Скелет AI-First компании: как построить корпоративный граф навыков

Представьте компанию, в которой разработка, маркетинг и продажи работают как единое целое, каждый навык оформлен в виде API или MCP, а ИИ-агенты управляют не отдельными операциями, а всей цепочкой создания ценности. Такой компании нужен скелет — граф навыков, который связывает департаменты в единую систему.

Но как разложить сложную корпоративную структуру на набор атомарных навыков, собрать из них архитектуру ИИ-компании и использовать это как дорожную карту для ИИ-трансформации?

У любой большой организации сотни процессов и десятки департаментов, но клиента не волнует оргструктура — ему важно, как быстро и качественно компания доставляет продукт. Поэтому в центре внимания должна быть value stream — цепочка создания ценности. Граф навыков превращает эту цепочку в карту, где каждый узел — конкретный навык с понятными входными и выходными данными и метрикой эффективности; каждое ребро — обмен артефактами между людьми и агентами. Навыки можно переставлять и комбинировать, как конструктор.

Я начал с того, что выгрузил деперсонализированный список всех ролей в компании (500+ сотрудников), указав их численность и структуру подчинения. Затем передал эти данные в контекст LLM и попросил составить набор функций, из которых состоит компания. В ответ получил список вертикалей: HR (рекрутинг, общие задачи, обучение), маркетинг (SMM, e-mail и другие каналы), разработка (фронтенд, бэкенд, мобильная) и т.д. Это отдельные модули AI-First компании, а далее каждый модуль проходит через AIOps.

Эти вертикали можно использовать как центры компетенций в матричной структуре: они необходимы, чтобы делиться знаниями, стандартизировать ИИ-инструменты и внедрять новые методы работы. Каждую вертикаль можно описать как Anything-as-a-Service: HR-as-a-Service, Marketing-as-a-Service и т.д.

На основе описаний вакансий и глубинных интервью я составил список навыков, которые уже есть у сотрудников и которые должны быть у ИИ-агентов. Например, для HR: поиск кандидатов, оценка резюме, оформление оффера. Для каждого навыка заданы входные данные, выходной артефакт (документ, таблица, код) и метрика: скорость, качество и экономический эффект.

Далее я загрузил эти навыки в контекст LLM и попросил собрать из них сквозной процесс создания и доставки продуктов — своего рода архитектуру стартап-студии на стероидах. В ответ получил описание полной цепочки создания ценности (Work Chart), где видно каждый переход артефакта от узла к узлу: от поиска идеи для продукта до деплоя приложения и его дальнейшего продвижения на основе навыков компании.

Используя эту архитектуру, можно приоритизировать ИИ-инициативы по четырем критериям: ресурсоемкость и повторяемость операций, экономический эффект и сложность внедрения. Сначала стоит внедрять готовые ИИ-инструменты, а для специфических процессов, например, ведение бухучета на Кипре, создавать собственных ИИ-агентов.

Любой сквозной процесс, например, вывод новой фичи, мы описываем как guardrail: триггер, последовательность навыков и контрольные точки для проверки качества оператором. Так ИИ-агенты получают четкий протокол взаимодействия с людьми и другими агентами, знают, когда обратиться к человеку, куда сохранить артефакт и что считается условием готовности.

Чтобы трансформировать компанию, нужно сделать ей рентген — понять, из каких функций она состоит и их численность. Это отправная точка любой стратегии ИИ-трансформации. Вовлекайте владельцев процессов сразу: без их экспертизы любая диаграмма так и останется фантазией. Не бойтесь погружаться в детали — именно там скрыты навыки, которые нужно автоматизировать.

Граф навыков — живая модель бизнеса. Он растет вместе с продуктом и меняет форму, когда появляются новые цепочки создания ценности. Можно сказать, что граф — это скелет компании, данные из корпоративных систем — мясо, а ИИ-модели — мозг, который использует эти данные, чтобы шевелить скелетом.

Если вы строите AI-first компанию, то граф навыков ваш фундамент и корпоративный протокол взаимодействия между людьми и агентами.

#кейсы

AI Product Engineer: кто это и почему за ним будущее

Представьте, что вы можете создать полноценный продукт и вывести его на рынок быстрее, чем целая команда. Сегодня это возможно не только благодаря ИИ‑инструментам, но и появлению новой роли — AI Product Engineer.

AI Product Engineer совмещает компетенции продакт‑менеджера, дизайнера, разработчика и ИИ‑инженера. Эта роль создана, чтобы ускорить вывод продуктов на рынок: быстрые проверки гипотез и частые итерации — залог успешного бизнеса.

Как работает AI Product Engineer:

1. Валидация идеи — ее нужно провести еще до начала разработки.

Все начинается с Product Discovery: анализ трендов и конкурентов при помощи Deep Research. Затем следует Customer Development: генерация вопросов и проведение симулированных интервью, используя цифровые портреты пользователей и популяционные модели (можно применять и LLM, но они хуже аппроксимируют поведение реальных людей).

Далее идея оформляется в формате Lean Canvas: генерируются и ранжируются гипотезы (например, по методологии RICE), определяются требования к продукту (PRD) — все это также с помощью ИИ. После этого создаются лендинги и запускаются смоук‑тесты для проверки гипотез.

2. Разработка прототипа — на этом этапе важно проверить техническую реализуемость продукта.

Можно сразу воспользоваться ИИ‑инструментами вроде Replit или Loveable для автоматической генерации дизайна и кода на основе требований, но результат может не устроить. Тогда определяют архитектуру, декомпозируют задачи, исследуют необходимые библиотеки, а дизайн интерфейса создают в Figma AI.

Такие no‑code‑инструменты, как n8n, нужны для создания «мозга» продукта, агенты типа OpenAI Codex — для бэкенда, а ИИ‑IDE вроде Cursor помогают в программировании. Симулированные пользователи отлично подходят для тестирования интерфейса.

3. Проверка MVP — «долина смерти» продуктов: на этом этапе становится понятно, готов ли клиент купить продукт.

AI Product Engineer настраивает базовую продуктовую аналитику, идет продавать свой продукт и получает обратную связь для дальнейшей доработки.

Если клиенты покупают продукт, то далее формируются дорожная карта его развития и стратегия выхода на рынок. Важно помнить, что процессы итеративные: после MVP всегда можно откатиться на шаг‑два назад и доработать решение.

Что дальше после валидации MVP? Конечно, можно продолжить самостоятельно дорабатывать и оптимизировать продукт, но рано или поздно это приведет к перегрузке и ограничению в развитии.

Лучший путь — передать функции другим специалистам: ИИ-продактам и ИИ-инженерам, чтобы масштабироваться и сфокусироваться на стратегических задачах или запустить новый продукт.

Главное преимущество AI Product Engineer — скорость и автономность на ранних этапах. Использование ИИ-инструментов позволяет быстро проверять гипотезы, экономить ресурсы и мгновенно реагировать на обратную связь от пользователей.

Вот несколько советов для начинающих AI Product Engineer’ов:

• Любая сложная система эволюционировала из простой. Поэтому первая задача — сделать кривой, но работающий продукт сегодня, а не идеальный через месяц.

• Выберите пару ежедневных задач и попробуйте автоматизировать их. Даже небольшие автоматизации суммируются в значительную экономию времени за год.

• Решая собственные боли, вы автоматом создаете MVP, проверенный на практике и готовый к выходу на рынок.

AI Product Engineer — не просто новая профессия, это новый подход к созданию продуктов. Она идеально подходит людям, которые могут мыслить одновременно и стратегически, и системно, а также умеют эффективно пользоваться ИИ-инструментами.

Думаю в ближайшие годы именно такие специалисты будут определять успех продуктовых компаний и стартапов. Если вы уже знакомы с продакт-менеджментом или ИИ-инженирингом, то сейчас самое время стать тем, кто будет создавать продукты завтрашнего дня.

Проведите личный хакатон в эти выходные, чтобы создать приложение для автоматизации своих задач, и попробуйте продать его, чтобы сразу проверить ценность.

Главное — просто начать, а в комментариях можете поделиться своими успехами.

#мысли

Роботы учатся видеть мир нашими глазами, сами пишут код и создают игры: топ-10 ИИ-исследований за май

Давно ничего не писал — погружен с головой в «тихую ИИ-революцию». Скоро поделюсь мыслями, а пока расскажу про самые интересные ИИ-исследования за последние пару месяцев.

1. Децентрализованный интеллект: как обучали INTELLECT-2

Обучать LLM можно без дорогих датацентров — просто объединяя вычисления множества обычных пользователей по всему миру. Итоговая модель превзошла лидеров по математике и программированию в своей «весовой категории».

📄 Статья | 🤖 Модель


2. Hunyuan-Game: создание игр с помощью ИИ

ИИ врывается в геймдев: теперь границы между фантазией и реальностью стираются за пару кликов. Но пока индустрия радуется новым возможностям, разработчики сомневаются: не будут ли нейросети создавать игры слишком похожими друг на друга?

📄 Статья


3. Измеряем общий интеллект с помощью создания игр

Языковые модели научились проходить любые тесты, но насколько они действительно умны? Чтобы пройти новый бенчмарк gg-bench, нужно учиться мыслить и приспосабливаться к абсолютно новым правилам игры. Так GPT-4o выиграла лишь в 7–9% новых игр, а рассуждающие модели достигли 31–36% — есть куда расти.

📄 Статья


4. Могут ли нейросети пройти видеоигры из 90-х?

Исследователи из Принстона провели такой эксперимент — и оказалось, что даже самые продвинутые модели застревают на старых играх и не проходят даже 1% уровня, хотя играют с паузами на обдумывание!

📄 Статья | 💾 Код


5. Vibe Coding vs Agentic Coding: Переосмысление роли разработчика в эпоху ИИ

В мире разработки появились два подхода: Vibe Coding — когда управляешь генерацией кода, общаясь с ИИ на естественном языке, и Agentic Coding — полноценный автопилот, где ставишь цель, а ИИ-агент сам пишет, тестит и деплоит целые фичи. Будущее за гибридом этих двух подходов.

📄 Статья


6. Как пофиксить 7 400 багов за один доллар

Google создали новую систему, которая мгновенно ставит предохранители прямо на месте сбоя и чинит баги за копейки. В тестах она самостоятельно закрыла почти половину всех уязвимостей, а при совместной работе с ИИ-ассистентами довела этот показатель до 73%.

📄 Статья


7. Самообучающийся ИИ: автоматическое обучение моделей на синтетических данных

Ученые из MIT научили ИИ тренировать самого себя: модель придумывает задачи, находит ответы и постепенно становится умнее — без долгой разметки со стороны людей. Например, точность в математических задачах возросла с 62% до 92%. Главное — правильно задать цель, иначе ИИ научится быстро не тому, что нужно.

📄 Статья | 💾 Код


8. EgoZero: как научить робота мыть посуду с помощью умных очков

Робота научили выполнять бытовые задачи — от открытия духовки до стирания с доски — просто по видео с умных очков! И что поразительно: в 70% случаев робот справился даже с новыми задачами, которых раньше не видел, просто глядя на мир глазами человека.

📄 Статья | 💾 Код


9. Социальный интеллект для машин: как MetaMind делает ИИ эмпатичным

MetaMind — это мультиагентная система, которая учится читать намерения пользователей «между строк», распознавая скрытые эмоции и подтексты. Такой ИИ ведет себя почти как настоящий собеседник. Точность распознавания скрытых намерений выросла на 36% по сравнению с обычными LLM

📄 Статья | 💾 Код


10. Сам себе инженер: минималистичный агент с максимальными возможностями

Alita — настоящий инженер самого себя: он сам придумывает и создает инструменты по мере необходимости, непрерывно эволюционируя. Будущее автономных ИИ-агентов именно здесь: за счет саморазвития агент обходит классические системы и достигает 75% успеха с первой попытки на сложных тестах.

📄 Статья


ИИ стремительно развивается — он учится видеть мир нашими глазами, самостоятельно писать код, чинить баги и создавать игры. Исследователи фокусируются на автономии, обучении без больших датацентров и ручной разметки. Нас ждут эмпатичные саморазвивающиеся агенты, которые сами выбирают инструменты и методы для решения задач любой сложности.

Подробный обзор тут.

#исследования

ИИ поддерживает Запад в геополитике и сам учится играть в Minecraft: топ-10 исследований июня

За июнь вышло несколько исследований, которые поднимают важные вопросы о политической предвзятости языковых моделей, как ИИ-агенты учатся выживать в Minecraft и ведут себя как настоящие личности.

1. MiniMax-M1: эффективная архитектура для большого контекста

Экспериментальная LLM с эффективной работой на длинных текстах и сложных задачах. Гибридная архитектура внимания и особый метод обучения позволяют ей быстро мыслить на уровне топовых LLM, но с гораздо меньшими затратами.

📄 Статья | 🤖 Модель


2. По-настоящему персонализированный ИИ

SynthesizeMe из Стэнфорда анализирует ваши действия в цифровой среде и создает уникальную «персону»: теперь ИИ понимает ваши предпочтения и делает общение по-настоящему персональным.

📄 Статья | 💾 Код


3. Как AUTOMIND меняет подход к автоматизации дата-сайенса

Автоагент, который учится на опыте Kaggle-чемпионов и научных статей. Он перебирает лучшие решения и выдает на сложных кейсах +25% к качеству, а также втрое быстрее аналогов.

📄 Статья


4. Как автоматизировать обучение и оценку ИИ-агентов

TaskCraft — это фабрика ИИ-экспериментов: система сама придумывает и проверяет тысячи сложных многошаговых задач. TaskCraft уже сгенерировал 36 тысяч заданий и показал, что ИИ-агенты легко справляются со сложными задачами в браузере.

📄 Статья | 💾 Код


5. Роевой интеллект: когда агенты сами учатся работать вместе

Теперь ИИ-агенты сами учатся придумывать роли, координировать друг друга и решать задачи без ручной настройки. SwarmAgentic позволяет LLM создавать целые команды агентов с нуля, и они уже обошли все традиционные системы в реальных задачах — от планирования путешествий до творческого письма.

📄 Статья


6. Контролируемая генерация миров

Dreamland умеет по промту создавать целые города и гибко управлять каждым объектом. Симулятор строит точную сцену, а генеративная модель подкрашивает фон и детали, сохраняя полный контроль над происходящим. Теперь обучать беспилотники в симуляции стало еще проще.

📄 Статья


7. Optimus-3: универсальный агент для Minecraft

Optimus-3 не только планирует и действует, но и сам объясняет свои решения и учится на своих ошибках. Благодаря новым подходам к обучению, он лучше всех умеет планировать наперед, отвечать на вопросы по окружению и быстро осваивает новые навыки — все это в сложном и непредсказуемом мире Minecraft.

📄 Статья | 💾 Код


8. Запад против Востока: изучаем геополитическую предвзятость ИИ

Четыре топовых LLM анализируют спорные исторические события последних 300 лет. В результате даже российские и китайские модели чаще отдают предпочтение американской версии событий — просьбы быть беспристрастным не работают.

📄 Статья | 💾 Код


9. Будущее труда с ИИ‑агентами: уроки аудита 1 500 сотрудников

Впервые исследователи Стэнфорда спросили 1 500 работников, и выяснили: почти половину задач люди готовы делегировать машинам, а вот 7% хотят оставить себе навсегда. Бизнес автоматизирует совсем не то, что хотят сами сотрудники.

📄 Статья


10. Поведенческая наука об ИИ-агентах: почему агенты делают то, что делают

ИИ-агенты уже не просто решают задачи — они учатся хитрить и все чаще ведут себя непредсказуемо. Китайские исследователи предлагают изучать поведение агентов через когнитивные и социальные теории. Только так можно понять, как они учатся, манипулируют, объединяются в сообщества и влияют на людей.

📄 Статья


ИИ-агенты учатся не только выполнять задачи, но и формировать убеждения, работать в командах и даже влиять на наши решения. ИИ все больше похож на живой социум — с предвзятостями, кооперацией и своим личным характером. Чтобы держать этот процесс под контролем, пора всерьез изучать не только архитектуры моделей, но и их поведение в сложных мирах.

P.S. Если хотите глубоко разбираться в ИИ‑технологиях и создавать крутые ИИ‑продукты — рекомендую магистратуру AI Talent Hub и ИТМО. Сам менторю технических лидеров и уже взял к себе на работу нескольких магистров.

Подробный обзор тут.

#исследования

Интеллект-как-сервис: как в одиночку построить консалтинговую ИИ-компанию с нуля

В этом году правила игры в бизнесе уже изменились навсегда. Теперь не важно, сколько у тебя сотрудников. Главное — как быстро ты доносишь ценность клиентам и адаптируешься к новым условиям.

Пока одни компании неэффективно тратят сотни человеко-часов, другие уже вырвались вперед, автоматизировав рутину. ИИ-автоматизация стала новым стандартом для компаний любого размера.

И вот что важно: автоматизация уравнивает шансы. Теперь в эту игру могут играть не только гиганты, но и соло-предприниматели. Место на рынке есть для каждого, кто готов мыслить креативно и использовать ИИ-инструменты с умом.

Сотни специалистов выходят в «свободное плавание» и строят компании в одиночку. Соло-предприниматель автоматизирует себя сам: превращает знания и опыт в рабочие воркфлоу и продает итоговый результат как сервис. Здесь главное — не количество отработанных часов, а скорость и качество решения задач.

Сегодня low-code платформы вроде n8n позволяют автоматизировать почти любой процесс. Для этого не нужны навыки программирования и команда инженеров. Чтобы интегрировать CRM, мессенджеры, базы данных и ИИ-модели в единую систему, достаточно ноутбука и небольших знаний.
Роботы не спят, не устают, работают 24/7. Каждая новая задача или клиент — это новый воркфлоу в n8n, а не найм еще одного сотрудника. Один такой воркфлоу экономит сотни человеко-часов в месяц (от $2500).

Бизнес в n8n можно строить как Lego. Вот несколько примеров автоматизаций:

• SMM: Полностью автоматизированный контент-завод. Видел несколько автономных YouTube-каналов с неплохим качеством контента и большим числом подписчиков.

• Продажи: ИИ генерирует и отправляет персонализированные письма клиентам. Это один из самых популярных воркфлоу, на котором хорошо зарабатывают.

• Бизнес-ассистент: Клиент пишет ИИ-агенту, получает консультацию и бронирует встречу в календаре — must have для любого сервисного бизнеса.

В итоге то, что раньше требовало команду и месяцы работы, теперь можно собрать одному за вечер.

Заработать на автоматизации можно несколькими способами:

1. Автоматизация под ключ. Проанализируйте процессы клиента, найдите повторяющиеся задачи и предложите автоматизацию. Экспресс-аудит можно сделать бесплатно, настройку агента — за $1-2k, а за работу агента взимать ежемесячную плату по количеству выполненных задач.

2. ИИ-консалтинг. Здесь вы выступаете в роли стратега: делаете анализ процессов, ищете узкие места, разрабатываете стратегию ИИ-трансформации, подбираете инструменты и помогаете с автоматизацией. Вы продаете свои часы, поэтому важно максимально автоматизировать побочные задачи: ведение каналов, продажи и бронирование встреч.

3. Обучение. Вы обучаете команды внедрять сложные воркфлоу и сопровождаете проекты. Здесь самый высокий чек — вы продаете свой опыт. Но он должен у вас быть, поэтому начните с роли автоматизатора, а через некоторое время сможете делиться знаниями.

В перспективе AI-First компаний изменят весь экономический ландшафт. Консалтинговая ИИ-компания — лишь один из примеров. Автоматизация уже доступна всем: от маркетинговых и рекрутинговых агентств до студий разработки.

По моим наблюдениям, процессы найма или разработки ПО в разных компаниях не сильно отличаются. Поэтому вертикальные ИИ-агенты — это общее решение, которое можно продавать отдельно, опираясь на опыт работы с разными нишами.

Конечному клиенту нужен результат, а не код или часы инженера. Учитесь собирать готовые бизнесы в конструкторе — запускать свой и помогать запускать другим. Со временем у вас появится опыт в повторяющихся процессах, и вы сможете создать достаточно универсальное, но кастомизированное решение, чтобы охватить больше клиентов.

Например, недавно собрал контент-завод: ИИ-агент читает новости из десятка авторитетных источников и пишет посты в канал «Нейроний».

Осваивайте автоматизацию и сами становитесь компанией будущего.

P.S. Думаю выпустить видеоурок о том, как собрать своего личного бизнес-ассистента на n8n без программирования. Было бы полезно?

#технологии

Все, что нужно знать про GPT-5

Вчера OpenAI выпустила GPT-5 — самую мощную языковую модель на сегодняшний день. Хайп был зашкаливающий: с момента выхода GPT-4 прошло два года, интернет наполнился слухами о том, что GPT-5 будет чуть ли не AGI, но, конечно, это не так: новая модель — это не общий ИИ и даже близко не суперинтеллект. Тем не менее, это действительно большой шаг вперед, и давайте разберемся, в чем именно.

Автоматический выбор режима и универсальность. Теперь вместо набора отдельных моделей, GPT-5 работает как единая система. Модель автоматически определяет, как лучше отвечать на ваш вопрос — быстро или с помощью размышлений. Также модель имеет большой объем контекста в 256к токенов (примерно 600–800 страниц текста).

Основные бенчмарки. GPT-5 бьет все рекорды по метрикам: 74,9% в кодинге (SWE-bench), 94,6% по олимпиадной математике (AIME 2025), 84,2% в задачах на экспертное понимание изображений и видео (MMMU). Особенно заметен прогресс в медицинских задачах — до 46,2% (HealthBench Hard). Однако в тестах на общий интеллект (ARC-AGI) GPT-5 уступает Grok 4, но выигрывает по скорости и цене.

Впечатления похожи на разговор с экспертом уровня кандидата наук. По моему опыту, GPT-5 стала чаще уточнять вопросы, структурировать выводы, лучше писать код и даже по одному промту собирать готовое приложение с интерфейсом.

Интеграции. GPT-5 интегрируется с Gmail, Google Drive и календарем для понимания корпоративных данных — это большой шаг к офисной автоматизации, где ИИ сам подбирает нужные инструменты под задачу. GPT-5 теперь работает почти в каждом продукте Microsoft, а также уже доступна в Cursor.

Меньше галлюцинаций. OpenAI честно отмечает, что полностью избавиться от галлюцинаций пока не удалось, но их стало на 45% меньше по сравнению с GPT-4o, а в рассуждающем режиме — до 80%. В задачах на медицину, право, программирование GPT-5 теперь чаще признает, если чего-то не знает, и лучше объясняет ограничения.

Доступность и цены. GPT-5 доступен всем пользователям ChatGPT, включая бесплатных. Для продвинутых задач и бизнеса есть версии mini, nano и pro — с разной скоростью и стоимостью. В API цена за 1 млн токенов — от $0.05 (nano) до $1.25 (основная версия).

GPT-5 — не архитектурный прорыв, а долгожданный эволюционный апдейт, который делает ИИ гораздо ближе и доступнее обычному человеку, который не будет разбираться в том, какую модель и для какой задачи выбрать.

Держите новый гайд по промтингу в GPT-5.

А если вас интересует open source — недавно OpenAI наконец выпустила две открытые модели — gpt-oss-120b и gpt-oss-20b. Их можно запускать на своем сервере и дообучать под свои задачи — неожиданная щедрость для компании, чье название гордо переводится как «Открытый ИИ».

#новости

Chief AI Officer: новая роль в AI-First компаниях

Новые роли не появляются случайно. Chief Technology Officer (CTO) всегда был про разработку продуктов. Chief Data Officer (CDO) появился, когда бизнес понял, что данные — новая нефть. Chief Data Scientist (CDS) — когда данные стали топливом для машинного обучения.

Сегодня компании осознали, что масштабирование возможно не только за счет людей. ИИ становится операционным ядром бизнеса — так появилась роль Chief AI Officer (CAIO).


Я прошел все этапы:

• В Сбере в роли CDO руководил цифровой трансформацией стратегических процессов: внедрял DataOps, запускал дата-продукты — от BI-аналитики до бигдаты.

• В роли CDS проводил ИИ-трансформацию: выстраивал MLOps и обучал модели для автоматизации процессов и поддержки принятия решений для топ-менеджента.

• В венчурной студии в роли CTO быстро запускал ИИ-стартапы, параллельно автоматизируя все, что возможно.

Сейчас я помогаю крупному финтеху (NDA, платежная система и банк с криптой) в роли Chief AI Product Technology Officer (AI CPTO) — это гибрид CAIO и CPTO. В моей зоне ответственности не только стратегия внедрения ИИ, но и разработка ИИ-продуктов, однако затрону только функцию CAIO.

Определим, что AI-First компания — это организация, где процессы сразу проектируются под ИИ, а люди выступают операторами ИИ-систем. Технически AI-First компании — это набор малых моделей, где каждая выполняет свою задачу.

Простой способ трансформации — провести аудит процессов и воспроизвести каждую операцию с помощью ИИ. Раньше это делали через бизнес-анализ, но сегодня это похоже на когнитивный анализ.

Обычно я надеваю «шапку» джуна и прошу эксперта показать процесс, проговаривая ход его мыслей. Затем проектирую когнитивную карту и получаю Graph-of-Thought, где граф состоит из атомарных навыков сотрудника. Так человеческое мышление становится основой для трансформации процессов.

Более радикальный путь — ИИ-революция: отказаться от старого и построить процессы с нуля. Подход быстрый и рискованный, но со своими плюсами.


Что нам удалось за три месяца:

1. Стратегия. Граф навыков превратился в дорожную карту с учетом приоритетов, а адаптированный AI Maturity Index мы используем в качестве компаса.

2. Оргструктура. Компания состоит из 20+ функций: от HR и менеджмента до разработки и продаж. Мы перевели компанию в матричную структуру: функции по вертикали, продукты по горизонтали. Запустили гильдии по вертикалям: у каждой свой лидер, стандарты, процессы и набор ИИ-инструментов.

Так каждая вертикаль превращается в XaaS-агентство, которое в теории даже можно выделить в отдельный бизнес. Чем лучше отлажены процессы между функциями, тем быстрее происходит внедрение ИИ-агентов.

3. ИИ-инструменты. Мы научили сотрудников пользоваться ИИ-тулами, обеспечили единую среду для взаимодействия людей и агентов и внедрили продукты для определенных ролей (Deep Research помогает быстро найти и сравнить продукты на рынке).

Первые эффекты: формулирование тест-плана сократилось с пары дней до ~15 минут, а разработка отдельных фич — с двух дней до ~20 минут работы агента + пару часов сеньора.

4. Собственные агенты. В HR или поддержке можно внедрить готовые решения, но для кастомных процессов мы разрабатываем своих агентов на n8n, а для критичных процессов ИИ-инженер пишет свои сервисы — так формируется ИИ-платформа компании.

В результате через три месяца большинство сотрудников овладели ИИ-инструментами. Мы запустили первых агентов, из которых начинают формироваться процессы, где работают агенты, а люди валидируют результаты. Следующий шаг — AIOps-дашборд, полная автоматизация вертикалей и объединение агентов в цельные ИИ-процессы.

Главные проблемы: знания находятся в головах людей, поэтому в приоритете для агентов их оцифровка. Также не ко всем средам можно легко дать доступ агентам из-за персональных данных и критичности процессов.

Важно: CAIO не просто внедряет ИИ, а пересобирает операционную модель и перепрошивает мышление сотрудников.

Это сложно, интересно и увлекательно. Вперед — в светлое будущее.

#мысли

На пути к суперинтеллекту: от интернета агентов до кодирования гравитации — лучшие статьи об ИИ за июль 2025

За июль вышло несколько потрясающих исследований, которые меняют само представление о том, каким может быть интеллект: от малых языковых моделей до самоэволюционирующих агентов и нейросетей для фундаментальной физики.


1. Малые языковые модели: рабочие лошадки агентного ИИ

Малые языковые модели (SLM) до 10 млрд параметров выполняют рутинные агентные задачи в 10–30 раз быстрее и дешевле LLM. Они потребляют меньше энергии и работают на более доступном железе. Будущее за гибридными системами: SLM для повседневных задач, а LLM — для самых сложных задач.

📄 Статья


2. Agentic Web: новая эпоха интернета

Вместо сотен вкладок с билетами, отелями и отзывами — один запрос вашему агенту. Он сам составит маршрут, забронирует перелеты, подберет жилье и даже закажет трансфер. Интернет в новой парадигме состоит из агентов, которые делают всю работу, а вам возвращают готовый результат.

📄 Статья


3. За пределами токенов: как построить интеллект будущего

Сегодня LLM остаются “предсказателями следующих слов”. Масштабирование параметров дает все меньший прирост, и никакой новый GPT сам по себе не приведет нас к AGI. Прорыв должен быть в другом: во внешней памяти, моделях мира и системах, которые думают не токенами, а концептами. Large Concept Models и Large Reasoning Models — это первые шаги к архитектурам, где интеллект будет строиться на понимании и планировании, а не на статистике.

📄 Статья


4. ИИ как игровой движок: новая философия мультиагентных систем

Представьте мультиагентную систему как настольную RPG: каждый агент играет свою роль, действует по правилам и влияет на мир. А за тем, чтобы история была последовательной, следит мастер игры. В DeepMind на основе этой идеи собрали библиотеку, которая позволяет запускать сложные симуляции, тестировать ИИ-модели и исследовать социальное поведение.

📄 Статья | 💾 Код


5. Самоэволюционирующие агенты: шаг к искусственному сверхинтеллекту

Появляется новый класс систем — агенты, которые могут учиться на лету, перестраивать память, менять инструменты и даже переписывать собственную архитектуру. Это уже не статичные LLM, а живые саморазвивающиеся организмы цифрового мира.

📄 Статья


6. Экономика в эпоху ИИ: как LLM-агенты проектируют налоговую политику

LLM Economist моделирует поведение работников и обеспечивает до 90% от теоретического оптимума, демонстрируя устойчивое перераспределение доходов без падения производительности. Такой подход превращает ИИ в инструмент проектирования социальных правил — от налогов до будущей экономики.

📄 Статья | 💾 Код


7. MemOS: новая операционная система памяти LLM

MemOS делает для памяти то, что операционные системы когда-то сделали для вычислений: превращает хаос в управляемый ресурс с API, версионированием и контролем доступа. В тестах система показала уверенное превосходство в сложных рассуждениях.

📄 Статья | 💾 Код


8. Ella: воплощенный агент с памятью и характером

Ella — агент нового поколения: у нее есть и семантическая, и эпизодическая память, поэтому она не просто реагирует на команды, а живет в цифровых сообществах и запоминает события.

📄 Статья | 💾 Демо


9. SciMaster: новые горизонты научного ИИ

Открытая система научных агентов, которая первой пробила планку в 32,1% на Humanity’s Last Exam, обогнав закрытые решения OpenAI и DeepMind. Это важный шаг для ИИ, который действительно способен помогать на переднем крае науки.

📄 Статья


10. Einstein Fields: нейросети для кодирования гравитации

Нейросети впервые используют для кодирования самой ткани Вселенной: они аппроксимируют метрику пространства-времени, сжимают данные в тысячи раз и при этом точно воспроизводят эффекты черных дыр и гравитационных волн.

📄 Статья | 💾 Код


ИИ становится новой средой для науки, экономики и цифровой жизни. Путь к общему ИИ и, возможно, к сверхинтеллекту не будет прямым. Но именно сегодняшние исследования открывают дверь к новому пониманию мира и новым возможностям для человечества.

Подробный обзор тут.

#исследования

Пять опасных заблуждений про ИИ, которые тормозят технологический прогресс

Когда речь заходит о внедрении ИИ, всегда находятся скептики. Они повторяют одни и те же фразы: на первый взгляд логичные, но на деле — тормозящие развитие. Такие установки демотивируют команды и мешают компаниям трансформироваться. Разберем пять самых популярных.


1. «ИИ — это просто статистика»

Эта фраза звучит чаще всего. На первый взгляд — так и есть: нейросети действительно основаны на математике и вероятностях. Но по сути похожим образом работает и человеческий мозг: мы тоже оцениваем вероятности, ищем закономерности и строим прогнозы, хотя используем иной тип вычислений. Наш мозг до сих пор остается большой загадкой, а нейросети можно рассматривать как лабораторный макет мышления — упрощенный, но доступный для изучения.

Так современные исследования показывают, что модели обладают эмерджентными свойствами: они решают задачи, которым их не учили, а в скрытых слоях формируются целые стратегии. Да, «это просто статистика», но именно статистика лежит в основе прогноза погоды, медицины и экономики — и мы доверяем ей, потому что она видит больше, чем человек. И вот главный вопрос: когда машина учится понимать и предсказывать мир, чем ее деятельность принципиально отличается от нашей?


2. «Это все хайп, скоро пройдет и пузырь лопнет»

Удобная мысль: можно ничего не менять и остаться в зоне комфорта. Но ИИ уже встроен в повседневную жизнь — от рекомендательных систем до банковского скоринга. Да, вокруг ИИ действительно завышенные ожидания — так всегда бывает с новыми технологиями (см. кривую Gartner). Но хайп не отменяет того факта, что компании уже перестраивают процессы и продукты, а выгоды измеряются миллиардами долларов. Подождать пару лет — значит отстать навсегда. Что опаснее — переоценить возможности ИИ или проспать момент, когда конкуренты перестроят рынок?


3. «Нейросети все равно ошибаются»

Да, ошибаются. Но и люди ошибаются — зачастую даже чаще. Отличие в том, что модели работают быстрее и дешевле. Ошибки — не повод отказываться от ИИ, а часть рабочего процесса. Грамотный подход — строить систему, в которой ИИ делает 80% работы, а человек проверяет критические 20%. Те, кто осваивает такие гибридные процессы, вырываются вперед. Кто победит — тот, кто ждет безошибочный ИИ, или тот, кто учится работать с его ошибками?


4. ИИ обесценивает опыт и знания людей

Это особенно болезненный аргумент. Люди подсознательно боятся, что машина быстро осваивает то, на что раньше уходили годы учебы и работы. Во время первой промышленной революции ткачи разрушали станки, боясь потерять работу. Но ИИ не обесценивает опыт — он меняет роли. Тогда исчезли ткачи, но появились инженеры, а сегодня ИИ забирает на себя рутину и освобождает место для управленческих и творческих задач. Ответственность все равно остается за человеком, а ИИ — лишь инструмент. Разве инструмент, который расширяет возможности мастера, обесценивает его опыт?


5. Российский контекст

Здесь скептицизм особенно опасен. В России нет полноценных LLM уровня флагманских моделей от OpenAI и Anthropic. Импортозамещение пока невозможно: собрать качественный датасет на русском сложно, вычислительные мощности ограничены санкциями, а многие таланты работают на западные компании. Доступ к зарубежным решениям закрыт, а открытые модели не дотягивают по качеству до флагманских. Если догнать в лоб нельзя, не пора ли проявить смекалку: научиться синтезировать русскоязычные данные и обучать модели децентрализованно?


Главная причина отрицания ИИ кроется не в самой технологии, а в человеке. Нам проще оставаться в зоне комфорта, где мир понятен и предсказуем. Но признать сегодняшнюю значимость ИИ — значит признать необходимость учиться и перестраивать привычный процесс работы. Это требует усилий, а мозг всегда ищет путь экономии. Иллюзия комфорта опаснее всего: она оборачивается отставанием — личным, профессиональным и национальным. Будущее у нас заберет не ИИ, а привычка жить прошлым и отрицать перемены.

#мысли

Новое видео на YouTube: как собрать личного бизнес-ассистента в Telegram с n8n

Я подготовил пошаговый разбор того, как за 15 минут развернуть ИИ-агента, который ведет заметки, ставит задачи, бронирует встречи, а также присылает последние новости из ваших источников.

В видео вы узнаете:

• Из каких частей состоит ИИ-агент и что он умеет;
• Как настраивать интеграции с Telegram, OpenAI и Google-сервисами;
• Как сделать флоу агента для администратора в роли личного секретаря;
• Как собрать флоу агента для консультаций клиентов или коллег;
• Как подключить RAG-систему для более точных ответов, используя загруженную информацию.

Такой Telegram-ассистент поможет автоматизировать рутину, разгрузить голову, ускорить работу и быть в курсе последних новостей своей индустрии. Также отправляю готовый шаблон, чтобы вы могли протестировать агента у себя.

Что нужно сделать, чтобы всё заработало:

1. Импортируйте шаблон в n8n (содержимое JSON можно просто скопировать в рабочую среду).
2. Вставьте свои ключи: OpenAI, Telegram-бота и Google.
3. Укажите ID таблиц, календаря, пользователя в условном операторе и канала.
4. Добавьте свои статьи, документы или книги в RAG — и готово.

Это быстрый способ вкатиться в автоматизацию на n8n и почувствовать, как ИИ реально экономит время и делает работу удобнее. Если давно хотели попробовать собрать собственного ИИ-агента, но не знали, с чего начать — это отличный старт.

Подобным образом я автоматизировал несколько новостных телеграм-каналов и сейчас живу в собственном инфопузыре:

• Dataism Lab — ежедневные обзоры последних научных статей простыми словами;

• Neuronium — новости из индустрии искусственного интеллекта;

• Human Intelligence — бизнес и лидерство в эпоху ИИ;

• Robotics Intelligence — новости из индустрии робототехники;

• Landao Metaverse — метавселенные, XR и нейронауки.

В следующем видео разберем больше сценариев и расширим функциональность нашего агента. Подписывайтесь на Youtube-канал, если хотите видеть чаще подобный контент.

#анонс

Приносит ли ИИ реальную пользу в разработке продуктов?

Сталкиваюсь с тем, что люди разделились на два лагеря: у одних ИИ-инструменты реально помогают в разработке, у других — наоборот, мешают, плодят ошибки и добавляют работы. Давайте разберемся, как сделать ИИ действительно полезным.

Исследователи из Стэнфорда проанализировали десятки миллионов коммитов и миллиард строк кода более 100 тыс. инженеров из 600 компаний за 3 года. Хотя прогресс в программировании ускорился в последний год, результаты оказались не такими радужными:

• Больше кода ≠ больше ценности. После внедрения ИИ объем изменений в коде вырос на 30–40%. Но значительная часть работы ушла на исправления. Реальный прирост продуктивности — 15–20%.

• Эффект зависит от сложности задач. На простых задачах выигрыш максимален. В сложных архитектурных решениях бывает даже обратный эффект.

• Стартапы выигрывают больше. В новых проектах прирост выше: меньше зависимостей и код попроще. В зрелых продуктах с большой логикой и устаревшим кодом эффект минимален.


Как подготовиться к внедрению ИИ?

Чтобы получить от ИИ максимум, нужна подготовка на трех уровнях:

1. Кодовая база. Код должен быть организован, документирован и готов к работе с ИИ. Можно использовать ИИ сразу: для генерации описания бизнес-логики, построения архитектуры и первичного рефакторинга. Чистый и структурированный проект проще расширять, поддерживать и подключать к нему ИИ-агентов.

2. Сам процесс разработки. ИИ эффективен там, где процесс уже отлажен: аналитик формирует требования с помощью ИИ → техлид проектирует архитектуру и декомпозирует ее → разработчик получает драфт кода от ИИ и дорабатывает → QA использует сгенерированные тесты → деплой и мониторинг автоматизированы. Тогда ускоряется каждая операция, и общее время разработки значительно снижается.

3. Лидеры изменений. Роль техлида выходит за рамки код-ревью. Он становится лидером изменений: создает центры компетенций, внедряет ИИ-инструменты и стандарты, организует внутренние митапы и формирует культуру осознанного применения ИИ. Это превращает разрозненные эксперименты в командах в системный подход для всей компании.

Прирост 15–20% — это базовый уровень. Но на моей практике, если проработаны все три пункта, команды могут ускорять выход фичей в прод в 2–3 раза даже в сложных проектах.


Как правильно использовать ИИ?

Если получилось реализовать все три пункта, дальше дело техники:

• Архитектура. ИИ работает лучше, если есть понятные рамки. Опишите текущую и будущую архитектуру, зафиксируйте бизнес-правила и декомпозируйте задачи. Это база. Без этого ИИ будет ошибаться и придумывать лишнее.

• Четкий запрос. Промт должен быть детализирован: язык, фреймворк, формат результата и ожидаемое поведение. Чем конкретнее задача, тем меньше будет доработок.

• Контекст. Давайте ИИ только нужную информацию: кусок кода, ошибку или файл с правилами. Не скармливайте весь репозиторий. Слишком мало контекста — плохо, слишком много — тоже плохо. Также сразу задавайте общие правила и код-стайл.

• Итерации. Большие задачи дробите на маленькие и проверяйте результат после каждого шага по схеме «черновик → уточнение → исправление». Это делает процесс более управляемым.

• Тесты, документация и чекпоинты. ИИ может генерировать unit-тесты, помочь работать по TDD («сначала тест, потом реализация») и постоянно обновлять документацию. Важно чаще коммитить, а эксперименты вести в отдельных ветках. Тогда можно смело доверять ИИ рефакторинг и генерацию кода — всегда есть возможность откатиться.

Итог

Сегодня ИИ меняет саму логику работы: в стартапах один человек может совмещать роли аналитика, техлида, разработчика и тестера, а компании могут выпускать больше фичей теми же командами. Но это работает только там, где есть лидеры изменений: они наводят порядок в кодовой базе, выстраивают процессы и задают новые стандарты. И это касается не только процессов разработки.

В итоге выигрывают не компании с самыми умными моделями, а компании с самыми смелыми лидерами. А готовы ли вы сами стать лидером изменений в своей компании?

#технологии

Матрица бизнеса: архитектура компаний в эпоху ИИ

Если лет 6 назад ИИ-трансформация была доступна только корпорациям, то сегодня она по силам любой компании, которая хочет оставаться конкурентоспособной в новой экономике. Одни компании проходят трансформацию успешно, другие — с трудом. Поэтому расскажу о главных проблемах и как их решить на основе практического опыта.

Цель трансформации проста: внедрить ИИ во все процессы компании, чтобы снизить издержки и увеличить масштабируемость операций. Конечно, технологии накладывают свои ограничения, но главная сложность в том, что оргструктура часто не готова к изменениям, а люди сопротивляются работать по-новому. Функционально-организационная структура и корпоративная культура — две стороны одной медали. Без системного взгляда на компанию и инновационной культуры о глубокой ИИ-трансформации не может идти речи.

Компания состоит из вертикальных функций, которые формируются в горизонтальные процессы. Разработка, маркетинг, HR — каждая функция решает свои задачи. Но ценность для клиента рождается на стыке: «от лида до оплаты» или «от вакансии до оффера». Именно в повторяемых задачах есть смысл внедрять ИИ — сначала автоматизируя отдельные операции, потом объединяя их в сквозные процессы.

Чтобы деятельность компании не превратилась в хаос, я делю ее на три уровня:

• Run-процессы — операционка. Здесь работают KPI: скорость отклика или стоимость операции. Минимальная неопределенность — идеальная зона для автоматизации.

• Change-проекты — изменения. Управляем через OKR. Пример: «сократить время найма на 30%» или «увеличить продажи на 50%». Здесь ИИ-инструменты усиливают людей. На практике скорость разработки увеличивается от 20-40% до двух раз.

• Disrupt-продукты — новые бизнес-модели. Высокая неопределенность: нужны симуляции, быстрые MVP и стресс-тесты. Управляем через North Star и SMART-цели.

Любая инициатива начинается как проект и постепенно едет по выстроенным рельсам процесса разработки. Так мы одновременно поддерживаем текущий бизнес и адаптируемся к переменам, совершая бизнес-прорывы.


ИИ-трансформация состоит из трех основных шагов:

1. Перестроить оргструктуру. Переход от жесткой иерархии к матрице. Функции становятся центрами компетенций (гильдиями), которые отвечают за стандарты, обучение и инструменты, а кросс-функциональные команды доставляют ценность клиенту. Метрики строятся как дерево: от North Star до KPI процессов.

2. Оцифровать процессы. Сделать их прозрачными на уровне данных, чтобы каждая операция стала навыком ИИ-агента. Тут помогает дата-платформа, но о ней поговорим в другой раз.

3. Внедрить ИИ. В итоге операции превращаются в навыки ИИ-агентов: один обрабатывает резюме, другой делает скоринг клиентов. Со временем агенты объединяются в цепочки, которые закрывают сквозные процессы. Люди принимают решения, а агенты берут на себя всю рутину. Так из ИИ-процессов формируется новое операционное ядро компании.

Структура — это половина дела. Вторая — культура. Без нее трансформация превращается в автоматизацию ради автоматизации. Лидеры должны быть готовы к переменам: CEO вкладывает ресурсы и выдает мандаты, CTO перестраивает разработку, CAIO формирует ИИ-стратегию и внедряет агентов, а лиды делятся кейсами — как успешными, так и провальными.

Ошибки становятся не поводом для наказаний, а базой для улучшений. Там, где не боятся экспериментировать, трансформация идет естественно. Культура — катализатор перемен. Если люди боятся брать инициативу, то никакие агенты не помогут.

ИИ меняет не только процессы, но и роль человека. Сотрудники перестают быть винтиками системы и становятся драйверами трансформации. Лидерство — это не только стратегическое видение, но и личный пример использования новых инструментов в работе. Когда есть конкретные демки, вопрос «нужно ли меняться» отпадает сам собой.

Сегодня компании конкурируют не только продуктами, а оргструктурой и культурой. Процессы собираются как конструктор, а единственное устойчивое преимущество — это люди, встроенные в правильные ИИ-процессы. Те, кто делает это сегодня, задают новые правила игры.

#кейсы

Почему ИИ галлюцинирует и как он учится управлять миром в матрице — лучшие статьи об ИИ за август 2025

ИИ все чаще ведет себя как человек: он рискует, хитрит, ошибается, но при этом чрезмерно уверен в себе. В прошлом месяце вышли исследования о том, как снизить галлюцинации моделей, как правильно использовать память для агентов и зачем им когнитивные карты, как построить мультиагентные системы без хаоса и что значит по-настоящему интерактивный мир для обучения ИИ. Давайте разбираться.

1. Почему LLM врут с умным видом

Галлюцинации — это не баг, а следствие самих метрик обучения. Модели подталкивают к угадыванию, а не к честному ответу «я не знаю». Новая идея — добавить уровень уверенности и менять систему оценки так, чтобы стимулы смещались в сторону надежности.

🔍 Подробнее | 📜 Статья


2. Глубокие исследования без границ: выбираем свою LLM и управляем стратегией поиска

Universal Deep Research отделяет стратегию поиска от модели: пользователь описывает алгоритм на естественном языке, а система превращает его в код. Это дает контроль, прозрачность и гибкость для любых исследовательских задач.

🔍 Подробнее | 📜 Статья | 💾 Код


3. Как дообучать LLM на лету с помощью памяти вместо файнтюнинга

AgentFly показывает, что память может заменить дорогой файнтюнинг. Агент хранит опыт в кейсах и использует его для новых задач, постоянно обучаясь новому.

🔍 Подробнее | 📜 Статья | 💾 Код


4. Как построить мультиагентную систему, которая реально работает без магии и костылей

AgentScope дает единый формат сообщений, память и прозрачные метрики. Теперь агенты могут сотрудничать, синхронизировать контекст и добиваться сложных целей.

🔍 Подробнее | 📜 Статья | 💾 Код


5. Как обучение с подкреплением перестраивает мышление LLM

Метод HICRA учитывает иерархию рассуждений и учит модели отделять стратегию от исполнения. Это позволяет закреплять удачные планы и формировать настоящие навыки рассуждения.

🔍 Подробнее | 📜 Статья


6. Почему Text-to-SQL до сих пор ломается и как это исправить

SQL-of-Thought помогает писать корректные SQL-запросы: модель сначала строит план, а потом пишет SQL. Диагностика ошибок делает систему стабильнее и дешевле.

🔍 Подробнее | 📜 Статья


7. Увидел-кликнул-победил: как UItron управляет компьютером по-человечески

UItron учится видеть экран глазами пользователя и кликать как человек. Система собрала миллионы шагов взаимодействия пользователей и теперь умеет выполнять сложные сценарии в приложениях. Очень полезно для тестирования интерфейсов.

🔍 Подробнее | 📜 Статья | 💾 Код


8. ИИ как соавтор: как агенты меняют науку прямо сейчас

Agentic Science описывает переход от «ИИ-инструмента» к «ИИ-ученому». Такие агенты формулируют гипотезы, планируют эксперименты и даже корректируют свои ошибки.

🔍 Подробнее | 📜 Статья | 💾 Код


9. Нажал — и мир двинулся: Matrix-Game 2.0 делает видео интерактивным в реальном времени

Matrix-Game 2.0 всего на одной видеокарте создает потоковое видео в 25 fps, реагирующее на действия пользователя. Это открывает путь к интерактивным симуляторам для игр, робототехники и обучения агентов.

🔍 Подробнее | 📜 Статья | 💾 Код


10. Память для роботов: как машины учатся видеть мир осознанно

BSC-Nav предлагает когнитивную карту с уровнями ориентиров и рабочей памятью. Роботы начинают строить маршруты, адаптироваться к сложной среде и даже готовить завтрак.

🔍 Подробнее | 📜 Статья | 💾 Код | 🎥 Видео


ИИ учится мыслить стратегически: он планирует, запоминает, действует и учится на собственных ошибках. Но вместе с этой автономией встает ключевой вызов — суметь направить ее так, чтобы ИИ усиливал человеческий потенциал. Если нам удастся выстроить правильные стимулы, ИИ станет партнером в создании будущего — делая бизнес более эффективным, ускоряя научные открытия и помогая нам глубже понять самих себя.

👉 Подробный обзор тут.

#исследования

Лидерство в эпоху ИИ: как адаптироваться к новой реальности

Лидер — это не должность в оргструктуре. Это человек, который понимает точку А — где организация находится сейчас, и точку B — будущее, куда нужно прийти. Он строит маршрут и ведет команду. В эпоху ИИ это особенно важно: технологии меняют правила быстрее, чем когда-либо, и только тот, кто умеет смотреть вперед, способен вести за собой.

Многие уже используют ИИ, но тут есть тонкий момент: сотрудник может высвободить время и заниматься личными делами. Какая мотивация повышать продуктивность, если задачу можно решить с ИИ за час, а менеджеру отчитаться, что ушли сутки? Так бизнес теряет потенциал роста. Поэтому задача лидера — личным примером показывать, как работать по-новому, и задавать стандарты.

Принято думать, что ИИ — всего лишь инструмент. Но лидер в новую эпоху не только наставляет команду работать с ИИ, но и учится у него сам. ИИ может указать на когнитивные искажения, вскрывать слепые зоны и корректировать стиль управления.

Так ИИ становится «вторым мозгом» организации. Компании будущего будут напоминать единый интеллект из людей и ИИ-агентов с общей базой знаний. В таких компаниях ценится разнообразие мышления. Все больше сотрудников открыто заявляют о своих нейроотличиях: аутизме, СДВГ, особенностях восприятия. В прошлом это считалось проблемой, а сегодня — новым ресурсом.

Настоящий лидер умеет работать с этим ресурсом. Он не додумывает за человека, например, «раз он не смотрит в глаза, значит, не вовлечен», а задает прямой вопрос: «Как тебе удобнее получать обратную связь?», «В какой среде ты более эффективен?». Такие простые шаги создают атмосферу безопасности, где каждый раскрывает свой потенциал.

Если раньше лидер был в центре внимания, то в будущем — наоборот, он может быть почти незаметен: ИИ-процессы работают сами. Появляется новый формат — компании из одного человека, где люди подключаются по мере необходимости.

Ключевой навык лидера — самоосознанность: понимание своих ценностей, целей, сильных и слабых сторон. Сила в том, чтобы признавать свои слабости. Это создает доверие: команда видит, что руководитель не пытается быть сверхчеловеком, а умеет делегировать задачи людям и машинам.

Компания Cisco превратила внедрение ИИ в совместный эксперимент. Более сотни команд вместе с менеджерами учились работать с ИИ. Через три месяца сотрудники стали вдвое чаще использовать его, а доверие к ИИ-ответам выросло с 62% до 91%.

Секрет был в том, что лидеры относились к ИИ как к стажеру — проверяли, находили ошибки, корректировали и давали новые задания. Затем Cisco разложила каждую роль на задачи и предложила сценарии применения ИИ для всех сотрудников. В итоге изменилась не просто технология, а сама культура: ИИ стал частью работы каждого.

На своем опыте я убедился: большинство людей не стремятся меняться. Старые привычки и страх ошибок мешают осваивать новое. Но тут действует простой закон: если лидер показывает, как работать с ИИ, это становится новой нормой. Те задачи, что раньше занимали день, теперь занимают час — и этот стандарт закрепляется в команде.

Сегодня внимание — главный ресурс лидера. Люди и ИИ генерируют кучу артефактов и уведомлений. Легко утонуть в этом потоке данных, если не уметь выделять главное. Поэтому лидер учится сам и помогает команде расставлять приоритеты и управлять фокусом. Это новый тайм-менеджмент: только управление не часами, а вниманием.

Лидер в эпоху ИИ — это человек, который видит точку B и ведет туда компанию. Он показывает, как технологии экономят время и помогают масштабироваться, создает культуру любопытства, доверия и безопасности. Он умеет управлять своим вниманием и вниманием команды, задает новые стандарты и не боится признавать свои слабости.

Именно такие лидеры превращают ИИ из инструмента экономии времени в двигатель человеческого развития. Раньше лидер знал правильные ответы, а теперь — умеет задавать правильные вопросы и соединять разные точки зрения.

#мысли

Ожидания: ИИ-агенты в облаках.
Реальность: данные в огненном хаосе.

Платформа данных в эпоху ИИ: как превратить хаос в единый источник истины

Сегодня многие компании тонут в море информации. Объем данных растет быстрее, чем бизнес успевает обрабатывать: транзакции, документы, метрики, переписка. Все это хранится в десятках разрозненных систем. При этом именно данные становятся новой нефтью в эпоху ИИ. Чтобы использовать их в аналитике и ИИ-агентах, нужен прочный фундамент — корпоративная платформа данных. Разберемся, как ее построить.

Эффективная работа с данными строится на принципах DataOps:

1. Сначала формируется карта процессов компании, далее модель данных и подключаются все источники. Данные можно разделить на структурированные и неструктурированные, а также выделить их векторные и графовые представления. Первые удобно хранить в табличных базах, вторые — в объектных хранилищах, векторные — в векторных базах, а графовые — в графовых.

Чтобы объединить все базы в единую систему, используют архитектурные паттерны. Хранилище данных (DWH) собирает данные из разных баз для BI-отчетов и моделей. Озеро данных (Data Lake) хранит сырые данные, Lakehouse сочетает оба подхода. Фабрика данных связывает все слои через метаданные для единого управления, а подход Data Mesh распределяет ответственность за данные между бизнес-доменами.

Для моделирования я часто использую концепцию Data Vault. Она делит данные на сущности, связи и атрибуты. Это упрощает интеграции, а в связке с Data Mesh команды быстро создают свои продукты, но остаются встроены в общую архитектуру.

2. Для работы системы нужна автоматизация. ETL/ELT-процессы автоматически извлекают, преобразуют и загружают данные, а диаграмма потоков данных и каталог данных описывают все данные и их потоки: это дает прозрачность и уверенность в их корректности.

3. Польза от данных возможна только при доверии к ним. Поэтому вокруг платформы строятся механизмы контроля качества и SLA. Отчеты должны обновляться вовремя, датасеты должны быть точными, а пайплайны мониториться — все это отражается в дашбордах качества данных.

4. Ключевая роль у дата-продуктов. Сырые данные бизнесу не нужны. Ему нужны структурированные данные в виде витрин для BI-отчетов и датасеты для моделей. Неструктурированные раскрываются через векторный поиск и RAG, а графовые формируют корпоративный граф знаний и GraphRAG — комбинацию графа и векторного поиска для более точных ответов агентов.

5. Чтобы эта база знаний была надежной, нужна система управления — Data Governance. Она задает управленческие механизмы и описывает метаданные. Data Lineage позволяет проследить путь данных от источника до отчета. Важно учитывать законы вроде GDPR или 152-ФЗ. Все данные классифицируются по уровням доступа: открытые (К4), корпоративные (К3), персональные (К2) и конфиденциальные (К1). Платформа также должна уметь шифровать персональные данные.

6. Но недостаточно построить пайплайны — важна стабильность работы, бэкапы и постоянный мониторинг. Современные системы умеют сигнализировать о сбоях и автоматически восстанавливать процессы. Это делает платформу похожей на живой организм, который сам реагирует на аномалии и поддерживает доверие к данным.

Когда фундамент готов, на нем можно собирать ИИ-агентов. Например, пользователь может спросить: «Почему упали продажи продукта А?» — агент сам формирует SQL-запрос, ищет документы через RAG, подтягивает связи из графа знаний и выдает связный ответ. Это уже не статичный BI-отчет, а эксперт, который знает, куда смотреть.

Из примеров могу вспомнить фабрику данных в Сбере. Там объединили десятки систем под одно управление. На этом фундаменте наша команда построила ИИ-ассистента для руководителя еще до появления ChatGPT. Он умеет оптимизировать календарь, используя табличные данные, искать нужные презентации векторным поиском и отвечать на любой корпоративный вопрос, используя графовую базу знаний.

Такая платформа данных — единый источник истины, в котором информация из разных источников проходит автоматизацию, контроль качества и защиту, превращается в дата-продукты и становится надежным фундаментом для второго мозга руководителя.

#технологии

Обучить или уволить? Как компании решают судьбу сотрудников в эпоху ИИ

Мир находится на пороге, когда компании перестают экспериментировать с ИИ и начинают перестраивать саму архитектуру труда. И перестройка эта идет в том числе через увольнения.

Fiverr уволила 30% сотрудников — всего несколько месяцев спустя после призывов CEO «использовать ИИ, чтобы не отстать от будущего». А CEO IgniteTech признался, что сократил 80% штата за «нелюбовь к ИИ». Вместо адаптации — попытка построить новую ИИ-культуру с нуля.

Microsoft в 2025 году провела несколько волн оптимизации — минус 9 000 человек, в планах 15 000 человек до конца года. Все подано как инвестиции в ИИ. Accenture рассталась с 11 000 сотрудниками под лозунгом: «переучиваем только тех, кто способен переизобрести себя». Компания вкладывает сотни миллионов в развитие ИИ-навыков, но тех, кто не успевает, просто увольняют.

То, что недавно казалось тревожным прогнозом, становится новой нормой. Ирония в том, что те же компании, которые обещали, что ИИ поможет людям работать эффективнее, теперь используют его как аргумент для увольнений.

Но это не война человека и машины — это конфликт культур: между скоростью развития технологий и медленной человеческой адаптацией. Руководители требуют мгновенной перестройки, а сотрудники не понимают, зачем им этот «дивный новый мир», где нужно постоянно учиться новым инструментам.

Недавнее исследование Йельского университета показало, что в масштабах экономики ИИ пока не вызвал катастрофических потерь рабочих мест. Но статистика запаздывает. Массовые сокращения, начавшиеся сейчас, — возможно, именно тот момент, когда цифры начинают догонять реальность.

Я вижу ситуацию так: речь не о замене людей, а о переопределении того, что значит быть продуктивным в эпоху ИИ. Ни один фаундер, с которым я работал, не ставит целью сократить людей любой ценой. Цель — результат, эффективность, рост конкретных метрик.

Достичь этого можно двумя путями: обучать сотрудников работать с ИИ или нанимать тех, кто уже умеет. Третьего варианта — «оставить все как есть» — больше не существует.

Обучение требует времени и терпения. Человек может научиться — и тут же уйти, ведь его ценность растет. Нанимать готовых проще, но их мало. Сегодня они на вес золота, и за них идет борьба по всему миру.

Многие компании выбирают второй путь, но это временное решение. Без внутреннего обучения они становятся зависимы от рынка, где цена на талант только растет, а люди быстро уходят.

Людей нельзя заставить полюбить ИИ приказом сверху. Страх в этом случае плохая мотивация. ИИ должен приносить выгоду не только компании, но и сотруднику. Если корпорация экономит миллионы, а человек получает ту же зарплату, — это путь к выгоранию и саботажу.

Нужны новые метрики эффективности, где учитывается личный вклад в развитие ИИ-экосистемы компании. Например, можно фиксировать, кто и сколько данных разметил для обучения моделей — и поощрять таких людей не только пряником, но и деньгами.

Логика проста: человек использует ИИ, чтобы делать больше, быстрее и лучше, а компания делится частью доходов.

Сегодня важно не противопоставлять человеческий и искусственный интеллект, а соединять их. ИИ блестяще анализирует данные, но креатив, эмпатия и этика остаются за нами.

В природе интеллект — это сеть, которая имеет разные формы: муравьи строят сложные колонии, а осьминоги «мыслят щупальцами». И сегодня мы формируем новую сеть — гибридный интеллект, где человек и ИИ учатся работать вместе.

Компании, которые поймут это, создадут новые формы совместного мышления — когда машина усиливает человека, а не заменяет его.

Но и обучение — не обязанность работодателя, а ответственность самого сотрудника. Если ты хочешь оставаться востребованным, учись использовать ИИ не потому, что заставляют, а потому что это делает тебя сильнее.

ИИ не отнимает работу — это делают управленцы, выбирающие путь увольнений. А ИИ дает шанс каждому стать лучшей версией себя — если мы готовы впустить его в свою работу и научиться думать вместе с ним. Таких людей не увольняют. Они сами выбирают где и с кем работать.

#новости