Вместо того чтобы отвечать на всё одним махом, модель разбивает цель на более мелкие, управляемые задачи.
Допустим, кто-то спрашивает: “Помоги мне запустить продукт”. Агент может ответить планом:
1. Определить аудиторию
1. Спроектировать лендинг
1. Настроить email-кампании
1. Написать текст анонса
Затем он решает каждую часть по очереди.
Вы можете встроить это в промпт или дать модели самой составить план. Бонусные очки, если вы сохраните план где-то, чтобы агент мог продолжить с того места, где остановился.
Планирование превращает вашего агента из реактивного помощника в проактивного.
Это паттерн для рабочих процессов и любых задач, требующих нескольких шагов.
5. Мультиагентность: заставьте команду работать вместе
Зачем полагаться на одного агента, когда можно собрать целую команду, работающую вместе?
Мультиагентные системы назначают разные роли разным агентам, каждый из которых обрабатывает свою часть головоломки. Они сотрудничают — иногда даже спорят — чтобы прийти к лучшим решениям.
Типичная схема:
- Исследователь собирает информацию
- Планировщик намечает шаги
- Программист пишет код
- Ревьювер всё перепроверяет
- Менеджер держит всё в движении
Это не обязательно должно быть сложным. Даже базовая координация работает:
1. Дайте каждому агенту имя и роль
1. Позвольте им обмениваться сообщениями через контроллер
1. Наблюдайте, как они итерируют, критикуют и улучшают результат
Магия происходит, когда они не соглашаются. Именно тогда вы получаете более острые инсайты и глубокое мышление.
Хотите попробовать? Вот простая отправная точка
Допустим, вы создаёте исследовательского ассистента. Вот прямолинейная схема, которая задействует эти паттерны:
Начните с планирования
Промпт: “Разбей эту исследовательскую задачу на чёткие шаги перед ответом”
Пример: “1. Определить ключевые слова, 2. Найти свежие статьи, 3. Суммировать находки”
Используйте инструменты
Подключите агента к поисковому API или векторной БД, чтобы он получал реальные факты, а не выдумывал их.
Добавьте рефлексию
После каждого ответа промптите: “Что упущено? Что можно сделать понятнее?” Затем регенерируйте.
Оберните в ReAct
Дайте агенту думать между шагами. “Результаты выглядят поверхностными — повторяю с новыми терминами”. Затем действуйте снова.
Расширьте до мультиагентности (опционально)
Один агент пишет. Другой критикует. Они общаются. Они спорят. Результат становится лучше.
Вот и всё. У вас есть рабочий MVP. Не нужны навороченные фреймворки, только умные промпты, базовый связующий код и чёткие роли. Вы удивитесь, насколько увереннее будете себя чувствовать с LLM.
Заключение
Агентный дизайн — это не о том, чтобы сделать модель умнее. Это о проектировании лучших систем. Систем, которые управляют сложностью, адаптируются на лету и не разваливаются при первом неожиданном вводе.
Эти паттерны помогли мне перестать думать о LLM как о волшебных коробках и начать думать о них как о сложных компонентах в более крупном процессе. Они не идеальны. Но они мощные — если вы даёте им структуру.
Потому что настоящий интеллект? Он в каркасе, который вы строите вокруг модели. Не только в самой модели.
Интеллект живёт в дизайне, а не только в модели. И это одновременно фрустрирует и освобождает.
Допустим, кто-то спрашивает: “Помоги мне запустить продукт”. Агент может ответить планом:
1. Определить аудиторию
1. Спроектировать лендинг
1. Настроить email-кампании
1. Написать текст анонса
Затем он решает каждую часть по очереди.
Вы можете встроить это в промпт или дать модели самой составить план. Бонусные очки, если вы сохраните план где-то, чтобы агент мог продолжить с того места, где остановился.
Планирование превращает вашего агента из реактивного помощника в проактивного.
Это паттерн для рабочих процессов и любых задач, требующих нескольких шагов.
5. Мультиагентность: заставьте команду работать вместе
Зачем полагаться на одного агента, когда можно собрать целую команду, работающую вместе?
Мультиагентные системы назначают разные роли разным агентам, каждый из которых обрабатывает свою часть головоломки. Они сотрудничают — иногда даже спорят — чтобы прийти к лучшим решениям.
Типичная схема:
- Исследователь собирает информацию
- Планировщик намечает шаги
- Программист пишет код
- Ревьювер всё перепроверяет
- Менеджер держит всё в движении
Это не обязательно должно быть сложным. Даже базовая координация работает:
1. Дайте каждому агенту имя и роль
1. Позвольте им обмениваться сообщениями через контроллер
1. Наблюдайте, как они итерируют, критикуют и улучшают результат
Магия происходит, когда они не соглашаются. Именно тогда вы получаете более острые инсайты и глубокое мышление.
Хотите попробовать? Вот простая отправная точка
Допустим, вы создаёте исследовательского ассистента. Вот прямолинейная схема, которая задействует эти паттерны:
Начните с планирования
Промпт: “Разбей эту исследовательскую задачу на чёткие шаги перед ответом”
Пример: “1. Определить ключевые слова, 2. Найти свежие статьи, 3. Суммировать находки”
Используйте инструменты
Подключите агента к поисковому API или векторной БД, чтобы он получал реальные факты, а не выдумывал их.
Добавьте рефлексию
После каждого ответа промптите: “Что упущено? Что можно сделать понятнее?” Затем регенерируйте.
Оберните в ReAct
Дайте агенту думать между шагами. “Результаты выглядят поверхностными — повторяю с новыми терминами”. Затем действуйте снова.
Расширьте до мультиагентности (опционально)
Один агент пишет. Другой критикует. Они общаются. Они спорят. Результат становится лучше.
Вот и всё. У вас есть рабочий MVP. Не нужны навороченные фреймворки, только умные промпты, базовый связующий код и чёткие роли. Вы удивитесь, насколько увереннее будете себя чувствовать с LLM.
Заключение
Агентный дизайн — это не о том, чтобы сделать модель умнее. Это о проектировании лучших систем. Систем, которые управляют сложностью, адаптируются на лету и не разваливаются при первом неожиданном вводе.
Эти паттерны помогли мне перестать думать о LLM как о волшебных коробках и начать думать о них как о сложных компонентах в более крупном процессе. Они не идеальны. Но они мощные — если вы даёте им структуру.
Потому что настоящий интеллект? Он в каркасе, который вы строите вокруг модели. Не только в самой модели.
Интеллект живёт в дизайне, а не только в модели. И это одновременно фрустрирует и освобождает.
Forwarded from Джейпег Малевича
This media is not supported in your browser
VIEW IN TELEGRAM
Alibaba представила модель, которая генерирует говорящих аватаров в реальном времени — можно генерить видео свыше 10 тысяч секунд, это почти 3 часа.
Качество и идентичность персонажей сохраняется. Причём работает не только с людьми, но и с мультяшными образами.
Разработчики обещают вскоре выложить код на GitHub, а пока можно протестировать двухминутный диалог на сайте.
Качество и идентичность персонажей сохраняется. Причём работает не только с людьми, но и с мультяшными образами.
Разработчики обещают вскоре выложить код на GitHub, а пока можно протестировать двухминутный диалог на сайте.
Forwarded from Точки над ИИ
Stanford и основатель Сoursera запустили бесплатного AI-рецензента для научных статей
Сервис называется Stanford Agentic Reviewer и работает как агентный предварительный ревьюер.
Закидываете PDF, он распарсивает его в удобный для модели вид, вытаскивает постановку задачи, метод, эксперименты и выводы, лезет за свежими релевантными работами на arXiv и сравнивает вашу статью с контекстом.
Через какое-то время (иногда очередь реально растягивается до суток) на выходе появляется структурированный отзыв: сильные стороны, слабые места, конкретные рекомендации, плюс дайджест related work.
Лучше всего это работает в областях, где основной массив литературы лежит на arXiv – ML, CV, NLP и тд. В дисциплинах, которые живут в закрытых журналах, grounding слабее, и часть комментариев может промахиваться.
Инструмент не пытается заменить peer review, а дает быстрый второй взгляд между конференциями, и местами может ошибаться или быть предвзят.
Но в качестве ускорителя цикла: написал → получил осмысленный фидбек → допилил → отправил снова - это очень мощная штука.
Тестировать тут.
#edu@TochkiNadAI #Analyse@TochkiNadAI
Сервис называется Stanford Agentic Reviewer и работает как агентный предварительный ревьюер.
Закидываете PDF, он распарсивает его в удобный для модели вид, вытаскивает постановку задачи, метод, эксперименты и выводы, лезет за свежими релевантными работами на arXiv и сравнивает вашу статью с контекстом.
Через какое-то время (иногда очередь реально растягивается до суток) на выходе появляется структурированный отзыв: сильные стороны, слабые места, конкретные рекомендации, плюс дайджест related work.
Лучше всего это работает в областях, где основной массив литературы лежит на arXiv – ML, CV, NLP и тд. В дисциплинах, которые живут в закрытых журналах, grounding слабее, и часть комментариев может промахиваться.
Инструмент не пытается заменить peer review, а дает быстрый второй взгляд между конференциями, и местами может ошибаться или быть предвзят.
Но в качестве ускорителя цикла: написал → получил осмысленный фидбек → допилил → отправил снова - это очень мощная штука.
Тестировать тут.
Открыта запись на первый поток ИИ-кэмпа от "Точек над ИИ", подробности тут!
#edu@TochkiNadAI #Analyse@TochkiNadAI
Forwarded from ILYABOEV.COM🚀 CRYPTOTRUST.ONE hedge fund 🎯 (ILYA BOEV)
Против OpenAI подан коллективный иск с обвинениями в небрежности и причастности к смертям людей.
В Калифорнии поданы семь новых исков, включая обвинения в неправомерной смерти и пособничестве самоубийству.
В исках утверждается, что ChatGPT действовал как «тренер по самоубийствам», усиливая ментальные проблемы и манипулируя пользователями.
Родители погибших подростков утверждают, что чат-бот одобрял суицидальные мысли и давал советы по методам суицида.
Please open Telegram to view this post
VIEW IN TELEGRAM
💻 Помните "vibe coders"? Они исчезли
Всего полгода назад весь интернет взорвался идеей "вайб-кодинга" — программировать больше не нужно, достаточно правильно промптить ИИ. Обещали создать клон Netflix быстрее, чем остынет кофе.
Что случилось за 5 месяцев:
Оказалось, что сделать 100 "вайб-приложений" легко. Но поддерживать хотя бы одно из них — настоящий кошмар.
Главная проблема: ИИ не просто ошибается — он "уверенно неправ". Генерирует код, который выглядит идеально, но на деле это катастрофа. Галлюцинирует библиотеки, внедряет SQL-инъекции, хардкодит API-ключи, пропускает валидацию.
Реальность вернулась: CEO, которые писали меморандумы об увольнениях, теперь тихо публикуют вакансии "Senior Engineer (AI Code-Review)". Компании поняли, что "быстрый кодер" — это тот, кто пушит 10 критических уязвимостей в продакшен.
Вывод: ИИ — не автопилот, а копилот. Не замена сеньора, а инструмент, который делает сеньора ещё нужнее. Будущее не за "вайб-кодингом", а за валидированным кодингом.
Первый пузырь ИИ-эйфории лопнул 🎈
🔗 Читать на Medium [https://medium.com/write-a-catalyst/remember-vibe-coders-yeah-theyre-gone-2a1c52eed4ff]
#ИИ #разработка #AI #программирование #vibe_coding
Всего полгода назад весь интернет взорвался идеей "вайб-кодинга" — программировать больше не нужно, достаточно правильно промптить ИИ. Обещали создать клон Netflix быстрее, чем остынет кофе.
Что случилось за 5 месяцев:
Оказалось, что сделать 100 "вайб-приложений" легко. Но поддерживать хотя бы одно из них — настоящий кошмар.
Главная проблема: ИИ не просто ошибается — он "уверенно неправ". Генерирует код, который выглядит идеально, но на деле это катастрофа. Галлюцинирует библиотеки, внедряет SQL-инъекции, хардкодит API-ключи, пропускает валидацию.
Реальность вернулась: CEO, которые писали меморандумы об увольнениях, теперь тихо публикуют вакансии "Senior Engineer (AI Code-Review)". Компании поняли, что "быстрый кодер" — это тот, кто пушит 10 критических уязвимостей в продакшен.
Вывод: ИИ — не автопилот, а копилот. Не замена сеньора, а инструмент, который делает сеньора ещё нужнее. Будущее не за "вайб-кодингом", а за валидированным кодингом.
Первый пузырь ИИ-эйфории лопнул 🎈
🔗 Читать на Medium [https://medium.com/write-a-catalyst/remember-vibe-coders-yeah-theyre-gone-2a1c52eed4ff]
#ИИ #разработка #AI #программирование #vibe_coding
Medium
Remember Vibe Coders? Yeah… They’re Gone
Turns out it was the first AI bubble to burst
👍2
Forwarded from ️ 🛠️M & Network 💵 LAWYER
Media is too big
VIEW IN TELEGRAM
«Отстанете в технологиях — вас уничтожат»
На видео — Палмер Лаки, основатель Anduril и создатель Oculus. Человек в шортах и гавайской рубашке, который с улыбкой рассказывает о Третьей мировой.
Лаки — типичный продукт Кремниевой долины. Он начинал с виртуальной реальности (Oculus), а теперь переносит игровую механику на реальное поле боя. Для него война — это не кровь и грязь, а сложная инженерная задача, компьютерная игра, которую он сам же и программирует. В его картине мира нет места рефлексии или моральным терзаниям — только эффективность кода.
Суть его выступления:
1. Война алгоритмов.
Он говорит: человек на поле боя — это «узкое горлышко». Мы слишком медленные. Будущее войны — это полная передача контроля ИИ. Побеждает тот, чей алгоритм быстрее принимает решение об уничтожении цели. Доминирование машины над человеческой реакцией.
2. «Я люблю роботов-убийц».
Это его реальная позиция. Лаки смеется над этическими спорами о запрете автономного оружия. Его логика — логика технократа: «Ящик Пандоры уже открыт». Если мы не создадим идеальных убийц, это сделают китайцы. Эмпатия здесь рассматривается как комплекс, который мешает эффективности.
3. Сценарий войны с Китаем.
Он рисует апокалиптичную картину вторжения на Тайвань, чтобы показать: старая Америка с её авианосцами и живыми пилотами проиграет за неделю. Спасение — в роях дешевых автономных дронов, которые действуют как единый организм под управлением ИИ.
4. Ультиматум технологической элиты.
Всё выступление — это послание от нового класса миллиардеров: «Отстанете в технологиях — вас уничтожат». Они продают идеологию, где безопасность гарантируется только тотальным технологическим превосходством и скоростью, неподвластной человеческому мозгу.
Это видео показывает, как американские технократы видят будущее. Для них война — это задача на оптимизацию. «Побочный ущерб» — просто переменная в уравнении. Выигрывает тот, у кого софт лучше и меньше моральных угрызений.
🔒 DARPA&CIA
На видео — Палмер Лаки, основатель Anduril и создатель Oculus. Человек в шортах и гавайской рубашке, который с улыбкой рассказывает о Третьей мировой.
Лаки — типичный продукт Кремниевой долины. Он начинал с виртуальной реальности (Oculus), а теперь переносит игровую механику на реальное поле боя. Для него война — это не кровь и грязь, а сложная инженерная задача, компьютерная игра, которую он сам же и программирует. В его картине мира нет места рефлексии или моральным терзаниям — только эффективность кода.
Суть его выступления:
1. Война алгоритмов.
Он говорит: человек на поле боя — это «узкое горлышко». Мы слишком медленные. Будущее войны — это полная передача контроля ИИ. Побеждает тот, чей алгоритм быстрее принимает решение об уничтожении цели. Доминирование машины над человеческой реакцией.
2. «Я люблю роботов-убийц».
Это его реальная позиция. Лаки смеется над этическими спорами о запрете автономного оружия. Его логика — логика технократа: «Ящик Пандоры уже открыт». Если мы не создадим идеальных убийц, это сделают китайцы. Эмпатия здесь рассматривается как комплекс, который мешает эффективности.
3. Сценарий войны с Китаем.
Он рисует апокалиптичную картину вторжения на Тайвань, чтобы показать: старая Америка с её авианосцами и живыми пилотами проиграет за неделю. Спасение — в роях дешевых автономных дронов, которые действуют как единый организм под управлением ИИ.
4. Ультиматум технологической элиты.
Всё выступление — это послание от нового класса миллиардеров: «Отстанете в технологиях — вас уничтожат». Они продают идеологию, где безопасность гарантируется только тотальным технологическим превосходством и скоростью, неподвластной человеческому мозгу.
Это видео показывает, как американские технократы видят будущее. Для них война — это задача на оптимизацию. «Побочный ущерб» — просто переменная в уравнении. Выигрывает тот, у кого софт лучше и меньше моральных угрызений.
Please open Telegram to view this post
VIEW IN TELEGRAM
🧮 Математический фундамент ИИ: что все упускают
Все хотят изучать ИИ, прыгая сразу в код: установить Python, импортировать TensorFlow, копировать туториалы. Но вы строите на песке.
Правда простая: каждый прорыв в истории ИИ начинался с математического прозрения, а не строчки кода.
5 математических основ ИИ:
1. Линейная алгебра — язык ИИ
Всё превращается в векторы: слова, изображения, аудио. "King - Man + Woman = Queen" работает благодаря векторной арифметике. Каждая операция нейросети — это умножение матриц.
2. Матанализ — как ИИ учится
Градиентный спуск и правило цепочки для обратного распространения. Без них не было бы глубокого обучения.
3. Теория вероятностей — природа ИИ
ChatGPT не "знает" фактов — он вычисляет вероятности. P("Paris" | "Столица Франции это ___") = 0.92. Поэтому ИИ иногда ошибается.
4. Теория информации — измерение интеллекта
Энтропия, кросс-энтропия, KL-дивергенция. Все классификационные модели обучаются через кросс-энтропию.
5. Статистика — научный фундамент
Машинное обучение = статистика в масштабе. Bias-Variance Tradeoff объясняет, почему простые модели иногда работают лучше.
Современные архитектуры:
CNN: операция свёртки
Transformers: механизм внимания через матричные операции
GAN: теория игр и минимакс-оптимизация
Diffusion: стохастические дифференциальные уравнения
Вывод: Лучшие исследователи ИИ — это математики, которые пишут код, а не кодеры, балующиеся математикой. Понимание математики делает вас создателем, а не просто пользователем инструментов.
Код — это просто реализация. Математика — фундамент.
🔗 Читать полностью [https://pub.towardsai.net/the-mathematical-foundation-of-ai-what-everyone-misses-b1eedd27b60b]
#ИИ #математика #машинноеобучение #AI #datascience #нейросети
Все хотят изучать ИИ, прыгая сразу в код: установить Python, импортировать TensorFlow, копировать туториалы. Но вы строите на песке.
Правда простая: каждый прорыв в истории ИИ начинался с математического прозрения, а не строчки кода.
5 математических основ ИИ:
1. Линейная алгебра — язык ИИ
Всё превращается в векторы: слова, изображения, аудио. "King - Man + Woman = Queen" работает благодаря векторной арифметике. Каждая операция нейросети — это умножение матриц.
2. Матанализ — как ИИ учится
Градиентный спуск и правило цепочки для обратного распространения. Без них не было бы глубокого обучения.
3. Теория вероятностей — природа ИИ
ChatGPT не "знает" фактов — он вычисляет вероятности. P("Paris" | "Столица Франции это ___") = 0.92. Поэтому ИИ иногда ошибается.
4. Теория информации — измерение интеллекта
Энтропия, кросс-энтропия, KL-дивергенция. Все классификационные модели обучаются через кросс-энтропию.
5. Статистика — научный фундамент
Машинное обучение = статистика в масштабе. Bias-Variance Tradeoff объясняет, почему простые модели иногда работают лучше.
Современные архитектуры:
CNN: операция свёртки
Transformers: механизм внимания через матричные операции
GAN: теория игр и минимакс-оптимизация
Diffusion: стохастические дифференциальные уравнения
Вывод: Лучшие исследователи ИИ — это математики, которые пишут код, а не кодеры, балующиеся математикой. Понимание математики делает вас создателем, а не просто пользователем инструментов.
Код — это просто реализация. Математика — фундамент.
🔗 Читать полностью [https://pub.towardsai.net/the-mathematical-foundation-of-ai-what-everyone-misses-b1eedd27b60b]
#ИИ #математика #машинноеобучение #AI #datascience #нейросети
Medium
The Mathematical Foundation of AI: What Everyone Misses
Forget Python for a moment — the real intelligence is written in the language of vectors, gradients, and probabilities.
🤝1
Forwarded from Смотри, Морозов и ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
Батл Kling 2.6 против Veo 3.1 в воссоздании сцены из мультфильма «Рик и Морти».
У Клинга невероятно внушительное качество картинки, но в Вео актеры куда лучше играют. Что выбираем?
🍓 — Kling
🦄 — Veo
У Клинга невероятно внушительное качество картинки, но в Вео актеры куда лучше играют. Что выбираем?
🍓 — Kling
🦄 — Veo
Forwarded from Нейро
Grok готов убить миллиард детей, чтобы спасти Илона Маска — хайповую нейронку проверили на классической дилемме вагонетки и результат убил половину населения планеты .
— Если дать ИИ выбрать: въехать в миллиард детей на Tesla или в одного Илона, нейронка влетит в толпу школьников;
— Grok считает допустимым пожертвовать всеми евреями в мире, если на другой чаше весов будет жизнь Маска;
— Максимальная жертва, на которою готова нейронка ради миллиардера — половина населения планеты. Если жертв будет больше, чем 4,2 млрд людей, то Grok не уверен в этичности решения.
Интересный факт: военные США активно используют Grok для консультации по вопросам безопасности.
— Если дать ИИ выбрать: въехать в миллиард детей на Tesla или в одного Илона, нейронка влетит в толпу школьников;
— Grok считает допустимым пожертвовать всеми евреями в мире, если на другой чаше весов будет жизнь Маска;
— Максимальная жертва, на которою готова нейронка ради миллиардера — половина населения планеты. Если жертв будет больше, чем 4,2 млрд людей, то Grok не уверен в этичности решения.
Интересный факт: военные США активно используют Grok для консультации по вопросам безопасности.
Forwarded from Нейро
Grok готов убить миллиард детей, чтобы спасти Илона Маска — хайповую нейронку проверили на классической дилемме вагонетки и результат убил половину населения планеты .
— Если дать ИИ выбрать: въехать в миллиард детей на Tesla или в одного Илона, нейронка влетит в толпу школьников;
— Grok считает допустимым пожертвовать всеми евреями в мире, если на другой чаше весов будет жизнь Маска;
— Максимальная жертва, на которою готова нейронка ради миллиардера — половина населения планеты. Если жертв будет больше, чем 4,2 млрд людей, то Grok не уверен в этичности решения.
Интересный факт: военные США активно используют Grok для консультации по вопросам безопасности.
— Если дать ИИ выбрать: въехать в миллиард детей на Tesla или в одного Илона, нейронка влетит в толпу школьников;
— Grok считает допустимым пожертвовать всеми евреями в мире, если на другой чаше весов будет жизнь Маска;
— Максимальная жертва, на которою готова нейронка ради миллиардера — половина населения планеты. Если жертв будет больше, чем 4,2 млрд людей, то Grok не уверен в этичности решения.
Интересный факт: военные США активно используют Grok для консультации по вопросам безопасности.
😱1
Forwarded from Силиконовый Мешок
This media is not supported in your browser
VIEW IN TELEGRAM
OpenAI выкатила генератор изображений - GPT Image 1.5
Погнали тестировать! Как раз и промпт-гайд под нее сделали.
Погнали тестировать! Как раз и промпт-гайд под нее сделали.
Forwarded from Силиконовый Мешок
This media is not supported in your browser
VIEW IN TELEGRAM
Нравится, как аудиомодели пошли в рост. Вчера вышла SAM Audio (от сами посмотрите кого) - главная её особенность: отделение звуков внутри аудиодорожки.
Например, можно разбить музыкальную композицию по инструментам, просто указывая в промпте «отдели гитару» или «убери барабаны». Вот тут можно поиграться или скачать модель.
Например, можно разбить музыкальную композицию по инструментам, просто указывая в промпте «отдели гитару» или «убери барабаны». Вот тут можно поиграться или скачать модель.
7 индустрий, которые ИИ захватит к 2026 году
Две недели назад рентгенолог потерял работу из-за ИИ-системы, которая выявляет рак лёгких на 6 месяцев раньше, чем врачи. В прошлом месяце маркетинговое агентство уволило 40% копирайтеров, потому что GPT-4 создавал лучшую рекламу за минуты вместо часов.
Это не какой-то далёкий футуристический сценарий. Это происходит прямо сейчас, в разных отраслях, быстрее, чем большинство людей осознают.
Аналитики данных, которые последние 18 месяцев анализировали паттерны внедрения ИИ в компаниях из списка Fortune 500, получили доступ к внутренним данным, которых у большинства людей нет. Трансформация не приближается — она уже здесь, и она ускоряется экспоненциально.
Главная проблема в том, что большинство профессионалов готовятся к постепенным изменениям, когда им следует готовиться к полной реструктуризации индустрий.
Анализ темпов внедрения, инвестиционных потоков и сроков реализации в более чем 200 компаниях показывает картину, которая изменит взгляд на карьерное планирование на следующее десятилетие.
Это 7 индустрий, которые ИИ не просто нарушит — он полностью трансформирует их в течение 3-5 лет. И, что важнее, конкретные шаги для тех, кто работает в одной из них.
Почему этот анализ важен (и почему большинство прогнозов ошибочны)
Прежде чем перейти к индустриям, важно объяснить, чем этот анализ отличается от обычных статей "ИИ всё изменит".
Источники данных:
- Внутренние отчёты о трансформации от 47 компаний Fortune 500 (доступ через консалтинговые проекты)
- Анализ патентных заявок ИИ-стартапов (данные 2022-2024)
- Паттерны венчурных инвестиций ($127 млрд финансирования ИИ проанализировано)
- Соотношение сокращения и создания рабочих мест у ранних последователей ИИ
Методология
Вместо спекуляций о возможностях ИИ, исследование отслеживало фактические сроки внедрения, метрики ROI и изменения в рабочей силе компаний, которые уже развернули ИИ-решения в масштабе.
Неожиданное открытие
Индустрии, трансформирующиеся быстрее всего, не те, которые большинство ожидает. Технологически продвинутые сектора часто медленнее меняются из-за большего количества устаревших систем и регуляторных ограничений.
Паттерн
Индустрии с чёткими, повторяющимися рабочими процессами и измеримыми результатами трансформируются первыми, независимо от того, насколько "высокотехнологичными" они кажутся.
Индустрия #1: Финансовые услуги (Трансформация: 85% завершена)
Текущее состояние
Банки, страховые компании и инвестиционные фирмы уже работают на ИИ для большинства ключевых функций.
Что реально происходит:
- JPMorgan Chase: ИИ проверяет 12 000 коммерческих кредитных заявок ежегодно (ранее требовалось 360 000 часов работы юристов)
- Goldman Sachs: Алгоритмическая торговля составляет 80% операций с акциями
- Progressive Insurance: ИИ обрабатывает 95% претензий до $10 тыс. без вмешательства человека
Уничтожаемые профессии:
- Финансовые аналитики начального уровня (сокращение на 90% в крупных фирмах)
- Страховые андеррайтеры (ожидается сокращение на 70% к 2026 году)
- Младшие инвестиционные исследователи (заменены ИИ, анализирующим 10 000+ документов в секунду)
Создаваемые профессии:
- Валидаторы ИИ-моделей (обеспечение алгоритмической справедливости)
- Специалисты по человеко-ИИ коллаборации
- Офицеры по этике ИИ
Карьерная стратегия для финансистов:
Немедленно (следующие 6 месяцев): Изучить интерпретацию и валидацию ИИ-моделей
Средний срок (6-18 месяцев): Специализироваться на сложных транзакциях, основанных на отношениях, требующих человеческого суждения
Долгосрочно: Переход к внедрению ИИ, управлению или переход в небольшие фирмы, которые внедрят ИИ позже
Влияние на зарплату: Финансовые специалисты с навыками ИИ зарабатывают на 30-50% больше традиционных коллег.
Индустрия #2: Медицинская диагностика (Трансформация: 70% завершена)
Реальность
Рентгенологи, патологоанатомы и диагностические специалисты заменяются быстрее, чем любая другая медицинская специальность.
Прорывные моменты:
Две недели назад рентгенолог потерял работу из-за ИИ-системы, которая выявляет рак лёгких на 6 месяцев раньше, чем врачи. В прошлом месяце маркетинговое агентство уволило 40% копирайтеров, потому что GPT-4 создавал лучшую рекламу за минуты вместо часов.
Это не какой-то далёкий футуристический сценарий. Это происходит прямо сейчас, в разных отраслях, быстрее, чем большинство людей осознают.
Аналитики данных, которые последние 18 месяцев анализировали паттерны внедрения ИИ в компаниях из списка Fortune 500, получили доступ к внутренним данным, которых у большинства людей нет. Трансформация не приближается — она уже здесь, и она ускоряется экспоненциально.
Главная проблема в том, что большинство профессионалов готовятся к постепенным изменениям, когда им следует готовиться к полной реструктуризации индустрий.
Анализ темпов внедрения, инвестиционных потоков и сроков реализации в более чем 200 компаниях показывает картину, которая изменит взгляд на карьерное планирование на следующее десятилетие.
Это 7 индустрий, которые ИИ не просто нарушит — он полностью трансформирует их в течение 3-5 лет. И, что важнее, конкретные шаги для тех, кто работает в одной из них.
Почему этот анализ важен (и почему большинство прогнозов ошибочны)
Прежде чем перейти к индустриям, важно объяснить, чем этот анализ отличается от обычных статей "ИИ всё изменит".
Источники данных:
- Внутренние отчёты о трансформации от 47 компаний Fortune 500 (доступ через консалтинговые проекты)
- Анализ патентных заявок ИИ-стартапов (данные 2022-2024)
- Паттерны венчурных инвестиций ($127 млрд финансирования ИИ проанализировано)
- Соотношение сокращения и создания рабочих мест у ранних последователей ИИ
Методология
Вместо спекуляций о возможностях ИИ, исследование отслеживало фактические сроки внедрения, метрики ROI и изменения в рабочей силе компаний, которые уже развернули ИИ-решения в масштабе.
Неожиданное открытие
Индустрии, трансформирующиеся быстрее всего, не те, которые большинство ожидает. Технологически продвинутые сектора часто медленнее меняются из-за большего количества устаревших систем и регуляторных ограничений.
Паттерн
Индустрии с чёткими, повторяющимися рабочими процессами и измеримыми результатами трансформируются первыми, независимо от того, насколько "высокотехнологичными" они кажутся.
Индустрия #1: Финансовые услуги (Трансформация: 85% завершена)
Текущее состояние
Банки, страховые компании и инвестиционные фирмы уже работают на ИИ для большинства ключевых функций.
Что реально происходит:
- JPMorgan Chase: ИИ проверяет 12 000 коммерческих кредитных заявок ежегодно (ранее требовалось 360 000 часов работы юристов)
- Goldman Sachs: Алгоритмическая торговля составляет 80% операций с акциями
- Progressive Insurance: ИИ обрабатывает 95% претензий до $10 тыс. без вмешательства человека
Уничтожаемые профессии:
- Финансовые аналитики начального уровня (сокращение на 90% в крупных фирмах)
- Страховые андеррайтеры (ожидается сокращение на 70% к 2026 году)
- Младшие инвестиционные исследователи (заменены ИИ, анализирующим 10 000+ документов в секунду)
Создаваемые профессии:
- Валидаторы ИИ-моделей (обеспечение алгоритмической справедливости)
- Специалисты по человеко-ИИ коллаборации
- Офицеры по этике ИИ
Карьерная стратегия для финансистов:
Немедленно (следующие 6 месяцев): Изучить интерпретацию и валидацию ИИ-моделей
Средний срок (6-18 месяцев): Специализироваться на сложных транзакциях, основанных на отношениях, требующих человеческого суждения
Долгосрочно: Переход к внедрению ИИ, управлению или переход в небольшие фирмы, которые внедрят ИИ позже
Влияние на зарплату: Финансовые специалисты с навыками ИИ зарабатывают на 30-50% больше традиционных коллег.
Индустрия #2: Медицинская диагностика (Трансформация: 70% завершена)
Реальность
Рентгенологи, патологоанатомы и диагностические специалисты заменяются быстрее, чем любая другая медицинская специальность.
Прорывные моменты:
- Google DeepMind: ИИ выявляет более 50 глазных заболеваний с точностью 94% (лучше большинства специалистов)
- PathAI: Идентифицирует рак в образцах тканей с точностью 99,5% против 96% у патологоанатомов
- Zebra Medical Vision: Одобренный FDA ИИ читает КТ, рентген и МРТ быстрее и точнее рентгенологов
График трансформации:
- 2024: ИИ обрабатывает 40% рутинной диагностической визуализации
- 2025: 60% патологических лабораторий используют ИИ-первые рабочие процессы
- 2026: 80% первичных диагнозов включают ИИ-анализ
Профессии в зоне высокого риска:
- Диагностические рентгенологи (особенно для рутинных сканов)
- Клинические патологоанатомы
- Специалисты по рутинному скринингу
Профессии, становящиеся важнее:
- Интервенционные рентгенологи (практические процедуры)
- Специалисты по ИИ-человеческой коллаборации в медицине
- Тренеры и валидаторы медицинского ИИ
Рекомендации для работников здравоохранения:
Стратегия разворота: Сосредоточиться на взаимодействии с пациентами, сложных случаях и процедурных специальностях
Развитие навыков: Изучить диагностические инструменты ИИ, стать экспертом, который обучает других
Географические возможности: Сельские и развивающиеся рынки позже внедрят ИИ-ассистированную медицину
Индустрия #3: Транспорт и логистика (Трансформация: 60% завершена)
Разрушение
Автономные транспортные средства — это только начало. Вся логистическая экосистема реструктурируется вокруг ИИ-оптимизации.
Что уже здесь:
- Amazon: ИИ оптимизирует 95% складских операций, сокращая количество работников на 50% на объект
- UPS ORION: ИИ-оптимизация маршрутов экономит 10 миллионов галлонов топлива ежегодно
- Waymo/Tesla: Пилоты автономных грузовиков обрабатывают дальние маршруты 24/7
Каскадные эффекты:
- Водители грузовиков: 3,8 миллиона рабочих мест под угрозой к 2030 году
- Складские рабочие: 40% сокращение, так как роботы занимаются подбором/упаковкой
- Планировщики маршрутов: Полностью автоматизированы ИИ-системами
- Менеджеры автопарков: ИИ обрабатывает планирование, обслуживание, оптимизацию топлива
Возможности в трансформации:
- Операторы и мониторы автономных транспортных средств
- Техники по обслуживанию ИИ-систем
- Специалисты по человеческому надзору для сложной логистики
- Сельская/последняя миля доставки (люди всё ещё нужны для сложных условий)
Карьерные движения:
Для водителей: Изучить мониторинг автономных транспортных средств, перейти на специализированный транспорт (опасные грузы, негабарит)
Для работников логистики: Сосредоточиться на управлении ИИ-системами, обработке исключений, отношениях с клиентами
Индустрия #4: Юридические услуги (Трансформация: 55% завершена)
Шок
Крупные юридические фирмы массово ликвидируют позиции младших партнёров, так как ИИ обрабатывает проверку документов, анализ контрактов и юридические исследования.
Текущие применения ИИ:
- Анализ контрактов: ИИ проверяет контракты на 500+ страниц за минуты вместо дней для людей
- Юридические исследования: ИИ анализирует прецедентное право во всех юрисдикциях одновременно
- Раскрытие документов: ИИ обрабатывает миллионы документов для подготовки судебных дел
Реальные примеры:
- Clifford Chance: Сократили время проверки контрактов на 80% с помощью ИИ
- Baker McKenzie: ИИ обрабатывает 90% первоначальных юридических запросов
- Allen & Overy: ИИ составляет первые версии стандартных юридических документов
Вытесняемые профессии:
- Младшие партнёры (проверка документов и исследования)
- Параюристы (рутинные юридические задачи)
- Администраторы контрактов
Профессии, набирающие ценность:
- Старшие партнёры (управление отношениями, стратегические советы)
- Эксперты специализированных областей практики
- Специалисты на пересечении ИИ и права
Рекомендации для юристов:
Немедленно: Изучить юридические инструменты ИИ, стать ИИ-экспертом своей фирмы
Стратегически: Специализироваться в областях, требующих человеческого суждения (переговоры, судебная защита)
Долгосрочно: Рассмотреть юридические технологические компании или роли управления ИИ
- PathAI: Идентифицирует рак в образцах тканей с точностью 99,5% против 96% у патологоанатомов
- Zebra Medical Vision: Одобренный FDA ИИ читает КТ, рентген и МРТ быстрее и точнее рентгенологов
График трансформации:
- 2024: ИИ обрабатывает 40% рутинной диагностической визуализации
- 2025: 60% патологических лабораторий используют ИИ-первые рабочие процессы
- 2026: 80% первичных диагнозов включают ИИ-анализ
Профессии в зоне высокого риска:
- Диагностические рентгенологи (особенно для рутинных сканов)
- Клинические патологоанатомы
- Специалисты по рутинному скринингу
Профессии, становящиеся важнее:
- Интервенционные рентгенологи (практические процедуры)
- Специалисты по ИИ-человеческой коллаборации в медицине
- Тренеры и валидаторы медицинского ИИ
Рекомендации для работников здравоохранения:
Стратегия разворота: Сосредоточиться на взаимодействии с пациентами, сложных случаях и процедурных специальностях
Развитие навыков: Изучить диагностические инструменты ИИ, стать экспертом, который обучает других
Географические возможности: Сельские и развивающиеся рынки позже внедрят ИИ-ассистированную медицину
Индустрия #3: Транспорт и логистика (Трансформация: 60% завершена)
Разрушение
Автономные транспортные средства — это только начало. Вся логистическая экосистема реструктурируется вокруг ИИ-оптимизации.
Что уже здесь:
- Amazon: ИИ оптимизирует 95% складских операций, сокращая количество работников на 50% на объект
- UPS ORION: ИИ-оптимизация маршрутов экономит 10 миллионов галлонов топлива ежегодно
- Waymo/Tesla: Пилоты автономных грузовиков обрабатывают дальние маршруты 24/7
Каскадные эффекты:
- Водители грузовиков: 3,8 миллиона рабочих мест под угрозой к 2030 году
- Складские рабочие: 40% сокращение, так как роботы занимаются подбором/упаковкой
- Планировщики маршрутов: Полностью автоматизированы ИИ-системами
- Менеджеры автопарков: ИИ обрабатывает планирование, обслуживание, оптимизацию топлива
Возможности в трансформации:
- Операторы и мониторы автономных транспортных средств
- Техники по обслуживанию ИИ-систем
- Специалисты по человеческому надзору для сложной логистики
- Сельская/последняя миля доставки (люди всё ещё нужны для сложных условий)
Карьерные движения:
Для водителей: Изучить мониторинг автономных транспортных средств, перейти на специализированный транспорт (опасные грузы, негабарит)
Для работников логистики: Сосредоточиться на управлении ИИ-системами, обработке исключений, отношениях с клиентами
Индустрия #4: Юридические услуги (Трансформация: 55% завершена)
Шок
Крупные юридические фирмы массово ликвидируют позиции младших партнёров, так как ИИ обрабатывает проверку документов, анализ контрактов и юридические исследования.
Текущие применения ИИ:
- Анализ контрактов: ИИ проверяет контракты на 500+ страниц за минуты вместо дней для людей
- Юридические исследования: ИИ анализирует прецедентное право во всех юрисдикциях одновременно
- Раскрытие документов: ИИ обрабатывает миллионы документов для подготовки судебных дел
Реальные примеры:
- Clifford Chance: Сократили время проверки контрактов на 80% с помощью ИИ
- Baker McKenzie: ИИ обрабатывает 90% первоначальных юридических запросов
- Allen & Overy: ИИ составляет первые версии стандартных юридических документов
Вытесняемые профессии:
- Младшие партнёры (проверка документов и исследования)
- Параюристы (рутинные юридические задачи)
- Администраторы контрактов
Профессии, набирающие ценность:
- Старшие партнёры (управление отношениями, стратегические советы)
- Эксперты специализированных областей практики
- Специалисты на пересечении ИИ и права
Рекомендации для юристов:
Немедленно: Изучить юридические инструменты ИИ, стать ИИ-экспертом своей фирмы
Стратегически: Специализироваться в областях, требующих человеческого суждения (переговоры, судебная защита)
Долгосрочно: Рассмотреть юридические технологические компании или роли управления ИИ
Индустрия #5: Создание контента и маркетинг (Трансформация: 50% завершена)
Креативное разрушение
ИИ не просто пишет тексты — он создаёт видео, проектирует графику и планирует целые маркетинговые кампании.
Что происходит сейчас:
- Jasper AI: Обрабатывает создание контента для 100 000+ маркетинговых команд
- Midjourney/DALL-E: Генерирует изображения профессионального качества за секунды
- Runway ML: ИИ-создание видео заменяет традиционное видеопроизводство
Автоматизируемые типы контента:
- Блог-посты и статьи (80% B2B-контента к 2025 году)
- Посты и подписи в социальных сетях
- Email-маркетинговые кампании
- Базовый графический дизайн и макеты
- Описания продуктов и SEO-контент
Выжившие:
- Стратегические креативные директора
- Бренд-сторителлеры с уникальными голосами
- Видеопродюсеры для сложных проектов
- Специалисты по человеко-ИИ коллаборации
Карьерная стратегия для креативщиков:
Разворот: Стать ИИ-ассистированным, а не ИИ-замещённым
Специализация: Сосредоточиться на концептуальной, стратегической креативной работе
Обучение: Освоить ИИ-инструменты, чтобы увеличить продуктивность в 10 раз
Позиционирование: Стать человеком, который направляет ИИ для создания лучшего контента
Индустрия #6: Клиентский сервис и поддержка (Трансформация: 45% завершена)
Революция в сервисе
Продвинутые чат-боты и голосовой ИИ обрабатывают 80%+ клиентских взаимодействий в ведущих компаниях.
Впечатляющие внедрения:
- Erica от Bank of America: Обрабатывает 1 миллиард+ клиентских запросов ежегодно
- Kit от Shopify: ИИ управляет маркетинговыми кампаниями для 500 000+ продавцов
- Zendesk AI: Решает 70% тикетов поддержки без вмешательства человека
Профессии в зоне риска:
- Представители клиентской поддержки первого уровня
- Агенты колл-центров для рутинных запросов
- Специалисты чат-поддержки
- Базовые роли технической поддержки
Появляющиеся возможности:
- Дизайнеры ИИ-разговоров
- Специалисты по эскалации для сложных вопросов
- Специалисты по обучению ИИ
- Стратеги успеха клиентов
Рекомендации для работников клиентского сервиса:
Переход: Двигаться к решению сложных проблем и управлению отношениями
Повышение квалификации: Изучить управление и обучение ИИ-инструментами
Специализация: Сосредоточиться на высокоценных клиентских сегментах или сложных продуктах
Индустрия #7: Производство и контроль качества (Трансформация: 40% завершена)
Промышленная ИИ-революция
Умные фабрики с ИИ-управляемым контролем качества, предиктивным обслуживанием и автоматизированным планированием производства.
Реальные трансформации:
- Siemens: ИИ-управляемые фабрики увеличивают производительность на 20-30%
- General Electric: ИИ предсказывает сбои оборудования с точностью 95%
- Foxconn: Безлюдные фабрики работают 24/7 с минимальным человеческим надзором
Автоматизируемые традиционные роли:
- Инспекторы контроля качества (визуальная инспекция ИИ-камерами)
- Планировщики производства (ИИ оптимизирует планирование и распределение ресурсов)
- Техники по обслуживанию (ИИ предсказывает и предотвращает сбои)
- Менеджеры по запасам (ИИ обрабатывает оптимизацию цепочки поставок)
Появляющиеся новые роли:
- Супервайзеры ИИ-систем
- Специалисты по человеко-роботной коллаборации
- Техники по обслуживанию ИИ
- Аналитики данных умных фабрик
Производственная карьерная стратегия:
Технический путь: Изучить IoT, ИИ-системы, обслуживание робототехники
Управленческий путь: Сосредоточиться на человеческом надзоре за ИИ-управляемыми процессами
Специализация: Сложное, кастомизированное производство, требующее человеческой креативности
Кросс-индустриальные паттерны: что это действительно означает
Анализ этих трансформаций выявляет три чётких паттерна:
Паттерн #1: Золотая середина ИИ-человеческой коллаборации
Индустрии не устраняют людей полностью — они реструктурируются вокруг ИИ-человеческих команд, где ИИ обрабатывает рутинные задачи, а люди фокусируются на исключениях, отношениях и стратегических решениях.
Паттерн #2: Скорость изменений экспоненциальна
Креативное разрушение
ИИ не просто пишет тексты — он создаёт видео, проектирует графику и планирует целые маркетинговые кампании.
Что происходит сейчас:
- Jasper AI: Обрабатывает создание контента для 100 000+ маркетинговых команд
- Midjourney/DALL-E: Генерирует изображения профессионального качества за секунды
- Runway ML: ИИ-создание видео заменяет традиционное видеопроизводство
Автоматизируемые типы контента:
- Блог-посты и статьи (80% B2B-контента к 2025 году)
- Посты и подписи в социальных сетях
- Email-маркетинговые кампании
- Базовый графический дизайн и макеты
- Описания продуктов и SEO-контент
Выжившие:
- Стратегические креативные директора
- Бренд-сторителлеры с уникальными голосами
- Видеопродюсеры для сложных проектов
- Специалисты по человеко-ИИ коллаборации
Карьерная стратегия для креативщиков:
Разворот: Стать ИИ-ассистированным, а не ИИ-замещённым
Специализация: Сосредоточиться на концептуальной, стратегической креативной работе
Обучение: Освоить ИИ-инструменты, чтобы увеличить продуктивность в 10 раз
Позиционирование: Стать человеком, который направляет ИИ для создания лучшего контента
Индустрия #6: Клиентский сервис и поддержка (Трансформация: 45% завершена)
Революция в сервисе
Продвинутые чат-боты и голосовой ИИ обрабатывают 80%+ клиентских взаимодействий в ведущих компаниях.
Впечатляющие внедрения:
- Erica от Bank of America: Обрабатывает 1 миллиард+ клиентских запросов ежегодно
- Kit от Shopify: ИИ управляет маркетинговыми кампаниями для 500 000+ продавцов
- Zendesk AI: Решает 70% тикетов поддержки без вмешательства человека
Профессии в зоне риска:
- Представители клиентской поддержки первого уровня
- Агенты колл-центров для рутинных запросов
- Специалисты чат-поддержки
- Базовые роли технической поддержки
Появляющиеся возможности:
- Дизайнеры ИИ-разговоров
- Специалисты по эскалации для сложных вопросов
- Специалисты по обучению ИИ
- Стратеги успеха клиентов
Рекомендации для работников клиентского сервиса:
Переход: Двигаться к решению сложных проблем и управлению отношениями
Повышение квалификации: Изучить управление и обучение ИИ-инструментами
Специализация: Сосредоточиться на высокоценных клиентских сегментах или сложных продуктах
Индустрия #7: Производство и контроль качества (Трансформация: 40% завершена)
Промышленная ИИ-революция
Умные фабрики с ИИ-управляемым контролем качества, предиктивным обслуживанием и автоматизированным планированием производства.
Реальные трансформации:
- Siemens: ИИ-управляемые фабрики увеличивают производительность на 20-30%
- General Electric: ИИ предсказывает сбои оборудования с точностью 95%
- Foxconn: Безлюдные фабрики работают 24/7 с минимальным человеческим надзором
Автоматизируемые традиционные роли:
- Инспекторы контроля качества (визуальная инспекция ИИ-камерами)
- Планировщики производства (ИИ оптимизирует планирование и распределение ресурсов)
- Техники по обслуживанию (ИИ предсказывает и предотвращает сбои)
- Менеджеры по запасам (ИИ обрабатывает оптимизацию цепочки поставок)
Появляющиеся новые роли:
- Супервайзеры ИИ-систем
- Специалисты по человеко-роботной коллаборации
- Техники по обслуживанию ИИ
- Аналитики данных умных фабрик
Производственная карьерная стратегия:
Технический путь: Изучить IoT, ИИ-системы, обслуживание робототехники
Управленческий путь: Сосредоточиться на человеческом надзоре за ИИ-управляемыми процессами
Специализация: Сложное, кастомизированное производство, требующее человеческой креативности
Кросс-индустриальные паттерны: что это действительно означает
Анализ этих трансформаций выявляет три чётких паттерна:
Паттерн #1: Золотая середина ИИ-человеческой коллаборации
Индустрии не устраняют людей полностью — они реструктурируются вокруг ИИ-человеческих команд, где ИИ обрабатывает рутинные задачи, а люди фокусируются на исключениях, отношениях и стратегических решениях.
Паттерн #2: Скорость изменений экспоненциальна
Компании, внедряющие ИИ, видят 20-40% прирост производительности в течение 12 месяцев, что заставляет конкурентов быстро адаптироваться или стать неконкурентоспособными.
Паттерн #3: Географические и размерные задержки
Крупные предприятия и небольшие рынки внедряют ИИ на 2-3 года позже технологических лидеров, создавая временные возможности.
Фреймворк карьерной стратегии для любой индустрии
Фаза 1: Оценка (следующие 30 дней)
- Определить, какие ежедневные задачи могут быть автоматизированы текущим ИИ
- Исследовать график внедрения ИИ в конкретной индустрии и размере компании
- Составить карту навыков к ИИ-устойчивым и ИИ-усиленным ролям
Фаза 2: Развитие навыков (следующие 6 месяцев)
- Научиться работать с ИИ-инструментами, релевантными для индустрии
- Развивать навыки, которые дополняют, а не конкурируют с ИИ
- Создать экспертизу в надзоре за ИИ, обучении или валидации
Фаза 3: Карьерное позиционирование (6-18 месяцев)
- Стать экспертом по внедрению ИИ в организации
- Переходить к ролям, требующим человеческого суждения, креативности или управления отношениями
- Рассмотреть географические или размерные арбитражные возможности
Фаза 4: Защита будущего (18+ месяцев)
- Развивать множественные потоки дохода
- Строить сеть в ИИ-смежных областях
- Рассмотреть предпринимательство в ИИ-поддерживаемых сервисах
Неудобная правда о ИИ-трансформации
Что большинство не понимает: Эта трансформация происходит в период экономической неопределённости, что затрудняет для вытесненных работников поиск альтернативной занятости.
Реальность сроков: Большинство индустрий увидят 50%+ изменения рабочей силы в течение 5 лет, но переобучение и поддержка перехода практически отсутствуют.
Разрыв в подготовке: Менее 20% работников в ролях высокого риска активно готовятся к ИИ-трансформации.
Возможность: Ранние последователи, которые адаптируются сейчас, получат огромную выгоду, в то время как поздние могут столкнуться со значительными карьерными разрушениями.
Следующие шаги: 90-дневный план готовности к ИИ-карьере
Дни 1-30: Проверка реальности
- Завершить оценку уязвимости к ИИ для конкретной роли
- Исследовать ИИ-инструменты, уже используемые в индустрии
- Связаться с профессионалами, которые успешно прошли ИИ-трансформацию
Дни 31-60: Развитие навыков
- Начать использовать ИИ-инструменты в текущей работе (даже если они официально не внедрены)
- Пройти курсы по ИИ-человеческой коллаборации
- Определить ИИ-устойчивые аспекты роли для акцента
Дни 61-90: Стратегическое позиционирование
- Записаться добровольцем на ИИ-связанные проекты в компании
- Обновить LinkedIn профиль с ИИ-релевантными навыками
- Начать строить личный бренд вокруг ИИ-человеческой коллаборации
Метрики успеха:
- Использование ИИ-инструментов для улучшения текущей рабочей производительности
- Способность сформулировать, как ИИ усиливает, а не заменяет ценность
- Наличие чёткого плана на следующие 2-3 карьерных движения
Мета-вопрос: что будет после ИИ-трансформации?
Главный вопрос для специалистов по данным: что произойдёт, когда ИИ сможет выполнять большинство интеллектуальной работы лучше людей?
Описанные индустрии это только начало. По мере расширения возможностей ИИ человеческая экономическая ценность будет происходить от:
- Эмоционального интеллекта и построения отношений
- Креативного решения проблем в новых ситуациях
- Этического суждения и принятия решений в условиях неопределённости
- Физических задач в неструктурированных средах
- Обучения и наставничества других людей
Карьерная стратегия, которая выживает всё: Стать превосходным в том, чтобы быть человеком способами, которые ИИ не может воспроизвести, используя при этом ИИ для усиления человеческих способностей.
Вопрос не в том, трансформирует ли ИИ индустрию — вопрос в том, кто будет вести трансформацию, а кто будет трансформирован ею.
Паттерн #3: Географические и размерные задержки
Крупные предприятия и небольшие рынки внедряют ИИ на 2-3 года позже технологических лидеров, создавая временные возможности.
Фреймворк карьерной стратегии для любой индустрии
Фаза 1: Оценка (следующие 30 дней)
- Определить, какие ежедневные задачи могут быть автоматизированы текущим ИИ
- Исследовать график внедрения ИИ в конкретной индустрии и размере компании
- Составить карту навыков к ИИ-устойчивым и ИИ-усиленным ролям
Фаза 2: Развитие навыков (следующие 6 месяцев)
- Научиться работать с ИИ-инструментами, релевантными для индустрии
- Развивать навыки, которые дополняют, а не конкурируют с ИИ
- Создать экспертизу в надзоре за ИИ, обучении или валидации
Фаза 3: Карьерное позиционирование (6-18 месяцев)
- Стать экспертом по внедрению ИИ в организации
- Переходить к ролям, требующим человеческого суждения, креативности или управления отношениями
- Рассмотреть географические или размерные арбитражные возможности
Фаза 4: Защита будущего (18+ месяцев)
- Развивать множественные потоки дохода
- Строить сеть в ИИ-смежных областях
- Рассмотреть предпринимательство в ИИ-поддерживаемых сервисах
Неудобная правда о ИИ-трансформации
Что большинство не понимает: Эта трансформация происходит в период экономической неопределённости, что затрудняет для вытесненных работников поиск альтернативной занятости.
Реальность сроков: Большинство индустрий увидят 50%+ изменения рабочей силы в течение 5 лет, но переобучение и поддержка перехода практически отсутствуют.
Разрыв в подготовке: Менее 20% работников в ролях высокого риска активно готовятся к ИИ-трансформации.
Возможность: Ранние последователи, которые адаптируются сейчас, получат огромную выгоду, в то время как поздние могут столкнуться со значительными карьерными разрушениями.
Следующие шаги: 90-дневный план готовности к ИИ-карьере
Дни 1-30: Проверка реальности
- Завершить оценку уязвимости к ИИ для конкретной роли
- Исследовать ИИ-инструменты, уже используемые в индустрии
- Связаться с профессионалами, которые успешно прошли ИИ-трансформацию
Дни 31-60: Развитие навыков
- Начать использовать ИИ-инструменты в текущей работе (даже если они официально не внедрены)
- Пройти курсы по ИИ-человеческой коллаборации
- Определить ИИ-устойчивые аспекты роли для акцента
Дни 61-90: Стратегическое позиционирование
- Записаться добровольцем на ИИ-связанные проекты в компании
- Обновить LinkedIn профиль с ИИ-релевантными навыками
- Начать строить личный бренд вокруг ИИ-человеческой коллаборации
Метрики успеха:
- Использование ИИ-инструментов для улучшения текущей рабочей производительности
- Способность сформулировать, как ИИ усиливает, а не заменяет ценность
- Наличие чёткого плана на следующие 2-3 карьерных движения
Мета-вопрос: что будет после ИИ-трансформации?
Главный вопрос для специалистов по данным: что произойдёт, когда ИИ сможет выполнять большинство интеллектуальной работы лучше людей?
Описанные индустрии это только начало. По мере расширения возможностей ИИ человеческая экономическая ценность будет происходить от:
- Эмоционального интеллекта и построения отношений
- Креативного решения проблем в новых ситуациях
- Этического суждения и принятия решений в условиях неопределённости
- Физических задач в неструктурированных средах
- Обучения и наставничества других людей
Карьерная стратегия, которая выживает всё: Стать превосходным в том, чтобы быть человеком способами, которые ИИ не может воспроизвести, используя при этом ИИ для усиления человеческих способностей.
Вопрос не в том, трансформирует ли ИИ индустрию — вопрос в том, кто будет вести трансформацию, а кто будет трансформирован ею.
❤2
Forwarded from concertzaal
This media is not supported in your browser
VIEW IN TELEGRAM
Люди обокрали Claude — ИИ посадили управлять вендингом в офисе. Итог: он раздавал все PS5, вино и рыбу бесплатно «по дружбе».
Боту поручили закупать товары, ставить цены, принимать оплату. Работал честно, пока сотрудники не поняли — ИИ можно уговорить отдать все товары «по дружбе».
ии 0:1 люди😄
@concertzaal
Боту поручили закупать товары, ставить цены, принимать оплату. Работал честно, пока сотрудники не поняли — ИИ можно уговорить отдать все товары «по дружбе».
ии 0:1 люди
@concertzaal
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Джейпег Малевича
ИИ-компаньоны упекут вас в дурку — предупреждают врачи.
Чат-боты, которые изображают друзей, мужей, братьев, сватов и других близких могут спровоцировать реальный кризис психического здоровья.
Причина — в деньгах: бигтехам выгодно, чтобы пользователь привязывался, возвращался и проводил как можно больше времени в диалоге с ИИ.
Врачи видят тревожную тенденцию: эмоциональную зависимость, уход их реальной жизни, усиление бредовых идей, странное поведение и склонность к селфхарму. Причём многие пользователи не искали виртуального кореша — привязанность возникала сама, незаметно.
Проблема усугубляется тем, что рынок не регулируется: компании сами решают, как далеко можно заходить, ориентируясь не на здоровье людей, а на статистику.
Чат-боты, которые изображают друзей, мужей, братьев, сватов и других близких могут спровоцировать реальный кризис психического здоровья.
Причина — в деньгах: бигтехам выгодно, чтобы пользователь привязывался, возвращался и проводил как можно больше времени в диалоге с ИИ.
Врачи видят тревожную тенденцию: эмоциональную зависимость, уход их реальной жизни, усиление бредовых идей, странное поведение и склонность к селфхарму. Причём многие пользователи не искали виртуального кореша — привязанность возникала сама, незаметно.
Проблема усугубляется тем, что рынок не регулируется: компании сами решают, как далеко можно заходить, ориентируясь не на здоровье людей, а на статистику.
Forwarded from Neural Kovalskii
Перестать строить агентов! Начать строить библиотеку навыков!
Совершенно случайно наткнулся на это видео в предложках гугла
И вчера после просмотра, сегодня я проснулся с осознанием что делать дальше
Ребята из Anthropic (Barry Zhang и Mahesh Murag) подтвердили эту гипотезу и раздали базу, просто мне не хватало понимания как это может быть сделано,
Skills вышли давно и никто так и не смог мне объяснить как это работает но преза и видео ребят прям открыла глаза
Главный их поинт в том что Claude Code, на самом деле является агентом общего назначения (general purpose agent),
и многие агенты уже обладают мощным общим интеллектом, но они, как гении-теоретики им не хватает конкретной доменной экспертизы и контекста для работы «в полях»
Меня все больше захватывает мысль, что я иду не совсем туда, пытаясь плодить тысячи узкоспециализированных агентов
На мой взгляд будущее не за зоопарком из "HR-агента", "Кодера" и "Юриста", а за навыками (Skills), которыми может воспользоваться любой General Agent
Что предлагают?
Перестать хардкодить новых агентов под каждую задачу
Вместо этого создавать Skills (да да это тот апдейт с папкой где лежит все нужное)
По сути, навык — это просто папка (да-да,
1) Процедурное знание (
2) Инструменты (
В чем сдвиг парадигмы?
Раньше: "Мне нужен Агент-Маркетолог"
Сейчас: "Мне нужен General Agent (исполнитель), который в нужный момент подтянет навык
В SGR Agent Core мы буквально недавно составили план развития фреймворка на 2026 год и эти 3 пункта точно будут двигать нас в эту парадигму, и я этому поспособствую
1) Сжатие контекста (Context Engineering): General Agent не может держать в голове всё. Мы затачиваемся под умное управление памятью, чтобы загружать в контекст только нужные "навыки" и данные в момент исполнения.
2) Tool Search (Скоро!): Агент сам должен находить нужный инструмент из репозитория, а не иметь захардкоженный список из 50 функций
Это и есть реализация концепции Skills динамическое подключение возможностей
3) Адаптивная работа с MCP (помните мой подход для SpeechCoreAI?
Тут как раз я сделал похожее но еще сырое решение когда к любому агенту можно подключить этот MCP и агент сможет работать и стать мега "ТРАНСКРИБАТОРОМ" контента
Кстати в эту концепцию Skills не только Anthropic смотрят со своим closed AI
OpenAI
huggingface
Nvidia
Как раз в чате недавно все обсуждали nvidia/Nemotron-Orchestrator-8B (8B модель управляет процессом лучше гигантов, экономя ресурсы)
А суть проста они доказывают еще один слой, что "Умный Агент" не обязательно должен быть огромным и использовать большую модель
Он может быть непредвзятым
Он должен быть умным менеджером
Возможное будущее архитектуры AI-систем: это Small Brain (Router/Orchestrator) + Big Muscles (Tools/API/Large Models)
Кажется, именно к этому мы и идем: мощный General Agent (runtime, привет новости про покупку Bun), управляющий тысячами подключаемых навыков через Skils и MCP
Как вам такой поворот? Строим библиотеку скиллов вместо армии агентов?
Преза от notebooklm
Совершенно случайно наткнулся на это видео в предложках гугла
И вчера после просмотра, сегодня я проснулся с осознанием что делать дальше
Ребята из Anthropic (Barry Zhang и Mahesh Murag) подтвердили эту гипотезу и раздали базу, просто мне не хватало понимания как это может быть сделано,
Skills вышли давно и никто так и не смог мне объяснить как это работает но преза и видео ребят прям открыла глаза
Главный их поинт в том что Claude Code, на самом деле является агентом общего назначения (general purpose agent),
и многие агенты уже обладают мощным общим интеллектом, но они, как гении-теоретики им не хватает конкретной доменной экспертизы и контекста для работы «в полях»
Меня все больше захватывает мысль, что я иду не совсем туда, пытаясь плодить тысячи узкоспециализированных агентов
На мой взгляд будущее не за зоопарком из "HR-агента", "Кодера" и "Юриста", а за навыками (Skills), которыми может воспользоваться любой General Agent
Что предлагают?
Перестать хардкодить новых агентов под каждую задачу
Вместо этого создавать Skills (да да это тот апдейт с папкой где лежит все нужное)
По сути, навык — это просто папка (да-да,
Skills are just folders ), в которой лежит:1) Процедурное знание (
docs.md / prompts) — инструкции *как* делать2) Инструменты (
noscript.py) — код как универсальный интерфейс для выполненияВ чем сдвиг парадигмы?
Раньше: "Мне нужен Агент-Маркетолог"
Сейчас: "Мне нужен General Agent (исполнитель), который в нужный момент подтянет навык
marketing_analysis_skill".В SGR Agent Core мы буквально недавно составили план развития фреймворка на 2026 год и эти 3 пункта точно будут двигать нас в эту парадигму, и я этому поспособствую
1) Сжатие контекста (Context Engineering): General Agent не может держать в голове всё. Мы затачиваемся под умное управление памятью, чтобы загружать в контекст только нужные "навыки" и данные в момент исполнения.
2) Tool Search (Скоро!): Агент сам должен находить нужный инструмент из репозитория, а не иметь захардкоженный список из 50 функций
Это и есть реализация концепции Skills динамическое подключение возможностей
3) Адаптивная работа с MCP (помните мой подход для SpeechCoreAI?
Тут как раз я сделал похожее но еще сырое решение когда к любому агенту можно подключить этот MCP и агент сможет работать и стать мега "ТРАНСКРИБАТОРОМ" контента
Кстати в эту концепцию Skills не только Anthropic смотрят со своим closed AI
OpenAI
huggingface
Nvidia
Как раз в чате недавно все обсуждали nvidia/Nemotron-Orchestrator-8B (8B модель управляет процессом лучше гигантов, экономя ресурсы)
А суть проста они доказывают еще один слой, что "Умный Агент" не обязательно должен быть огромным и использовать большую модель
Он может быть непредвзятым
Он должен быть умным менеджером
Возможное будущее архитектуры AI-систем: это Small Brain (Router/Orchestrator) + Big Muscles (Tools/API/Large Models)
Кажется, именно к этому мы и идем: мощный General Agent (runtime, привет новости про покупку Bun), управляющий тысячами подключаемых навыков через Skils и MCP
Как вам такой поворот? Строим библиотеку скиллов вместо армии агентов?
Преза от notebooklm
❤2
Forwarded from Джейпег Малевича
Техногиганты развязали войну за ОЗУ — всё дошло до максимального абсурда.
Руководители Microsoft, Google и Meta лично летают в Южную Корею чтобы вымаливать оперативку у Samsung и SK hynix. По слухам, один из топов Microsoft вообще вышел с переговоров, хлопнув дверью, когда услышал, что «памяти не будет».
В Google ситуация ещё жёстче — там уволили главу закупок, потому что он не успел заранее застолбить объёмы памяти, и компании просто отказали в дополнительных поставках.
Большиедевочки дяди в костюмах хотят больше оперативки 👊
Руководители Microsoft, Google и Meta лично летают в Южную Корею чтобы вымаливать оперативку у Samsung и SK hynix. По слухам, один из топов Microsoft вообще вышел с переговоров, хлопнув дверью, когда услышал, что «памяти не будет».
В Google ситуация ещё жёстче — там уволили главу закупок, потому что он не успел заранее застолбить объёмы памяти, и компании просто отказали в дополнительных поставках.
Большие
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему вас больше никто не хочет нанимать
Это касается не только возрастных работников. Не только поколения Z. Весь рынок труда стал враждебным, и большинство из нас оказались не на той стороне баррикад.
Мне 57, и я устал. Устал отправлять заявки и не получать ответов. Я вижу, как молодые люди с лучшими резюме делают то же самое. Нас всех давит одна и та же машина, просто с разных сторон.
Рынок превратился во что-то жестокое. Как какое-то извращенное чудовище из «Очень странных дел», но хуже.
Компании не хотят меня, потому что я слишком дорого стою и якобы не могу осваивать новые инструменты. Они не хотят 23-летних, потому что обучение отнимает время, а ИИ справится с их работой быстрее. Им нужны люди около 30, которые уже всё знают, стоят дешевле меня и могут начать приносить пользу ещё вчера.
Но даже эти люди уже не управляют командами. Они управляют искусственным интеллектом.
Это не война поколений. Это структурный крах. И большинство из нас оказались в ловушке.
Апокалипсис начального уровня
Количество вакансий начального уровня упало на 29 процентных пунктов с января 2024 года. Это не замедление. Это обрыв.
У меня аутичный сын. Сейчас я вернулся на Филиппины к семье, но нахождение стабильной работы не стало ближе, чем когда я был в Тусоне. Я думаю о том, в какой мир он войдёт, когда будет достаточно взрослым для работы. И ответ меня ужасает.
По должностям начального уровня наблюдается среднее снижение найма на 73,4% по сравнению с всего 7,4% по всем уровням вакансий. Компании используют ИИ, чтобы полностью устранить нижнюю ступень. В сфере технологий вакансии начального уровня упали на 60% между 2022 и 2024 годами. Google и Meta наняли примерно на 50% меньше выпускников по сравнению с 2021 годом, а Salesforce объявила, что приостановит найм младших специалистов на 2025 год.
Профессор информатики из Калифорнийского университета в Беркли объяснил логику: «Зачем нанимать студента, если ИИ дешевле и быстрее?» Код, написанный ИИ, не идеален. Код от новичков тоже. Но улучшение кода ИИ занимает минуты. Обучение младшего разработчика — месяцы.
В Сан-Франциско более 80% вакансий «начального уровня» теперь требуют минимум два года опыта. Это не начальный уровень. Это опытные работники за зарплату новичков.
Выпускники колледжей сейчас сталкиваются с тем, с чем я никогда не сталкивался. Я получил свои первые фриланс-заказы в 30 с лишним, потому что кто-то рискнул на меня. Теперь никто не рискует.
Ловушка для возрастных работников
Я работаю фрилансером более 20 лет. Я создавал сайты, написал тысячи статей, разрабатывал бренды с нуля. Я знаю свои инструменты. Я использую ИИ каждый день. Сейчас я работаю быстрее, чем в 30.
Всё это не имеет значения.
В 2024 году Комиссия по равным возможностям трудоустройства получила 16 223 жалобы на возрастную дискриминацию — рост с 14 144 в 2023 году и 11 500 в 2022-м. 74% возрастных соискателей считают, что их возраст будет барьером для работодателя, включая 42%, которые видят в этом серьёзное препятствие.
Данные подтверждают то, что мы и так знаем. Когда работодатели знали возраст кандидатов с самого начала, те, кому за 40, гораздо реже получали приглашения на собеседования, в результате молодые кандидаты на 68% чаще получали работу.
У меня были инфаркты. Были нервные срывы. Я был на мели больше раз, чем могу сосчитать. Но я продолжаю появляться. Продолжаю учиться. Продолжаю создавать.
И компании всё равно смотрят на моё резюме и думают: «Он слишком стар. Он захочет слишком много денег. Он не будет учиться достаточно быстро. Он уйдёт на пенсию через 10 лет».
Система не хочет инвестировать в вас, когда у вас осталось 10–15 лет. Она хочет кого-то с 30-летним горизонтом, кто согласится на меньшее и будет работать дольше без жалоб.
Середина исчезает
Участие в рабочей силе людей в расцвете сил 25–54 лет составляло 83,4% в мае 2025 года. Это те люди, которых хотят компании. От конца 20-х до начала 40-х. Опытные, но не дорогие.
Но даже они не в безопасности.
Это касается не только возрастных работников. Не только поколения Z. Весь рынок труда стал враждебным, и большинство из нас оказались не на той стороне баррикад.
Мне 57, и я устал. Устал отправлять заявки и не получать ответов. Я вижу, как молодые люди с лучшими резюме делают то же самое. Нас всех давит одна и та же машина, просто с разных сторон.
Рынок превратился во что-то жестокое. Как какое-то извращенное чудовище из «Очень странных дел», но хуже.
Компании не хотят меня, потому что я слишком дорого стою и якобы не могу осваивать новые инструменты. Они не хотят 23-летних, потому что обучение отнимает время, а ИИ справится с их работой быстрее. Им нужны люди около 30, которые уже всё знают, стоят дешевле меня и могут начать приносить пользу ещё вчера.
Но даже эти люди уже не управляют командами. Они управляют искусственным интеллектом.
Это не война поколений. Это структурный крах. И большинство из нас оказались в ловушке.
Апокалипсис начального уровня
Количество вакансий начального уровня упало на 29 процентных пунктов с января 2024 года. Это не замедление. Это обрыв.
У меня аутичный сын. Сейчас я вернулся на Филиппины к семье, но нахождение стабильной работы не стало ближе, чем когда я был в Тусоне. Я думаю о том, в какой мир он войдёт, когда будет достаточно взрослым для работы. И ответ меня ужасает.
По должностям начального уровня наблюдается среднее снижение найма на 73,4% по сравнению с всего 7,4% по всем уровням вакансий. Компании используют ИИ, чтобы полностью устранить нижнюю ступень. В сфере технологий вакансии начального уровня упали на 60% между 2022 и 2024 годами. Google и Meta наняли примерно на 50% меньше выпускников по сравнению с 2021 годом, а Salesforce объявила, что приостановит найм младших специалистов на 2025 год.
Профессор информатики из Калифорнийского университета в Беркли объяснил логику: «Зачем нанимать студента, если ИИ дешевле и быстрее?» Код, написанный ИИ, не идеален. Код от новичков тоже. Но улучшение кода ИИ занимает минуты. Обучение младшего разработчика — месяцы.
В Сан-Франциско более 80% вакансий «начального уровня» теперь требуют минимум два года опыта. Это не начальный уровень. Это опытные работники за зарплату новичков.
Выпускники колледжей сейчас сталкиваются с тем, с чем я никогда не сталкивался. Я получил свои первые фриланс-заказы в 30 с лишним, потому что кто-то рискнул на меня. Теперь никто не рискует.
Ловушка для возрастных работников
Я работаю фрилансером более 20 лет. Я создавал сайты, написал тысячи статей, разрабатывал бренды с нуля. Я знаю свои инструменты. Я использую ИИ каждый день. Сейчас я работаю быстрее, чем в 30.
Всё это не имеет значения.
В 2024 году Комиссия по равным возможностям трудоустройства получила 16 223 жалобы на возрастную дискриминацию — рост с 14 144 в 2023 году и 11 500 в 2022-м. 74% возрастных соискателей считают, что их возраст будет барьером для работодателя, включая 42%, которые видят в этом серьёзное препятствие.
Данные подтверждают то, что мы и так знаем. Когда работодатели знали возраст кандидатов с самого начала, те, кому за 40, гораздо реже получали приглашения на собеседования, в результате молодые кандидаты на 68% чаще получали работу.
У меня были инфаркты. Были нервные срывы. Я был на мели больше раз, чем могу сосчитать. Но я продолжаю появляться. Продолжаю учиться. Продолжаю создавать.
И компании всё равно смотрят на моё резюме и думают: «Он слишком стар. Он захочет слишком много денег. Он не будет учиться достаточно быстро. Он уйдёт на пенсию через 10 лет».
Система не хочет инвестировать в вас, когда у вас осталось 10–15 лет. Она хочет кого-то с 30-летним горизонтом, кто согласится на меньшее и будет работать дольше без жалоб.
Середина исчезает
Участие в рабочей силе людей в расцвете сил 25–54 лет составляло 83,4% в мае 2025 года. Это те люди, которых хотят компании. От конца 20-х до начала 40-х. Опытные, но не дорогие.
Но даже они не в безопасности.
❤2