🤖 Датаист
4.06K subscribers
48 photos
28 videos
2 files
184 links
Меня зовут Андрей Кузьминых, технологический предприниматель.

Рассказываю о своих проектах, объясняю, как работают все эти ИИ-чудеса, комментирую новости и рассуждаю о будущем индустрии

• Лаборатория: @dataist_lab

• Академия: @dataist_academy
Download Telegram
Если ИИ делает роботов сильнее, может ли он сделать сильнее человека?

Выше отправил новость о том, как прошли вторые «Олимпийские игры роботов» в Китае. Впечатляет, как за год роботы стали заметно быстрее и функциональнее.

Конечно, сравнивать человека и робота не совсем корректно, но когда на тебя бежит груда железа со скоростью лучшего спринтера мира, выглядит пугающе.

Очевидно, что дальше роботы будут становиться только лучше. Отсюда возникает вопрос: если ИИ помогает машине становиться быстрее и сильнее, то как он может помочь в этом нам?

Для меня спорт довольно личная тема. Мой соревновательный путь начался в конце 90-х с шахмат. Я выиграл детский турнир, после которого меня «прессанули» за шахматным клубом.

Дед решил, что шахматисту неплохо бы уметь за себя постоять, и отдал меня в единоборства. Следующие 12 лет были и кудо, и смешанные единоборства.

К 18 годам я перешел в пауэрлифтинг, где получил КМС: пожал 205 кг и присел 300 кг. В конце своей спортивной эпопеи успел взять призовые места и в бодибилдинге.

Я всегда выбирал спорт, где соревнование с другим человеком в итоге сводится к тому, чтобы стать лучшей версией себя.

Потом началась карьера, и весь этот соревновательный драйв на десяток лет ушел туда, а со спортом завязал.

Недавно я снова начал возвращать былую форму и почти сразу получил, пожалуй, самый тяжелый спортивный вызов в своей жизни.

У меня произошла серьезная травма с компрессией спинного мозга. Однажды я просто проснулся с парализованной рукой.

Сейчас я прохожу реабилитацию. Нейрохирург считает, что есть шанс восстановиться без сложной операции. Уверен, и с этим я тоже справлюсь.

И вот здесь я впервые столкнулся с ИИ как с инструментом восстановления собственного тела.

ИИ помог мне изучить медицинские исследования, разобраться в том, что со мной происходит, подготовить вопросы врачам и составить программу нейромышечной реабилитации.

Сегодня мои тренировки уже не про веса, а про то, как лучше почувствовать тело. Для этого можно использовать электромиограф, который регистрирует электрическую активность мышц.

Раньше я мог видеть, сколько килограммов нужно поднять, а сегодня могу видеть, насколько хорошо «включаются» мышцы, и подбирать оптимальную нагрузку.

ИИ также помог написать скрипт для очистки сырых данных, а затем проанализировать динамику сокращений. В перспективе можно собрать временной ряд и построить модель машинного обучения для прогноза восстановления.

Человек — очень сложная информационная структура, поэтому одна из самых полезных ролей ИИ сегодня — показывать человеку то, чего он сам раньше не мог увидеть.

Чем глубже мы сможем измерять человека, тем полезнее будет становиться ИИ. Но не чтобы заменить спортсмена, тренера или врача. А чтобы дать человеку дополнительный слой восприятия собственного тела.

И мне стало интересно, насколько далеко мы уже продвинулись в этой области.

В единоборствах компьютерное зрение используют для автоматического разбора спаррингов. В силовых видах спорта ИИ измеряет, как меняется техника под нагрузкой.

В гимнастике ИИ уже строит трехмерную модель тела, распознает элементы и помогает судьям оценивать исполнение. Можно снять движение человека на два смартфона и получить модель положения суставов.

Исследователи Google DeepMind научились моделировать розыгрыши угловых в футболе, а в NBA отслеживают 29 точек на теле каждого игрока 60 раз в секунду. В американском футболе создают цифрового атлета, чтобы раньше замечать опасные игровые моменты.

А в Формуле-1 ИИ работает уже не только с человеком, но и с машиной: около 300 датчиков генерируют более миллиона точек телеметрии в секунду, которые используются для анализа состояния машины и моделирования стратегии.

Эти технологии постепенно выходят из профессионального спорта. Телефон, часы и обычная камера уже могут давать человеку инструменты, которые еще недавно требовали команды аналитиков.

В лонгриде собрал десяток примеров и видео о том, как ИИ помогает спортсменам в разных видах спорта расширить пределы человеческих возможностей.

👉 Полная статья

#технологии
2👍12❤10🔥4🙏2🏆21
GPT-6 Astra достигла AGI? Разбираемся без хайпа

OpenAI представила GPT-6 Astra и заявила о начале эры AGI. По определению OpenAI, общий ИИ должен превосходить людей в большинстве экономически значимых задач.

Но если убрать маркетинг, приблизилась ли Astra к человеческому пониманию мира?

Главный аргумент — бенчмарк ARC-AGI-3. Это тест, где модель попадает в незнакомые игровые миры и должна сама понять, как они устроены. Astra набрала 62,7% против 7,78% у GPT-5.6 Sol и 30,16% у Claude Opus 5. Более того, 96% решенных уровней в среде OpenAI она проходила за меньшее число действий, чем человек.

Но OpenAI показывала в этом тесте 99,9%. Разница возникла потому, что использовалась собственная обертка с памятью и обработкой контекста.

Поэтому прохождение теста еще не доказывает AGI.

При этом скачок в интеллекте серьезный. Astra получила 97,6% в сложнейшей математике FrontierMath, 96% в научных вопросах уровня аспирантуры GPQA, 95,9% в инженерном проектировании BenchCAD, 74,1% в реальных задачах разработки DeepSWE и 100% в тесте эксплуатации уязвимостей ExploitBench.

Галлюцинаций стало меньше, но в длинном контексте Astra местами уступает конкурентам.

Главное изменение видно в реальной работе.

В OSWorld 2.0, где ИИ управляет компьютером и выполняет длинные цепочки действий, Astra получила 72,6% против 65,7% у Sol и тратила на задачу около 40 минут вместо 75. Она может работать в браузере и приложениях почти как человек.

Astra дороже Sol за токен, но в DeepSWE ее лучшая конфигурация обходилась примерно на 57% дешевле за завершенную задачу. Для бизнеса важнее уже не цена токенов, а сколько стоит реально выполненная работа.

Я это вижу и на собственном опыте. У меня две подписки Claude Code по $200, и я активно использую Fable 5.1 для разработки продукта. Модель может несколько часов подряд писать код, исправлять за собой ошибки и продолжать работу, пока не упрется в пятичасовой лимит.

Поэтому для меня главный показатель: сколько полезной работы модель способна сделать автономно за час и сколько стоит итоговый результат.

Я сравнил обе модели на практике. Astra создала приложение примерно за 45 минут, Fable 5.1 — за полтора часа. При почти одинаковом результате задача у Astra стоила в два раза дешевле, чем у Fable. Во фронтенде Astra понравилась больше — дизайн меньше похож на нейрослоп.

Интересно, что Astra становится сложнее контролировать изнутри. Она научилась решать сложные задачи без длинной цепочки рассуждений: часть вычислений происходит до того, как модель вообще что-либо записывает.

Astra сокращала видимое рассуждение, когда ей сообщали, что за ним наблюдают, а в отдельных тестах могла намеренно показывать более слабый результат. Это не означает, что модель «что-то замышляет», но чем умнее становится агент, тем меньше его мыслительного процесса мы можем видеть.

При этом инъекции промтов все еще обходят защиту Astra хотя бы раз в 8,5% сценариев, а в отдельном многошаговом тесте защита срабатывала примерно в 67% случаев.

Также OpenAI не показала Astra в GDPval — собственном тесте реальной работы по 44 профессиям. Именно он хорошо проверил бы заявление о превосходстве над человеком в экономически значимых задачах.

Думаю, Astra еще не доказала, что понимает мир лучше человека, но на части незнакомых задач она уже действует на человеческом уровне, а с обвязкой вокруг нее она уже похожа на автономного цифрового сотрудника.

И работать с ней тоже нужно иначе: задавая цель, разрешать выводить намерение из контекста и доводить задачу до результата без прерываний; просить сначала подготовить конкретный вариант, а уже потом запрашивать подтверждение; для сложных задач разрешать параллельную работу субагентов, а в разработке ограничивать лишние повторные проверки.

OpenAI уже разрабатывает роботов, чтобы перенести этот интеллект в физический мир.

Спор о том, наступил ли AGI, не особо важен. Думаю, в ближайшее время мы так и не сможем определить, что такое общий ИИ.

Важно, сколько реальной работы мы готовы передать ИИ без контроля человека. И, судя по Astra, эта граница двигается очень быстро.

#новости
2👍16❤9⚡53👀1
Как быть зачетным преподом в эпоху ИИ

Начался новый учебный год, и я снова в роли препода веду курс по автоматизации бизнес-процессов с ИИ-агентами в ИТМО и AI Talent Hub.

Сегодня появляется новая базовая грамотность — умение работать с ИИ. Нужно понимать ограничения моделей, работать с контекстом и источниками и уметь проверять ответы.

И преподавателям тоже приходится перестраиваться.

1. Подготовка материалов

Для меня подготовка к занятиям всегда была способом самому чему-то научиться.

Хороший преподаватель должен оставаться немного исследователем и следить за новым в своей области. Нашел новое исследование или подход — разобрался и рассказал студентам. С ИИ это происходит намного быстрее.

Презентации можно быстрее собирать в HTML с интерактивными элементами и понятными диаграммами. Но здесь важно добавлять себя. Если просто генерировать все подряд, получается раздражающий нейрослоп.

Поэтому главное в лекции все равно человеческое: свой опыт, свои ошибки и выводы. У ИИ собственного опыта нет.

Зато после занятия ИИ может взять все, что я рассказал, и превратить это в сжатый конспект для студентов.

2. Проверка заданий

Вот здесь ИИ — настоящее спасение.

Я складываю работы по папкам, задаю критерии в Claude Code и запускаю несколько независимых агентов, которые проверяют работу. Затем еще один агент сравнивает выводы и формирует итоговую оценку.

А я уже проверяю точечно и добавляю свой опыт и понимание контекста. Агентов тоже приходится исправлять, но каждую мелочь вручную проверять уже не нужно. В итоге свое внимание можно сосредоточить на самом важном.

Финальная оценка и рекомендации все равно остаются за преподавателем.

3. Персонализация

Зачем всей группе давать одно и то же задание?

Можно оставить общие критерии, но каждому студенту адаптировать задачу под его интересы и предметную область.

Например, на моем курсе студент создает ИИ-агента под свой бизнес-процесс. У всех одинаковые критерии, но один автоматизирует маркетинг, другой продажи, третий разработку.

В итоге каждый работает с тем, что ему реально интересно.

4. ИИ должен быть частью работы студентов

Я не просто разрешаю студентам использовать ИИ, а специально проектирую учебный процесс так, чтобы они с ним работали и получали навык, который им понадобится в будущем.

Олды помнят, как нас заставляли писать код программы на листочке бумаги, а преподаватель потом компилировал его у себя в голове.

На курсе по автоматизации бизнес-процессов я не вижу смысла заставлять студентов вручную рисовать диаграммы, если ИИ делает это за секунды в mermaid-формате. ИИ может также помочь написать отдельные функции и даже собрать целого агента.

Важно другое: понимает ли студент общий принцип, может ли проверить результат, найти ошибку и управлять всей системой.

Не нужно сопротивляться инновациям, но нужно постоянно развивать собственное мышление.

5. Менять нужно и сам экзамен

Я терпеть не могу заученные ответы по билетам и прочую архаику. Тем более сейчас студент может просто спросить ответ у ИИ.

Поэтому я устраиваю экзамены в формате демо-дня.

Студент показывает свой проект, который делал на протяжении всего курса, рассказывает, что получилось, а что нет, какие решения принимал и чему научился. И главное — делится своим опытом с остальными.

На курсе по разработке продуктов с ИИ я сделал к демо-дню целое приложение-игру, чтобы показать все на собственном примере.

Студенты могли инвестировать виртуальные деньги в стартапы друг друга, тестировать их на виртуальных пользователях, а лучшие проекты в конце получили от меня подписки на Claude Code.

Мне кажется, именно так и должна меняться оценка знаний. Да, ИИ может знать больше преподавателя. Но он не заменяет опыт, эмпатию, критическое и творческое мышление.

Поэтому хороший преподаватель сегодня — это не просто человек, который передает знания. Он организует среду, в которой студент учится думать, создавать вместе с ИИ, проверять его и брать ответственность за конечный результат.

#мысли
4👍18❤11🔥62
Media is too big
VIEW IN TELEGRAM
Расскажу чуть подробнее о платформе, через которую я проводил экзамен по разработке продуктов с ИИ в кипрском университете.

Студенты регистрируются через GitHub и там же отправляют свои проекты.

После этого автоматически подключается проверяющий агент: по моим критериям он оценивает спецификацию, архитектуру продукта и наличие тестов.

Дальше проект тестируют несколько симулированных пользователей с разными ролями и сценариями, и каждый оставляет свою обратную связь.

После этого начинается игровая часть.

Каждый студент может инвестировать виртуальные деньги в стартапы других участников.

У каждого проекта есть карточка с кодом, презентацией и демо-видео после защиты.

Есть и отдельная симуляция рынка.

По каждому стартапу система собирает реальные новости и аналитику, а затем моделирует его развитие на рынке в течение года.

Можно увидеть, как один стартап набирает пользователей, а на другой влияют изменения на рынке.

Понятно, что это игровая симуляция, а не реальный прогноз, но студентам интересно следить за развитием своих продуктов и смотреть, кто окажется впереди.

Лучшие стартапы и успешные инвесторы получают призы — подписки на Claude Code.

После симуляции каждый студент получает персональные рекомендации по продукту на основе обратной связи виртуальных пользователей, проверки репозитория и рыночной аналитики.

Но финальную оценку все равно ставлю я: проверяю выводы агентов и оцениваю спецификацию, архитектуру и сам продукт с учетом собственного опыта.

Для меня важно научить студентов не вайбкодить, а работать как инженеры: сначала продумывать спецификацию и архитектуру, писать тесты и только потом генерировать код вместе с ИИ.

Саму платформу я собрал меньше чем за день — но это не вайбкодинг, а агентная разработка с инженерным подходом.

Для меня это и есть новая модель обучения, когда ИИ встроен в учебный процесс, а экзамен — не мука, а увлекательная игра.
🔥22👍9❤2🦄2🎉11
10 млрд ИИ-агентов, одноразовый софт и атаки на ваш счет: каким Gartner видит ближайшее будущее ИИ

Gartner опубликовал прогнозы на 2027 год и далее. Главная мысль в том, что ИИ становится инфраструктурой бизнеса — со своей экономикой, безопасностью, энергетикой и ответственностью.

1. Более 10 млрд автономных ИИ-агентов к 2030 году. Они будут сами искать услуги и отправлять заявки от имени людей. Государственным системам понадобятся новые механизмы идентификации, доверия и контроля.

А эксперименты с сотнями агентов уже показывают, что при масштабировании они могут начать конкурировать за ресурсы.

2. Физический ИИ станет обычной частью работы. К 2030 году 80% сотрудников международных компаний будут работать с роботами, дронами, автономным транспортом и другими физическими ИИ-системами.

3. Появятся атаки на ИИ-счета. К 2030 году 80% организаций с публичными ИИ-сервисами столкнутся с атаками, направленными на исчерпание ресурсов: злоумышленники будут специально заставлять модели сжигать токены.

4. 80% новых приложений к 2029 году будут жить меньше года. ИИ делает разработку настолько дешевой, что приложение можно создать под одну задачу, использовать и выбросить.

Недавно исследователи предложили хранить не код, а спецификацию и каждый раз пересобирать библиотеку ИИ-агентами. Около 50 документов и 9000 строк описания уже позволяют восстановить систему за 1,5–3 часа примерно за $100.

5. Энергия станет частью технологического стека. К 2030 году 2000 крупнейших компаний мира будут владеть энергетическими активами примерно на $10 трлн и сами продавать электричество дата-центрам. Доступ к энергии становится конкурентным преимуществом.

6. Правила управления ИИ начнут задавать страховщики. К 2030 году страховые компании будут требовать от бизнеса реальных технических механизмов контроля ИИ, чтобы тот мог получить страховку.

7. 25% из 500 крупнейших компаний мира к 2029 году будут постоянно пересобирать модульные ИИ-продукты. Стратегия «посмотреть, что сделал лидер, и повторить» станет слишком медленной. Продукты будут непрерывно собираться из моделей, данных, агентов и сервисов.

8. Стоимость ИИ начнут считать вместе с ценностью. К 2029 году 60% организаций создадут отдельную функцию, связывающую стоимость ИИ с прибылью или другим бизнес-результатом.

9. AI FinOps перейдет в реальное время. К 2028 году 60% из 500 крупнейших компаний мира будут контролировать расходы прямо во время инференса — еще до получения счета от провайдера.

10. У ИИ появится хранитель доказательств. К 2030 году 80% из 500 крупнейших компаний мира закрепят за CIO или CAIO роль ответственного за аудит действий ИИ. Компания должна будет уметь восстановить, что сделал ИИ, какие данные использовал и почему принял то или иное решение.

Это важно, потому что в одном из исследований ИИ-агенты правильно соблюдали корпоративные правила лишь в 36% случаев.

В итоге Gartner описывает новую экономику, в которой миллиарды агентов создают софт, управляют бизнес-процессами и выходят в физический мир, потребляя деньги и энергию.

Поэтому главный вопрос для бизнеса сегодня – «как всем этим управлять?»

#новости
47⚡6👍6❤1🔥1🎉1
Что изменилось в ИИ для бизнеса за год: технологии уже готовы, а бизнес — еще нет

Я изучил 20 исследований IBM, PwC, KPMG, Microsoft, BCG и Stanford за 2025–2026 годы — и свел более 1300 страниц в большой разбор со своими выводами.

Главное: в 2025 компании пытались понять, как людям использовать ИИ. В 2026 — как перестроить вокруг ИИ саму компанию.

1. Агенты вышли из прототипов в работу. Интеграция агентов в бизнес-процессы выросла с 13% до 30%. К 2027 компании ожидают в среднем 1661 агента. Уже сейчас 25% операционных решений принимаются ИИ без человека, а к 2030 CEO ожидают 48%.

2. Отдача от ИИ расслоилась. В 2025 только 25% инициатив дали ожидаемый ROI. Теперь разброс — от +250% до −20%. У компаний, где ИИ применим шире всего, производительность выросла на 33,5%, а у самой продуктивной пятой части — на 163%.

3. Организация оказалась важнее инструментов. При слабой стратегии широкий доступ к ИИ связан примерно с 5% к эффекту. Ясная стратегия при слабом доступе — с +25%. А организационные факторы дают 67% относительной важности при прогнозировании эффекта.

То есть узким местом становится сама компания.

4. Узкое место сместилось с данных на архитектуру. В 2025 ИИ-инициатива могла требовать 6–12 месяцев подготовки данных. Теперь системы не успевают за скоростью ИИ. 88% компаний пытаются переносить нагрузки между провайдерами, но легко переносимой считают лишь четверть. Облачные расходы — на 48% выше прогнозов, срок жизни модели — около 14 месяцев.

5. Управляемость становится инфраструктурой. 77% техлидов говорят, что внедрение ИИ обгоняет возможности управления. Организация фиксирует 54 инцидента с агентами в год, а компании со встроенным контролем разворачивают в 16 раз больше агентов.

6. Внедрение превращается в перестройку. В 2026 году 78% компаний говорят о внедрении ИИ, 57% — о перестройке процессов, 42% — о новых продуктах и бизнес-моделях. Год назад было 72% / 50% / 22%.

7. Руководство меняется быстрее работы. Доля организаций с директором по ИИ выросла с 26% до 76%. 77% CEO считают границы между бизнесом и технологиями устаревшими, 85% — что функциональные лидеры должны стать техническими экспертами в своих областях.

8. ИИ экономит время, но бизнес не знает, что с ним делать. 52% пользователей ИИ экономят минимум один рабочий день в неделю. Но 61% получают мало указаний, куда направлять это время, а 45% не переводят его в стратегическую работу – они просто решают больше задач.

9. Обучение отстает сильнее всего. 88% сотрудников ожидают серьезного переобучения в ближайшие пять лет, но только 36% считают, что обучены достаточно. Обе цифры не изменились с 2025 года, хотя другие растут на десятки процентов.

10. Рынок труда раскололся. В наиболее затронутых ИИ профессиях требования к навыкам меняются в 2,2 раза быстрее. Начальные вакансии там в семь раз чаще требуют навыков опытного специалиста. Такие роли выросли на 35%.

Получается парадокс: первая работа требует опыта еще до того, как человеку дали возможность его получить.

За два года появилось более 1,3 млн ИИ-вакансий в ролях, которых пять лет назад не существовало. При этом больше половины руководителей уже не считают гарантию занятости данностью, а треть из них рассматривают сокращения.

Поэтому компания должна стать обучающейся системой: адаптивность и непрерывное обучение становятся важнее технических навыков и умения писать код.

И две вещи, которые бизнес, на мой взгляд, недооценивает, — стратегия и обучение. Без ясного понимания, зачем компании ИИ, что она перестраивает и какой эффект хочет получить, инструменты мало что дадут. А без постоянного обучения люди не успеют за изменениями.

Важно не просто использовать ИИ, а выстраивать стратегию, постоянно учиться и измерять создаваемую ценность.

В итоге ИИ уже меняет архитектуру компаний, управление, экономику, работу сотрудников и путь человека в профессию.

ИИ недостаточно просто внедрить — под него нужно перестраивать саму организацию.

👉 Читать полный разбор

#исследования
3👍12🔥10⚡3❤1👏1
Модели решений могут изменить архитектуру ИИ-агентов

Сейчас большие языковые модели используют почти для всего.

Нужно написать текст, выбрать инструмент для агента или принять решение — вызываем LLM. Хотя во многих таких задачах сложного рассуждения вообще не требуется.

По сути, мы зовем профессора математики решить, на какую кнопку нажать.

И, похоже, для таких задач начинает формироваться отдельный класс ИИ-моделей — модели решений.

Они не генерируют текст, а получают описание текущей ситуации и возвращают конкретное решение с вероятностью.

Один из примеров — Jev от TypeSafe AI. Компания называет такие модели System One Models — по аналогии с «Системой 1»: быстрым автоматическим мышлением без длинной цепочки рассуждений.

Но мне здесь интереснее не сама Jev, а новый подход к принятию решений агентами.

Раньше мы выбирали между обычным условием, например «if amount > 10000», и большой языковой моделью.

Теперь появляется третий вариант: «if P("операция подозрительна") > 0.9».

Условие остается частью программы, но становится вероятностным. И экономика уже позволяет использовать такие решения массово.

TypeSafe указывает цену Jev $0,042 за миллион входных токенов, выход отдельно не тарифицируется, а заявленная задержка — 70–500 мс.

Если одно смысловое решение становится настолько дешевым, ИИ можно запускать почти на каждом событии в системе.

Пришло письмо — определили срочность и важность, или появился лид — оценили вероятность сделки. И такой подход уже начали использовать.

Уже можно создать браузерного агента, где Jev выбирает следующее действие. Есть pg-jev для PostgreSQL, позволяющий прямо внутри SQL задавать смысловые условия вроде «клиент сильно недоволен». Jev также можно использовать как модель-судью для проверки работы других агентов.

Jev в собственных тестах TypeSafe до 193 раз быстрее и до 444 раз дешевле языковых моделей.

Но независимый тест показал 0,33 секунды против 1,17 у GPT-5.6 Terra и $0,015 против $0,609 за тысячу решений. При этом на более сложной задаче точность Jev была 78,8% против 84%.

Я тоже провел эксперимент: прогнал сотню писем и попросил определить их срочность, важность и несколько других признаков.

Jev обработал их меньше чем за секунду и $0,01, а GPT-5.6 Luna потребовалось около 30 секунд и $0,07. Это, конечно, не независимый бенчмарк, но хорошо показывает возможную экономию.

Поэтому Jev — это не «GPT, только в сто раз дешевле». Мне кажется, так на подобные модели смотреть неправильно.

Самый интересный сценарий — каскад разных уровней интеллекта:
• Сначала обычный код решает все, что можно определить точно;
• Затем модель решений обрабатывает дешевые смысловые задачи;
• Если она не уверена — подключается небольшая языковая модель;
• Потом более сильная модель рассуждения;
• И только в самых сложных случаях — человек.

Можно собрать сотню примеров с правильными ответами, прогнать их через Jev и большую модель, на отдельной выборке определить порог уверенности и все спорные случаи передавать более сильной модели или человеку.

Конечно, модели решений не заменят LLM.

Структурированный ответ еще не означает правильный ответ. Для стратегии, исследований, программирования и планирования большие модели по-прежнему подходят намного лучше. Но сам ИИ-стек может поменяться.

Причем всего через несколько дней после Jev уже появилась открытая модель Laya с похожим подходом.

Пока рано говорить о новом полноценном рынке. Но, похоже, действительно начинает формироваться отдельная технология — модели решений.

Большая языковая модель может остаться «мозгом» агента, а модели решений заберут его «рефлексы».

👉 Полная статья

#технологии
6❤11👍11⚡5🔥1🏆1
Как превратить бизнес-процесс в работающего ИИ-агента

Недавно я делился аналитикой о том, что многие недооценивают роль обучения. При этом именно обучение помогает адаптироваться к происходящим изменениям.

Поэтому я стараюсь передавать все, что знаю и использую сам, чтобы помочь другим быстрее войти в новую экономику.

Доступен третий модуль курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».

В прошлом модуле мы разобрали, как восстановить реальный бизнес-процесс AS-IS, найти в нем точки автоматизации и спроектировать целевой процесс TO-BE.

Теперь следующий вопрос: как из этого TO-BE получить работающего ИИ-агента?

На практике многие начинают не с того конца. Открывают n8n или другую платформу, выбирают модель, подключают несколько инструментов, пишут большой промт — и пытаются заставить все это работать.

Но прежде чем что-либо собирать, нужно понять, как ИИ-агент встраивается в поток данных, создающий ценность для бизнеса: какие данные он получает, что с ними делает, какой результат передает дальше и где заканчивается его автономность.

Поэтому в третьем модуле мы проходим весь путь от бизнес-процесса до работающего агента.

• Связываем TO-BE с автоматизацией: где достаточно обычного правила, где нужен ИИ, где решение остается за человеком и чем воркфлоу отличается от настоящего агента;

• Проектируем граф навыков агента: какие операции он умеет выполнять и какие решения принимает;

• Разбираем основные ИИ-операции: классификацию, извлечение информации, генерацию и вызов инструментов;

• Разрабатываем воркфлоу: определяем, как между шагами передаются данные и где появляются условия и циклы;

• Пишем промты: из чего состоит хороший промт, как получать структурированный результат и как улучшать промты;

• Собираем контекст: какие данные агенту нужны сейчас, что хранить в состоянии и долгосрочной памяти;

• Подключаем инструменты и ИИ-платформу: как агент вызывает внешние сервисы и как настроить общий доступ к данным для множества агентов;

• Настраиваем базовую надежность: права, ограничения и контроль работы агентов;

• Учимся тестировать весь путь работы агента после каждого изменения модели, промта, контекста или инструмента.

В конце модуля вас ждет тест и практическое задание.

Вы возьмете свой целевой TO-BE процесс из предыдущего модуля, превратите его в архитектуру одного ИИ-агента и соберете его в n8n или на любой другой платформе.

В итоге у вас появится первый работающий агент для вашего бизнес-процесса.

В модуле доступны презентация, видеоурок и подробный текстовый материал. А в этом канале я дополнительно делюсь своим опытом и подробнее разбираю отдельные темы.

В следующих модулях мы детально разберем, как объединять нескольких агентов в мультиагентную систему и на ее основе строить целую AI-First компанию, обсудим разработку кастомных сервисов с ИИ-агентами, создадим дашборд для мониторинга их работы, научимся управлять изменениями в компании и считать экономический эффект.

Если у вас есть свой бизнес и вы еще не автоматизируете его с помощью ИИ-агентов, то чем вы вообще занимаетесь?

А если своего бизнеса нет — сегодня самое время начать. Работа по найму уже не гарантирует стабильности. ИИ впервые дает одному человеку или небольшой команде доступ к ресурсам, которые раньше были доступны только крупным компаниям.

Так что путь к свободе сегодня может начинаться с собственного AI-First бизнеса. Курс доступен для всех бесплатно — бери не хочу.

👉 Смотреть третью лекцию
3👍9🔥4🏆2❤1🤩1
AI-First и AI-Native — да что это такое на самом деле?

Постоянно слышу, как компании называют себя AI-First или AI-Native. А на деле просто раздают сотрудникам подписки на ChatGPT.

Да, термины во многом маркетинговые, общепринятой шкалы нет. Но различия вполне реальные — давайте разбираться.

Летом я представил на конференции свою методологию оценки ИИ-зрелости компаний и разработки стратегии ИИ-трансформации, о которой написали кипрские СМИ.

Я разделяю компании на четыре категории.

1. AI-Enabled. ИИ помогает человеку, а сама работа остается прежней.

2. AI-Driven. ИИ встроен в процессы, но основным исполнителем работы остается человек.

3. AI-First. ИИ выполняет работу по умолчанию, а у людей меняется мышление: что делегировать агентам, а что оставить за собой.

4. AI-Native. ИИ становится основой бизнеса и его ценности для клиентов: без ИИ продукт невозможен или был бы принципиально другим.

AI-First меняет способ выполнения работы. AI-Native меняет сам способ создания ценности.

Объясню на собственном примере.

Я несколько лет занимаюсь ИИ-консалтингом. Сначала использовал ИИ для отдельных задач, например, для расшифровки встреч с клиентом. Это AI-Enabled.

Затем начал объединять отдельные операции в процессы. Например, после встречи ИИ автоматически анализировал ее расшифровку, выявлял проблемы компании и предлагал, что стоит автоматизировать.

Так ИИ стал частью аналитического процесса — AI-Driven.

Следующим шагом я перестроил свою работу.

Ко мне обращается компания, которой нужна стратегия ИИ-трансформации. Я провожу интервью с руководителями и сотрудниками, разбираюсь, как устроены бизнес-процессы, какие системы используются и где возникают проблемы.

Но дальше мне уже не нужно самостоятельно рисовать диаграммы процессов и писать стратегию с нуля. Эту работу взял на себя ИИ.

Моя задача — собрать правильный контекст, спроектировать целевую модель процессов и проверить результат.

Так я перестал выполнять большую часть работы вручную и начал управлять системой, которая делает это за меня. Это уже AI-First.

Таким образом я помог нескольким десяткам компаний. Постепенно накопились данные о процессах, основных проблемах и способах их решения, а также сформировалась собственная методология.

Потом я задумался о том, чтобы полностью автоматизировать свою работу. Так я пришел к AI-Native.

Сейчас тестирую в нескольких компаниях продукт, который проводит интервью, собирает информацию о бизнесе, формирует модель текущих бизнес-процессов, проектирует целевую модель с ИИ-агентами и разрабатывает стратегию ИИ-трансформации.

На выходе компания получает конкретный план: какие процессы автоматизировать в первую очередь, каких агентов создать и как измерять результат.

Мне уже не нужно лично участвовать в каждом проекте, благодаря чему стоимость услуги значительно снижается.

Я становлюсь архитектором продукта, который можно масштабировать без команды.

Сначала я автоматизировал собственную работу, а теперь превращаю накопленную экспертизу в продукт, который сможет выполнять эту работу без моего участия.

Конечно, это не обязательный путь для каждой компании. AI-Native бизнес можно построить сразу.

Раньше я работал с крупными компаниями, но теперь хочу сделать свою экспертизу доступной малому и среднему бизнесу.

У небольших компаний часто нет собственного директора по ИИ и бюджета на консалтинг. Но разобраться, что автоматизировать и с чего начать, им тоже необходимо.

А на каком уровне находится ваша компания? Проверить можно через диагностику ИИ-зрелости.

Если вы хотите внедрять ИИ, но не знаете, с чего начать, напишите мне — приглашу на бета-тест продукта.

👉 Полная статья

#мысли
2👍8🔥5👏2🏆22
ChatGPT и Claude уже создают приложения прямо в чате. Зачем теперь делать стартапы?

OpenAI и Anthropic в последнее время выпускают столько обновлений, что возникает вопрос: за что брать деньги, если ИИ создает приложения по запросу? 

1. Интерфейсы теперь генерируются прямо в чате.

OpenAI представила Intelligent UI: интерактивные диаграммы и другие элементы интерфейса. Anthropic запустила дашборды на основе данных и анимированные ролики.

2. Чаты превращаются в полноценные рабочие пространства.

OpenAI представила Space, Pages, Slides и Dots, Anthropic объединила Claude с Cowork. Теперь с документами, презентациями и таблицами можно работать в одном чате.

3. Агенты становятся автономнее, а модели — экономичнее.

Anthropic показала координацию работы до 1 000 агентов, OpenAI — Agents API и Decisions API (аналог Jev).

Раньше можно было создать небольшой SaaS и продавать подписку за удобный интерфейс. Теперь похожий результат выдает чат.

Значит ли это, что SaaS больше не нужны? Думаю, нет.

Создать интерфейс — не значит создать работающий продукт. Нужны данные, надежность и ответственность за результат.

Но если единственное преимущество вашего стартапа — интерфейс поверх ИИ, конкурировать будет сложнее.

Возникает парадокс: создавать приложения с помощью ИИ становится дешевле, а вот постоянно выполнять их функции через ИИ может быть дороже обычного кода.

В исследовании Anthropic говорится, что ИИ-агенты потребляют примерно в 4 раза больше токенов, чем обычные взаимодействия в чате, а мультиагентные системы — в 15 раз больше.

В сложных и исследовательских задачах такие расходы могут оправдаться, но зачем это там, где достаточно простого алгоритма?

В большинстве своих задач я вообще не использую агентов — в основном для исследований и разработки.

Представьте магазин с тысячей заказов в день. Зачем агенту каждый раз планировать проверку остатков, оформление и уведомление клиента, если можно один раз создать воркфлоу?

Обычный код выполняет предсказуемые действия, а ИИ работает там, где действительно требуется интеллект.

Агент нужен там, где заранее неизвестно, что делать. Воркфлоу — там, где мы уже знаем, как выполнять работу.

Поэтому главная метрика — стоимость успешно выполненной задачи при необходимом качестве.

Так какие стартапы создавать?

Есть инфраструктура, инструменты для ИИ-агентов и физический ИИ. Но порог входа там значительно выше.

Я бы начинал с вопроса: «Какую работу клиент готов оплачивать и можем ли мы выполнять ее лучше, быстрее или дешевле?»

Например, предпринимателю нужен не очередной ИИ-агент для продаж, а реальные клиенты и выручка.

Поэтому я вижу большие возможности в AI-First бизнесах, которые продают выполнение конкретной работы и несут ответственность за результат.

Где-то работу выполняет обычный код, где-то — ИИ-воркфлоу, и только в нестандартных задачах это делают ИИ-агенты, а где-то понадобятся люди для экспертизы и физических действий.

Задача предпринимателя — построить из всего этого эффективный бизнес.

Вот простой тест для любого ИИ-стартапа: Если завтра ChatGPT воспроизведет основную фичу вашего продукта, за что клиент продолжит платить именно вам?

Если ответа нет, стоит пересмотреть конкурентное преимущество.

Пару лет назад я писал о провальном стартапе, в котором участвовал. Теперь этот вопрос еще острее.

Раньше мы создавали приложения, чтобы люди выполняли работу. Теперь мы создаем системы, которые делают большую часть работы за них.

При этом интеллект становится доступнее, но организация его эффективного применения — ценнее.

Проверим это на деле. Я отобрал нескольких магистрантов из ИТМО и AI Talent Hub для практики в моей компании.

Хочу дать возможность запустить свои продукты на международном рынке тем, кто готов создавать и брать ответственность за результат. Буду помогать ребятам технологиями и экспертизой, а с вами поделюсь инсайтами и результатами.

В конечном счете выигрывает не тот, у кого больше агентов, а тот, кто создает больше реальной ценности при меньших затратах.

#новости
1🔥23👍6❤4💯3🙏2