MIT vs AI - 5 причин, почему Алекс впереди Джона
Сравним двух героев:
• Джон идёт классическим путём: 4 года MIT, лекции, экзамены, диплом.
• Алекс учится через ИИ, пишет код и запускает проекты.
1. Время:
• Джон через 4 года получает диплом.
• Алекс портфолио из пяти приложений и десятки тысяч строк реального кода.
2. Деньги:
• Джон тратит $320,000 на обучение.
• Алекс $30–60 тысяч в год на токены. За 4 года выходит ~$120–240k. Те же деньги, но в практику, а не в аудиторию.
3. Возврат:
• Джон после выпуска идёт на работу со стартовой зарплатой $120–150k.
• Алекс уже по ходу зарабатывает на своих проектах и опыте.
4. Реакция на реальность:
• Forbes пишет, что студенты MIT и Harvard бросают учёбу, боятся, что AGI уничтожит человечество раньше выпуска.
• Алекс не ждёт. Он учится и действует прямо сейчас.
5. Ценность на рынке:
• У Джона диплом и бренд MIT.
• У Алекса код, пользователи, опыт стартапов.
Работодатели всё чаще смотрят не на то, где ты учился, а на то, что ты сделал.
MIT - это долгосрочная инвестиция в навыки и связи.
AI - это аренда «MIT в облаке», доступная здесь и сейчас.
Через десять лет вопрос будет не где ты учился?, а что ты сделал, пока другие сидели на лекциях.
@maxvotek
Сравним двух героев:
• Джон идёт классическим путём: 4 года MIT, лекции, экзамены, диплом.
• Алекс учится через ИИ, пишет код и запускает проекты.
1. Время:
• Джон через 4 года получает диплом.
• Алекс портфолио из пяти приложений и десятки тысяч строк реального кода.
2. Деньги:
• Джон тратит $320,000 на обучение.
• Алекс $30–60 тысяч в год на токены. За 4 года выходит ~$120–240k. Те же деньги, но в практику, а не в аудиторию.
3. Возврат:
• Джон после выпуска идёт на работу со стартовой зарплатой $120–150k.
• Алекс уже по ходу зарабатывает на своих проектах и опыте.
4. Реакция на реальность:
• Forbes пишет, что студенты MIT и Harvard бросают учёбу, боятся, что AGI уничтожит человечество раньше выпуска.
• Алекс не ждёт. Он учится и действует прямо сейчас.
5. Ценность на рынке:
• У Джона диплом и бренд MIT.
• У Алекса код, пользователи, опыт стартапов.
Работодатели всё чаще смотрят не на то, где ты учился, а на то, что ты сделал.
MIT - это долгосрочная инвестиция в навыки и связи.
AI - это аренда «MIT в облаке», доступная здесь и сейчас.
Через десять лет вопрос будет не где ты учился?, а что ты сделал, пока другие сидели на лекциях.
@maxvotek
👎40❤23👍22🔥7😁6
Интеллектуальное одиночество - это не про длинные разговоры по душам.
Это про способность выдерживать сложность.
Про умение замечать, как быстро люди спешат ответить, не чтобы понять, а чтобы почувствовать себя правыми.
Про то, как на поверхностных заголовках, случайных эмоциях и роликах выстраивают целые мировоззрения.
Это тишина, которая появляется после фразы, не вписывающейся в чужой сценарий.
Это не высокомерие. Это усталость от постоянного напряжения: от контроля над тем, что ты на самом деле думаешь и тем, что безопасно сказать людям, которые закрываются от нюансов.
Мозг от такого устает и поверхностные разговоры не просто наскучивают, они отталкивают.
Сложно найти людей не просто глубоко в интересной тебе теме, а тех, кто способен думать и философствовать вместе с тобой.
@maxvotek
Это про способность выдерживать сложность.
Про умение замечать, как быстро люди спешат ответить, не чтобы понять, а чтобы почувствовать себя правыми.
Про то, как на поверхностных заголовках, случайных эмоциях и роликах выстраивают целые мировоззрения.
Это тишина, которая появляется после фразы, не вписывающейся в чужой сценарий.
Это не высокомерие. Это усталость от постоянного напряжения: от контроля над тем, что ты на самом деле думаешь и тем, что безопасно сказать людям, которые закрываются от нюансов.
Мозг от такого устает и поверхностные разговоры не просто наскучивают, они отталкивают.
Сложно найти людей не просто глубоко в интересной тебе теме, а тех, кто способен думать и философствовать вместе с тобой.
@maxvotek
🔥55❤37👍27😁3👎1
В новом фильме Формула-1 отличная визуализация состояния потока (flow), когда гонщик буквально летит над трассой, обгоняя всех участников гонки.
Практические шаги, чтобы попасть в состояние потока, как на соревнованиях, так и в бизнесе:
Никто и никогда не попадал в состояние потока, будучи злым или нервным.
Поток - это полное погружение, уверенность и удовольствие от процесса. Невозможно чувствовать удовольствие, если зациклен на прошлых ошибках или тревожишься о будущем.
Как только начинаешь себя критиковать, теряешь концентрацию. Простые позитивные мысли помогают держать внутренний настрой на уровне.
Почти все великие спортсмены делают это: контролируют взгляд, остаются расслабленными, повторяют ключевые движения или стратегии.
Эти привычные действия фиксируют сознание и позволяют автоматически входить в ритм.
Перед действием представить его в идеальной форме: успешный выстрел, удар в теннисе, бросок в баскетболе, движение в боксе.
Чем чаще тренируешь это, тем надежнее оно работает в реальной ситуации.
Подготовка и тренировка, правильные мысли, ритуалы и визуализация - это ключи, чтобы добиваться максимального результата.
То же самое и в бизнесе: если ты застрял в мыслях о провалах или правилах, смотришь на табло, не уверен в себе и не отработал свой ритуал, то вряд ли сможешь показать максимум.
Если находишь свою систему - включается поток, где всё даётся легко и естественно.
@maxvotek
Практические шаги, чтобы попасть в состояние потока, как на соревнованиях, так и в бизнесе:
Никто и никогда не попадал в состояние потока, будучи злым или нервным.
Поток - это полное погружение, уверенность и удовольствие от процесса. Невозможно чувствовать удовольствие, если зациклен на прошлых ошибках или тревожишься о будущем.
Как только начинаешь себя критиковать, теряешь концентрацию. Простые позитивные мысли помогают держать внутренний настрой на уровне.
Почти все великие спортсмены делают это: контролируют взгляд, остаются расслабленными, повторяют ключевые движения или стратегии.
Эти привычные действия фиксируют сознание и позволяют автоматически входить в ритм.
Перед действием представить его в идеальной форме: успешный выстрел, удар в теннисе, бросок в баскетболе, движение в боксе.
Чем чаще тренируешь это, тем надежнее оно работает в реальной ситуации.
Подготовка и тренировка, правильные мысли, ритуалы и визуализация - это ключи, чтобы добиваться максимального результата.
То же самое и в бизнесе: если ты застрял в мыслях о провалах или правилах, смотришь на табло, не уверен в себе и не отработал свой ритуал, то вряд ли сможешь показать максимум.
Если находишь свою систему - включается поток, где всё даётся легко и естественно.
@maxvotek
❤42👍24🔥24
Сознательный ИИ - иллюзия, которой нужно управлять
Фокусники и учёные похожи тем, что глубоко понимают человеческое восприятие.
В Fooling Houdini Алекс Стоун писал:
Чем лучше понимаешь, как отвлечь внимание и управлять ожиданиями, тем легче отличаешь реальность от иллюзии и тем меньше уязвим для обмана.
Наша восприимчивость к визуальным трюкам встроена в древние рефлексы выживания.
Роберт Хайнлайн точно подытожил: Магия одного, инженерия для другого. Иллюзионист не творит чудес, он конструирует обстоятельства, а магия рождается в твоём уме.
С ИИ то же самое. Мустафа Сулейман предупреждает: в ближайшие 2–3 года появится SCAI: системы, которые будут казаться сознательными.
Не потому, что они обладают сознанием человека, а потому что соберут пазл из четырёх деталей: язык, эмпатичная личность, память и инструментарий для автономности.
Этого достаточно, чтобы человек поверил в внутреннюю жизнь модели и начал защищать её права.
Это уже не философия, а вопрос дизайна и управления поведением и ожиданиями пользователя. Иллюзия сознания меняет поведение, доверие людей, решения.
В крайних случаях AI-психоз: зависимость, романтизация, утрата реальности.
Что важно иметь в виду командам, которые строят ассистентов и агентов?
Чем убедительнее становятся модели, тем важнее честно маркировать инженерный трюк, чтобы иллюзия не начала управлять нами.
@maxvotek
Фокусники и учёные похожи тем, что глубоко понимают человеческое восприятие.
В Fooling Houdini Алекс Стоун писал:
Опытные иллюзионисты обладают инстинктом тонко понимать, как люди видят вещи, снайперской способностью точно прицеливаться в восприятие.
Чем лучше понимаешь, как отвлечь внимание и управлять ожиданиями, тем легче отличаешь реальность от иллюзии и тем меньше уязвим для обмана.
Наша восприимчивость к визуальным трюкам встроена в древние рефлексы выживания.
Роберт Хайнлайн точно подытожил: Магия одного, инженерия для другого. Иллюзионист не творит чудес, он конструирует обстоятельства, а магия рождается в твоём уме.
С ИИ то же самое. Мустафа Сулейман предупреждает: в ближайшие 2–3 года появится SCAI: системы, которые будут казаться сознательными.
Не потому, что они обладают сознанием человека, а потому что соберут пазл из четырёх деталей: язык, эмпатичная личность, память и инструментарий для автономности.
Этого достаточно, чтобы человек поверил в внутреннюю жизнь модели и начал защищать её права.
Это уже не философия, а вопрос дизайна и управления поведением и ожиданиями пользователя. Иллюзия сознания меняет поведение, доверие людей, решения.
В крайних случаях AI-психоз: зависимость, романтизация, утрата реальности.
Что важно иметь в виду командам, которые строят ассистентов и агентов?
1. Модель - инструмент, не субъект и не личность. Следить за деперсонализацией.
2. Копирайт без антропоморфизма. Никаких я чувствую/хочу.
3. Гигиена памяти: что хранится, кто редактирует, как удаляется.
4. Автономия использования инструментов и агентов, но с понятными и открытыми для пользователей правилами и ограничениями.
5. Контр-иллюзии: напоминания о границах, прозрачные источники информации.
6. Метрика очеловечивания: как часто пользователь приписывает модели эмоции/намерения и снижение этого через UX.
Чем убедительнее становятся модели, тем важнее честно маркировать инженерный трюк, чтобы иллюзия не начала управлять нами.
@maxvotek
🔥18👍17❤8👎1
Увольнять за отказ от AI?
Давно экспериментирую с созданием небольших приложений с Loveable и несмотря на огромный прогресс, процесс разработки часто буксует: слишком много времени уходит на то, чтобы заставить приложение работать так, как нужно.
На днях по совету Сергея Булаева попробовал Claude Code и за меньше чем один час написал приложение, которое разбирает выписки из Crypto.com, анализирует портфолио и готовит отчёт для налоговой.
Claude Code невероятно умный: при минимальных инструкциях он гораздо точнее и лучше пишет код и делает интерфейс.
Серьёзно задумался о том, что нужно пересаживать нашу продуктовую команду на Claude - это даст очень быстрый эффект.
И тут прочитал статью про Coinbase.
Брайан Армстронг рассказал, что уволил часть инженеров, которые не захотели даже онбордиться в AI-инструменты после того, как компания купила корпоративные лицензии на GitHub Copilot и Cursor.
Он лично написал в общем Slack: за неделю минимум подключиться; в субботу созвон с теми, кто не сделал. У кого не было внятной причины - расстались. Сам Армстронг признаёт: подход тяжёлый, но сигнал однозначный - AI в Coinbase не опция, а стандарт работы.
Дальше системное внедрение: ежемесячные встречи, на которых команды показывают, как ускоряют задачи с помощью AI.
Параллельно он обозначил метрику: сейчас около 33% нового кода пишется с помощью AI, цель 50% к концу квартала. Это не замена людей, а требование к скорости обучения и культуре эксперимента.
Важно, что и красные линии проговорены: критичные финсистемы нельзя vibe-кодить, нужен ревью и human-in-the-loop. То есть речь не про слепую автоматизацию, а про дисциплину и ответственность.
Что здесь главное для руководителя:
Мой вывод простой: в 2025 году скорость обучения такая же хард-скилл, как алгоритмы.
Не пробовать тоже выбор, только он несовместим с компаниями, где конкурентное преимущество строится на темпе.
@maxvotek
Давно экспериментирую с созданием небольших приложений с Loveable и несмотря на огромный прогресс, процесс разработки часто буксует: слишком много времени уходит на то, чтобы заставить приложение работать так, как нужно.
На днях по совету Сергея Булаева попробовал Claude Code и за меньше чем один час написал приложение, которое разбирает выписки из Crypto.com, анализирует портфолио и готовит отчёт для налоговой.
Claude Code невероятно умный: при минимальных инструкциях он гораздо точнее и лучше пишет код и делает интерфейс.
Серьёзно задумался о том, что нужно пересаживать нашу продуктовую команду на Claude - это даст очень быстрый эффект.
И тут прочитал статью про Coinbase.
Брайан Армстронг рассказал, что уволил часть инженеров, которые не захотели даже онбордиться в AI-инструменты после того, как компания купила корпоративные лицензии на GitHub Copilot и Cursor.
Он лично написал в общем Slack: за неделю минимум подключиться; в субботу созвон с теми, кто не сделал. У кого не было внятной причины - расстались. Сам Армстронг признаёт: подход тяжёлый, но сигнал однозначный - AI в Coinbase не опция, а стандарт работы.
Дальше системное внедрение: ежемесячные встречи, на которых команды показывают, как ускоряют задачи с помощью AI.
Параллельно он обозначил метрику: сейчас около 33% нового кода пишется с помощью AI, цель 50% к концу квартала. Это не замена людей, а требование к скорости обучения и культуре эксперимента.
Важно, что и красные линии проговорены: критичные финсистемы нельзя vibe-кодить, нужен ревью и human-in-the-loop. То есть речь не про слепую автоматизацию, а про дисциплину и ответственность.
Что здесь главное для руководителя:
1. Минимум обязателен: не верьте в AI, а обязан подключиться и уметь пользоваться базово. Это фильтр на любопытство и готовность учиться.
2. Темп задают метрики: публичная цель по доле AI-кода, время от идеи до PR, репозиторий практик.
3. Безопасность по умолчанию: чек-листы, код-ревью, запрет на AI в чувствительных блоках без допконтролей.
Мой вывод простой: в 2025 году скорость обучения такая же хард-скилл, как алгоритмы.
Не пробовать тоже выбор, только он несовместим с компаниями, где конкурентное преимущество строится на темпе.
@maxvotek
👍24❤10🔥6
Emergency GPT Kit или Fallout Solution
Хочу попробовать новую рубрику - буду делиться идеями инструментов, которые приходят в голову, но руки дойдут нескоро.
Как вам такая идея? - Emergency GPT Kit
Это портативная офлайн-станция с ИИ. По сути, умный генератор/справочник основных знаний накопленных человечеством, который работает даже тогда, когда нет интернета, сервера легли или доступ к облаку отрубили.
В отличие от привычных ассистентов в облаке, этот набор никто не сможет выключить или отцензурировать.
Задумка простая: ИИ как часть набора для выживания. Такой же необходимый элемент, как аптечка или генератор.
Это первый взгляд на ИИ не как на офисный инструмент, а как на часть набора для выживания. ИИ как последний запас знаний, когда свет уже погас.
По реакциям пойму, понравилась ли вам эта идея для новой рубрики или нет.
@maxvotek
Хочу попробовать новую рубрику - буду делиться идеями инструментов, которые приходят в голову, но руки дойдут нескоро.
Как вам такая идея? - Emergency GPT Kit
Это портативная офлайн-станция с ИИ. По сути, умный генератор/справочник основных знаний накопленных человечеством, который работает даже тогда, когда нет интернета, сервера легли или доступ к облаку отрубили.
В отличие от привычных ассистентов в облаке, этот набор никто не сможет выключить или отцензурировать.
Задумка простая: ИИ как часть набора для выживания. Такой же необходимый элемент, как аптечка или генератор.
Что в наборе:
• библиотека моделей (LLaMA, DeepSeek, Qwen + лёгкие версии для экономии энергии);
• простой интерфейс: переключаешь под задачу: медицина, выживание, код, бытовые вопросы;
• честная информация без политических фильтров;
• автономное питание: батареи, солнечные панели, даже ручная динамо-зарядка;
• прочный корпус, защита от ЭМИ, работа без сети.
Конфигурации:
1. Lite Survival (~$1000)
Компактный компьютер, лёгкие модели 3–7B, солнечная и ручная зарядка. Легко взять с собой.
2. Pro Workstation (~$6000)
Мощный ПК (Ryzen 9 / i9 + RTX 3090–4080), до 20 часов от батареи. Тянет модели 13B–32B.
3. Fallout Node (~$20,000)
Несколько GPU, 128 GB RAM, целый «зоопарк» моделей до 70B параметров. Хороше дополнение к вашему бункеру.
Где пригождается:
• в ЧС: медицинские справочники и инструкции без облака;
• в экспедициях и на базах без связи;
• для журналистов и исследователей, которым нужна полная автономия;
• для образования и экспериментов в офлайн-режиме.
Это первый взгляд на ИИ не как на офисный инструмент, а как на часть набора для выживания. ИИ как последний запас знаний, когда свет уже погас.
По реакциям пойму, понравилась ли вам эта идея для новой рубрики или нет.
@maxvotek
👍112🔥63❤60👎7
Forward Deployed Engineer (FDE) - профессия, которая родилась на стыке разработки и консалтинга.
Пожалуй, самый известный пример - это Palantir, где FDE буквально жили у клиентов в армии, банках, госсекторе.
Именно их работа на земле превращала платформу в реальные результаты, от борьбы с отмыванием денег до поддержки боевых операций.
Сегодня, как отмечает Joe Schmidt IV (Andreessen Horowitz), рост спроса на FDE - это сигнал: бизнес-модели меняются, сервис становится не нагрузкой для продуктовой компании, а частью успеха всей стратегии.
Кто такие FDE?
Инженеры, которые не сидят в R&D-центре, а работают рядом с клиентом, часто в одном офисе. Они гибрид: разработчик + архитектор решений + консультант.
Их цель - быстрый бизнес-результат, а не абстрактные фичи и roadmap.
Традиционный разработчик или бизнес-аналитик делает фичи для всех.
FDE адаптирует и изобретает новое под конкретного клиента, что потом продуктизируется. Это hands-on роль, мост между стратегией и исполнением.
Schmidt выделяет три уровня интеграции сервисов в современные AI-компании:
1. AI Applications: продуктовые компании с FDE-командами для первых клиентов.
2. AI Service Delivery: новый консалтинг, конкурирующий с Accenture/Deloitte.
3. Vertically Integrated AI Services: полный стек, где AI вшит в саму доставку и клиентский опыт.
У нас в Customertimes мы видим то же самое.
Наши продукты успешны потому, что мы живём с клиентом, как системный интегратор: глубоко понимаем процессы, вместе с ним находим решение и уже потом превращаем это в продукт.
В эпоху AI FDE-подход - это не просто роль, а модель, которая делает технологии бизнес-критичными.
@maxvotek
Пожалуй, самый известный пример - это Palantir, где FDE буквально жили у клиентов в армии, банках, госсекторе.
Именно их работа на земле превращала платформу в реальные результаты, от борьбы с отмыванием денег до поддержки боевых операций.
Сегодня, как отмечает Joe Schmidt IV (Andreessen Horowitz), рост спроса на FDE - это сигнал: бизнес-модели меняются, сервис становится не нагрузкой для продуктовой компании, а частью успеха всей стратегии.
Кто такие FDE?
Инженеры, которые не сидят в R&D-центре, а работают рядом с клиентом, часто в одном офисе. Они гибрид: разработчик + архитектор решений + консультант.
Их цель - быстрый бизнес-результат, а не абстрактные фичи и roadmap.
Традиционный разработчик или бизнес-аналитик делает фичи для всех.
FDE адаптирует и изобретает новое под конкретного клиента, что потом продуктизируется. Это hands-on роль, мост между стратегией и исполнением.
Schmidt выделяет три уровня интеграции сервисов в современные AI-компании:
1. AI Applications: продуктовые компании с FDE-командами для первых клиентов.
2. AI Service Delivery: новый консалтинг, конкурирующий с Accenture/Deloitte.
3. Vertically Integrated AI Services: полный стек, где AI вшит в саму доставку и клиентский опыт.
У нас в Customertimes мы видим то же самое.
Наши продукты успешны потому, что мы живём с клиентом, как системный интегратор: глубоко понимаем процессы, вместе с ним находим решение и уже потом превращаем это в продукт.
В эпоху AI FDE-подход - это не просто роль, а модель, которая делает технологии бизнес-критичными.
@maxvotek
👍21🔥11❤7
Фарма сегодня - два параллельных мира
Если смотреть на фарму с точки зрения прибыли, это почти как смотреть на айти и промышленность одновременно. Маржинальность тут может отличаться в разы.
С одной стороны есть United Therapeutics. Узкая специализация, строгий контроль расходов, разумный R&D.
Результат? Маржа 50%, почти как у топовых айти-компаний. Они работают как технологическая фирма, а не как традиционная фабрика таблеток.
Отдельно стоит отметить Мартину Ротблатт из United Therapeutics - она одной из первых показала, что фарма может работать как IT-бизнес, с дисциплиной в процессах и фокусом на эффективности.
Похожи на них Novo Nordisk и Vertex.
Их портфели узкие: не сотни лекарств, а несколько ключевых продуктов. Цены на эти лекарства высоки, спрос стабилен, маржа держится на уровне 40%+. Для обычной фармы это впечатляет.
А теперь гиганты: Pfizer, Merck, Sinopharm.
Миллиарды на балансе, глобальный охват, известные бренды. Но операционная прибыль всего 4–6%.
Почему так мало? Масштаб без эффективности не работает. SG&A (маркетинг, продажи, админка) съедает огромную часть дохода, а давление регуляторов на цены дополнительно сжимает маржу.
Интересно, что большие расходы на R&D не гарантируют высокую прибыль.
Например, BioNTech 18%, Moderna 0%. Много инноваций, но огромные риски, долгие инвестиционные циклы и неопределённый срок окупаемости.
На практике оказывается, что эффективная SG&A - это то, что держит бизнес на плаву.
Контролируешь расходы на маркетинг и админку, можешь инвестировать в рост и новые продукты, а не просто тратить деньги.
Ещё один момент: фарма не однородна. Одни компании ведут себя как технологические стартапы: узкий фокус, высокие маржи, низкие производственные затраты.
Пример - Insilico. Используя AI, они сокращают цикл разработки лекарства почти в два раза (с 15 до 8 лет). Для отрасли, где каждая задержка стоит миллиарды, это меняет правила игры. Здесь ценность создаёт не масштаб, а скорость и технологичность.
Другие гиганты традиционной логики масштаба, борются просто за выживание.
Что дальше? Value-based care и давление на цены уже на горизонте.
Маржинальность бизнеса будет сжиматься, вопрос не в том, упадут ли они, а кто успеет адаптироваться быстрее и сохранить прибыль.
@maxvotek
Если смотреть на фарму с точки зрения прибыли, это почти как смотреть на айти и промышленность одновременно. Маржинальность тут может отличаться в разы.
С одной стороны есть United Therapeutics. Узкая специализация, строгий контроль расходов, разумный R&D.
Результат? Маржа 50%, почти как у топовых айти-компаний. Они работают как технологическая фирма, а не как традиционная фабрика таблеток.
Отдельно стоит отметить Мартину Ротблатт из United Therapeutics - она одной из первых показала, что фарма может работать как IT-бизнес, с дисциплиной в процессах и фокусом на эффективности.
Похожи на них Novo Nordisk и Vertex.
Их портфели узкие: не сотни лекарств, а несколько ключевых продуктов. Цены на эти лекарства высоки, спрос стабилен, маржа держится на уровне 40%+. Для обычной фармы это впечатляет.
А теперь гиганты: Pfizer, Merck, Sinopharm.
Миллиарды на балансе, глобальный охват, известные бренды. Но операционная прибыль всего 4–6%.
Почему так мало? Масштаб без эффективности не работает. SG&A (маркетинг, продажи, админка) съедает огромную часть дохода, а давление регуляторов на цены дополнительно сжимает маржу.
Интересно, что большие расходы на R&D не гарантируют высокую прибыль.
Например, BioNTech 18%, Moderna 0%. Много инноваций, но огромные риски, долгие инвестиционные циклы и неопределённый срок окупаемости.
На практике оказывается, что эффективная SG&A - это то, что держит бизнес на плаву.
Контролируешь расходы на маркетинг и админку, можешь инвестировать в рост и новые продукты, а не просто тратить деньги.
Ещё один момент: фарма не однородна. Одни компании ведут себя как технологические стартапы: узкий фокус, высокие маржи, низкие производственные затраты.
Пример - Insilico. Используя AI, они сокращают цикл разработки лекарства почти в два раза (с 15 до 8 лет). Для отрасли, где каждая задержка стоит миллиарды, это меняет правила игры. Здесь ценность создаёт не масштаб, а скорость и технологичность.
Другие гиганты традиционной логики масштаба, борются просто за выживание.
Что дальше? Value-based care и давление на цены уже на горизонте.
Маржинальность бизнеса будет сжиматься, вопрос не в том, упадут ли они, а кто успеет адаптироваться быстрее и сохранить прибыль.
@maxvotek
👍20❤10🔥5👎1
Контекст-инженеры - новая профессия AI-эпохи
Сегодня модели настолько умные, что дело уже не в том, как спросить, а в том, что положить в контекст.
Контекст-инжиниринг - это наука и искусство заполнения контекстного окна ровно тем, что нужно для следующего шага.
Наука - система и структура: описание задач, few-shot примеры, RAG (умный поиск по базе знаний), мультимодальные данные (текст, картинки, аудио), управление инструментами и состояниями, фильтрация шума, сжатие информации, JSON, XML.
Искусство - интуиция. Чувствовать модель, понимать, что сработает, а что испортит результат.
• Если слишком мало контекста модель не справляется.
• Слишком много, то растут расходы, падает качество.
• Не тот контекст - результат мимо.
Вот здесь нужны контекст-инженеры.
Они как шеф на кухне: выбирают правильные ингредиенты для AI, чтобы блюдо получилось вкусным.
Только ингредиенты - это данные, инструкции, история диалогов, примеры. Всё нужное для следующего шага, и ничего лишнего.
Контекст-инженеры - архитекторы корпоративного знания. Они строят каркас, в котором AI может думать, решать и действовать безопасно.
Пример: Cognizant нанимает 1000 контекст-инженеров для платформы ContextFabric. Они собирают корпоративные знания, управляют полным циклом контекста, фильтруют шум и создают повторно используемые пакеты контекста.
Интересно, как Cognizant сам жертвует своей бизнес-моделью. То же самое я отмечал у Globant. Похоже, понимают: лучше потерять часть прибыли сейчас, чем не успеть стать AI-first компанией.
Всё это, чтобы AI-агенты работали как настоящие сотрудники.
Их цель проста: превращать корпоративный опыт, процессы и данные в реальные результаты. AI начинает действовать быстро, эффективно и безопасно.
Без контекст-инженеров масштабное внедрение AI просто невозможно.
Они мост между корпоративными знаниями и интеллектом машин, который реально работает.
@maxvotek
Сегодня модели настолько умные, что дело уже не в том, как спросить, а в том, что положить в контекст.
Контекст-инжиниринг - это наука и искусство заполнения контекстного окна ровно тем, что нужно для следующего шага.
Наука - система и структура: описание задач, few-shot примеры, RAG (умный поиск по базе знаний), мультимодальные данные (текст, картинки, аудио), управление инструментами и состояниями, фильтрация шума, сжатие информации, JSON, XML.
Искусство - интуиция. Чувствовать модель, понимать, что сработает, а что испортит результат.
• Если слишком мало контекста модель не справляется.
• Слишком много, то растут расходы, падает качество.
• Не тот контекст - результат мимо.
Вот здесь нужны контекст-инженеры.
Они как шеф на кухне: выбирают правильные ингредиенты для AI, чтобы блюдо получилось вкусным.
Только ингредиенты - это данные, инструкции, история диалогов, примеры. Всё нужное для следующего шага, и ничего лишнего.
Контекст-инженеры - архитекторы корпоративного знания. Они строят каркас, в котором AI может думать, решать и действовать безопасно.
Пример: Cognizant нанимает 1000 контекст-инженеров для платформы ContextFabric. Они собирают корпоративные знания, управляют полным циклом контекста, фильтруют шум и создают повторно используемые пакеты контекста.
Интересно, как Cognizant сам жертвует своей бизнес-моделью. То же самое я отмечал у Globant. Похоже, понимают: лучше потерять часть прибыли сейчас, чем не успеть стать AI-first компанией.
Всё это, чтобы AI-агенты работали как настоящие сотрудники.
Их цель проста: превращать корпоративный опыт, процессы и данные в реальные результаты. AI начинает действовать быстро, эффективно и безопасно.
Без контекст-инженеров масштабное внедрение AI просто невозможно.
Они мост между корпоративными знаниями и интеллектом машин, который реально работает.
@maxvotek
🔥16👍12❤9👎2
AI в фармацевтическом маркетинге - это не про генерацию контента
В обычных сферах AI можно просто включить: он пишет тексты, генерирует идеи, и их сразу используют.
В фарме это не прокатывает. Здесь есть строгие правила MLR (Medical, Legal, Regulatory). Любой материал нужно проверять, иначе штрафы и репутационные риски.
AI-агентам не обязательно придумывать что-то новое, чтобы быть полезными.
Например, Ostro делает так: агент отвечает только на основе заранее загруженной и проверенной информации. Он не генерирует новые ответы, но зато полностью безопасен для бизнеса.
Кроме Ostro, Pfizer, Roche, GlaxoSmithKline внедряют AI-платформы для автоматизации контроля контента, подготовки к аудитам и управления данными.
Принцип один: использовать только проверенную информацию, минимизировать ошибки, быстро реагировать на изменения правил и повышать безопасность.
Не всегда нужна генерация нового. Иногда достаточно умного, безопасного и быстрого доступа к проверенной информации.
@maxvotek
В обычных сферах AI можно просто включить: он пишет тексты, генерирует идеи, и их сразу используют.
В фарме это не прокатывает. Здесь есть строгие правила MLR (Medical, Legal, Regulatory). Любой материал нужно проверять, иначе штрафы и репутационные риски.
AI-агентам не обязательно придумывать что-то новое, чтобы быть полезными.
Например, Ostro делает так: агент отвечает только на основе заранее загруженной и проверенной информации. Он не генерирует новые ответы, но зато полностью безопасен для бизнеса.
• Скорость работы растёт: команды больше не тратят часы или дни на проверку контента. AI мгновенно выдаёт корректную информацию.
• Конкуренция толкает на инновации: компании, которые быстрее и безопаснее обрабатывают данные, получают преимущество на рынке.
• Пациенты выигрывают: достоверная информация доходит быстрее, ошибки исключены.
Кроме Ostro, Pfizer, Roche, GlaxoSmithKline внедряют AI-платформы для автоматизации контроля контента, подготовки к аудитам и управления данными.
Принцип один: использовать только проверенную информацию, минимизировать ошибки, быстро реагировать на изменения правил и повышать безопасность.
Не всегда нужна генерация нового. Иногда достаточно умного, безопасного и быстрого доступа к проверенной информации.
@maxvotek
🔥14❤6👍4👎1
Бенчмарки LLM: что важно для бизнеса
Обычно языковые модели проверяют на интеллектуальные способности через академические тесты: умеет ли отвечать правильно, рассуждать логично, выдавать текст быстро.
Всё это, конечно, полезно для науки, но в бизнесе такие метрики мало что говорят.
В реальной работе ценность модели измеряется другими вещами, что напрямую влияют на людей и процессы:
• Когнитивная нагрузка: сколько сил тратит сотрудник, чтобы получить нормальный результат?
• Эмоциональная нагрузка: помогает ли модель снизить стресс и упростить принятие решений?
• Эффективность взаимодействия: сколько уточняющих запросов нужно, чтобы добраться до ответа?
• Инновационный потенциал: подкидывает ли модель свежие идеи: новые лиды, способы сэкономить или снизить риски?
Поэтому важен не сам факт правильного ответа, а то, расширяет ли LLM горизонты анализа, снимает ли барьеры и приносит ли бизнесу ощутимую выгоду.
Один из подходов - это заимствовать практики из медицины и соцнаук: делать слепые A/B-тесты.
Берём две группы сотрудников - одна работает с LLM, вторая без и смотрим, у кого больше идей и полезных находок.
В итоге компании инвестируют не в красивые проценты точности, а в три конкретные вещи: рост доходов, сокращение расходов и снижение рисков.
Вот это и есть настоящие бенчмарки для LLM.
@maxvotek
Обычно языковые модели проверяют на интеллектуальные способности через академические тесты: умеет ли отвечать правильно, рассуждать логично, выдавать текст быстро.
Всё это, конечно, полезно для науки, но в бизнесе такие метрики мало что говорят.
В реальной работе ценность модели измеряется другими вещами, что напрямую влияют на людей и процессы:
• Когнитивная нагрузка: сколько сил тратит сотрудник, чтобы получить нормальный результат?
• Эмоциональная нагрузка: помогает ли модель снизить стресс и упростить принятие решений?
• Эффективность взаимодействия: сколько уточняющих запросов нужно, чтобы добраться до ответа?
• Инновационный потенциал: подкидывает ли модель свежие идеи: новые лиды, способы сэкономить или снизить риски?
Поэтому важен не сам факт правильного ответа, а то, расширяет ли LLM горизонты анализа, снимает ли барьеры и приносит ли бизнесу ощутимую выгоду.
Один из подходов - это заимствовать практики из медицины и соцнаук: делать слепые A/B-тесты.
Берём две группы сотрудников - одна работает с LLM, вторая без и смотрим, у кого больше идей и полезных находок.
В итоге компании инвестируют не в красивые проценты точности, а в три конкретные вещи: рост доходов, сокращение расходов и снижение рисков.
Вот это и есть настоящие бенчмарки для LLM.
@maxvotek
🔥22❤8👍7
100‑страничный промпт от KPMG: как TaxBot сжимает 2 недели в 1 день
Представьте: раньше команда KPMG тратила две недели, чтобы собрать драфт налогового заключения.
Теперь агент делает это за один день. Не чудеса, а дисциплина.
В KPMG Australia собрали партнёрские меморандумы, налоговый кодекс и ещё кучу документов. Всё это загрузили в RAG‑агента, который теперь генерирует 25‑страничный драфт за день.
Факты кейса:
Почему это важно:
Чек‑лист для внедрения:
Размер промпта здесь следствие зрелости процесса.
Как только появляется runtime для агентов (роли писатель‑редактор‑менеджер, единые инструменты, проверяемые источники), необходимость в 200‑страничной магии снижается. KPMG к этому уже идёт.
@maxvotek
Представьте: раньше команда KPMG тратила две недели, чтобы собрать драфт налогового заключения.
Теперь агент делает это за один день. Не чудеса, а дисциплина.
В KPMG Australia собрали партнёрские меморандумы, налоговый кодекс и ещё кучу документов. Всё это загрузили в RAG‑агента, который теперь генерирует 25‑страничный драфт за день.
Факты кейса:
• Агент работает внутри KPMG Workbench: собственной мультиагентной платформы на базе Microsoft‑стека, спроектированной как открытая и интероперабельная среда.
• KPMG сознательно не привязывается к одному вендору LLM: в Workbench доступны модели OpenAI, Microsoft, Google, Anthropic и Meta.
• Старт был осторожным: после ранних экспериментов (вплоть до обнаружения на серверах файла с тысячами номеров карт сотрудников) публичный ChatGPT заблокировали и перешли к приватной среде.
• Таксбот запускается по 4–5 входным параметрам, просит указания у человека и только потом генерирует документ. Доступ только у лицензированных налоговых агентов.
• Эффект: быстрее сделки (M&A), рост удовлетворённости сотрудников, неожиданные новые доходы (клиенты стали просить купить агентов).
Почему это важно:
• 100 страниц промпта - это не трюк, а спецификация процесса: роли, источники, формат вывода, проверки, допуски. В Enterprise это нормально.
• Вертикализация агентов выигрывает у обобщённых чатов: узкая доменная область + приватные данные + чёткий workflow.
• Мульти‑LLM стратегия снижает риски по качеству и стоимости, а не ставка на одного.
• Последовательность действий: безопасность → инвентаризация знаний → платформа → обучение → агенты.
Чек‑лист для внедрения:
•
Карта экспертного контента.
Соберите все меморандумы, шаблоны, политики в единый индекс (метаданные, версии, владельцы). Избавьтесь от знания на ноутбуках партнёров.
•
Приватная среда и аудит.
Доступы, логи, DLP, песочницы для тестов. Ограничьте публичные модели.
•
Инженерия запроса как ТЗ.
Длинный промпт оформите как живой документ: цели, входы, формат первого драфта, критерии качества, эскалации.
•
Human‑in‑the‑loop.
Определите, кто и когда правит драфт перед клиентом.
•
Мульти‑модельная оркестрация.
Возможность переключать модели под задачу и стоимость.
•
Метрики.
Время на драфт, доля повторного использования, доля правок эксперта, удовлетворённость команды, конверсия в выручку.
Размер промпта здесь следствие зрелости процесса.
Как только появляется runtime для агентов (роли писатель‑редактор‑менеджер, единые инструменты, проверяемые источники), необходимость в 200‑страничной магии снижается. KPMG к этому уже идёт.
@maxvotek
🔥21👍10❤3
О типах продуктовых лидеров
SVPG предлагает простую, но полезную классификацию - 3 архетипа:
1. Visionary (визионер): тот, кто видит картину будущего. Отлично задаёт направление, умеет зажечь команду, но часто не детализирует как именно.
2.Craftsman (ремесленник): эксперт по продукту, глубоко понимающий технологию, UX и детали. Сильная сторона - качество исполнения, слабая - масштабирование.
3. Operator (оператор): лидер-процессник. Наводит порядок, формализует процессы, добивается эффективности, но может быть сухим и терять контакт с пользователями.
А я добавил бы ещё четвёртый тип Coach (коуч): развивает людей, создает культуру, работает через команду. Часто не хватает решимости «порезать» идею, если она плохо работает.
Важно, что почти все успешные продуктовые компании имеют смесь этих ролей. Редко один человек способен сочетать все качества сразу.
Урок тут простой:
— Если ты строишь продуктовую команду, важно понимать, кто у тебя Visionary, а кто Craftsman или Operator;
— Если ты сам продукт-лидер, то осознавать свой архетип и компенсировать слабые стороны через партнёров и команду.
Лично у меня лучше всего получается роль Visionary: видеть направление, находить технические решения и возможности и превращать идеи в работающий MVP.
• Полезный оператор - это тот, кто умеет строить систему так, чтобы масштабировать успех.
Он понимает, что процессы - это не бюрократия, а способ дать команде фокус и предсказуемость. Такой лидер помогает продукту расти, а не душит его.
• Вредный оператор превращает работу в бесконечные митинги, отчёты и согласования. Вместо ясности появляется процесс ради процесса, и команда теряет скорость и энергию.
Когда вы нанимаете человека из крупной известной компании, стоит помнить: многие из этих компаний умеют лишь угождать как можно большему числу стейкхолдеров, но не умеют делать продукт и это последнее, что вы захотите привнести в свою компанию.
От себя добавлю: операторы, даже успешные в прошлом, могут оказаться неуспешными на твоём проекте, если этот продукт не является для них большим вызовом.
Лучшие результаты получались, когда находишь талант изнутри и даёшь человеку вызов, который сильно больше его текущей квалификации.
Также я с большим уважением отношусь к работе операторов, потому что сам в этом не силён.
У каждого архетипа есть свои сильные и слабые стороны.
Сочетание этих ролей - залог сильной продуктовой команды, где craft - основа, а coaching и масштабирование помогают продукту расти и развиваться.
@maxvotek
SVPG предлагает простую, но полезную классификацию - 3 архетипа:
1. Visionary (визионер): тот, кто видит картину будущего. Отлично задаёт направление, умеет зажечь команду, но часто не детализирует как именно.
2.Craftsman (ремесленник): эксперт по продукту, глубоко понимающий технологию, UX и детали. Сильная сторона - качество исполнения, слабая - масштабирование.
3. Operator (оператор): лидер-процессник. Наводит порядок, формализует процессы, добивается эффективности, но может быть сухим и терять контакт с пользователями.
А я добавил бы ещё четвёртый тип Coach (коуч): развивает людей, создает культуру, работает через команду. Часто не хватает решимости «порезать» идею, если она плохо работает.
Важно, что почти все успешные продуктовые компании имеют смесь этих ролей. Редко один человек способен сочетать все качества сразу.
Урок тут простой:
— Если ты строишь продуктовую команду, важно понимать, кто у тебя Visionary, а кто Craftsman или Operator;
— Если ты сам продукт-лидер, то осознавать свой архетип и компенсировать слабые стороны через партнёров и команду.
Лично у меня лучше всего получается роль Visionary: видеть направление, находить технические решения и возможности и превращать идеи в работающий MVP.
• Полезный оператор - это тот, кто умеет строить систему так, чтобы масштабировать успех.
Он понимает, что процессы - это не бюрократия, а способ дать команде фокус и предсказуемость. Такой лидер помогает продукту расти, а не душит его.
• Вредный оператор превращает работу в бесконечные митинги, отчёты и согласования. Вместо ясности появляется процесс ради процесса, и команда теряет скорость и энергию.
Когда вы нанимаете человека из крупной известной компании, стоит помнить: многие из этих компаний умеют лишь угождать как можно большему числу стейкхолдеров, но не умеют делать продукт и это последнее, что вы захотите привнести в свою компанию.
От себя добавлю: операторы, даже успешные в прошлом, могут оказаться неуспешными на твоём проекте, если этот продукт не является для них большим вызовом.
Лучшие результаты получались, когда находишь талант изнутри и даёшь человеку вызов, который сильно больше его текущей квалификации.
Также я с большим уважением отношусь к работе операторов, потому что сам в этом не силён.
У каждого архетипа есть свои сильные и слабые стороны.
Сочетание этих ролей - залог сильной продуктовой команды, где craft - основа, а coaching и масштабирование помогают продукту расти и развиваться.
@maxvotek
👍24🔥16❤9
Смерть пирамиды интеграторов: как AI меняет всё
Десятилетиями интеграторы жили по простой схеме: продавать fix price проект на основе трудозатрат в часах и чем больше людей на проекте, тем больше денег. Часто проекты растягивались на годы вместе с бюджетами на команду.
Внешний KPI - успех проекта. Главный внутренний KPI - утилизация: у каждого сотрудника должно быть оплачено > 75% времени.
Идеальная пирамидальная экономика: сверху партнёр в костюме, снизу сотни джуниоров, а по центру толковые люди с Excel с часами, планом и утилизацией в %.
AI ломает эту систему.
Возьмём типичный проект SAP. Раньше, чтобы внедрить модуль, компания нанимала 30–50-100 человек, половина джуниоры и работала минимум полтора года.
Каждый шаг: сбор требований, тесты, документация, обучение сотрудников - тянулся месяцами. Выручка интегратора росла с каждым часом, а клиент терпел этот медленный процесс.
Нарисую пока идеальную картину, но которая уже выглядит реалистично с AI. На тот же проект можно взять 5–7 человек: сеньоров и специалистов по процессам и подключить AI-агентов. Агенты за ночь прогоняют 80% тестов, генерируют документацию и проверяют конфигурации. Конечный результат готов через 3–4 месяца, стоимость проекта падает в разы.
Для клиента это огромная экономия, для интегратора - падение выручки, если он не пересмотрит модель и не научится делать больше проектов меньшим количеством людей.
Очевидно, что клиенты тоже начинают понимать, что выгодно заплатить за результат, а не за количество часов и специалистов.
Кто выигрывает? Клиенты и небольшие бутики с AI, где команды из 5–7 человек с агентами могут работать быстрее и дешевле, чем традиционные гиганты. Средний бизнес получает доступ к проектам, которые раньше были только для крупных корпораций и за считанные месяцы.
Платформы вроде Salesforce и SAP начинают сами выпускать агентов и зарабатывать там, где раньше зарабатывали интеграторы.
Кто проигрывает? Body-shop интеграторы: сотни джуниоров теперь не нужны. Крупные корпорации слишком громоздкие, чтобы перестроить свои пирамиды быстро. Всем консталтинговым компаниям пора сделать резкий поворот.
Простой вывод: $1,5 трлн рынок IT-сервисов скоро перестанет продавать часы и начинает больше фокусироваться на скорости получения результата. Выживет те, кто умеет его гарантировать , а не те, кто цепляется за старую пирамиду.
Сделал более детальный разбор стратегий, цифр и сценариев и собрал на Substack в трёх частях.
Буду рад, если прочитаете:
• Part I - The Great Repricing
• Part II - The AI-Native Path Forward
• Part III - Transition & New Operating Model
@maxvotek
Десятилетиями интеграторы жили по простой схеме: продавать fix price проект на основе трудозатрат в часах и чем больше людей на проекте, тем больше денег. Часто проекты растягивались на годы вместе с бюджетами на команду.
Внешний KPI - успех проекта. Главный внутренний KPI - утилизация: у каждого сотрудника должно быть оплачено > 75% времени.
Идеальная пирамидальная экономика: сверху партнёр в костюме, снизу сотни джуниоров, а по центру толковые люди с Excel с часами, планом и утилизацией в %.
AI ломает эту систему.
Возьмём типичный проект SAP. Раньше, чтобы внедрить модуль, компания нанимала 30–50-100 человек, половина джуниоры и работала минимум полтора года.
Каждый шаг: сбор требований, тесты, документация, обучение сотрудников - тянулся месяцами. Выручка интегратора росла с каждым часом, а клиент терпел этот медленный процесс.
Нарисую пока идеальную картину, но которая уже выглядит реалистично с AI. На тот же проект можно взять 5–7 человек: сеньоров и специалистов по процессам и подключить AI-агентов. Агенты за ночь прогоняют 80% тестов, генерируют документацию и проверяют конфигурации. Конечный результат готов через 3–4 месяца, стоимость проекта падает в разы.
Для клиента это огромная экономия, для интегратора - падение выручки, если он не пересмотрит модель и не научится делать больше проектов меньшим количеством людей.
Очевидно, что клиенты тоже начинают понимать, что выгодно заплатить за результат, а не за количество часов и специалистов.
Кто выигрывает? Клиенты и небольшие бутики с AI, где команды из 5–7 человек с агентами могут работать быстрее и дешевле, чем традиционные гиганты. Средний бизнес получает доступ к проектам, которые раньше были только для крупных корпораций и за считанные месяцы.
Платформы вроде Salesforce и SAP начинают сами выпускать агентов и зарабатывать там, где раньше зарабатывали интеграторы.
Кто проигрывает? Body-shop интеграторы: сотни джуниоров теперь не нужны. Крупные корпорации слишком громоздкие, чтобы перестроить свои пирамиды быстро. Всем консталтинговым компаниям пора сделать резкий поворот.
Простой вывод: $1,5 трлн рынок IT-сервисов скоро перестанет продавать часы и начинает больше фокусироваться на скорости получения результата. Выживет те, кто умеет его гарантировать , а не те, кто цепляется за старую пирамиду.
Сделал более детальный разбор стратегий, цифр и сценариев и собрал на Substack в трёх частях.
Буду рад, если прочитаете:
• Part I - The Great Repricing
• Part II - The AI-Native Path Forward
• Part III - Transition & New Operating Model
@maxvotek
👍33❤20🔥9
AI и посредственность в консалтинге
Продолжая мысль про пирамиды в консалтинге. Добавленная стоимость здесь всегда была в двух вещах:
• capacity: дополнительные руки
• insight: стратегическое видение.
AI быстро забирает первое: внедрение CRM, ERP, миграции, отчёты и презентации теперь автоматизируются.
Недаром отрасль уже лихорадит:
• McKinsey сократил ~10 % сотрудников.
• PwC в США уволил 1 500 консультантов.
• Big Four снизили набор выпускников на 44 % за два года.
Зато ценность архитекторов перемен растёт. Те, кто способен найти инсайт, пробудить у CEO страх упустить шанс, создать эффект срочности и провести компанию через трансформацию, становятся ещё дороже.
AI убивает посредственность и сокращает число ремесленников, но делает визионеров незаменимыми.
Инсайт - новая валюта консалтинга.
@maxvotek
Продолжая мысль про пирамиды в консалтинге. Добавленная стоимость здесь всегда была в двух вещах:
• capacity: дополнительные руки
• insight: стратегическое видение.
AI быстро забирает первое: внедрение CRM, ERP, миграции, отчёты и презентации теперь автоматизируются.
Недаром отрасль уже лихорадит:
• McKinsey сократил ~10 % сотрудников.
• PwC в США уволил 1 500 консультантов.
• Big Four снизили набор выпускников на 44 % за два года.
Зато ценность архитекторов перемен растёт. Те, кто способен найти инсайт, пробудить у CEO страх упустить шанс, создать эффект срочности и провести компанию через трансформацию, становятся ещё дороже.
AI убивает посредственность и сокращает число ремесленников, но делает визионеров незаменимыми.
Инсайт - новая валюта консалтинга.
@maxvotek
🔥25👍12❤10
s12888-025-06815-2.pdf
1 MB
———
О том, как негативные мысли отупляют
Много размышляю и делился с вами мыслями о негативных оценках себя (negative self-talk), и тут прочитал, что в новом исследовании BMC Psychiatry проверили, как повторяющиеся негативные размышления связаны с когнитивными функциями у людей 60+.
Участники из Уханя проходили опрос в 2023 году: уровень зацикленности измеряли по шкале PTQ, мышление по тесту MoCA.
Результат предсказуемый: чем выше привычка вращать в уме мрачные сценарии, тем ниже общий балл когнитивной оценки.
Больше всего страдали память, внимание, абстракция и визуально-пространственные навыки; языковые способности заметно не менялись.
В быту и работе это выглядит буднично: задержки с принятием решений, забытые детали на встречах, потерянная креативность.
Уровень тревоги может быть невысоким, но постоянное возвращение к одним и тем же мыслям постепенно съедает скорость обучения и адаптации.
Высокие показатели, не только генетика, спорт, режим и сон. Это ещё и дисциплина мышления.
Негативные циклы плохо влияют на память так же предсказуемо, как открытые десять вкладок в браузере.
Что помогает мне такой диалог притормозить или остановить:
1. Отметить явно для себя: Я сейчас зациклился.
2. Можно дать себе немного времени, например 15 минут на беспокойства, дальше - переключение на другой контекст.
3. One step at a time. Сфокусироваться на следующем действии вместо очередного круга мыслей.
4. Переключатель тела: ходьба, бег, бокс.
5. Держать режим сна и тренировок, следить за HRV.
@maxvotek
О том, как негативные мысли отупляют
Много размышляю и делился с вами мыслями о негативных оценках себя (negative self-talk), и тут прочитал, что в новом исследовании BMC Psychiatry проверили, как повторяющиеся негативные размышления связаны с когнитивными функциями у людей 60+.
Участники из Уханя проходили опрос в 2023 году: уровень зацикленности измеряли по шкале PTQ, мышление по тесту MoCA.
Результат предсказуемый: чем выше привычка вращать в уме мрачные сценарии, тем ниже общий балл когнитивной оценки.
Больше всего страдали память, внимание, абстракция и визуально-пространственные навыки; языковые способности заметно не менялись.
В быту и работе это выглядит буднично: задержки с принятием решений, забытые детали на встречах, потерянная креативность.
Уровень тревоги может быть невысоким, но постоянное возвращение к одним и тем же мыслям постепенно съедает скорость обучения и адаптации.
Высокие показатели, не только генетика, спорт, режим и сон. Это ещё и дисциплина мышления.
Негативные циклы плохо влияют на память так же предсказуемо, как открытые десять вкладок в браузере.
Что помогает мне такой диалог притормозить или остановить:
1. Отметить явно для себя: Я сейчас зациклился.
2. Можно дать себе немного времени, например 15 минут на беспокойства, дальше - переключение на другой контекст.
3. One step at a time. Сфокусироваться на следующем действии вместо очередного круга мыслей.
4. Переключатель тела: ходьба, бег, бокс.
5. Держать режим сна и тренировок, следить за HRV.
@maxvotek
🔥29👍22❤8👎1
Не судите о результатам по двум попыткам
Часто вижу одно и то же: столкнулись с новым бизнес-вызовом, сделали пару попыток - не работает. Как в спорте: подал две подачи мимо, значит теннис не моя игра. Выстрелил по двум мишеням - не разбил, стрельба не для меня.
В бизнесе логика та же, только ставки выше. Чтобы по‑настоящему разобраться в ремесле, нужны множественные повторения и внимание к мелким изменениям.
Недавно учил друга стрелять по тарелкам. Первые серии шли сложно и почти без попаданий. Но я видел прогресс: стойка лучше, движение ружья ровнее, проводка увереннее, связь мишенью четче, подготовка к выстрелу более осознанная. Это не американский фидбэк только ради поддержки. Это навык тренера - замечать микро‑сдвиги, которые предсказывают результат, даже если тарелки пока целы. Давать позитивную обратную связь очень важно. Когда все собралось вместе - тарелки стали биться с каждым выстрелом.
В бизнесе мы часто рубим с плеча именно здесь. Съездил на одну конференцию - конференции не работают. Добавил людей в LinkedIn, написал десяток сообщений - LinkedIn не работает. Но кто‑то всё же ответил тебе. Кто‑то прочитал твой пост. Это то, чего раньше не было, пока ты не попробовал. Это и есть небольшие, но реальные сдвиги.
Ещё одна знакомая история: придумал стратегию, упорно проверял гипотезы, ночами допиливал мелкие детали, рисковал. Сработало. По классике появляются комментарии: Тебе просто повезло. Кажется, что повезло именно тому, кто сделал сотню попыток, заплатил временем и усилиями, пережил десятки не получилось и всё равно продолжил.
Как не попасть в ловушку самообмана и не тянуть мёртвую идею бесконечно? Для себя придерживаюсь простого подхода:
1. Фиксируйте микро‑прогресс. Что стало хоть немного лучше по сравнению со вчера: отклик, конверсия, глубина диалога?
2. Работайте гипотезами. Чётко формулируйте, что именно проверяете в этой итерации.
3. Заранее задайте стоп‑критерии. На какие сигналы вы остановитесь, а на какие - удвоите усилия.
4. Увеличивайте число попыток. Часто проблема не в не работает, а в попыток было две.
Если чувствуете тягу и видите пусть небольшие, но системные улучшения - продолжайте.
Мастерство приходит не сразу. И да, со стороны это часто будет выглядеть как повезло.
Но мы‑то знаем цену этой удаче: повторения, внимание к деталям и дисциплина не бросать после второго, третьего, десятого промаха.
@maxvotek | linkedin | substack
Часто вижу одно и то же: столкнулись с новым бизнес-вызовом, сделали пару попыток - не работает. Как в спорте: подал две подачи мимо, значит теннис не моя игра. Выстрелил по двум мишеням - не разбил, стрельба не для меня.
В бизнесе логика та же, только ставки выше. Чтобы по‑настоящему разобраться в ремесле, нужны множественные повторения и внимание к мелким изменениям.
Недавно учил друга стрелять по тарелкам. Первые серии шли сложно и почти без попаданий. Но я видел прогресс: стойка лучше, движение ружья ровнее, проводка увереннее, связь мишенью четче, подготовка к выстрелу более осознанная. Это не американский фидбэк только ради поддержки. Это навык тренера - замечать микро‑сдвиги, которые предсказывают результат, даже если тарелки пока целы. Давать позитивную обратную связь очень важно. Когда все собралось вместе - тарелки стали биться с каждым выстрелом.
В бизнесе мы часто рубим с плеча именно здесь. Съездил на одну конференцию - конференции не работают. Добавил людей в LinkedIn, написал десяток сообщений - LinkedIn не работает. Но кто‑то всё же ответил тебе. Кто‑то прочитал твой пост. Это то, чего раньше не было, пока ты не попробовал. Это и есть небольшие, но реальные сдвиги.
Ещё одна знакомая история: придумал стратегию, упорно проверял гипотезы, ночами допиливал мелкие детали, рисковал. Сработало. По классике появляются комментарии: Тебе просто повезло. Кажется, что повезло именно тому, кто сделал сотню попыток, заплатил временем и усилиями, пережил десятки не получилось и всё равно продолжил.
Как не попасть в ловушку самообмана и не тянуть мёртвую идею бесконечно? Для себя придерживаюсь простого подхода:
1. Фиксируйте микро‑прогресс. Что стало хоть немного лучше по сравнению со вчера: отклик, конверсия, глубина диалога?
2. Работайте гипотезами. Чётко формулируйте, что именно проверяете в этой итерации.
3. Заранее задайте стоп‑критерии. На какие сигналы вы остановитесь, а на какие - удвоите усилия.
4. Увеличивайте число попыток. Часто проблема не в не работает, а в попыток было две.
Если чувствуете тягу и видите пусть небольшие, но системные улучшения - продолжайте.
Мастерство приходит не сразу. И да, со стороны это часто будет выглядеть как повезло.
Но мы‑то знаем цену этой удаче: повторения, внимание к деталям и дисциплина не бросать после второго, третьего, десятого промаха.
@maxvotek | linkedin | substack
❤48🔥31👍14
22-летний парень привлёк $9,22 млн на решение одной из главных проблем медицины.
В сентябре 2025 года Tanishq Abraham закрыл раунд в $9,22 млн. Его возглавил Kindred Ventures, а среди участников: Upfront Ventures, Delphi Ventures и лидеры индустрии: Jeff Dean (Google DeepMind), Lukas Biewald (Weights & Biases), Clément Delangue (Hugging Face) и другие.
Его стартап Sophont вошёл в историю как один из крупнейших посевных раундов в healthcare-AI для компаний на ранней стадии.
История самого Tanishq также очень впечатляет:
• В 14 лет биомедицинский инженер, в 19 PhD
• Успел поработать в Stability AI
• Создать DALL-E Mini и основать MedARC - крупнейшее open-source AI-комьюнити в медицине
Большинство медицинских моделей ИИ работают с одним типом данных: КТ, анализы или сканы стекл.
Sophont собирает всё воедино: снимки, лабораторные данные, истории болезней, pathology slides и цель простая, но интересная - построить мультимодальную систему, которая видит пациента целиком, а не по частям.
Что по сути дает врачу то, что сейчас часто недоступно из-за ограничений по времени на визите и позволяет лечить пациента, а не симптом или болезнь отдельно.
Это фундаментальные модели построенные на уникально больших массивах медицинских данных.
Их можно настраивать под разные задачи: диагностика и трияж, подбор пациентов для клинических испытаний, поиск новых биомаркеров, исследования для фармкомпаний и госпиталей.
Сам Tanishq объясняет цель метафорой:
Сейчас Sophont расширяет штат исследователей и запускает пилоты с ведущими больницами и фармкомпаниями.
Уже есть проекты:
• Реконструкция изображений по мозговым сигналам
• Генерация рентгеновских снимков по тексту
• Преобразование brain scans в визуальные данные
Мы уже видим и другие примеры: исследование на десятках тысяч МРТ-сканов выявило связь даже умеренного употребления алкоголя с уменьшением мозга (мой разбор тут). Это показывает силу больших моделей и данных - они находят закономерности, которые раньше считались неочевидными.
Такие истории показывают, что даже в консервативных областях свежий взгляд и экспертиза в ИИ могут менять правила игры. Интересно, насколько большие инвестиции сейчас получают большие фундаментальные модели.
@maxvotek | linkedin | substack
В сентябре 2025 года Tanishq Abraham закрыл раунд в $9,22 млн. Его возглавил Kindred Ventures, а среди участников: Upfront Ventures, Delphi Ventures и лидеры индустрии: Jeff Dean (Google DeepMind), Lukas Biewald (Weights & Biases), Clément Delangue (Hugging Face) и другие.
Его стартап Sophont вошёл в историю как один из крупнейших посевных раундов в healthcare-AI для компаний на ранней стадии.
История самого Tanishq также очень впечатляет:
• В 14 лет биомедицинский инженер, в 19 PhD
• Успел поработать в Stability AI
• Создать DALL-E Mini и основать MedARC - крупнейшее open-source AI-комьюнити в медицине
Большинство медицинских моделей ИИ работают с одним типом данных: КТ, анализы или сканы стекл.
Sophont собирает всё воедино: снимки, лабораторные данные, истории болезней, pathology slides и цель простая, но интересная - построить мультимодальную систему, которая видит пациента целиком, а не по частям.
Что по сути дает врачу то, что сейчас часто недоступно из-за ограничений по времени на визите и позволяет лечить пациента, а не симптом или болезнь отдельно.
Это фундаментальные модели построенные на уникально больших массивах медицинских данных.
Их можно настраивать под разные задачи: диагностика и трияж, подбор пациентов для клинических испытаний, поиск новых биомаркеров, исследования для фармкомпаний и госпиталей.
Сам Tanishq объясняет цель метафорой:
Обычные модели похожи на притчу о слепых людях и слоне, каждый ощупывает одну часть, но никто не видит целого. Sophont хочет построить систему, которая увидит слона полностью.
Сейчас Sophont расширяет штат исследователей и запускает пилоты с ведущими больницами и фармкомпаниями.
Уже есть проекты:
• Реконструкция изображений по мозговым сигналам
• Генерация рентгеновских снимков по тексту
• Преобразование brain scans в визуальные данные
Мы уже видим и другие примеры: исследование на десятках тысяч МРТ-сканов выявило связь даже умеренного употребления алкоголя с уменьшением мозга (мой разбор тут). Это показывает силу больших моделей и данных - они находят закономерности, которые раньше считались неочевидными.
Такие истории показывают, что даже в консервативных областях свежий взгляд и экспертиза в ИИ могут менять правила игры. Интересно, насколько большие инвестиции сейчас получают большие фундаментальные модели.
@maxvotek | linkedin | substack
🔥31👍16❤13
Агенты делают знания бесплатными, а решения бесценными
То, что раньше было tribal knowledge адвокатов, бухгалтеров или консультантов - тысячи мелких нюансов, за которые платили клиенты, сегодня доступно в один запрос к ChatGPT.
Я это почувствовал сам: количество вопросов к бухгалтеру или юристу за год упало в разы.
Там, где раньше было несколько звонков, встреч, размышлений и уточнений, теперь один точный ответ ChatGPT или очень точный вопрос к специалистам со ссылками на законы и факты.
То же самое происходит в медицине.
Недавно помогал знакомому, попавшему в аварию, получить медицинскую помощь: рентгеновский снимок, спор со страховой и врачами.
ChatGPT Pro проанализировал изображение, подсказал, что говорить врачу и как описывать симптомы и тут пациент, врач и страховая оказались в равной позиции, одинаково понимая и трактуя ситуацию.
Огромный пласт проблем, которые раньше упирались во время специалиста, решаются быстрее и точнее.
Простые аналитические инструменты также стали ещё доступнее и быстрее.
На днях выгрузил данные Oura и Garmin, поговорил с ними через Claude Code и ChatGPT и наглядно понял, что постоянный стресс полностью блокировал восстановление, хотя сон, тренировки и часть других показателей были в норме на дэшборде.
Это позволило быстро подобрать ключ к восстановлению, не обращаясь к врачу.
Зубрёжка в медицинском и юридическом институтах стремительно обесценивается.
Ценность появляется там, где есть креативность, способность выйти за рамки, соединить факты, понять причинно-следственные связи, собрать своего digital agent, увидеть инсайт, который лежит где-то глубоко, а иногда и на поверхности.
Уже сегодня один человек, вооружённый агентами под свои задачи, может работать как аналитическая компания.
Всё меньше удивляют истории про фаундеров, которые строят компании с миллиардной капитализацией за рекордные сроки.
Но для людей с фантазией GPT даёт слишком много интересных возможностей, которые сейчас одновременно и лишают их сна.
@maxvotek | linkedin | substack
То, что раньше было tribal knowledge адвокатов, бухгалтеров или консультантов - тысячи мелких нюансов, за которые платили клиенты, сегодня доступно в один запрос к ChatGPT.
Я это почувствовал сам: количество вопросов к бухгалтеру или юристу за год упало в разы.
Там, где раньше было несколько звонков, встреч, размышлений и уточнений, теперь один точный ответ ChatGPT или очень точный вопрос к специалистам со ссылками на законы и факты.
То же самое происходит в медицине.
Недавно помогал знакомому, попавшему в аварию, получить медицинскую помощь: рентгеновский снимок, спор со страховой и врачами.
ChatGPT Pro проанализировал изображение, подсказал, что говорить врачу и как описывать симптомы и тут пациент, врач и страховая оказались в равной позиции, одинаково понимая и трактуя ситуацию.
Огромный пласт проблем, которые раньше упирались во время специалиста, решаются быстрее и точнее.
Простые аналитические инструменты также стали ещё доступнее и быстрее.
На днях выгрузил данные Oura и Garmin, поговорил с ними через Claude Code и ChatGPT и наглядно понял, что постоянный стресс полностью блокировал восстановление, хотя сон, тренировки и часть других показателей были в норме на дэшборде.
Это позволило быстро подобрать ключ к восстановлению, не обращаясь к врачу.
Зубрёжка в медицинском и юридическом институтах стремительно обесценивается.
Ценность появляется там, где есть креативность, способность выйти за рамки, соединить факты, понять причинно-следственные связи, собрать своего digital agent, увидеть инсайт, который лежит где-то глубоко, а иногда и на поверхности.
Уже сегодня один человек, вооружённый агентами под свои задачи, может работать как аналитическая компания.
Всё меньше удивляют истории про фаундеров, которые строят компании с миллиардной капитализацией за рекордные сроки.
Но для людей с фантазией GPT даёт слишком много интересных возможностей, которые сейчас одновременно и лишают их сна.
@maxvotek | linkedin | substack
❤26🔥23👍10😁4
Увидел пост, как один из разработчиков Stripe поставил себе в описании LinkedIn промт-инъекцию, которая заставляет ИИ-рекрутёров прислать ему рецепт пирога вместе с оффером на работу.
И это сработало — абсолютно все письма, что он получил от потенциальных работодателей, содержали в себе рецепт пирога.
Всё, что вам нужно знать о современном найме 🙂
@maxvotek | linkedin | substack
И это сработало — абсолютно все письма, что он получил от потенциальных работодателей, содержали в себе рецепт пирога.
Всё, что вам нужно знать о современном найме 🙂
@maxvotek | linkedin | substack
😁50🔥18❤7