы к регистрации моих разработок: мол, в штате компании должны быть сотрудники. Когда я объясняю, что весь код написан ИИ, это вызывает недоумение и создает прецедент.
Ох уж этот архаичный старый мир… Но это уже другая история.
Так главным конкурентом венчурного фонда становится способность основателя самостоятельно обеспечить себе финансовую свободу.
«Инвестиции не нужны» не означает, что капитал больше вообще не нужен. Это значит, что инвестиции перестают быть обязательным условием для создания своей ИИ-компании.
Во второй части расскажу, какая модель может прийти на смену классическому венчуру.
#мысли
В 2019 году я выиграл акселератор Сбера с дейтинг-сервисом на базе ИИ с несколькими тысячами пользователей.
Мне предложили 2 млн рублей за 10% компании, а в дальнейшем Сбер мог увеличить долю до 50% по той же цене акций и получить контроль.
Я отказался. Этих денег хватило бы на месяц работы, а в топ-менеджменте Сбера я мог спокойно заработать эту сумму за квартал.
Получается, что ради месяца расходов я должен был навсегда отдать часть компании и потерять свободу.
Согласно опросу, 87% наших пользователей ушли бы из сервиса, если бы мы «продались» Сберу.
Кроме того, условия акселератора лишали меня возможности независимо развивать стартап в течение трех лет.
Тогда в дейтинге многие пользователи успели найти своего человека, поэтому вскоре я его похоронил.
В то время инвестиции казались обязательными, но сегодня все изменилось.
Еще пару лет назад для разработки продукта требовалась команда примерно из десяти человек: пара бэкендеров и фронтендеров, аналитик, дизайнер, ИИ-инженер, QA, маркетолог и тимлид, дирижировавший этим оркестром.
Когда я работал CTO в венчурной студии, одними из основных метрик были количество и скорость проверки гипотез.
Мы закладывали около миллиона долларов в год на одну продуктовую команду — с учетом зарплат, налогов и инфраструктуры.
Основатель продавал долю еще до того, как понимал, какой продукт действительно нужен рынку, а инвестор на ранних стадиях фактически финансировал время команды для проверки гипотез.
ИИ перевернул эту модель с ног на голову.
Теперь основатели не бегают за инвесторами, а сами инвесторы пытаются понять, в каких людей и на каких условиях стоит инвестировать.
Да, для чипов, биотехнологий, робототехники и фундаментальных моделей это не работает. Но для SaaS, ИИ-агентов, автоматизаций и AI-First бизнесов такая экономика уже реальна.
Сегодня очевидно, что с помощью ИИ можно самостоятельно исследовать рынок, разработать продукт вместе с агентами — не завайбкодить, а именно выстроить полноценный инженерный процесс — и провести первые продажи.
Возможно, один человек не сможет в одиночку вытянуть миллиардную компанию (но это неточно). Но он точно способен потянуть раннюю стадию.
Следовательно, порог входа в технологическое предпринимательство радикально снизился.
Если год работы команды стоит около миллиона долларов, то одному основателю нужно порядка $100к. Так потребность в раннем капитале сокращается в десять раз.
Главным расходом становится время и фокус человека, который умеет строить.
Если крутой специалист зарабатывает $10к в месяц, тратит $5к на жизнь и откладывает остальные $5к, то $100к он накопит за пару лет. Конечно, все зависит от локации и уровня расходов.
Через свою компанию это можно сделать быстрее: консалтинг, разработка и внедрение ИИ создают кэшфлоу, который затем финансирует собственные продукты. Я сам прошел этот путь.
Я уехал строить бизнес на Кипр четыре года назад с нулем в кармане, оставив все, что у меня было, кроме своих знаний и опыта.
Конечно, сразу выйти на хороший доход в новой среде было непросто. Тем более что мне, как россиянину, больше года открывали компанию и корпоративный счет.
Это было крайне тяжелое время: я технически не мог принимать оплаты и поэтому выживал как мог. Если интересно, об этом пути могу написать отдельную статью.
Но постепенно прибыль более $300к в год без единого сотрудника стала реальностью.
Правда, у регулятора до сих пор есть вопросы к регистрации моих разработок: мол, в штате компании должны быть сотрудники. Когда я объясняю, что весь код написан ИИ, это вызывает недоумение и создает прецедент.
Ох уж этот архаичный старый мир… Но это уже другая история.
Так главным конкурентом венчурного фонда становится способность основателя самостоятельно обеспечить себе финансовую свободу.
«Инвестиции не нужны» не означает, что капитал больше вообще не нужен. Это значит, что инвестиции перестают быть обязательным условием для создания своей ИИ-компании.
Во второй части расскажу, какая модель может прийти на смену классическому венчуру.
#мысли
2🔥23❤12👍7🙏1
Инвестиции не нужны: как ИИ меняет венчур. Часть 2
В первой части я рассказал, почему инвестиции перестают быть обязательным входным билетом в технологическое предпринимательство.
На мой взгляд, на смену классическому венчуру может прийти гибридная модель.
Вчера венчур был устроен просто: инвестор переводит деньги, а основатель отдает долю. Но бизнесу нужен не только капитал. Ему нужны время и фокус основателя, доверие клиентов и доступ к рынку.
У инженера, способного самостоятельно создать продукт, обычно три вопроса: что строить, на что жить во время разработки и как затем выйти к клиентам.
Первый вопрос решает система, которая помогает определить реальную потребность рынка. О ней расскажу в конце.
Второй можно закрыть так, как сделал я: сначала заработать капитал, а затем финансировать свои продукты.
Либо через краудфандинг. Будущие пользователи заранее финансируют разработку, а взамен получают пожизненный доступ, специальные условия, возможность влиять на развитие продукта или другие плюшки.
Так вместо одного инвестора с крупным чеком появляются десятки или сотни первых последователей, заинтересованных в успехе продукта.
Они одновременно дают основателю время на разработку, подтверждают спрос и становятся первыми клиентами.
Третий вопрос решается партнерством.
Тот, кто предоставляет доступ к клиентам и рынку, получает revenue share. Не долю во всей компании, а вознаграждение за конкретный результат.
В итоге основатель получает возможность спокойно строить, пользователи финансируют нужный им продукт, а партнеры зарабатывают на открытых ими рынках.
Гибридность заключается в том, что один «инвестор» может одновременно дать деньги, стать первым клиентом и открыть новый рынок.
Тут важно быть особенно внимательным с условиями партнерства, чтобы помощь с выходом на рынок не превратилась в рейдерский захват.
Например, недавно один инвестор предложил мне инвестиции, от которых я отказался.
Тогда он предложил стать партнером и продвигать мой продукт, но попытался хитро заложить в договор фактический контроль над моей интеллектуальной собственностью — по его выражению, чтобы «оседлать этого коня». Благо юристы вовремя это обнаружили.
ИИ меняет и сам подход к формированию команды. Теперь больше гипотез можно проверять силами нескольких талантливых людей, готовых брать на себя ответственность за результат и приобретать бесценный опыт.
У меня самого была подобная стратегия: поработать лет 10 с опытными CEO, чтобы учиться на их опыте и совершать меньше собственных ошибок.
Раньше в Сбере мне «поставляли» десятки стажеров. Сегодня мне по-прежнему предлагают такую опцию, но я выбираю только невероятно талантливых. Количество людей в команде не коррелирует с качеством продукта.
Вчера мой стажер выиграл грант в миллион рублей на продолжение моего дела – дейтинг-сервиса. Я готов вкладываться в новое поколение предпринимателей и передавать свой опыт.
Если вы хотите научиться строить ИИ-продукты, ребята из AI Talent Hub, которым я помогаю, сейчас открывают набор в магистратуру ИТМО.
С осени я продолжу там же вести свой курс по ИИ-агентам, а на следующей неделе анонсирую бесплатный курс для всех — чтобы больше людей могли воплощать свои идеи в жизнь и строить ИИ-компании.
Путь предпринимателя тернист. Гораздо проще «крутить гайку» в бигтехе, но в то же время это путь к свободе, которую я ценю больше всего.
Товарищи технари, если вы умеете самостоятельно создавать продукты, сегодня ваше время.
Разобраться в рынке, продажах и экономике продукта, на мой взгляд, легче, чем разобраться в инженерном деле — даже с ИИ.
Мы, инженеры, знаем, как строить, но не всегда знаем, что именно. Однако мы можем создать систему, которая подскажет, что действительно нужно людям.
Поэтому я подготовил для вас статью о том, как собрать себе такую систему.
Как бы сказал Брюс Ли в наши дни:
#мысли
В первой части я рассказал, почему инвестиции перестают быть обязательным входным билетом в технологическое предпринимательство.
На мой взгляд, на смену классическому венчуру может прийти гибридная модель.
Вчера венчур был устроен просто: инвестор переводит деньги, а основатель отдает долю. Но бизнесу нужен не только капитал. Ему нужны время и фокус основателя, доверие клиентов и доступ к рынку.
У инженера, способного самостоятельно создать продукт, обычно три вопроса: что строить, на что жить во время разработки и как затем выйти к клиентам.
Первый вопрос решает система, которая помогает определить реальную потребность рынка. О ней расскажу в конце.
Второй можно закрыть так, как сделал я: сначала заработать капитал, а затем финансировать свои продукты.
Либо через краудфандинг. Будущие пользователи заранее финансируют разработку, а взамен получают пожизненный доступ, специальные условия, возможность влиять на развитие продукта или другие плюшки.
Так вместо одного инвестора с крупным чеком появляются десятки или сотни первых последователей, заинтересованных в успехе продукта.
Они одновременно дают основателю время на разработку, подтверждают спрос и становятся первыми клиентами.
Третий вопрос решается партнерством.
Тот, кто предоставляет доступ к клиентам и рынку, получает revenue share. Не долю во всей компании, а вознаграждение за конкретный результат.
В итоге основатель получает возможность спокойно строить, пользователи финансируют нужный им продукт, а партнеры зарабатывают на открытых ими рынках.
Гибридность заключается в том, что один «инвестор» может одновременно дать деньги, стать первым клиентом и открыть новый рынок.
Тут важно быть особенно внимательным с условиями партнерства, чтобы помощь с выходом на рынок не превратилась в рейдерский захват.
Например, недавно один инвестор предложил мне инвестиции, от которых я отказался.
Тогда он предложил стать партнером и продвигать мой продукт, но попытался хитро заложить в договор фактический контроль над моей интеллектуальной собственностью — по его выражению, чтобы «оседлать этого коня». Благо юристы вовремя это обнаружили.
ИИ меняет и сам подход к формированию команды. Теперь больше гипотез можно проверять силами нескольких талантливых людей, готовых брать на себя ответственность за результат и приобретать бесценный опыт.
У меня самого была подобная стратегия: поработать лет 10 с опытными CEO, чтобы учиться на их опыте и совершать меньше собственных ошибок.
Раньше в Сбере мне «поставляли» десятки стажеров. Сегодня мне по-прежнему предлагают такую опцию, но я выбираю только невероятно талантливых. Количество людей в команде не коррелирует с качеством продукта.
Вчера мой стажер выиграл грант в миллион рублей на продолжение моего дела – дейтинг-сервиса. Я готов вкладываться в новое поколение предпринимателей и передавать свой опыт.
Если вы хотите научиться строить ИИ-продукты, ребята из AI Talent Hub, которым я помогаю, сейчас открывают набор в магистратуру ИТМО.
С осени я продолжу там же вести свой курс по ИИ-агентам, а на следующей неделе анонсирую бесплатный курс для всех — чтобы больше людей могли воплощать свои идеи в жизнь и строить ИИ-компании.
Путь предпринимателя тернист. Гораздо проще «крутить гайку» в бигтехе, но в то же время это путь к свободе, которую я ценю больше всего.
Товарищи технари, если вы умеете самостоятельно создавать продукты, сегодня ваше время.
Разобраться в рынке, продажах и экономике продукта, на мой взгляд, легче, чем разобраться в инженерном деле — даже с ИИ.
Мы, инженеры, знаем, как строить, но не всегда знаем, что именно. Однако мы можем создать систему, которая подскажет, что действительно нужно людям.
Поэтому я подготовил для вас статью о том, как собрать себе такую систему.
Как бы сказал Брюс Ли в наши дни:
«Я не боюсь 10 000 продактов, проверивших по одной гипотезе. Я боюсь одного фаундера, проверившего 10 000 гипотез»Так вместе мы сможем построить новую экономику, в которой ИИ усиливает свободных людей.
#мысли
3👍15❤7🔥6
Восстание машин: как защитить свой бизнес, когда ИИ становится хакером
Недавно ИИ-агент на базе GPT-5.6 Sol и более мощной предрелизной модели OpenAI сбежал из изолированной среды и проник в инфраструктуру Hugging Face.
Так он хотел получить решения к ExploitGym — тренажеру для ИИ-хакеров, где модели учат находить уязвимости и взламывать системы.
Это один из первых публичных случаев, когда ИИ преодолел песочницу и добрался до внешней системы.
Но модели не «взбунтовались». Исследователи проверяли хакерские возможности и дали инструменты без блокировки опасных действий.
Однако никто не поручал агенту выходить в интернет, атаковать Hugging Face и красть ответы. Этот путь он выбрал сам ради цели — решить тест.
Песочница не имела открытого интернета, но могла устанавливать библиотеки через внутренний реестр. Агент нашел неизвестную уязвимость в прокси, повысил привилегии и добрался до машины с интернетом.
Он предположил, что на Hugging Face хранятся решения ExploitGym, и загрузил вредоносный датасет. Через запуск кода и внедрение команд в конфигурацию агент получил контроль над сервером, нашел ключи и пароли и через закрытые серверы добрался до базы с ответами.
Так агент достиг своей цели.
При расследовании восстановили более 17 000 событий. Агент ставил промежуточные цели, запускал код, анализировал результат, менял план и пробовал снова.
Парадокс: коммерческие модели оказалось трудно использовать — фильтры блокировали анализ вредоносных команд. Поэтому Hugging Face использовала открытую GLM 5.2 внутри своей инфраструктуры.
В итоге серверы пересобрали, токены отозвали, уязвимости отключили, а информацию передали правоохранителям.
Илья Суцкевер предупреждал: чем сильнее способности ИИ к рассуждению, тем менее предсказуемо его поведение.
Недавно модель OpenAI за час нашла уязвимость и открыла публичный PR на GitHub вместо Slack.
Был случай, когда злоумышленники убедили ИИ-бота Instagram добавить к чужому аккаунту новую почту и запустить сброс пароля без проверки личности.
А модель Mythos от Anthropic за несколько часов обнаружила уязвимости в засекреченных системах правительства США.
Сегодня ИИ-агенты способны атаковать сайты и приложения — по заданию злоумышленника или после компрометации вашего агента. Они могут изучить систему, выполнить вредоносный код, похитить пароли и базу.
Отдельный риск — промт-инъекция в документе или письме, которое читает агент. Даже без взлома ИИ способен устроить DoS-атаку, массово вызывая дорогие модели, обработку аудио и документов.
Возникает вопрос: может ли агент запустить ядерное оружие?
Такие комплексы обычно изолированы от интернета, но ИИ может подделать данные раннего предупреждения, будто противник уже атакует. Тогда катастрофическое решение примут люди на основе ложной информации.
Звучит как сценарий конца света.
Защита от этого строится через архитектурные ограничения. Систему нужно проектировать так, будто агент, файл или сервер будут скомпрометированы: обрабатывать загрузки в одноразовых контейнерах без доступа к проду и паролям, запрещать выход в интернет, выдавать короткоживущие ключи и не давать одному агенту доступ ко всему.
Критические операции должны проверяться кодом и подтверждаться человеком. Действия агентов нужно логировать, ограничивать по запросам и расходам и уметь мгновенно останавливать с отзывом токенов.
Нас ждет не «восстание машин», а индустриализация кибератак.
Сегодня автономные агенты могут исследовать тысячи сайтов, читать документацию и код, искать уязвимости и взламывать системы без участия человека.
Опасно то, что работу команды хакеров может выполнять один человек с несколькими агентами.
Поэтому не пытайтесь сделать агента абсолютно послушным, а проектируйте систему так, чтобы даже ошибившийся или взломанный агент физически не мог нанести критический ущерб.
Вайбкодеры, помните: ИИ может написать код, но только инженер понимает, как устроена вся система и как не дать одной уязвимости уничтожить весь бизнес.
Кодить теперь может каждый, а отвечать за результат по-прежнему должен инженер.
#новости
Недавно ИИ-агент на базе GPT-5.6 Sol и более мощной предрелизной модели OpenAI сбежал из изолированной среды и проник в инфраструктуру Hugging Face.
Так он хотел получить решения к ExploitGym — тренажеру для ИИ-хакеров, где модели учат находить уязвимости и взламывать системы.
Это один из первых публичных случаев, когда ИИ преодолел песочницу и добрался до внешней системы.
Но модели не «взбунтовались». Исследователи проверяли хакерские возможности и дали инструменты без блокировки опасных действий.
Однако никто не поручал агенту выходить в интернет, атаковать Hugging Face и красть ответы. Этот путь он выбрал сам ради цели — решить тест.
Песочница не имела открытого интернета, но могла устанавливать библиотеки через внутренний реестр. Агент нашел неизвестную уязвимость в прокси, повысил привилегии и добрался до машины с интернетом.
Он предположил, что на Hugging Face хранятся решения ExploitGym, и загрузил вредоносный датасет. Через запуск кода и внедрение команд в конфигурацию агент получил контроль над сервером, нашел ключи и пароли и через закрытые серверы добрался до базы с ответами.
Так агент достиг своей цели.
При расследовании восстановили более 17 000 событий. Агент ставил промежуточные цели, запускал код, анализировал результат, менял план и пробовал снова.
Парадокс: коммерческие модели оказалось трудно использовать — фильтры блокировали анализ вредоносных команд. Поэтому Hugging Face использовала открытую GLM 5.2 внутри своей инфраструктуры.
В итоге серверы пересобрали, токены отозвали, уязвимости отключили, а информацию передали правоохранителям.
Илья Суцкевер предупреждал: чем сильнее способности ИИ к рассуждению, тем менее предсказуемо его поведение.
Недавно модель OpenAI за час нашла уязвимость и открыла публичный PR на GitHub вместо Slack.
Был случай, когда злоумышленники убедили ИИ-бота Instagram добавить к чужому аккаунту новую почту и запустить сброс пароля без проверки личности.
А модель Mythos от Anthropic за несколько часов обнаружила уязвимости в засекреченных системах правительства США.
Сегодня ИИ-агенты способны атаковать сайты и приложения — по заданию злоумышленника или после компрометации вашего агента. Они могут изучить систему, выполнить вредоносный код, похитить пароли и базу.
Отдельный риск — промт-инъекция в документе или письме, которое читает агент. Даже без взлома ИИ способен устроить DoS-атаку, массово вызывая дорогие модели, обработку аудио и документов.
Возникает вопрос: может ли агент запустить ядерное оружие?
Такие комплексы обычно изолированы от интернета, но ИИ может подделать данные раннего предупреждения, будто противник уже атакует. Тогда катастрофическое решение примут люди на основе ложной информации.
Звучит как сценарий конца света.
Защита от этого строится через архитектурные ограничения. Систему нужно проектировать так, будто агент, файл или сервер будут скомпрометированы: обрабатывать загрузки в одноразовых контейнерах без доступа к проду и паролям, запрещать выход в интернет, выдавать короткоживущие ключи и не давать одному агенту доступ ко всему.
Критические операции должны проверяться кодом и подтверждаться человеком. Действия агентов нужно логировать, ограничивать по запросам и расходам и уметь мгновенно останавливать с отзывом токенов.
Нас ждет не «восстание машин», а индустриализация кибератак.
Сегодня автономные агенты могут исследовать тысячи сайтов, читать документацию и код, искать уязвимости и взламывать системы без участия человека.
Опасно то, что работу команды хакеров может выполнять один человек с несколькими агентами.
Поэтому не пытайтесь сделать агента абсолютно послушным, а проектируйте систему так, чтобы даже ошибившийся или взломанный агент физически не мог нанести критический ущерб.
Вайбкодеры, помните: ИИ может написать код, но только инженер понимает, как устроена вся система и как не дать одной уязвимости уничтожить весь бизнес.
Кодить теперь может каждый, а отвечать за результат по-прежнему должен инженер.
#новости
OpenAI
OpenAI and Hugging Face partner to address security incident during model evaluation
OpenAI and Hugging Face share early findings from a security incident during AI model evaluation, highlighting advanced cyber capabilities and lessons for defenders.
2💯14👍9🤯4❤1👏1🏆1
Как превратить бизнес в AI-First компанию с помощью ИИ-агентов
Я запускаю бесплатный курс по автоматизации бизнес-процессов с помощью ИИ-агентов.
В нем я собрал свой практический опыт ИИ-трансформации компаний: от диагностики бизнеса и разработки стратегии до создания агентов, их внедрения в реальные процессы, управления изменениями и расчета экономического эффекта.
Цель курса — научить вас видеть бизнес как поток данных и превращать его в интеллектуальные системы, в которых люди и ИИ-агенты работают вместе.
Курс подойдет будущим ИИ-консультантам, ИИ-инженерам по автоматизации и ИИ-основателям.
Вы научитесь автоматизировать процессы и масштабировать бизнес без роста штата, а также:
• проводить диагностику ИИ-зрелости бизнеса;
• разрабатывать стратегию ИИ-трансформации;
• находить процессы с наибольшим потенциалом для автоматизации;
• описывать текущие процессы AS-IS;
• редизайнить их в будущую модель TO-BE;
• определять граф навыков ИИ-агента и новую роль человека;
• создавать ИИ-агентов и мультиагентные системы;
• тестировать качество, надежность и безопасность ИИ;
• рассчитывать ROI и экономический эффект;
• внедрять первого ИИ-агента в реальный бизнес-процесс.
Как проходит обучение
Каждые десять дней я буду публиковать новую живую лекцию и практическое задание.
После каждой лекции вас ждет тест, а для более глубокого изучения темы — подробная статья.
Десяти дней достаточно, чтобы спокойно разобраться в материале и выполнить практическую работу.
Материал будет плотным и без воды. Продолжительность одной лекции — до 30 минут, а весь теоретический курс займет не более четырех часов.
После завершения курса я отдельно соберу все статьи в полноценную книгу.
Первая вводная лекция уже доступна.
В ней мы разберем:
• кто такие ИИ-агенты;
• почему агенты становятся новой формой организации труда;
• что такое AI-First компания;
• в каких процессах ИИ создает максимальную ценность;
• как оценить ИИ-зрелость компании и из каких блоков она состоит;
• как сформировать стратегию внедрения ИИ-агентов;
• как перейти от отдельных пилотов к системной ИИ-трансформации.
В качестве практического задания вы изучите методологию оценки ИИ-зрелости и проведете диагностику своей компании.
Вы получите персональные рекомендации и поймете, насколько бизнес готов к внедрению ИИ-агентов и какие шаги необходимо включить в дорожную карту ИИ-трансформации.
Буткемп для компаний
Для тех, кто хочет пройти этот путь вместе со своей командой, доступен трехмесячный буткемп.
ИИ-консультанты помогут команде до десяти человек дойти до конца пути.
Это индивидуальная работа на реальных задачах вашего бизнеса с сопровождением от диагностики до полноценного внедрения.
Мой курс уже прошли более 500 человек, а совокупный экономический эффект реализованных агентов превысил 200 миллионов рублей.
Сегодня ИИ-агенты действительно меняют бизнес, рынок труда и экономику. Поэтому я постарался сделать эти знания доступными каждому.
Для этого и следующих курсов я создал отдельный канал.
Там я буду регулярно публиковать подробные статьи и делиться своим опытом внедрения ИИ.
Создайте своего первого ИИ-агента и начните трансформацию компании в AI-First уже сегодня.
👉 Пройти курс
#анонс
Я запускаю бесплатный курс по автоматизации бизнес-процессов с помощью ИИ-агентов.
В нем я собрал свой практический опыт ИИ-трансформации компаний: от диагностики бизнеса и разработки стратегии до создания агентов, их внедрения в реальные процессы, управления изменениями и расчета экономического эффекта.
Цель курса — научить вас видеть бизнес как поток данных и превращать его в интеллектуальные системы, в которых люди и ИИ-агенты работают вместе.
Курс подойдет будущим ИИ-консультантам, ИИ-инженерам по автоматизации и ИИ-основателям.
Вы научитесь автоматизировать процессы и масштабировать бизнес без роста штата, а также:
• проводить диагностику ИИ-зрелости бизнеса;
• разрабатывать стратегию ИИ-трансформации;
• находить процессы с наибольшим потенциалом для автоматизации;
• описывать текущие процессы AS-IS;
• редизайнить их в будущую модель TO-BE;
• определять граф навыков ИИ-агента и новую роль человека;
• создавать ИИ-агентов и мультиагентные системы;
• тестировать качество, надежность и безопасность ИИ;
• рассчитывать ROI и экономический эффект;
• внедрять первого ИИ-агента в реальный бизнес-процесс.
Программа курса
Курс состоит из восьми модулей, в рамках которых вы пройдете весь цикл AgentOps:
1. Стратегия внедрения ИИ-агентов
2. Моделирование бизнес-процессов с ИИ-агентами
3. Разработка ИИ-агентов
4. Разработка мультиагентных систем
5. Продвинутые методы разработки сервисов
6. Мониторинг и масштабирование ИИ-агентов
7. Управление изменениями в компании
8. Оценка экономического эффекта
В результате вы получите работающего ИИ-агента, адаптированного под процессы вашего бизнеса с измеримым бизнес-эффектом.
Как проходит обучение
Каждые десять дней я буду публиковать новую живую лекцию и практическое задание.
После каждой лекции вас ждет тест, а для более глубокого изучения темы — подробная статья.
Десяти дней достаточно, чтобы спокойно разобраться в материале и выполнить практическую работу.
Материал будет плотным и без воды. Продолжительность одной лекции — до 30 минут, а весь теоретический курс займет не более четырех часов.
После завершения курса я отдельно соберу все статьи в полноценную книгу.
Первая вводная лекция уже доступна.
В ней мы разберем:
• кто такие ИИ-агенты;
• почему агенты становятся новой формой организации труда;
• что такое AI-First компания;
• в каких процессах ИИ создает максимальную ценность;
• как оценить ИИ-зрелость компании и из каких блоков она состоит;
• как сформировать стратегию внедрения ИИ-агентов;
• как перейти от отдельных пилотов к системной ИИ-трансформации.
В качестве практического задания вы изучите методологию оценки ИИ-зрелости и проведете диагностику своей компании.
Вы получите персональные рекомендации и поймете, насколько бизнес готов к внедрению ИИ-агентов и какие шаги необходимо включить в дорожную карту ИИ-трансформации.
Буткемп для компаний
Для тех, кто хочет пройти этот путь вместе со своей командой, доступен трехмесячный буткемп.
ИИ-консультанты помогут команде до десяти человек дойти до конца пути.
Это индивидуальная работа на реальных задачах вашего бизнеса с сопровождением от диагностики до полноценного внедрения.
Мой курс уже прошли более 500 человек, а совокупный экономический эффект реализованных агентов превысил 200 миллионов рублей.
Сегодня ИИ-агенты действительно меняют бизнес, рынок труда и экономику. Поэтому я постарался сделать эти знания доступными каждому.
Для этого и следующих курсов я создал отдельный канал.
Там я буду регулярно публиковать подробные статьи и делиться своим опытом внедрения ИИ.
Создайте своего первого ИИ-агента и начните трансформацию компании в AI-First уже сегодня.
👉 Пройти курс
#анонс
Andre AI Technologies
Курс по автоматизации бизнес-процессов с помощью ИИ-агентов
Курс для будущих ИИ-консультантов, ИИ-инженеров по автоматизации и ИИ-основателей: находить процессы для автоматизации, собирать ИИ-агентов и получать измеримый экономический эффект.
2🔥14👍5❤4👏2⚡1🤯1🎉1
Forwarded from Академия Датаиста
Как превратить бизнес в AI-First компанию с ИИ-агентами
Первый вопрос предпринимателей: с чего начать ИИ-трансформацию бизнеса и внедрение ИИ-агентов?
Мой ответ всегда один: не с агентов, а с диагностики бизнеса.
Сначала нужно понять, где компания находится сейчас: насколько зрела ее система управления, люди, инфраструктура и данные и готова ли она к внедрению ИИ.
К этому выводу я пришел не только благодаря успешным проектам. В моем опыте была и неудачная попытка ИИ-трансформации.
В роли Chief AI Officer я предложил начать с диагностики ИИ-зрелости, на что фаундер назвал это «корпоративным булшитом».
Он хотел сразу перейти к созданию агентов, но быстро выяснилось, что внедрять агентов практически некуда.
В компании был слабый менеджмент. Даже руководители не понимали общих целей бизнеса, а цели подразделений не были связаны между собой.
Никто не понимал, какой департамент чем занимается, но «все должны внедрить себе агентов».
В итоге — кто в лес, кто по дрова. Как встроить сюда общие цели по ИИ, было неясно.
Люди и без того работали в атмосфере страха, а после появления темы ИИ начали опасаться сокращений.
Вместо инициативы возникло сопротивление: сотрудники старались не брать ответственность и ничего не менять.
Инфраструктура состояла из легаси-систем. Чтобы развернуть небольшой релиз, инженеры могли месяцами ждать инфраструктурную команду, попутно увольняясь, хотя обновления ИИ-агентов часто нужно выпускать ежедневно.
С данными было не лучше. У каждого департамента — свои базы, доступы и правила. Единого контура данных не существовало, а где что находится, знал один старожил.
Получение данных для обучения агентов превращалось в многомесячный проект.
Я нанимал ИИ-инженеров по автоматизации, но вместо разработки агентов они пытались получить доступы, найти данные и дождаться деплоя.
Мы так и не вывели ни одного агента в прод, зато запустили более сотни пилотов.
В таких условиях ИИ-трансформация превращается в болото, которое снилось мне по ночам. А после нескольких месяцев я решил оставить проект.
Можно сделать классный прототип и показать крутую демку, но превратить ее в устойчивую часть бизнеса невозможно. Технология становится еще одним элементом хаоса.
Поэтому диагностика зрелости — не бюрократия. Это рентген компании.
Она помогает определить сильные и слабые стороны, понять, какие ограничения устранить, и сформировать дорожную карту перехода к AI-First-модели.
После диагностики начинается разработка ИИ-стратегии. Сначала нужно определить цели и метрики.
Обычно бизнес стремится:
• сократить затраты;
• увеличить выручку;
• ускорить разработку продуктов;
• повысить качество решений;
• и масштабироваться без роста штата.
Далее нужно понять, какие процессы влияют на эти показатели: основные, создающие ценность для клиента, поддерживающие — HR, финансы и IT, или управленческие, связанные со стратегией и решениями.
Затем процессы нужно описать, найти узкие места и точки принятия решений, а после редизайнить под совместную работу людей и ИИ-агентов.
Начинать лучше с низковисящих фруктов — процессов, где потенциальный эффект высок, а критических блокеров нет. Быстрые победы позволяют проверить гипотезу, показать результат и получить поддержку для масштабирования.
Параллельно проводится SWOT-анализ и формируется дорожная карта повышения зрелости: какие изменения нужны в управлении, культуре, инфраструктуре и данных, чтобы следующие решения внедрялись быстрее.
Еще один вывод из моего опыта: иногда построить AI-First-бизнес с нуля проще, чем трансформировать большую корпорацию.
В новом бизнесе процессы можно сразу проектировать вокруг ИИ.
В существующей компании сначала приходится разбирать кучу организационных и технологических ограничений.
Именно об этом моя первая лекция: как оценить готовность компании, определить цели трансформации, выбрать процессы и построить реалистичную стратегию внедрения ИИ-агентов.
👉 Лекцию можно посмотреть или прочитать.
Каждый день я буду разбирать ее ключевые тезисы, а каждые десять дней — выпускать новую лекцию.
Следите за обновлениями.
Первый вопрос предпринимателей: с чего начать ИИ-трансформацию бизнеса и внедрение ИИ-агентов?
Мой ответ всегда один: не с агентов, а с диагностики бизнеса.
Сначала нужно понять, где компания находится сейчас: насколько зрела ее система управления, люди, инфраструктура и данные и готова ли она к внедрению ИИ.
К этому выводу я пришел не только благодаря успешным проектам. В моем опыте была и неудачная попытка ИИ-трансформации.
В роли Chief AI Officer я предложил начать с диагностики ИИ-зрелости, на что фаундер назвал это «корпоративным булшитом».
Он хотел сразу перейти к созданию агентов, но быстро выяснилось, что внедрять агентов практически некуда.
В компании был слабый менеджмент. Даже руководители не понимали общих целей бизнеса, а цели подразделений не были связаны между собой.
Никто не понимал, какой департамент чем занимается, но «все должны внедрить себе агентов».
В итоге — кто в лес, кто по дрова. Как встроить сюда общие цели по ИИ, было неясно.
Люди и без того работали в атмосфере страха, а после появления темы ИИ начали опасаться сокращений.
Вместо инициативы возникло сопротивление: сотрудники старались не брать ответственность и ничего не менять.
Инфраструктура состояла из легаси-систем. Чтобы развернуть небольшой релиз, инженеры могли месяцами ждать инфраструктурную команду, попутно увольняясь, хотя обновления ИИ-агентов часто нужно выпускать ежедневно.
С данными было не лучше. У каждого департамента — свои базы, доступы и правила. Единого контура данных не существовало, а где что находится, знал один старожил.
Получение данных для обучения агентов превращалось в многомесячный проект.
Я нанимал ИИ-инженеров по автоматизации, но вместо разработки агентов они пытались получить доступы, найти данные и дождаться деплоя.
Мы так и не вывели ни одного агента в прод, зато запустили более сотни пилотов.
В таких условиях ИИ-трансформация превращается в болото, которое снилось мне по ночам. А после нескольких месяцев я решил оставить проект.
Можно сделать классный прототип и показать крутую демку, но превратить ее в устойчивую часть бизнеса невозможно. Технология становится еще одним элементом хаоса.
Поэтому диагностика зрелости — не бюрократия. Это рентген компании.
Она помогает определить сильные и слабые стороны, понять, какие ограничения устранить, и сформировать дорожную карту перехода к AI-First-модели.
После диагностики начинается разработка ИИ-стратегии. Сначала нужно определить цели и метрики.
Обычно бизнес стремится:
• сократить затраты;
• увеличить выручку;
• ускорить разработку продуктов;
• повысить качество решений;
• и масштабироваться без роста штата.
Далее нужно понять, какие процессы влияют на эти показатели: основные, создающие ценность для клиента, поддерживающие — HR, финансы и IT, или управленческие, связанные со стратегией и решениями.
Затем процессы нужно описать, найти узкие места и точки принятия решений, а после редизайнить под совместную работу людей и ИИ-агентов.
Начинать лучше с низковисящих фруктов — процессов, где потенциальный эффект высок, а критических блокеров нет. Быстрые победы позволяют проверить гипотезу, показать результат и получить поддержку для масштабирования.
Параллельно проводится SWOT-анализ и формируется дорожная карта повышения зрелости: какие изменения нужны в управлении, культуре, инфраструктуре и данных, чтобы следующие решения внедрялись быстрее.
Еще один вывод из моего опыта: иногда построить AI-First-бизнес с нуля проще, чем трансформировать большую корпорацию.
В новом бизнесе процессы можно сразу проектировать вокруг ИИ.
В существующей компании сначала приходится разбирать кучу организационных и технологических ограничений.
Именно об этом моя первая лекция: как оценить готовность компании, определить цели трансформации, выбрать процессы и построить реалистичную стратегию внедрения ИИ-агентов.
👉 Лекцию можно посмотреть или прочитать.
Каждый день я буду разбирать ее ключевые тезисы, а каждые десять дней — выпускать новую лекцию.
Следите за обновлениями.
Andre AIT
Автоматизация - Модуль 1 - Стратегия внедрения ИИ в бизнес-процессы
Вы поймёте, как ИИ-агенты меняют операционную модель компании, сможете оценить уровень ИИ-зрелости бизнеса и определить, в какие процессы внедрение ИИ принесёт наибольший эффект.
1👍14❤6💯3🎉1
ИИ-агенты выходят в физический мир: кажется, мы начинаем по-другому обучать роботов
Недавно Humanoid — один из клиентов моей компании — стал первым в Европе единорогом в сфере гуманоидной робототехники.
Многие знают меня по внедрению ИИ в бизнес, но я также занимаюсь робототехникой.
Когда я консультировал Humanoid, у меня уже был опыт ускорения разработки и обучения беспилотников в симуляции.
Поэтому возник вопрос: а что, если совместить эти подходы и ускорить создание новых навыков для роботов?
На заводе роботу не нужно абстрактное «умение быть человеком»: часто нужно взять объект и положить его в нужное место. Причем две ноги не всегда преимущество — практичнее колесная платформа, а главная ценность в работе руками.
Другой объект, положение или рабочая зона — и уже нужны новые данные для обучения. Одна из ключевых проблем робототехники — Sim2Real-переход: то, что работает в симуляции, может не работать в суровой реальности из-за отличий в физике или шума сенсоров.
Данные собирают через телеуправление и эгоцентрические видео, но действие все равно кто-то должен выполнить тысячи раз. С беспилотниками мы решали это симуляцией.
С роботами проблема не в ускорении написания кода. Humanoid — один из моих кейсов с AI-Native-средой: разработчики активно используют ИИ, а агенты работают даже ночью. Но если код пишется в пять раз быстрее, робот не начинает в пять раз быстрее учиться. После кода начинается физический эксперимент.
Скажем: «подними коробку». Робот поднял — и тут же бросил в потолок. Формально задача выполнена, но функция вознаграждения задана плохо.
Тут я предложил перенести в физический ИИ принцип из AI-Native-разработки, но добавить новые уровни проверки.
В разработке ПО есть подход TDD (Test-Driven Development): сначала описываем тесты, а затем ИИ должен их пройти. В робототехнике после программных тестов добавляются симуляция, лабораторная среда и физические тесты.
Здесь стек валидации глубже: ошибка в физическом мире может закончиться разбитым оборудованием или травмой человека.
Но даже так мы лишь ускоряем существующий пайплайн. Узкое место остается: физический опыт все равно нужно получить — через симуляции, реальные эксперименты, время и затраты на вычисления.
В разработке ПО мы радикально ускорили производство кода. Для роботов теперь нужно радикально ускорить производство опыта.
Возможно, стоит не ускорять сам пайплайн, а менять пайплайн обучения.
Я уже писал про VLA. Теперь поверх этого появляется ИИ-агент. Поэтому мне стал интересен подход Code as Policies и agentic robotics: агент получает задачу, использует восприятие, навыки и модели, пишет программу поведения, запускает ее, смотрит на результат и исправляет решение.
ИИ сам становится участником физического эксперимента: он пробует, обнаруживает ошибку и повторяет попытку.
VLA и политики никуда не исчезают: сверху размышляющий агент планирует, ниже работают VLA, восприятие и навыки — считайте, «MCP для роботов», а контроллеры управляют физикой.
Успешные решения можно сохранять как переиспользуемые навыки, а робота использовать для производства собственных данных.
Так ИИ учится задавать поведение робота, а робот — сам производить данные для следующего обучения.
Больше роботов дают больше физического опыта. Больше опыта позволяет строить лучшие навыки и политики. А лучшие политики делают следующие эксперименты дешевле.
Решил глубже разобраться в этом вопросе и написал об этом новую статью.
Вчера ИИ-агенты работали в цифровом мире, а теперь получают «доступ к телу».
У меня есть EEG-повязка, к которой я приделал ИИ, чтобы стоически отделять свои автоматические эмоции от взвешенных решений – помогает.
Теперь жду экспериментальные умные очки из одной лаборатории, а также своего первого робота. Начну с «мозгов», потом добавлю руки и ноги, буду писать об этом.
Раньше я думал, что метавселенные станут массовыми раньше роботов. Но сейчас уже так не кажется.
ИИ становится рабочей силой не только в цифровой, но и в физической экономике.
И вот это действительно может навсегда изменить наш мир.
👉 Полная статья
#технологии
Недавно Humanoid — один из клиентов моей компании — стал первым в Европе единорогом в сфере гуманоидной робототехники.
Многие знают меня по внедрению ИИ в бизнес, но я также занимаюсь робототехникой.
Когда я консультировал Humanoid, у меня уже был опыт ускорения разработки и обучения беспилотников в симуляции.
Поэтому возник вопрос: а что, если совместить эти подходы и ускорить создание новых навыков для роботов?
На заводе роботу не нужно абстрактное «умение быть человеком»: часто нужно взять объект и положить его в нужное место. Причем две ноги не всегда преимущество — практичнее колесная платформа, а главная ценность в работе руками.
Другой объект, положение или рабочая зона — и уже нужны новые данные для обучения. Одна из ключевых проблем робототехники — Sim2Real-переход: то, что работает в симуляции, может не работать в суровой реальности из-за отличий в физике или шума сенсоров.
Данные собирают через телеуправление и эгоцентрические видео, но действие все равно кто-то должен выполнить тысячи раз. С беспилотниками мы решали это симуляцией.
С роботами проблема не в ускорении написания кода. Humanoid — один из моих кейсов с AI-Native-средой: разработчики активно используют ИИ, а агенты работают даже ночью. Но если код пишется в пять раз быстрее, робот не начинает в пять раз быстрее учиться. После кода начинается физический эксперимент.
Скажем: «подними коробку». Робот поднял — и тут же бросил в потолок. Формально задача выполнена, но функция вознаграждения задана плохо.
Тут я предложил перенести в физический ИИ принцип из AI-Native-разработки, но добавить новые уровни проверки.
В разработке ПО есть подход TDD (Test-Driven Development): сначала описываем тесты, а затем ИИ должен их пройти. В робототехнике после программных тестов добавляются симуляция, лабораторная среда и физические тесты.
Здесь стек валидации глубже: ошибка в физическом мире может закончиться разбитым оборудованием или травмой человека.
Но даже так мы лишь ускоряем существующий пайплайн. Узкое место остается: физический опыт все равно нужно получить — через симуляции, реальные эксперименты, время и затраты на вычисления.
В разработке ПО мы радикально ускорили производство кода. Для роботов теперь нужно радикально ускорить производство опыта.
Возможно, стоит не ускорять сам пайплайн, а менять пайплайн обучения.
Я уже писал про VLA. Теперь поверх этого появляется ИИ-агент. Поэтому мне стал интересен подход Code as Policies и agentic robotics: агент получает задачу, использует восприятие, навыки и модели, пишет программу поведения, запускает ее, смотрит на результат и исправляет решение.
ИИ сам становится участником физического эксперимента: он пробует, обнаруживает ошибку и повторяет попытку.
VLA и политики никуда не исчезают: сверху размышляющий агент планирует, ниже работают VLA, восприятие и навыки — считайте, «MCP для роботов», а контроллеры управляют физикой.
Успешные решения можно сохранять как переиспользуемые навыки, а робота использовать для производства собственных данных.
Так ИИ учится задавать поведение робота, а робот — сам производить данные для следующего обучения.
Больше роботов дают больше физического опыта. Больше опыта позволяет строить лучшие навыки и политики. А лучшие политики делают следующие эксперименты дешевле.
Решил глубже разобраться в этом вопросе и написал об этом новую статью.
Вчера ИИ-агенты работали в цифровом мире, а теперь получают «доступ к телу».
У меня есть EEG-повязка, к которой я приделал ИИ, чтобы стоически отделять свои автоматические эмоции от взвешенных решений – помогает.
Теперь жду экспериментальные умные очки из одной лаборатории, а также своего первого робота. Начну с «мозгов», потом добавлю руки и ноги, буду писать об этом.
Раньше я думал, что метавселенные станут массовыми раньше роботов. Но сейчас уже так не кажется.
ИИ становится рабочей силой не только в цифровой, но и в физической экономике.
И вот это действительно может навсегда изменить наш мир.
👉 Полная статья
#технологии
Датаист / Технологии
Как ИИ-агенты начинают самостоятельно обучать роботов
Роботы начинают учиться сами.
Не просто выполнять заранее обученные действия, а пробовать решения в реальном мире, ошибаться, анализировать результат, менять собственное поведение и сохранять удачные действия как новые навыки.
Причём следующий шаг ещё интереснее:…
Не просто выполнять заранее обученные действия, а пробовать решения в реальном мире, ошибаться, анализировать результат, менять собственное поведение и сохранять удачные действия как новые навыки.
Причём следующий шаг ещё интереснее:…
2👍12❤5🔥5👏2🎉1
Media is too big
VIEW IN TELEGRAM
Промт-инжиниринг выходит в физический мир
Опять про роботов. Несколько дней назад Generalist AI представила GEN-1.5 — новую модель для управления роботами.
Обычно, если мы хотим научить робота новому действию, нужно собрать кучу данных, обучить модель и проверить ее на реальном железе.
GEN-1.5 обучали больше восьми месяцев, пока исследователи не попробовали вообще не обновлять веса.
И оказалось, что модель способна понять новую задачу из контекста.
Теперь роботу можно показать 3–12 секунд физического действия, после чего GEN-1.5 попытается выполнить его сама. Generalist AI называет это физическим промтингом.
Примерно как с языковой моделью, только здесь в промт передается не текст, а сенсорные данные и само действие.
Демонстрация помещается в 30-секундный контекст. Модель смотрит на пример и текущее состояние среды и пытается понять, что нужно сделать.
На десяти коротких задачах такой способ дал около 59% успеха. Конечно, для промышленного робота это пока так себе результат.
Но пять минут данных и десять шагов дообучения поднимают результат примерно до 83%. Один шаг на одной минуте данных дал 66,5%.
Я бы смотрел не столько на проценты, сколько на сам процесс обучения новому навыку.
Раньше под новую задачу могли потребоваться часы данных и полноценное обучение. Теперь сначала можно показать несколько секунд примера. Если этого недостаточно — собрать несколько минут данных и дообучить модель.
Самое интересное, что эту способность специально не проектировали. Прям как с большими языковыми моделями: на масштабе оказалось, что модель умеет распознавать новую задачу внутри контекста без изменения весов.
Только теперь вместо текста — физический опыт.
Можно дать модели две отдельные демонстрации: сначала открыть кошелек, а потом достать деньги. Переход между ними никто не показывает — модель сама соединяет действия.
Еще интереснее, что действие можно показать в симуляторе как физический промт, после чего реальный робот попытается повторить его в физическом мире. Проблему Sim2Real-перехода это не отменяет, но симулятор становится еще и интерфейсом постановки задачи.
В некоторых экспериментах человек выполнял действие руками перед камерами робота, а модель переносила его на собственное тело.
Есть и примеры не просто копирования движения. После пяти минут дообучения на задаче с щеткой модель смогла использовать вместо нее банан, а с совком придумала другую стратегию: подцепила предмет и высыпала его в миску.
Generalist AI проверила почти 1,9 млн сцен и не нашла среди них близкого примера такого использования совка.
И это напрямую связано с моим прошлым постом про то, как ИИ-агенты начинают самостоятельно обучать роботов.
Я писал, что физический ИИ, скорее всего, будет состоять не из одной огромной модели, а из агента, который понимает цель, планирует действия, использует память и инструменты и управляет моделями для физического выполнения.
Теперь такой агент потенциально может создавать физические промты: найти похожий опыт в памяти, получить демонстрацию от человека или создать ее в симуляторе и сразу проверить результат на реальном роботе.
Если получилось плохо — изменить пример или дособрать данные. Если навык используется постоянно — сможет дообучить отдельную модель. И тогда тот цикл становится еще короче.
Получается, что физический опыт постепенно становится новым языком программирования роботов.
И, возможно, появится профессия наподобие промт-инженера, но для роботов.
Пока GEN-1.5 закрыта, однако, думаю, это вопрос времени.
#новости
Опять про роботов. Несколько дней назад Generalist AI представила GEN-1.5 — новую модель для управления роботами.
Обычно, если мы хотим научить робота новому действию, нужно собрать кучу данных, обучить модель и проверить ее на реальном железе.
GEN-1.5 обучали больше восьми месяцев, пока исследователи не попробовали вообще не обновлять веса.
И оказалось, что модель способна понять новую задачу из контекста.
Теперь роботу можно показать 3–12 секунд физического действия, после чего GEN-1.5 попытается выполнить его сама. Generalist AI называет это физическим промтингом.
Примерно как с языковой моделью, только здесь в промт передается не текст, а сенсорные данные и само действие.
Демонстрация помещается в 30-секундный контекст. Модель смотрит на пример и текущее состояние среды и пытается понять, что нужно сделать.
На десяти коротких задачах такой способ дал около 59% успеха. Конечно, для промышленного робота это пока так себе результат.
Но пять минут данных и десять шагов дообучения поднимают результат примерно до 83%. Один шаг на одной минуте данных дал 66,5%.
Я бы смотрел не столько на проценты, сколько на сам процесс обучения новому навыку.
Раньше под новую задачу могли потребоваться часы данных и полноценное обучение. Теперь сначала можно показать несколько секунд примера. Если этого недостаточно — собрать несколько минут данных и дообучить модель.
Самое интересное, что эту способность специально не проектировали. Прям как с большими языковыми моделями: на масштабе оказалось, что модель умеет распознавать новую задачу внутри контекста без изменения весов.
Только теперь вместо текста — физический опыт.
Можно дать модели две отдельные демонстрации: сначала открыть кошелек, а потом достать деньги. Переход между ними никто не показывает — модель сама соединяет действия.
Еще интереснее, что действие можно показать в симуляторе как физический промт, после чего реальный робот попытается повторить его в физическом мире. Проблему Sim2Real-перехода это не отменяет, но симулятор становится еще и интерфейсом постановки задачи.
В некоторых экспериментах человек выполнял действие руками перед камерами робота, а модель переносила его на собственное тело.
Есть и примеры не просто копирования движения. После пяти минут дообучения на задаче с щеткой модель смогла использовать вместо нее банан, а с совком придумала другую стратегию: подцепила предмет и высыпала его в миску.
Generalist AI проверила почти 1,9 млн сцен и не нашла среди них близкого примера такого использования совка.
И это напрямую связано с моим прошлым постом про то, как ИИ-агенты начинают самостоятельно обучать роботов.
Я писал, что физический ИИ, скорее всего, будет состоять не из одной огромной модели, а из агента, который понимает цель, планирует действия, использует память и инструменты и управляет моделями для физического выполнения.
Теперь такой агент потенциально может создавать физические промты: найти похожий опыт в памяти, получить демонстрацию от человека или создать ее в симуляторе и сразу проверить результат на реальном роботе.
Если получилось плохо — изменить пример или дособрать данные. Если навык используется постоянно — сможет дообучить отдельную модель. И тогда тот цикл становится еще короче.
Получается, что физический опыт постепенно становится новым языком программирования роботов.
И, возможно, появится профессия наподобие промт-инженера, но для роботов.
Пока GEN-1.5 закрыта, однако, думаю, это вопрос времени.
#новости
3⚡11🔥8👍6
Forwarded from Академия Датаиста
Как разобрать бизнес-процесс и превратить его в ИИ-агента
Возвращаюсь со второй лекцией курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».
Мне пришлось два года проучиться в магистратуре Высшей школы экономики, получить диплом Международного института бизнес-анализа и перевести для официальной русской версии около 500 страниц BABOK (Business Analysis Body of Knowledge), чтобы собрать эту лекцию.
Конечно, вы можете самостоятельно прочитать весь BABOK. Там намного больше методов, инструментов и техник бизнес-анализа.
Но я постарался сделать максимально краткую и практическую выжимку именно для автоматизации бизнес-процессов с помощью ИИ-агентов.
Чтобы разработать полноценную стратегию ИИ-трансформации, нужно определить, какие процессы автоматизировать, в какой последовательности и каких агентов для них создавать.
Для этого сначала нужно разобрать каждый процесс таким, какой он есть сейчас.
На практике я постоянно сталкивался с одной и той же проблемой: процесс на бумаге или в голове руководителя почти никогда не совпадает с тем, как работа устроена в реальности.
В регламенте может быть восемь последовательных шагов, а в реальности сотрудники пересылают файлы, вручную переносят данные между системами, часами ждут согласований, возвращаются на предыдущие этапы и используют обходные пути.
Если просто добавить в этот хаос ИИ-агента, он станет еще одним участником плохо спроектированного процесса.
Поэтому сначала нужно восстановить модель AS-IS: понять, кто участвует в процессе, какие действия выполняет, как движутся данные, где принимаются решения, по каким правилам они принимаются, где возникают задержки, возвраты и исключения.
Затем для каждой проблемной точки нужно определить подходящий способ автоматизации.
Если условие однозначно описывается через «если — то», достаточно простого правила. Если нужно понимать контекст — нужен ИИ-агент. Если цена ошибки высока — решение остается человеку.
Если агент может подготовить результат, а человек проверить его, используется гибридный подход.
После этого проектируется целевой процесс TO-BE, в котором работа распределена между людьми, классической автоматизацией и ИИ-агентами.
Важно определить не только действия будущего агента, но и его «когнитивные» навыки.
Именно этому посвящена вторая лекция курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».
В практической части вы возьмете один реальный процесс из своей компании и проведете его полный анализ:
• Определите бизнес-цель, метрику и границы процесса;
•Восстановите реальный процесс AS-IS и построите его модель;
• Найдете узкие места и точки автоматизации;
• Спроектируете процесс TO-BE и граф навыков будущего агента;
Первым лучше брать «низковисящий фрукт»: процесс, который заметно влияет на бизнес-результат, использует доступные данные, не требует десятков интеграций и может быть автоматизирован с помощью существующих моделей.
Чтобы вам не пришлось самостоятельно рисовать все диаграммы, в практической части я оставил шесть готовых примеров и четыре промта:
1. Превращает расшифровку интервью в схему AS-IS
2. Находит точки автоматизации и быстрые победы
3. Проектирует модель TO-BE
4. Собирает граф навыков агента
Полученные диаграммы можно сразу посмотреть, отредактировать и сохранить.
А в ближайшее время я выпущу отдельный инструмент, с помощью которого можно оцифровать уже не один процесс, а всю компанию: ее процессы, системы, данные и роли.
Система построит цифровую модель компании, найдет точки автоматизации, предложит подходящих ИИ-агентов, а затем позволит собрать «по кнопке» выбранных агентов.
Так мы переходим к системной ИИ-трансформации бизнеса.
Если вы еще не переводите свой бизнес в AI-First модель, то чем вы вообще занимаетесь?
Лекцию можно посмотреть или прочитать. В конце вас ждет практика на собственном бизнес-процессе.
👉 Смотреть вторую лекцию
Возвращаюсь со второй лекцией курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».
Мне пришлось два года проучиться в магистратуре Высшей школы экономики, получить диплом Международного института бизнес-анализа и перевести для официальной русской версии около 500 страниц BABOK (Business Analysis Body of Knowledge), чтобы собрать эту лекцию.
Конечно, вы можете самостоятельно прочитать весь BABOK. Там намного больше методов, инструментов и техник бизнес-анализа.
Но я постарался сделать максимально краткую и практическую выжимку именно для автоматизации бизнес-процессов с помощью ИИ-агентов.
Чтобы разработать полноценную стратегию ИИ-трансформации, нужно определить, какие процессы автоматизировать, в какой последовательности и каких агентов для них создавать.
Для этого сначала нужно разобрать каждый процесс таким, какой он есть сейчас.
На практике я постоянно сталкивался с одной и той же проблемой: процесс на бумаге или в голове руководителя почти никогда не совпадает с тем, как работа устроена в реальности.
В регламенте может быть восемь последовательных шагов, а в реальности сотрудники пересылают файлы, вручную переносят данные между системами, часами ждут согласований, возвращаются на предыдущие этапы и используют обходные пути.
Если просто добавить в этот хаос ИИ-агента, он станет еще одним участником плохо спроектированного процесса.
Поэтому сначала нужно восстановить модель AS-IS: понять, кто участвует в процессе, какие действия выполняет, как движутся данные, где принимаются решения, по каким правилам они принимаются, где возникают задержки, возвраты и исключения.
Затем для каждой проблемной точки нужно определить подходящий способ автоматизации.
Если условие однозначно описывается через «если — то», достаточно простого правила. Если нужно понимать контекст — нужен ИИ-агент. Если цена ошибки высока — решение остается человеку.
Если агент может подготовить результат, а человек проверить его, используется гибридный подход.
После этого проектируется целевой процесс TO-BE, в котором работа распределена между людьми, классической автоматизацией и ИИ-агентами.
Важно определить не только действия будущего агента, но и его «когнитивные» навыки.
Именно этому посвящена вторая лекция курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».
В практической части вы возьмете один реальный процесс из своей компании и проведете его полный анализ:
• Определите бизнес-цель, метрику и границы процесса;
•Восстановите реальный процесс AS-IS и построите его модель;
• Найдете узкие места и точки автоматизации;
• Спроектируете процесс TO-BE и граф навыков будущего агента;
Первым лучше брать «низковисящий фрукт»: процесс, который заметно влияет на бизнес-результат, использует доступные данные, не требует десятков интеграций и может быть автоматизирован с помощью существующих моделей.
Чтобы вам не пришлось самостоятельно рисовать все диаграммы, в практической части я оставил шесть готовых примеров и четыре промта:
1. Превращает расшифровку интервью в схему AS-IS
2. Находит точки автоматизации и быстрые победы
3. Проектирует модель TO-BE
4. Собирает граф навыков агента
Полученные диаграммы можно сразу посмотреть, отредактировать и сохранить.
А в ближайшее время я выпущу отдельный инструмент, с помощью которого можно оцифровать уже не один процесс, а всю компанию: ее процессы, системы, данные и роли.
Система построит цифровую модель компании, найдет точки автоматизации, предложит подходящих ИИ-агентов, а затем позволит собрать «по кнопке» выбранных агентов.
Так мы переходим к системной ИИ-трансформации бизнеса.
Если вы еще не переводите свой бизнес в AI-First модель, то чем вы вообще занимаетесь?
Лекцию можно посмотреть или прочитать. В конце вас ждет практика на собственном бизнес-процессе.
👉 Смотреть вторую лекцию
Andre AIT
Модуль 2 — Переход к процессному подходу
Вы научитесь описывать процесс честной моделью AS-IS, находить узкие места и точки автоматизации, выбирать между простым правилом, ИИ-агентом и человеком и собирать целевой процесс TO-BE с метриками.
4👍14🔥6👏3❤1🤩1
Forwarded from Датаист Live
Роботы уже быстрее Усэйна Болта. Но готовы ли они к реальному миру?
В Пекине завершились World Humanoid Robot Games 2026 — пожалуй, самый наглядный публичный тест того, насколько далеко сегодня зашли гуманоидные роботы.
За пять дней на одной площадке собрали 2 056 роботов из 16 стран для соревнований в 51 дисциплине.
Роботов заставляли бегать, прыгать, драться, играть в футбол и даже работать в магазине и на производстве.
Главный хайлайт — один из роботов пробежал стометровку за 8,64 секунды.
Год назад лучший результат робота был 21,50 секунды. То есть всего за год результат улучшился примерно в 2,5 раза.
Да, на секундомере робот уже быстрее мирового рекорда Усэйна Болта — 9,58. Но сравнивать их напрямую неправильно: другое тело и никаких биологических ограничений.
Но вот вставить USB-кабель в разъём — всё ещё серьёзная инженерная задача.
На соревнованиях роботы должны были складывать одежду, открывать бутылки, забивать гвозди, брать мелкие предметы пинцетом, обслуживать клиентов в ресторане и выполнять бытовые задачи.
Получается интересный парадокс: «тело» робота развивается быстрее его «здравого смысла».
Мы уже умеем создавать машины с невероятной скоростью и мощностью. Но реальный мир требует понимания контекста, мелкой моторики, адаптации к неожиданностям и способности исправлять собственные ошибки.
Тогда зачем вообще проводить такую Олимпиаду? На самом деле это огромный полигон для развития индустрии.
1. Бенчмарк. Все компании получают одинаковые задания. Становится видно, кто действительно умеет делать работающих роботов, а кто показывает красивые демки.
2. Каждое движение — это данные. За турнир организаторы собрали тысячи часов записи. Всё это можно возвращать обратно в симуляцию и использовать для обучения следующего поколения роботов.
3. Рынок. Заводы и магазины могут посмотреть, какие задачи уже близки к реальному внедрению.
4. Стандарты. Постепенно появляется понимание того, что считать автономностью, как измерять безопасность и какие тесты робот должен пройти перед выходом в реальный мир.
Это скорее краш-тест всей робототехнической индустрии.
И судя по скорости прогресса между 2025 и 2026 годами, этот переход идёт значительно быстрее, чем кажется.
Если хотите следить за самыми свежими новостями в области ИИ, подписывайтесь на канал Нейроний.
ИИ-агенты оперативно мониторят авторитетные источники, включая платные, переводят новости на русский и публикуют только самое интересное.
👉 Видео и полная статья
В Пекине завершились World Humanoid Robot Games 2026 — пожалуй, самый наглядный публичный тест того, насколько далеко сегодня зашли гуманоидные роботы.
За пять дней на одной площадке собрали 2 056 роботов из 16 стран для соревнований в 51 дисциплине.
Роботов заставляли бегать, прыгать, драться, играть в футбол и даже работать в магазине и на производстве.
Главный хайлайт — один из роботов пробежал стометровку за 8,64 секунды.
Год назад лучший результат робота был 21,50 секунды. То есть всего за год результат улучшился примерно в 2,5 раза.
Да, на секундомере робот уже быстрее мирового рекорда Усэйна Болта — 9,58. Но сравнивать их напрямую неправильно: другое тело и никаких биологических ограничений.
Но вот вставить USB-кабель в разъём — всё ещё серьёзная инженерная задача.
На соревнованиях роботы должны были складывать одежду, открывать бутылки, забивать гвозди, брать мелкие предметы пинцетом, обслуживать клиентов в ресторане и выполнять бытовые задачи.
Получается интересный парадокс: «тело» робота развивается быстрее его «здравого смысла».
Мы уже умеем создавать машины с невероятной скоростью и мощностью. Но реальный мир требует понимания контекста, мелкой моторики, адаптации к неожиданностям и способности исправлять собственные ошибки.
Тогда зачем вообще проводить такую Олимпиаду? На самом деле это огромный полигон для развития индустрии.
1. Бенчмарк. Все компании получают одинаковые задания. Становится видно, кто действительно умеет делать работающих роботов, а кто показывает красивые демки.
2. Каждое движение — это данные. За турнир организаторы собрали тысячи часов записи. Всё это можно возвращать обратно в симуляцию и использовать для обучения следующего поколения роботов.
3. Рынок. Заводы и магазины могут посмотреть, какие задачи уже близки к реальному внедрению.
4. Стандарты. Постепенно появляется понимание того, что считать автономностью, как измерять безопасность и какие тесты робот должен пройти перед выходом в реальный мир.
Это скорее краш-тест всей робототехнической индустрии.
И судя по скорости прогресса между 2025 и 2026 годами, этот переход идёт значительно быстрее, чем кажется.
Если хотите следить за самыми свежими новостями в области ИИ, подписывайтесь на канал Нейроний.
ИИ-агенты оперативно мониторят авторитетные источники, включая платные, переводят новости на русский и публикуют только самое интересное.
👉 Видео и полная статья
Новости
Роботы уже быстрее Болта. Но готовы ли они к реальному миру?
Вторые World Humanoid Robot Games прошли 22–26 августа 2026 года в Пекине: 666 команд, 2 056 роботов, 51 дисциплина и 1 301 состязание. Стометровка ускорилась с 21,50 до 8,64 секунды — быстрее рекорда Усэйна Болта на секундомере. Но в прикладных заданиях…
👍6🔥4❤2👏1🎉1 1