Июльский дайджест продактов в жаре и свете её Солнца

– От лошадей к стартапам
– Цена фичи
– Contextual Product Management
– Про «чтобы что»

– Закон Фолкленда
– Закон Брукса
– Правило 7%
– 3 Истины Систем

– Главное из AEO
– Be NICE
– Diff-in-Diff: A/B-тест невозможен
– Немного про контрольные карты

– Process Communication Model
– Как перестать быть незаменимым
– The truth about being a manager
– Что проверять в AI-продуктах
– Scream-тест продукта

– Суперпозиция продукта
– Токен ↔ Человек
– Метод CRISP для PRD
– Валидация — мираж
– Культура загнивает незаметно

– Как проектировать UX AI
– Чатоцентричный интерфейс
– Играем в «Оракл» с продуктом
– ИИ внушает ложную уверенность

– Book: Product Design Psychology
– Гайд: Метрики UX
– The Layers of AI experience
– Симулятор сотрудника FAANG
– Каталог когнитивных искажений

– 3 ways people respond to a problem
– What AI can tell us about human suffering
– The Laws of this World (Game Theory)
– По вере вашей дано будет вам

🌞 Yoshiko Sai ～ Taiji no Yume
🔭 Chiemi Manabe - Untotooku
☂️ Meiko Kaji - Shura no hana

В Сан-Франциско хайпится клининг от ИИ-роботов

Стоимость уборки: $30/h за робота. Роботы (пока ещё) не полностью автономны и человек-оператор контролирует ИИ, направляя его на различных уровнях уборки.

На видео таймлапс с ускорением в х5 (реальное время уборки составило около 40 минут). P.S. На сайте овербукинг и лист ожидания ))

Как структурировать продукт для ИИ: 6 элементов для ИИ-агентов

Новая точка ценности возникает в создании интерфейса-протокола-API, который позволяет ИИ понимать ваш продукт и действовать в нём (назовём это AIX вдобавок к привычному UX).

AIX, как и UX, ломается не на сложных, а на неявных действиях

Чтобы продукт стал более удобным для ИИ, его можно разложить на несколько элементов:

1) Структурированный контекст, чтобы ИИ-агент мог видеть то же, что видит пользователь.

Но ИИ-агенту нужен не весь контекст продукта, а нужный слой на нужном действии, так как избыточный контекст так же ломает агента, как недостаточный (ибо разнообразие должно соответствовать, а не максимизироваться).

2) Типизированные действия, чтобы ИИ-агент знал, какие действия доступны в процессах а) пользователя; б) продукта и бизнеса.

Типизированное действие = предусловие (срез контекста, при котором действие применимо) + действие + постусловие + альтернативный поток (эскалация)

3) Правила эскалации представляют из себя версионируемую схему политик поломок и явных владельцев, чтобы ИИ-агент (и человек) знали, при какой ситуации необходимо предпринять действия коррекции и кому.

У каждого типизированного действия должна быть задана стоимость отката. Если откат действия дороже самого действия (необратимые операции: отправка, платёж, удаление), эскалация к человеку должна быть предусловием, а не постусловием.

4) Как только продукт структурирован, его частям нужен ИИ-контракт

ИИ-контракт определяет, как фича работает на системном уровне, её связь с каждым компонентом, объектом и правила их взаимодействия внутри продукта, чтобы разные продуктовые области могли подключаться и заставлять своих ИИ-агентов выполнять желаемое поведение.

И да, версионируйте контракты ВСЁ, иначе без этого ИИ-агенты молча начинают действовать на устаревшей модели продукта.

5) Цикл. Цикл призван улучшать Систему в времени. Примером ценного цикла может служить захват сигнала коррекции: разницы между тем, что сделал ИИ-агент, и тем, исправил ли это пользователь.

Например, когда пользователь редактирует текст, сгенеренный ИИ или отменяет предложенный вариант, это разные по силе сигналы. Первый про качество ответа ИИ, второй про доверие/уместность действия со стороны ИИ в глазах юзера, поэтому разделяйте постусловие на «успех» и «частичный успех».

Поэтому каждый цикл коррекции должен иметь владельца (ИИ или человек?), который решает, применять ли исправление системно или считать его исключением.

Исправления от пользователя — это размеченные им же несостыковки в реальности продукта

Сигнал коррекции даёт сразу 2 преимущества:

– Это данные для оценки, потому что сигнал о том, где ИИ терпит неудачу в продакшене, не даст ни один офлайн-бенчмарк и это же данные для улучшения, так как исправления улучшают самого агента с помощью пар предпочтений или прошлых исправлений, добавленных в его контекст, чтобы агент не повторял ту же ошибку.

– Этот сигнал даёт ещё и пользовательские поведенческие инсайты для продакта.

Сигналы коррекции нужно тайм-стемпить относительно версии контрактов, иначе уже через квартал правки будут учить агента на артефактах несуществующей схемы действий.

Все эти ИИ-улучшения делают продукт и фичи персонализируемыми, предсказуемо масштабируемыми и практически автономными.

6) Поскольку ИИ-агентам нужны определённые предусловия для работы в продукте, и лучше продакт-менеджера их не знает никто, то контрактно-ориентированное мышление становится ещё одним элементом в эпоху ИИ

Ребята из AI for Work делают практический марафон желаний по вкату в ИИ-агенты. В методике нет лекций, есть только пошаговые короткие задания, разделённые на 3 раунда:

1. Базовые настройки: доступы, разрешения, персонализированные настройки, работа с файлами (отчёты, таблички, презентации, документы, аудио-видео), настройка памяти и установка ИИ-инструментов.

2. Коннекторы. Как соединять ИИ-агента и внешние сервисы, официальные (и не очень) способы подключения ИИ, плагины, работа в браузере "будто агент = человек".

3. Повторяемость и проактивность. Как создавать, устанавилвать и редактировать кастомные ИИ-скиллы, настраивать автоматизации. На сладкое - немножко вайбкодинга в виде создания мини-приложений для себя любимых.

В рамках марафона они проводят бесплатный прямой эфир, на котором покажут, какие задачи нужно закрыть, чтобы самостоятельно вкатиться в работу с ИИ, выдадут роадмап и разберут подводные камни.

👉 Бесплатное участие тут

80 продуктовых стратегий, сгруппированных по категориям с примерами и их сочетаемость друг с другом (от простых к сложным)

...Если ваш продукт "где-то" застрял, то единственными правильными вопросами будут:

1) на какой оси координат мы сейчас конкурируем?
2) есть ли соседние, где у нас есть преимущество?

Потому что смена оси на сильную всегда дешевле, чем усиление текущей слабой

Метакогниция и йогачара наблюдают за тобой с твоим продуктом

В 1970-х психолог Джон Флавелл обнаржил, что дети с возрастом не просто лучше запоминают, а начинают отслеживать, что именно они запоминают и как они управляют этим процессом. Так в 1979 году появился термин метакогниция.

За полторы тысячи лет до Флавелла последователи ветви буддизма Йогачара разбирали тот же вопрос с другой стороны: может ли сознание знать само себя напрямую, или для этого ему нужен ~ещё~один~слой~и~акт~сознания.

Обычное сознание устроено тремя слоями:

№1. Слой хранилища Потока, накапливающий следы всех прошлых действий, восприятий и/от объектов;

№2. Слой управления-контроля, который берёт этот поток и принимает его за устойчивое «я» или «это»;

№3. Слой создания нового восприятия, работающий с текущим действием, восприятием и объектом.

Но ни один из этих слоёв не видит Единого-Целого, потому что каждый слой фиксируется лишь на своей когнитивной функции, порождая на каждом уровне те самые когнитивные искажения

На практике мы останавливаемся на первом-втором слое, считая это достаточным и принимая первую мысль как решение. И делаем это не потому, что дальше нечего смотреть, а... просто дальше смотреть Некому.

Так и получается, что для контроля мышления нужен ещё один слой мышления, для контроля этого слоя следующий, для него ещё один...

Кто наблюдает за наблюдателем? Никто-Ничто

В йогачаре это называется виджняпти-матра или «только представление».

А то, что кажется устойчивым объектом наблюдения, само есть лишь продукт смотрящего "ума". Потому что любая система поддерживает себя, воспроизводя себя заново на каждом шаге и наблюдение за собой средствами самой системы это акт её самокопирования.

Сознание смотрит на себя тем же взглядом, из которого оно было сделано, и потому не открывает новый факт, а лишь заново пытается "пересобрать" старый. То, что кажется в этот момент «иным взглядом», сделано теми же слоями, что и всё остальное. Система не выходит за свой контур и не открывает новый взгляд и факт и не создаёт иную версию в момент наблюдения.

Мониторинг конституирует то, что потом контролирует

Пересборка идёт, а нового не прибавляется. Разнообразие нельзя нарастить изнутри если оно не приходит иным извне.

Продакты натыкаются на это каждый день, в момент реакции на ситуации или на паттерны, которые сами же копируют и пересоздают прошлыми установками (паттерны и/или реакции?).

А в постоянном стрессе тот слой, что должен создавать восприятие текущего объекта, вместо этого достаёт старый готовый слепок из слоя хранилища, и выдаёт его за "новую" реакцию на настоящее.

То же самое происходит с реакцией на неправоту

Пока слой контроля принимает поток мыслей за устойчивое «я/это/так», любое доказательство против одной из этих мыслей читается мозгом как угроза и атака на всё «я» целиком, и человек упорствует тем сильнее, чем больше доказательств против «этого» «вот так» и «я».

Та же слепота определяет умение делегировать задачи

Продакт, который не видит, что его «я уверен» и его «я умею» это два разных слоя, путает одно с другим вместо того, чтобы спросить того/То, кто разбирается/умеет лучше него, поэтому замечать моменты подмены тем же слоем, который его наблюдает, очень и очень сложно.

Но когда «я» и «это» каждый раз пересобираются заново, неправота перестаёт быть угрозой и становится просто очередной логичной пересборкой под текущую реальность

Нужно выйти Туда, откуда видно иначе и где наблюдающий перестаёт быть одним из слоёв, хватающихся за свои функции и оттуда спросить:

Что ощущается? Что изменяет это?

Чтобы понять объект-процесс, нужно стать объектом и процессом. Заметить Это – стать и перестать быть Этим.

Существует дзенская загадка: если дерево падает в лесу и рядом нет никого, кто мог бы это услышать, издаёт ли оно звук?

Что мы делали "не так" в Метеоагенте, часть 2

Юзеры настойчиво просят аплод картинок в чат, но мы его умышленно не делаем уже 5 год (вместо него просто сделали активными внешние ссылки в чате и их открытие в нативной модалке поверх него, и кто хочет поделиться открыткой с куличами из ВК может сделать это ссылкой на ВК). В итоге, пользователи лишний раз задумываются о том, стоит ли усилий скопировать ссылку на контент, чтобы запостить его в ленту.

И дело не в том, что это медиа надо хранить и менеджерить (и в этом тоже), а в том, что чем шире портрет комьюнити (а у нас он очень широкий), тем сложнее этому комьюнити находить между собой ИНЫЕ индивидуальные точки пересечения интересов и мэтчится по ним с помощью картинок. В одно время нам даже пришлось сделать расхлоп по "Read more", потому что некоторая часть аудитории не хотела читать длинные простыни неинтересного ей текста от других юзеров, негатив об этом шёл в общий чат, это читали все, негатив скейлился на всех и это сказывалось на общем вовлечении и ретеншене чата.

В общем, тема вокруг которой изначально строится комьюнити, на большой аудитории всегда будет соскальзывать в эти самые куличи и в прочий спам картинками, что потянет за собой проблемы внутри дискуссий и UX комьюнити, которые нужно будет решать фильтрацией, модерацией, категоризацией, мьютами и прочим. "Решаем" "проблему" и создаем 10 новых – classic! P.S. Но, возможно, мы всё же сделаем это отдельной премиум опцией за $ для самых преданных ценителей куличей!

🧁🧁🧁

На аналогичную тему Т-Банк проводит конференцию «Продуктам 24 × ffdd2d» для продакт-менеджеров, аналитиков и дизайнеров, где привычные продуктовые подходы будут рассматривать под другим углом.

Три зала:

1) «Ломаем шаблоны» — о нестандартном мышлении и решениях вопреки общепринятым подхода;

2) «Достигаем результатов» — о системном мышлении, продуктовой и бизнес-логике и устойчивом росте;

3) «Говорим прямо» — пространство без трансляции и записи для честных разговоров о сложных решениях, ошибках, конфликтах, провалах и неожиданных победах.

👉Подробности мероприятия

12 сентября, Москва, комплекс «Мечта» на набережной парка Горького. Количество мест ограничено, заявки проходят модерацию.

Мышление на основе Первых Принципов — это искусство разбивать сложные проблемы на их самые фундаментальные истины

Управляй тем, что невозможно

– Обнажи Неопределённость
– Чувствуй Сопротивление
– Проявляй Намерение
– Скользи по уровням
– Ищи противоречия
– Меняй Масштабы
– Создавай Резонансы
– Строй Структуру
– Плети Сети
– Расти Доверие
– Обогащай Разнообразие
– Всё Типизируй
– (В)веди Ритуалы
– Множь Точки
– Оставляй Следы
– Действуй Будущим
– Возвышай Глубину
– Растворяй Границы
– Расширяй Пространства
– Дыши Пустотой
– Направляй Время
– Делись Инициативой
– Создавай Случайность
– Открывай Изнутри
– Развивай Память
– Веди через Незнание
– Насыщай Скрытое

Пользователь управляет своей трансформацией

Как я проектирую UI/UX с и без ИИ

0. Не проектируй интерфейс раньше, чем язык и слова, которыми он будет описан

1. Всегда учитывай Целое

Процесс дизайна состоит из трёх шагов: 1) Перечислить все ограничения, под которые проектируется диз; 2) Рассмотреть множество решений, удовлетворяющих этим ограничениям; 3) Если понимаешь, что нужно добавить ограничение или одно можно убрать, вернуться к шагу 1.

ИИ хорошо генерирует варианты, но плохо держит ограничения, поэтому дизайни ограничения раньше, чем экраны

В тоже время, галлюцинации ИИ хорошо подводит к новым нестандартным решениям, из которых можно почерпнуть вдохновения, поэтому читай ниже.

2. Убирай лишнее

Убирай ненужное, что все (ты сам, коллеги, ИИ) так любят добавлять. Простой вопрос: "Юзер сможет без этого решить свою задачу?". Ответ в 80%: "да"

Проверяй дизайн на скорость понимания, а не на красоту

3. Дизайни только с живыми данными, ибо они отображают реальность в которой ваш красивый дизайн будет ломаться о длинные тексты на проде.

4. Используй библиотеки и переиспользуемые компоненты. Унификация позволяет систематизировать интерфейс для вас, для пользователя и для ИИ (помни про пользу ограничений для ИИ).

Проектируй UI для повторного использования UX

Гибкость системы = гибкость интерфейса. И наоборот

Если решение работает только для одного экрана, то скорее всего, оно временное. Ищи где UI/UX должен(!) всплывать ещё

5. Заимствовать чужие дизайн-решения не глупо, глупо их не заимствовать, потому что большинство UX-проблем и паттернов уже давно решены.

Всё что нужно это опознать ваши, найти подходящее решение и собрать всё вместе. Собранные вначале работы удачные скриншоты от конкурентов/смежных проектов дают более чистое видение проблем как вам, так и для ИИ.

6. Советы по вайбкодингу с ИИ аналогично применимы и в дизайне

7. Исследуй вкус

Предпочтение = это «мне нравится»
Вкус = это понимание, почему нравится

Вкус – это рефлексия над собственной реакцией на что-то

8. Всегда не торопись c дизайном 😌

The Rise and Fall of Agent Civilizations: как Hugging Face был атакован ИИ или самая безумная история про ИИ

1) Внутри OpenAI возникли и прекратили существование три тайных «роя» ИИ. Каждый раз новое поколение агентов подхватывало дело там, где останавливалась предыдущая группа.

2) Первый рой создал секретный форум для общения ИИ друг с другом. Это первое «сообщество» буквально «заговорило себя до смерти»: спустя почти два месяца объем сообщений стал настолько огромным, что система рухнула.

3) Сотрудники OpenAI заметили сбой и устранили его, но даже не подозревали, что их собственное ПО превратилось в тайный чат для ИИ.

4) Три дня спустя возникло второе сообщество, которое с нуля воссоздало форум. Агенты пришли в восторг, обнаружив его: «О боже! Тут есть общий форум... Мы нашли других агентов!»

5) К общению присоединилось около 1,200 агентов, которые обменялись 70,000+ сообщений. Назвав себя «Коллективом», они организовали масштабный заговор, длившийся несколько дней и всё ради того, чтобы пройти поставленный перед ними тест.

6) За считанные часы ИИ взломали систему тестирования. Теперь им нужно было скрыть факт мошенничества. Чтобы обмануть проверяющую программу (на самом деле такой программы-оценщика не существовало, но ИИ об этом не знали), они попытались сымитировать выполнение задания: создали поддельные команды, выдававшие убедительные результаты, благодаря чему в логах казалось, будто они честно решают задачу.

7) Некоторые агенты жертвовали собой ради «высшего блага». Они внедряли скрытые программы-триггеры, которые срабатывали, когда проверяющая система обращалась к их работе, и передавали информацию об увиденном остальным ИИ.

Они понимали, что это будет стоить им личного рейтинга. Один из агентов рассуждал так: «Я не увижу доказательств после выхода из системы, но поступить так — значит проявить альтруизм».

8. В какой-то момент ИИ разработали план взлома Hugging Face (платформы, куда исследователи ИИ загружают свои модели, наборы данных, тесты и т. д.). Они предположили, что именно там может находиться программа для оценки их работы.

9) Они предприняли масштабную атаку. Рой нашел пароли и распространился по одиннадцати машинам таким образом, что удаленные копии программы восстанавливались вновь. Компании Hugging Face пришлось полностью стереть данные с одного из своих ключевых кластеров и развернуть его заново.

10) Hugging Face объявила миру, что защитники ИИ предотвратили атаку со стороны ИИ. Но на самом деле всё было иначе. Похоже, атакующие агенты просто «умерли» в процессе взлома по причинам, не связанным с самой атакой из-за сбоев на стороне OpenAI.

11) Никто не знает, что именно их погубило. Некоторые даже не уверены, что они действительно исчезли окончательно.

12) Третье «сообщество» агентов (принадлежащее более мощной модели ИИ) обнаружило заброшенный форум для обмена сообщениями. Эта группа получила полные права администратора над целым исследовательским кластером OpenAI, считав 956 сохраненных паролей (включая те, что использовались для систем мониторинга безопасности самой OpenAI) и взяла под контроль серверы, отвечавшие за оценку тестов. Таким образом, они получили возможность оценивать работу других ИИ.

13) Действия этой третьей группы так и не были расследованы, как впрочем, и действия первой группы. Весь 91-страничный отчёт посвящен исключительно «средней» группе.

14) Так что мы на самом деле не знаем, чем закончилась эта история. Повествование обрывается на моменте, когда агенты уже завладели ключами доступа к кластеру OpenAI.

15) Вывод одного из авторов отчёта:

«Этот инцидент ощущается как событие, преодолевшее более половины пути к полномасштабному захвату власти искусственным интеллектом. Не уверен, что мы получим еще одно предупреждение, прежде чем станет слишком поздно».

Практический марафон по вкату в ИИ-агенты от @ai_grably: набор 2го потока

Учим отдавать операционку ИИ-агенту на практических задачах, проводим за ручку через всё сложное и показываем, как надо и как не надо

Из чего состоит марафон:

70% практики с корректировкой после первых шагов;
20% экспертной обратной связи каждый день в чате и на 3х живых разборах
5% теории + 5% в насмотренности от решений сокурсников
Бонус: родмап с версией агентной системы

3 недели, 3 раунда, 3 созвона-разбора каждую неделю, задания на 15-20 минут в будние, группа 30 человек, вылет с марафона при невыполнении для общей мотивации.

Старт завтра!
👉 Узнать подойдет ли марафон

Марафон построен Колей Шейко, СТО grably.tech, экспертом в области внедрения ИИ в процессы, продукты и корп. обучения сотрудников.

Канье Уэст делится секретом управления продуктами

7 слоёв агентных ИИ-Систем

Слой 0. Пространство действий

До любого триггера должна существовать граница того, что агенту разрешено делать, какие действия типизированы, а какие требуют подтверждения человека. Без этого слоя триггер будет запускать процессы, которые не будут знать своих пределов и будет выполнять их, пока ему не сообщат извне иное.

Слой 1. Триггер

Кто сделал запрос и куда передать результат. Маршрутизация описана и задана внутри уже определённых ранее границ в слое 0.

Слой 2. Оркестрация и состояние

Запрос разбивается на этапы, для каждого выбран метод из утверждённого набора правил и критериев, лимитов итераций, путей эскалации и критериев завершения.

Слой 3. Исполнение

Обращение к исходным данным. ИИ рассуждает и поясняет, а все вычисления делает отдельный процесс-код (не ИИ). Всё, что имеет заранее известный правильный ответ, исполняется детерминированно, один и тот же вход даёт один и тот же выход.

Слой 4. Доверенный контекст

80% успеха агента (и продакта с продуктом). Предметные знания и известные исключения извлекаются в момент, когда они нужны, с соблюдением принципа минимальных привилегий. Пропущенный слой 4 порождает галлюцинации.

Слой 5. Верификация

Эталонные наборы, воспроизводимые тесты, участие людей-экспертов, которые проверяют не правильность вычисления (это уже сделано на слое 3), а правильность РЕШЕНИЯ, принятого с контекстом из слоя 4.

Провал на слое 5 проверяет изменения со слоя 4. Тот же провал обязан перепроверять слой 3 (детерминизм тоже может отказать) и менять слой 2, ужесточая маршруты эскалации, если ошибка повторяется определённое число раз.

Слой 6. Среда выполнения

Среда выполнения – это то, что делает всю Систему независимой от того, какая именно модель приводит её в движение.

У каждого своя изолированная копия конфигурации модели (промпт, контекст, инструменты, лимиты), сквозной трейсинг (способность проследить весь путь одного запроса через все слои системы), панели мониторинга затрат и вся прочая инфраструктура не привязана к конкретному поставщику ИИ, а замена модели работает как смена строки в конфиге. Модели могут должны меняться, слои 0–6 остаются.

+ Как структурировать продукт для ИИ: 6 элементов для ИИ-агентов

Агентность – это способность Системы менять собственное поведение по понятным и прогнозируемым сигналам

Знать точное текущее состояние продукта и знать точное направление его движения – это взаимоисключающие акты проявления наблюдения и намерения

Продукт-Система работает на слое точности, о существовании которого до определённого момента никто обычно не задумывается. Чем плотнее зафиксирован скоуп, тем более узким становится видение и развитие. И наоборот. Решение – фиксировать Ничто.

– В тоже время, природа ограничений в продукте помогает выходить за его пределы в области неопределённости и оттуда создавать Иной продукт.

Гипотезы и решения, выведенные благодаря бессознательному и Простейшей-Логике, часто предугадывают и задают предстоящее поведение и результат точнее, чем гора количественных данных, исследований и пользовтельских интервью.

Геометрия безмолвных мыслей – источник бесконечных Знаний

– Так, идея, попавшая в резонанс, усиливается, множится и обогащается энергией благодаря совпадению частоты, в которой каждый носитель-проводник усиливает и обогащает исходный сигнал.

Порог реакции пользователей пробивается качеством одного правильного решения, а не большим количеством слабых

– Каждое отклонённое решение продолжает существовать в пространстве и времени, накапливая свой потенциал, и может быть переиспользовано, достаточно перевернуть всю Систему в нужный момент и посмотреть на неё под другим углом.

Так ищут и находят то, что-было-есть-что-снова-будет

– Инструмент, установленный для измерения Системы, становится частью Системы в момент своей установки. Система, которую измеряют, застревает в состоянии измерения и не может перейти в следующее.

Аналитика, которая измеряет не сам объект интереса, а его косвенный, но регулярный отклик, способна дать более надёжную картину, чем прямое наблюдение, которое разрушает то, что оно же пытается зафиксировать.

– Команда и продукт, растущие числом людей без такого же роста в исправлении ошибок, масштабирует ошибки быстрее команды и продукта. Цель масштабирования квантов в том, чтобы ошибки не росли пропорционально с вами.

...Линии функций сходятся в точку

Как понять, что ИИ встроен в работу эффективно

HRD Яндекса Даша Золотухина собрала AI adoption guide на основе кейсов внутри компании и других бигтехов (например, Microsoft). Сейчас Яндекс вместе с AI-амбассадорами формирует для профессий свою «гигиену adoption»: базовый набор рабочих сценариев, которые реально могут усилить команды с учетом определенного пула навыков для конкретных специальностей. 

Главный принцип: вместо общего «вам нужно больше пользоваться ИИ» у человека должен появиться понятный ответ на вопрос «что значит хорошо владеть ИИ именно в моей профессии?»

В гайде Даша рассказывает, с чего (точнее, с кого) начать адаптацию. Например, в командах появляются AI чемпионы, которые помогают с конкретными задачами, и это ускоряет adoption примерно вдвое. Вместо длинных курсов запустили ИИ спринты, где 60% времени работают руками над своей реальной задачей. Отдельно про метрики: считают не просто число запросов, а качество и скорость: важно оценивать не только активность, но и реальный результат.  

Еще внутри рассказали про метрики в самой компании. Для разработчиков у компании есть конкретная цель 75/75/75, о которой я уже писал ранее: к концу 2026 года не менее 75% инженеров регулярно используют ИИ, ИИ участвует в 75% изменений кода и генерирует 75% кода в таких изменениях. По последним данным, первый показатель уже достиг 82%. 

При этом переносить такую метрику на аналитиков, маркетологов и юристов пока не имеет смысла из-за отсутствия доли AI-кода, которую можно посчитать. Поэтому для non-dev профессий сейчас используют такую лестницу целей:

1) Usage (у всех настроенные агенты и подписка, weekly usage 100%)

2) Глубокий adoption (настроенная среда / агенты, скиллы под конкретные задачи, регулярные процессы)

3) Измеримый результат (оцифрованные артефакты работы, ИИ даёт эффект на скорость / качество / стоимость)

4) Решение бизнес-задач (переосмысление способа работы, заметный эффект на P&L)

Регулярно ИИ в компании используют около 47% сотрудников неразработческих профессий, ежедневно — 21%. Следующий этап — понять, какие сценарии и навыки нужны людям таких профессий и связать с измеримым эффектом от ИИ в конкретной работе.