Начнем с места в карьер.
Про российский ИИ
Эта новость сегодня явилась триггером к первому посту в канале, потому что молчать больше невозможно🤬
Практически каждый день появляются новости о том, что в российский ИИ вливаются десятки и сотни миллиардов и он должен (или даже обязан) стать равным конкурентом западным технологиям💪
А что на деле?
А на деле мы сталкиваемся с тем, что элементарное "привет" яндекс спичкит распознает как "э". И поддержка почти неделю не может дать ответ, почему так. Что поддержка Яндекс AI Studio отправляет в документацию OpenAI, потому что своей у них нет. Что Алиса разговаривает голосом из 2018-го, в то время, когда западные технологии позволяют клонировать любой голос за две минуты.
Практически все "отечественные" ИИ-стартапы, которые мы видим на рынке, являются надстройками над зарубежными core-технологиями, и представляют из себя красивую обёртку над OpenAI API. Где технологии?
Кто-нибудь знает российские адекватные аналоги Deepgram или ElevenLabs?
Да, безусловно, и Яндекс и Сбер и Т-Банк и МТС что-то пилят у себя, сидя за забором, а что получает обычный пользователь, не говоря о разработчиках?
Чтобы воспользоваться Гигачатом – сначала заведи СберID, YandexGPT доступен только для компаний в Yandex Cloud, в котором и так чёрт ногу сломит. Что вы там прячете? В то время, когда заходя на chatgpt.com я сразу могу начать пользоваться продуктом, а флагманская модель GPT-5 становится бесплатной для всех пользователей.
В итоге получаем, что у нас нет ни одной реально конкурентной core-технологии, на которой можно было бы строить массовые продукты, а весь потенциал российских ии-инженеров направлен внутрь корпоратов или на разработку ии-дронов.
Про российский ИИ
У Алисы САМОЕ МОЩНОЕ обновление за ВСЮ ИСТОРИЮ — Яндекс представил Алису AI, которая сможет делать за вас буквально ВСЕ
Эта новость сегодня явилась триггером к первому посту в канале, потому что молчать больше невозможно
Практически каждый день появляются новости о том, что в российский ИИ вливаются десятки и сотни миллиардов и он должен (или даже обязан) стать равным конкурентом западным технологиям
А что на деле?
А на деле мы сталкиваемся с тем, что элементарное "привет" яндекс спичкит распознает как "э". И поддержка почти неделю не может дать ответ, почему так. Что поддержка Яндекс AI Studio отправляет в документацию OpenAI, потому что своей у них нет. Что Алиса разговаривает голосом из 2018-го, в то время, когда западные технологии позволяют клонировать любой голос за две минуты.
Практически все "отечественные" ИИ-стартапы, которые мы видим на рынке, являются надстройками над зарубежными core-технологиями, и представляют из себя красивую обёртку над OpenAI API. Где технологии?
Кто-нибудь знает российские адекватные аналоги Deepgram или ElevenLabs?
Да, безусловно, и Яндекс и Сбер и Т-Банк и МТС что-то пилят у себя, сидя за забором, а что получает обычный пользователь, не говоря о разработчиках?
Чтобы воспользоваться Гигачатом – сначала заведи СберID, YandexGPT доступен только для компаний в Yandex Cloud, в котором и так чёрт ногу сломит. Что вы там прячете? В то время, когда заходя на chatgpt.com я сразу могу начать пользоваться продуктом, а флагманская модель GPT-5 становится бесплатной для всех пользователей.
В итоге получаем, что у нас нет ни одной реально конкурентной core-технологии, на которой можно было бы строить массовые продукты, а весь потенциал российских ии-инженеров направлен внутрь корпоратов или на разработку ии-дронов.
Please open Telegram to view this post
VIEW IN TELEGRAM
3🔥13👍7🌚4❤1
Вышел Cursor 2.0
Ожидается большое количество новых продуктов в ближайшие дни🧑💻
Про вайбкодинг, и как в целом ИИ влияет на наш рынок, будет отдельный пост.
А пока показываю мои любимые моменты из первого курсора🤷♀️
Ожидается большое количество новых продуктов в ближайшие дни
Про вайбкодинг, и как в целом ИИ влияет на наш рынок, будет отдельный пост.
А пока показываю мои любимые моменты из первого курсора
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10😁4👾4
ИИ заменит разработчиков?
Кратко: нет. Он заменит то, за что им платят🏝
Подробно ниже😉
Раньше разработка практически любых ит-продуктов и фич выглядела так: продакты (или клиент, в случае заказной разработки) придумали идею -> аналитики написали ТЗ -> разработчики сделали -> тестировщики проверили -> релиз.
Сейчас весь этот процесс "сжимается". ИИ берёт на себя рутину: генерацию кода, документацию (если попросить), типовые тесты, поиск ошибок, ревью.
ИИ не заменяет роли в команде, он размывает границы между ними.
Менеджер теперь может сам собрать MVP без команды, аналитик превращается в промт-инженера, а разработчик становится системным дизайнером: не просто пишет код, а проектирует поведение ИИ.
Главное изменение — скорость итераций. Архитектурное мышление, логика и ответственность никуда не делись.
Если раньше спринт длился две недели, то теперь идея превращается в работающий прототип за вечер😎
И рынок адаптируется. Ценится не тот, кто быстро пишет код, а тот, кто понимает, что именно нужно построить и как оно должно работать.
И тут возникает иллюзия.
Многие заказчики (да и партнёры в компаниях, которые далеки от разработки) смотрят на всю эту "магию ии" и говорят: "раз вам ИИ пишет код, значит разработка должна стоить в 10 раз дешевле!"😨
Но это не так.
ИИ действительно ускоряет процесс, но не убирает этапы проектирования, интеграции, тестирования, безопасности и поддержки.
Код – это теперь лишь 20% работы. Остальное – архитектура, логика, сценарии, ревью и последующие итерации.
Реальные расходы не исчезли, они просто смещаются из написания кода в проверку, адаптацию и контроль качества.
И если эти этапы пропустить, цена дешёвого ИИ-продукта потом умножается на те же 10 раз (а то и больше), когда его приходится спасать.
Когда в прод начинают лететь продукты, написанные “на вайбе” без инженерии, мы получаем дырявые, хрупкие и непредсказуемые системы. Приложения, которые ломаются при первой нагрузке. Код, который никто не может поддерживать. Бомба замедленного действия.
ИИ сделал красиво, но не сделал правильно🤪
Есть последствия и для разработчиков.
Вайбкодинг даёт ощущение всемогущества, но забирает чувство контроля. Разработчики начинают хуже понимать структуру кода, теряют навык анализа и оптимизации.
Появляются опасные симптомы: "ИИ починил баг, но я не понимаю как, работает и хорошо". Решение одно – просматривать, разбирать, учиться понимать, что делает ИИ.
Без этого развиваются не хард скиллы, а зависимость от курсора и подобных ассистентов.
Итог:
Да, мультимодальные агенты уже умеют генерировать приложения “под ключ”. Но без инженерного мышления любая отладка отнимет больше времени, чем сэкономит ИИ на написании кода. И я уже это встречаю в своих командах, когда разработчики начинают прямо винить ИИ в том, что они не сделали задачу в срок. Хорошо, что это происходит редко и сразу пресекается😈
ИИ может помочь построить продукт, но только хороший инженер способен построить архитектуру.
Вайбкодинг — это не замена профессии. Это тест на зрелость индустрии. На то, сможем ли мы строить надёжные, понятные и живые системы, а не просто быстро печатать запросы типа "почему мои друзья не видят сайт по адресу localhost:3000".
ИИ не заменит разработчиков. Он просто уберёт тех, кто перестал, не умел и не умеет думать как инженеры😏
И, надеюсь, курсы "изучи питон за две недели и зарабатывай 300к/мес"
Кратко: нет. Он заменит то, за что им платят
Подробно ниже
Раньше разработка практически любых ит-продуктов и фич выглядела так: продакты (или клиент, в случае заказной разработки) придумали идею -> аналитики написали ТЗ -> разработчики сделали -> тестировщики проверили -> релиз.
Сейчас весь этот процесс "сжимается". ИИ берёт на себя рутину: генерацию кода, документацию (если попросить), типовые тесты, поиск ошибок, ревью.
ИИ не заменяет роли в команде, он размывает границы между ними.
Менеджер теперь может сам собрать MVP без команды, аналитик превращается в промт-инженера, а разработчик становится системным дизайнером: не просто пишет код, а проектирует поведение ИИ.
Главное изменение — скорость итераций. Архитектурное мышление, логика и ответственность никуда не делись.
Если раньше спринт длился две недели, то теперь идея превращается в работающий прототип за вечер
И рынок адаптируется. Ценится не тот, кто быстро пишет код, а тот, кто понимает, что именно нужно построить и как оно должно работать.
И тут возникает иллюзия.
Многие заказчики (да и партнёры в компаниях, которые далеки от разработки) смотрят на всю эту "магию ии" и говорят: "раз вам ИИ пишет код, значит разработка должна стоить в 10 раз дешевле!"
Но это не так.
ИИ действительно ускоряет процесс, но не убирает этапы проектирования, интеграции, тестирования, безопасности и поддержки.
Код – это теперь лишь 20% работы. Остальное – архитектура, логика, сценарии, ревью и последующие итерации.
Реальные расходы не исчезли, они просто смещаются из написания кода в проверку, адаптацию и контроль качества.
И если эти этапы пропустить, цена дешёвого ИИ-продукта потом умножается на те же 10 раз (а то и больше), когда его приходится спасать.
Когда в прод начинают лететь продукты, написанные “на вайбе” без инженерии, мы получаем дырявые, хрупкие и непредсказуемые системы. Приложения, которые ломаются при первой нагрузке. Код, который никто не может поддерживать. Бомба замедленного действия.
ИИ сделал красиво, но не сделал правильно
Есть последствия и для разработчиков.
Вайбкодинг даёт ощущение всемогущества, но забирает чувство контроля. Разработчики начинают хуже понимать структуру кода, теряют навык анализа и оптимизации.
Появляются опасные симптомы: "ИИ починил баг, но я не понимаю как, работает и хорошо". Решение одно – просматривать, разбирать, учиться понимать, что делает ИИ.
Без этого развиваются не хард скиллы, а зависимость от курсора и подобных ассистентов.
Итог:
Да, мультимодальные агенты уже умеют генерировать приложения “под ключ”. Но без инженерного мышления любая отладка отнимет больше времени, чем сэкономит ИИ на написании кода. И я уже это встречаю в своих командах, когда разработчики начинают прямо винить ИИ в том, что они не сделали задачу в срок. Хорошо, что это происходит редко и сразу пресекается
ИИ может помочь построить продукт, но только хороший инженер способен построить архитектуру.
Вайбкодинг — это не замена профессии. Это тест на зрелость индустрии. На то, сможем ли мы строить надёжные, понятные и живые системы, а не просто быстро печатать запросы типа "почему мои друзья не видят сайт по адресу localhost:3000".
ИИ не заменит разработчиков. Он просто уберёт тех, кто перестал, не умел и не умеет думать как инженеры
Please open Telegram to view this post
VIEW IN TELEGRAM
8👍18🔥9❤6💯3
ДОМ_РФ_Технодайджест_Q3'2025_17_стр.pdf
1.9 MB
Сегодня мне попался дайджест технотрендов от ДОМ.РФ:Технологии, и в нём прямо подтверждается то, о чём я писал вчера: ИИ не заменяет программистов, он меняет саму профессию.
Мегатренд #3 из прогноза исследователей Huawei:
И это действительно то, что происходит. Код становится побочным продуктом.
Второй важный инсайт – контекстная инженерия.
ИИ сам по себе ничего не решает. Если он не понимает контекста, он бесполезен.
На смену промт-инжинирингу приходит новая дисциплина – контекстный инжиниринг. Нужно уметь описывать цели, ограничения, данные и бизнес-логику так, чтобы модель могла действовать осмысленно и не галлюцинировала.
По сути, инженерия снова становится главным навыком. Не быстро писать код или промты, а строить систему, где ИИ не рушит, а усиливает.
Полную версию дайджеста прикрепляю к посту. Он небольшой, всего 17 страниц c картинками, идеальный объем для пятничного вечера🫰
Мегатренд #3 из прогноза исследователей Huawei:
«ИИ будет выполнять
повторяющиеся задачи в программировании, а разработчики сосредоточатся на высокоуровневом проектировании и креативных решениях»
И это действительно то, что происходит. Код становится побочным продуктом.
Второй важный инсайт – контекстная инженерия.
ИИ сам по себе ничего не решает. Если он не понимает контекста, он бесполезен.
На смену промт-инжинирингу приходит новая дисциплина – контекстный инжиниринг. Нужно уметь описывать цели, ограничения, данные и бизнес-логику так, чтобы модель могла действовать осмысленно и не галлюцинировала.
По сути, инженерия снова становится главным навыком. Не быстро писать код или промты, а строить систему, где ИИ не рушит, а усиливает.
Полную версию дайджеста прикрепляю к посту. Он небольшой, всего 17 страниц c картинками, идеальный объем для пятничного вечера
Please open Telegram to view this post
VIEW IN TELEGRAM
2👍14❤8🔥8
Часто ли вы замечаете, как люди говорят неправду, хотя всем очевидно, что это ложь? И сразу вопрос: «Зачем?» А кто-то ведь и сам в это верит.
Почему так происходит?
В начале 1930-х годов социолог Ричард Лапьер решил проверить, насколько поведение людей совпадает с их убеждениями. В США в те годы открытое неприятие китайцев считалось нормой и в рамках эксперимента Лапьер несколько лет путешествовал по стране с молодой китайской парой, посетив 252 заведения (отели, кафе, рестораны).
Им отказали только один раз, в остальных случаях принимали вежливо и без проблем. А через несколько месяцев Лапьер отправил тем же заведениям письма с вопросом: "Примете ли вы у себя китайских гостей?" Ответили не все, но большинство ответов оказалось "нет".
Так появился парадокс Лапьера — разрыв между тем, что люди говорят, и тем, как они действуют.
Как этот парадокс проявляется в нашей работе? Вижу его практически ежедневно.
Например, на пресейле заказчики стараются показать себя с идеальной стороны: у нас выстроены все процессы, даём четкие ТЗ, все данные готовы и предоставим при первой необходимости, бюджет выделен и согласован.
А когда начинается работа, реальность, мягко говоря, отличается: задачи меняются на ходу, дедлайн двигать нельзя, но нужно добавить еще пару фич, чтобы отдать данные, нужно подключать IT-отдел, который сейчас в отпуске и т.д.
Не обман, просто парадокс Лапьера. Между образом компании и её реальностью большая дистанция. Люди искренне верят, что процессы выстроены. Но в сложных проектах даже внутри компании никто не видит полной картины. А самое страшное – когда всё идеально в голове фаундера.
Парадокс Лапьера не про ложь. Он про то, что слова и действия редко совпадают, и в этом главный источник конфликтов и ошибок в оценке и реализации проектов. Мы планируем по словам, а работать потом приходится с реальностью.
Получается, наша основная задача – отличить преднамеренный обман от самообмана и максимально сократить разницу между словами и реальностью. Знать, как человек действовал раньше и совпадали ли его действия со словами, учитывать, как меняются действия в зависимости от контекста, в переговорах слушать не про будущее, а то, как человек рассказывает о прошлом.
Именно с клиентской стороны я чаще вижу самообман, чем преднамеренную ложь. И это большая проблема. Клиенту сложно принять, что в его компании что-то не идеально, что он хотел "просто внедрить ИИ в продажи", а ему предлагают еще настроить CRM, нанять отдельного менеджера для управления ИИ и задают десяток неудобных вопросов. Проще найти того, кто сходу скажет "Да мы это сделаем, вот ваш счёт на предоплату", не задав ни одного вопроса. Потом будет больно.
Выполнять обещания реально дорого. Ты должен потратить не один день на оценку проекта, предоставить квалифицированную команду, постоянно следить за качеством, а конкурировать вынужден с теми, кто продаёт “красивую картинку” и поставляет джунов на аутстафе.
Но это уже не про заблуждение, а про расчёт. Тут никто ни в чём не ошибается, просто выбирают, где проще заработать.
При этом многие клиенты искренне не понимают, почему проект на полгода не может стоить 500 тысяч рублей. Откуда берутся ценники в несколько миллионов, ведь “это же просто сайт/бот/ии-агент/etc”.
Но если взять реально заявленную команду: аналитика, дизайнера, разработчиков, тестировщиков, их себестоимость уже превышает эту сумму. Или ты делаешь качественно, или просто имитируешь процесс.
Правильный подсчет "коэффициента" Лапьера – сложный навык. И я постоянно учусь его считать, чаще получается, иногда – нет и цена ошибок очень дорогая. Находить грань между тем, когда клиент поймет, что ему нужно на самом деле и тем, когда психанет и пойдет туда, где не задают лишних вопросов. Но если его не учитывать вовсе – в итоге ты работаешь не за деньги, а за опыт.
Краткие выводы:
1. Слова – это гипотеза, поведение – факт.
2. Большинство людей не обманывают, они просто не видят всей картины.
3. Реализм в оценке – не занудство, а профессиональная гигиена.
Почему так происходит?
В начале 1930-х годов социолог Ричард Лапьер решил проверить, насколько поведение людей совпадает с их убеждениями. В США в те годы открытое неприятие китайцев считалось нормой и в рамках эксперимента Лапьер несколько лет путешествовал по стране с молодой китайской парой, посетив 252 заведения (отели, кафе, рестораны).
Им отказали только один раз, в остальных случаях принимали вежливо и без проблем. А через несколько месяцев Лапьер отправил тем же заведениям письма с вопросом: "Примете ли вы у себя китайских гостей?" Ответили не все, но большинство ответов оказалось "нет".
Так появился парадокс Лапьера — разрыв между тем, что люди говорят, и тем, как они действуют.
Как этот парадокс проявляется в нашей работе? Вижу его практически ежедневно.
Например, на пресейле заказчики стараются показать себя с идеальной стороны: у нас выстроены все процессы, даём четкие ТЗ, все данные готовы и предоставим при первой необходимости, бюджет выделен и согласован.
А когда начинается работа, реальность, мягко говоря, отличается: задачи меняются на ходу, дедлайн двигать нельзя, но нужно добавить еще пару фич, чтобы отдать данные, нужно подключать IT-отдел, который сейчас в отпуске и т.д.
Не обман, просто парадокс Лапьера. Между образом компании и её реальностью большая дистанция. Люди искренне верят, что процессы выстроены. Но в сложных проектах даже внутри компании никто не видит полной картины. А самое страшное – когда всё идеально в голове фаундера.
Парадокс Лапьера не про ложь. Он про то, что слова и действия редко совпадают, и в этом главный источник конфликтов и ошибок в оценке и реализации проектов. Мы планируем по словам, а работать потом приходится с реальностью.
Получается, наша основная задача – отличить преднамеренный обман от самообмана и максимально сократить разницу между словами и реальностью. Знать, как человек действовал раньше и совпадали ли его действия со словами, учитывать, как меняются действия в зависимости от контекста, в переговорах слушать не про будущее, а то, как человек рассказывает о прошлом.
Именно с клиентской стороны я чаще вижу самообман, чем преднамеренную ложь. И это большая проблема. Клиенту сложно принять, что в его компании что-то не идеально, что он хотел "просто внедрить ИИ в продажи", а ему предлагают еще настроить CRM, нанять отдельного менеджера для управления ИИ и задают десяток неудобных вопросов. Проще найти того, кто сходу скажет "Да мы это сделаем, вот ваш счёт на предоплату", не задав ни одного вопроса. Потом будет больно.
Выполнять обещания реально дорого. Ты должен потратить не один день на оценку проекта, предоставить квалифицированную команду, постоянно следить за качеством, а конкурировать вынужден с теми, кто продаёт “красивую картинку” и поставляет джунов на аутстафе.
Но это уже не про заблуждение, а про расчёт. Тут никто ни в чём не ошибается, просто выбирают, где проще заработать.
При этом многие клиенты искренне не понимают, почему проект на полгода не может стоить 500 тысяч рублей. Откуда берутся ценники в несколько миллионов, ведь “это же просто сайт/бот/ии-агент/etc”.
Но если взять реально заявленную команду: аналитика, дизайнера, разработчиков, тестировщиков, их себестоимость уже превышает эту сумму. Или ты делаешь качественно, или просто имитируешь процесс.
Правильный подсчет "коэффициента" Лапьера – сложный навык. И я постоянно учусь его считать, чаще получается, иногда – нет и цена ошибок очень дорогая. Находить грань между тем, когда клиент поймет, что ему нужно на самом деле и тем, когда психанет и пойдет туда, где не задают лишних вопросов. Но если его не учитывать вовсе – в итоге ты работаешь не за деньги, а за опыт.
Краткие выводы:
1. Слова – это гипотеза, поведение – факт.
2. Большинство людей не обманывают, они просто не видят всей картины.
3. Реализм в оценке – не занудство, а профессиональная гигиена.
1🔥13💯7❤3🤔2
Помните, в прошлую пятницу я советовал к прочтению технодайджест от ДОМ.РФ:Технологии, 17 лёгких страниц про тренды, ИИ и будущее технологий?
Так вот, Олег, напрочь забывший про сон и отдых, на пятничный вечер подготовил подборку своих статей про алгоритмы Instagram и Threads, про то, как создавать виральный контент и выстраивать органику.
Для всех, кто работает с контентом – мастхэв.
И да, это отличный пример того, как инженерный подход может работать даже там, где обычно полагаются на вдохновение, интуицию и рандом😎
Так вот, Олег, напрочь забывший про сон и отдых, на пятничный вечер подготовил подборку своих статей про алгоритмы Instagram и Threads, про то, как создавать виральный контент и выстраивать органику.
Для всех, кто работает с контентом – мастхэв.
И да, это отличный пример того, как инженерный подход может работать даже там, где обычно полагаются на вдохновение, интуицию и рандом
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Олег Лупиков
В вечер пятницы рекомендую почитать мои полезные публикации, которые прокачают вас в органическом трафике и виральности (и которые вы могли пропустить):
1️⃣Как работает ранжирование и как инстаграм понимает, какое видео тебе рекомендовать, а какое нет
2️⃣Что…
1️⃣Как работает ранжирование и как инстаграм понимает, какое видео тебе рекомендовать, а какое нет
2️⃣Что…
🔥8👍6
Овер-LLM-инг
На прошлой неделе я был на встрече, где подрядчик показывал первую версию решения, которое должно собирать разрозненные данные управленческого учёта: по проектам, подразделениям, прибыли и себестоимости в единую систему и представлять их в понятном виде для любого сотрудника.
На практике это решение оказалось тем, что сейчас особенно модно – ИИ-агентом, который отвечает на вопросы. Для клиента всё выглядит круто и вызывает вау-эффект: можно просто написать “покажи прибыль по проектам за октябрь”, а система всё поймёт и ответит🧑💻
Начали демо. Три одинаковых запроса данных выдали три совершенно разных результата, ни один не оказался верным. Оказалось, что агент для свода чисел использует LLM🤬
Вся база знаний агента была гугл-таблицей, в которой те же данные можно элементарно просуммировать.
Подрядчик понимал, что что-то не так, и объяснял: «Нужно просто дообучить нейросеть, чтобы она точнее понимала запросы. Скажите, какие данные вам часто нужны и мы подготовим точные ответы на них»
Но, может быть, стоило начать с другого? Сначала выяснить, что действительно нужно компании, собрать данные в единую систему, проверить корректность подсчётов, а потом уже разрабатывать агента для общения, который "может отвечать с юмором и даже маты можем добавить🖕 "
Есть такой термин – оверинжиниринг, когда простую задачу решают сложным способом. Теперь у нас появилась новая форма – овер-LLM-инг. Когда, например, компании суют нейросети туда, где достаточно обычных формул в Excel👎
LLM действительно хороши там, где нужно понять смысл данных и/или сгенерировать новые: интерпретировать, делать выводы, находить закономерности, формировать резюме или прогноз. Но превращать LLM в калькулятор – это уже перебор. LLM может помогать думать, а не складывать столбцы.
ИИ – это не костыль и не магия. Если у компании нет выстроенных процессов и базовой дисциплины данных, внедрение ИИ превращается в красивую и дорогую игрушку. Но рынок пестрит обещаниями “ИИ под ключ”, где результатом считают сам факт подключения, а не эффект от него. Как будто само наличие ИИ уже делает бизнес умнее.
На практике же, большинство компаний хотят вообще не ИИ в его истинном значении, а автоматизацию общения. Чтобы ИИ общался с клиентами, а продажи шли сами. Но мало кто задумывается, что это не уменьшает нагрузку, а наоборот увеличивает. Когда у вас 100 лидов в день, это можно обработать вручную. Когда 1000 – система должна быть готова: процессы, CRM, аналитика, отчётность. ИИ не просто создаёт новые диалоги, он масштабирует хаос, если внутри нет структуры.
В прошлом году в MAIA мы проводили десятки внедрений ИИ и увидели, насколько сильно компании хотят "магии" и как редко внутри всё готово, чтобы эта "магия" работала.
Один из кейсов: мы запускали ИИ-агента, который рассказывал клиентам о компании, её услугах и помогал оформить запись прямо в диалоге. Через несколько дней пришла жалоба от заказчика, дословно:
Проверили, всё работало корректно. Просто агент честно тянул данные из каталога услуг, со страниц, на которые "а мы туда не заходим даже". Человек может не замечать или закрывать глаза, автоматизация – нет. Она поднимает со дна всё: ошибки, старые данные, мусор. И превращает скрытый хаос в наглядный результат.
Перед тем как начать внедрять ИИ, стоит задать себе вопрос не «какую модель выбрать?», а «что в нашей компании вообще готово к автоматизации?»
ИИ не заменяет людей, он масштабирует их привычки, хорошие и плохие. Если внутри порядок, ИИ ускорит рост. Если хаос, он просто вывернет его наружу, как и любая другая автоматизация. Дообучать нужно не модели, а компании🫰
На прошлой неделе я был на встрече, где подрядчик показывал первую версию решения, которое должно собирать разрозненные данные управленческого учёта: по проектам, подразделениям, прибыли и себестоимости в единую систему и представлять их в понятном виде для любого сотрудника.
На практике это решение оказалось тем, что сейчас особенно модно – ИИ-агентом, который отвечает на вопросы. Для клиента всё выглядит круто и вызывает вау-эффект: можно просто написать “покажи прибыль по проектам за октябрь”, а система всё поймёт и ответит
Начали демо. Три одинаковых запроса данных выдали три совершенно разных результата, ни один не оказался верным. Оказалось, что агент для свода чисел использует LLM
Вся база знаний агента была гугл-таблицей, в которой те же данные можно элементарно просуммировать.
Подрядчик понимал, что что-то не так, и объяснял: «Нужно просто дообучить нейросеть, чтобы она точнее понимала запросы. Скажите, какие данные вам часто нужны и мы подготовим точные ответы на них»
Но, может быть, стоило начать с другого? Сначала выяснить, что действительно нужно компании, собрать данные в единую систему, проверить корректность подсчётов, а потом уже разрабатывать агента для общения, который "может отвечать с юмором и даже маты можем добавить
Есть такой термин – оверинжиниринг, когда простую задачу решают сложным способом. Теперь у нас появилась новая форма – овер-LLM-инг. Когда, например, компании суют нейросети туда, где достаточно обычных формул в Excel
LLM действительно хороши там, где нужно понять смысл данных и/или сгенерировать новые: интерпретировать, делать выводы, находить закономерности, формировать резюме или прогноз. Но превращать LLM в калькулятор – это уже перебор. LLM может помогать думать, а не складывать столбцы.
ИИ – это не костыль и не магия. Если у компании нет выстроенных процессов и базовой дисциплины данных, внедрение ИИ превращается в красивую и дорогую игрушку. Но рынок пестрит обещаниями “ИИ под ключ”, где результатом считают сам факт подключения, а не эффект от него. Как будто само наличие ИИ уже делает бизнес умнее.
На практике же, большинство компаний хотят вообще не ИИ в его истинном значении, а автоматизацию общения. Чтобы ИИ общался с клиентами, а продажи шли сами. Но мало кто задумывается, что это не уменьшает нагрузку, а наоборот увеличивает. Когда у вас 100 лидов в день, это можно обработать вручную. Когда 1000 – система должна быть готова: процессы, CRM, аналитика, отчётность. ИИ не просто создаёт новые диалоги, он масштабирует хаос, если внутри нет структуры.
В прошлом году в MAIA мы проводили десятки внедрений ИИ и увидели, насколько сильно компании хотят "магии" и как редко внутри всё готово, чтобы эта "магия" работала.
Один из кейсов: мы запускали ИИ-агента, который рассказывал клиентам о компании, её услугах и помогал оформить запись прямо в диалоге. Через несколько дней пришла жалоба от заказчика, дословно:
Агент просто фантазирует про какие-то процедуры, которых у нас нет
Проверили, всё работало корректно. Просто агент честно тянул данные из каталога услуг, со страниц, на которые "а мы туда не заходим даже". Человек может не замечать или закрывать глаза, автоматизация – нет. Она поднимает со дна всё: ошибки, старые данные, мусор. И превращает скрытый хаос в наглядный результат.
Перед тем как начать внедрять ИИ, стоит задать себе вопрос не «какую модель выбрать?», а «что в нашей компании вообще готово к автоматизации?»
ИИ не заменяет людей, он масштабирует их привычки, хорошие и плохие. Если внутри порядок, ИИ ускорит рост. Если хаос, он просто вывернет его наружу, как и любая другая автоматизация. Дообучать нужно не модели, а компании
Please open Telegram to view this post
VIEW IN TELEGRAM
2🔥11👍10❤4
Культура ответственности
Практически в каждом резюме мы видим слова о проактивности, а вакансии требуют высокого уровня ответственности. Особенно это заметно в небольших продуктовых командах (читай стартапах), где принято считать, что бюрократии нет и все заряжены на успех✈️ Но на деле красивые слова сильно отличаются от реальности: ответственность за процесс есть у многих, ответственности за финальный результат – практически ни у кого.
Разработчик отвечает за код, маркетолог за трафик, продакт за бэклог и т.п.🧑💻 Проблема в том, что каждый ответственен в рамках своего процесса, но при этом редко видит или понимает, как он напрямую влияет на конечный успех продукта.
– Есть ли смысл в вылизывании кода, если за квартал релизится 1 фича, когда у конкурентов 3?
– Есть ли смысл продажнику заключать 20 сделок, обещая клиентам нереализуемое?
Для показателя личной проактивности – да. Для бизнеса – очевидно нет.
Конечно, формально за результат всегда отвечает фаундер. Но если вся команда прячется за его ответственностью, ссылаясь на узкую специализацию, то это не культура, а обычное иждивенчество (но бывают и исключения). В этот момент коллективная ответственность превращается в коллективную безответственность😴
Когда компания стабильна и всё хорошо, все считают себя частью «дружной, заряженной команды». Когда деньги в кассе заканчиваются, оказывается, что «рынок не готов», «нужно больше ресурсов», «было нечёткое ТЗ» и дальше по списку🆘
Я долго был уверен, что собрать команду, где люди реально, а не на словах, отвечают головой (законно) за итоговый результат, невозможно😔 Трудовой и Гражданский кодексы гарантируют выплаты, что создает некую подушку безопасности, а тренд на обучение прохождению собеседований лишь усугубляет проблему 😈
Но два месяца назад я познакомился с компанией, которая работает именно по такой модели, где каждый отвечает за общий успех. Артель. Это отличный пример, где культура ответственности держится не на словах, а на экономике. В артели нет места пассажирам: вы либо вместе зарабатываете и делите прибыль, либо вместе теряете время и деньги😎
Модель артели – это жесткая, но отрезвляющая правда. Она показывает, что пока мы внедряем agile, артели просто работают на результат, потому что иначе они не выживут. Ответственность рождается из принципа «шкура на кону»💪
И это, пожалуй, лучший фильтр для профессионалов, не готовых прятаться за процессы и оправдания.
Напишите в комментариях, если знаете компании, которые работают по модели артели. И ответьте, были бы вы готовы работать в такой компании, где ваш доход на 100% зависит от общего результата?🫰
Практически в каждом резюме мы видим слова о проактивности, а вакансии требуют высокого уровня ответственности. Особенно это заметно в небольших продуктовых командах (читай стартапах), где принято считать, что бюрократии нет и все заряжены на успех
Разработчик отвечает за код, маркетолог за трафик, продакт за бэклог и т.п.
– Есть ли смысл в вылизывании кода, если за квартал релизится 1 фича, когда у конкурентов 3?
– Есть ли смысл продажнику заключать 20 сделок, обещая клиентам нереализуемое?
Для показателя личной проактивности – да. Для бизнеса – очевидно нет.
Конечно, формально за результат всегда отвечает фаундер. Но если вся команда прячется за его ответственностью, ссылаясь на узкую специализацию, то это не культура, а обычное иждивенчество (но бывают и исключения). В этот момент коллективная ответственность превращается в коллективную безответственность
Когда компания стабильна и всё хорошо, все считают себя частью «дружной, заряженной команды». Когда деньги в кассе заканчиваются, оказывается, что «рынок не готов», «нужно больше ресурсов», «было нечёткое ТЗ» и дальше по списку
Я долго был уверен, что собрать команду, где люди реально, а не на словах, отвечают головой (законно) за итоговый результат, невозможно
Но два месяца назад я познакомился с компанией, которая работает именно по такой модели, где каждый отвечает за общий успех. Артель. Это отличный пример, где культура ответственности держится не на словах, а на экономике. В артели нет места пассажирам: вы либо вместе зарабатываете и делите прибыль, либо вместе теряете время и деньги
Модель артели – это жесткая, но отрезвляющая правда. Она показывает, что пока мы внедряем agile, артели просто работают на результат, потому что иначе они не выживут. Ответственность рождается из принципа «шкура на кону»
И это, пожалуй, лучший фильтр для профессионалов, не готовых прятаться за процессы и оправдания.
Напишите в комментариях, если знаете компании, которые работают по модели артели. И ответьте, были бы вы готовы работать в такой компании, где ваш доход на 100% зависит от общего результата?
Please open Telegram to view this post
VIEW IN TELEGRAM
1💯6🔥5👍3
Открываешь браузер в 2025-м и не знаешь, загрузится страница или зависнет в ожидании стабильного соединения.
Этот год был как интернет — нестабильным, глючащим и с постоянной неопределённостью. Но было и хорошее. Будет и дальше. Надеемся и верим. И, конечно, работаем.
Спасибо партнёрам за доверие, команде — за уровень, друзьям и семье — за поддержку в самые сложные моменты.
С наступающим 🎅
Пусть в новом году всё загружается и получается с первого раза 🎄
Этот год был как интернет — нестабильным, глючащим и с постоянной неопределённостью. Но было и хорошее. Будет и дальше. Надеемся и верим. И, конечно, работаем.
Спасибо партнёрам за доверие, команде — за уровень, друзьям и семье — за поддержку в самые сложные моменты.
С наступающим 🎅
Пусть в новом году всё загружается и получается с первого раза 🎄
1❤8💯5🔥4