en
Feedback
Аскер про AI/ИИ в Бизнесе

Аскер про AI/ИИ в Бизнесе

Open in Telegram

Помогаю владельцам и руководителям использовать ИИ для работы со сложной информацией, подготовки решений и сокращения умственной рутины. Персональные AI-стратегии и организация интеллектуальной работы в компании. Связь @askerych

Show more
1 087
Subscribers
No data24 hours
-67 days
+130 days
Attracting Subscribers
September '26
September '260
in 0 channels
August '26
+22
in 0 channels
Get PRO
July '26
+13
in 1 channels
Get PRO
June '26
+19
in 0 channels
Get PRO
May '26
+26
in 0 channels
Get PRO
April '26
+36
in 0 channels
Get PRO
March '26
+23
in 0 channels
Get PRO
February '26
+27
in 0 channels
Get PRO
January '26
+33
in 0 channels
Get PRO
December '25
+21
in 0 channels
Get PRO
November '25
+586
in 1 channels
Get PRO
October '25
+185
in 0 channels
Get PRO
September '25
+29
in 0 channels
Get PRO
August '25
+37
in 0 channels
Get PRO
July '25
+40
in 0 channels
Get PRO
June '25
+42
in 0 channels
Get PRO
May '25
+61
in 0 channels
Get PRO
April '25
+35
in 0 channels
Get PRO
March '25
+49
in 1 channels
Get PRO
February '25
+32
in 0 channels
Get PRO
January '25
+41
in 0 channels
Get PRO
December '24
+39
in 0 channels
Get PRO
November '24
+59
in 0 channels
Get PRO
October '24
+26
in 0 channels
Get PRO
September '24
+14
in 0 channels
Get PRO
August '24
+23
in 1 channels
Get PRO
July '24
+9
in 0 channels
Get PRO
June '24
+14
in 0 channels
Get PRO
May '24
+7
in 0 channels
Get PRO
April '24
+4
in 0 channels
Get PRO
March '24
+19
in 0 channels
Get PRO
February '24
+23
in 0 channels
Get PRO
January '24
+34
in 0 channels
Get PRO
December '23
+30
in 0 channels
Get PRO
November '23
+15
in 1 channels
Get PRO
October '23
+235
in 1 channels
Date
Subscriber Growth
Mentions
Channels
09 September0
08 September0
07 September0
06 September0
05 September0
04 September0
03 September0
02 September0
01 September0
Channel Posts
В вашей компании уже есть ответ на проблемную ситуацию. Просто никто не видит его целиком Представьте достаточно обычную ситу
В вашей компании уже есть ответ на проблемную ситуацию. Просто никто не видит его целиком Представьте достаточно обычную ситуацию.
У крупного клиента компании постепенно начинаются проблемы. Менеджер по продажам замечает, что клиент стал дольше отвечать и неожиданно начал обсуждать условия, которые раньше его совершенно устраивали. Финансовый отдел видит, что сроки оплаты понемногу увеличиваются. Служба поддержки фиксирует рост количества претензий. Логистика знает, что две последние поставки приехали с задержкой. А кто-то из руководителей случайно слышал, что у клиента появился новый коммерческий директор. Ничего из этого по отдельности не выглядит катастрофой. Менеджер продолжает работать с клиентом. Финансисты следят за дебиторкой. Поддержка разбирается с обращениями. Логистика решает свою проблему. То есть каждый делает именно то, что должен.
Но если собрать все эти события вместе, картина может выглядеть совершенно иначе. Возможно, компания прямо сейчас теряет одного из крупнейших клиентов. И здесь возникает очень странная ситуация: организация уже располагает информацией о проблеме, но сама ещё не знает, что проблема существует Меня в последнее время вообще очень занимает это различие. Есть огромная разница между тем, чтобы информация находилась внутри компании, и тем, чтобы компания что-то знала. В крупном бизнесе практически любое значимое событие оставляет множество следов. Что-то происходит в CRM. Что-то — в финансовой системе. Что-то обсуждается по электронной почте. Что-то попадает в службу поддержки. Что-то замечает конкретный сотрудник. Каждая система и каждый человек видят небольшой кусочек происходящего. Но реальность клиента, поставщика, проекта или рынка не разделена на ваши департаменты. Это мы разделили компанию на продажи, финансы, маркетинг, юридический отдел и логистику. Событие же происходит сразу целиком. И поэтому иногда для правильного решения нужно соединить информацию, которая организационно вообще принадлежит разным людям. Традиционно мы решаем эту проблему людьми. • Совещаниями. • Отчётами. • Аналитиками. Руководителями, которые должны собирать информацию от нескольких подразделений. И всё это работает. Но чем больше становится компания, тем тяжелее поддерживать такую связность вручную. И здесь мне особенно интересен искусственный интеллект. Потому что, возможно, одна из его наиболее ценных функций внутри крупной организации — вообще ничего нового не создавать. • Не писать. • Не рисовать. • Не генерировать. А постоянно сопоставлять то, что компания уже знает. Увидеть, что изменение поведения клиента в CRM совпало с ростом просрочки, увеличением количества претензий и сменой руководителя на стороне клиента. И не принять за человека решение, а сказать: «Посмотрите сюда. Возможно, эти четыре события связаны». По сути, речь идёт о способности компании превращать огромное количество распределённых сигналов в осмысленный контекст. И мне кажется, это будет одним из важных направлений развития корпоративных AI-систем. Потому что крупному бизнесу далеко не всегда нужно ещё больше информации. Информации у него обычно и так предостаточно. Иногда ему гораздо нужнее научиться вовремя понимать то, что он уже знает.

2
Самый ценный актив вашей компании каждый вечер уходит домой Есть фраза, которую я бы очень не хотел услышать от руководителя
Самый ценный актив вашей компании каждый вечер уходит домой Есть фраза, которую я бы очень не хотел услышать от руководителя крупной компании: «Это знает только Иван Иванович». Причём чем важнее вопрос, тем сильнее меня бы эта фраза настораживает. Практически в любом давно работающем бизнесе есть такие люди. Опытный закупщик смотрит на коммерческое предложение и практически сразу замечает что-то подозрительное. Юрист читает совершенно нормальный на первый взгляд договор и почему-то останавливается на одном конкретном пункте. Финансист видит отчёт и задаёт вопрос к цифре, мимо которой десять других людей спокойно прошли. Руководитель производства по нескольким совершенно незначительным признакам понимает, что через неделю может возникнуть проблема. Если спросить такого человека, как именно он это понял, ответ иногда будет довольно невнятным: «Ну, я просто это вижу». И это «просто вижу» на самом деле может стоить компании огромных денег, ведь за ним находятся: - годы опыта, - сотни похожих ситуаций, - ошибки, которые человек когда-то совершил, - исключения, с которыми столкнулся, - признаки, которые научился замечать, - связи, которые для новичка вообще не существуют. Формально этот опыт создавался внутри компании. Компания платила зарплату. Предоставляла проекты. Получала и переживала ошибки. Накапливала клиентскую и отраслевую историю. Но есть одна неприятная деталь. Значительная часть полученного знания может так и не стать знанием самой компании. Она остаётся знанием конкретного человека и каждый вечер вместе с ним уходит домой. Мне кажется, мы вообще несколько упрощённо понимаем корпоративные знания. Обычно разговор быстро приходит к базе знаний. Давайте всё задокументируем. Напишем регламенты. Соберём инструкции. Сохраним документы. Это безусловно полезно, но документ и знание — далеко не одно и то же. Можно записать, как проводится проверка поставщика. Гораздо сложнее записать, почему опытный закупщик в одном из ста случаев решает проверить что-то дополнительно. Можно сохранить тысячу договоров, но это ещё не означает, что компания сохранила знания юриста о том, какие комбинации условий когда-то привели к проблемам. Можно сохранить решения совета директоров, но потерять причины, сомнения, альтернативы и обстоятельства, при которых эти решения принимались. И именно здесь, на мой взгляд, появляется одна из гораздо более интересных возможностей искусственного интеллекта, чем привычная автоматизация. Мы постепенно получаем техническую возможность сохранять не только документы, но и часть контекста вокруг человеческой работы. - Почему сотрудник обратил внимание именно на это. - Какие признаки использовал. - С чем сравнивал. - Какие исключения встречались раньше. - Какое решение было принято. - Почему было принято именно оно. - Что произошло после. Конечно, далеко не всё человеческое знание можно взять и выгрузить из головы в компьютер. Профессиональная интуиция устроена значительно сложнее, но нам и не обязательно сразу пытаться сохранить всё. Даже если компания научится систематически удерживать значительно большую часть опыта своих сотрудников, это уже меняет ситуацию. Потому что тогда каждый следующий человек начинает работу не практически с нуля, а поверх накопленного опыта организации. И вот это для меня один из наиболее интересных признаков действительно зрелого внедрения AI. Не только сотрудники становятся производительнее благодаря искусственному интеллекту. Сама компания постепенно учится на собственной работе. - Она лучше помнит, что происходило. - Почему происходило. - Какие решения оказались правильными. - Где ошиблась. - Какие признаки однажды уже предупреждали о проблеме. И в какой-то момент опыт перестаёт принадлежать исключительно тем людям, которым довелось лично его получить. Он начинает становиться свойством самой организации.
45
3
Ну что, кто уже успел астру попробовать? Новую модель от OpenAI.. я готов уже на дорогой тариф вкинуться)
80
4
No text...
99
5
И мне кажется, здесь находится одна из причин, почему разговор о том, «какие профессии заменит искусственный интеллект», часто получается довольно странным. Мы пытаемся обсуждать изменение целого объекта, не разобравшись, из чего этот объект вообще состоит. Внутри одной профессии может быть работа, которую искусственный интеллект уже способен выполнять почти полностью. Может быть работа, где он полезен только как помощник. Может быть работа, где без человека пока вообще ничего не получается. А может быть действие, которое технически легко отдать машине, но нельзя отдать ей решение, полномочие или ответственность за последствия. И всё это находится внутри одной должности, поэтому чем дальше я на это смотрю, тем больше сомневаюсь в самом вопросе: «Какие профессии можно автоматизировать?» Возможно, профессия — просто слишком крупная единица для такого разговора. И тогда следующий вопрос становится гораздо интереснее: если не профессию — то что именно мы должны автоматизировать?
34
6
Почему совершенно разные профессии иногда делают одну и ту же работу Я раньше довольно естественно воспринимал профессию как определённый вид работы. Финансист работает с финансами. Маркетолог — с маркетингом. Специалист технической поддержки — с техническими проблемами. Специалист по качеству — с качеством продукции. Вроде бы все очевидно. Но чем больше я разбираю реальную работу людей на то, что конкретно они делают в течение дня, тем меньше мне нравится такое представление. Возьмём, например, финансового контролёра. Если посмотреть на его должность со стороны, можно сказать, что человек занимается контролем финансовых операций. Но что это означает на уровне конкретной работы? В течение дня он может искать информацию в нескольких системах, проверять документы, сопоставлять цифры из разных источников, искать отклонения и пытаться понять их причины, собирать данные в общую картину, оценивать риски, готовить отчёт, отвечать на вопросы руководителя и подготавливать информацию для принятия решений. И вот в чем тут вопрос: Какая именно из этих работ является уникально «финансовой»? Сами цифры, правила, показатели, знания о бизнесе — безусловно. Но многие действия над информацией — нет. Например, финансовый контролёр замечает неожиданное изменение расходов и начинает разбираться, что произошло. Специалист технической поддержки видит необычное поведение системы и тоже пытается понять, что произошло. Специалист по качеству обнаруживает отклонение показателя и выясняет, почему оно возникло. Маркетинговый аналитик видит внезапное падение конверсии и начинает искать причину. Один работает с деньгами. Другой — с программной системой. Третий — с производством. Четвёртый — с маркетинговыми показателями. Это совершенно разные профессии. Для каждой нужны свои знания, опыт, критерии и понимание предметной области. Но в какой-то части своей работы все четверо делают очень похожую вещь: Замечают отклонение, собирают контекст, пытаются понять, что изменилось, проверяют возможные объяснения и готовят вывод. И это касается далеко не только поиска отклонений. Поиск нужной информации встречается в огромном количестве профессий. Сопоставление факта с требованиями — тоже. Проверка > классификация > сведение большого количества информации в короткий вывод > оценка по определённым критериям > подготовка первого варианта документа, отчёта или решения. Получается довольно любопытная картина. Мы привыкли воспринимать профессию почти как монолит. Есть финансист, аналитик, специалист поддержки, закупщик, маркетолог, но если посмотреть внутрь их реальной работы, каждый такой монолит начинает рассыпаться на множество разных видов интеллектуальных действий. Причём часть этих действий снова обнаруживается в других профессиях. Тогда профессию можно попробовать представить немного иначе, как определённую комбинацию разных видов работы, предметных знаний, контекста, критериев, опыта и ответственности. Комбинация у финансового контролёра одна. У маркетингового аналитика — другая. У специалиста технической поддержки — третья. Именно поэтому они не становятся взаимозаменяемыми только потому, что часть их работы устроена похожим образом. Но для искусственного интеллекта здесь возникает очень интересное следствие. Допустим, машина становится значительно лучше в поиске нужной информации. Эта способность начинает влиять на работу десятков совершенно разных специалистов, внутри профессий которых есть поиск информации. То же самое происходит со способностью извлекать данные из документов. Сопоставлять информацию. Находить отклонения. Сводить большой объём материала в короткий результат. Готовить первый осмысленный вариант документа. Оценивать объект по достаточно хорошо заданным критериям. То есть искусственный интеллект не обязательно входит в компанию по границам профессий. Он может входить сразу в десятки профессий через отдельные виды интеллектуальной работы, которые в них повторяются.
106
7
Video message
100
8
Работа над собственной методологией сильно прокачивает в многих отношениях. В частности, я осознаю как формируется инструментарий и кнтекст нового взгляда на предмет и объект моей работы. Такое ощущение, что ты раньше наблюдал за процессами в компании и, хоть и казалось, что ты их понимаешь, но понимал, что ты чего-то важного не видишь. Что-то ключевое упускаешь. А теперь, когда формируется методология, инструменты анализа, язык описания, у тебя словно глаза раскрываются. Волшебное ощущение. Да и сам целостнее становишься, перестает швырять от темы к теме..
106
9
Мне кажется, что мы немного неправильно оцениваем корпоративные AI-системы и всевозможные «базы знаний». Обычно на демонстрации всё выглядит довольно убедительно. Вы задаёте вопрос, а система находит информацию и выдаёт хороший ответ. Спрашиваете что-нибудь ещё — снова отвечает. Кажется, что компания наконец получила ту самую «умную базу знаний», которая знает всё, что лежит внутри неё. Но есть одна неприятная деталь. Настоящая проблема начинается не тогда, когда система чего-то не знает. А когда то, что она знает, перестаёт быть правдой. Представьте достаточно обычную ситуацию. В компании изменились условия работы с крупным клиентом. Финансы уже используют новые данные. В CRM осталась старая информация. В договоре записано третье. А где-то лежит инструкция, которую вообще никто не обновлял последние два года. Сотрудник задаёт AI вполне нормальный вопрос. Тут интереснее не то, насколько красиво система умеет отвечать, а то, понимает ли она вообще, что внутри компании существуют четыре разных версии реальности. Как она определит, какой источник актуален? Заметит ли противоречие? Сможет ли показать, на основании чего дала конкретный ответ? И что произойдёт, если завтра один из исходных фактов изменится? Мне кажется, именно здесь проходит довольно важная граница между красивой демонстрацией и системой, которой действительно можно доверить часть корпоративной работы. Хорошая база знаний — это не просто место, где хранится много информации. Она должна каким-то образом работать с жизненным циклом этой информации: понимать, откуда она появилась, насколько она актуальна, что ей противоречит и что изменится, если изменится исходный факт. Поэтому, если бы я сегодня выбирал «ИИ-агента» или корпоративную базу знаний, меня интересовали бы прежде всего три вопроса: 1. Как система понимает, что информация устарела? 2. Может ли она показать, откуда взялся конкретный ответ? 3. Что происходит, когда два источника противоречат друг другу? Если система сама не замечает подобных ситуаций, есть вероятность, что первым человеком, который обнаружит ошибку, окажется клиент. А это уже совсем другой уровень проблемы. Тему подробно разобрал Дмитрий из Nevod's Den. Для тех, кто строит или выбирает подобные системы, материал определённо стоит прочитать. Часть 1 https://t.me/nevod_den/311 Часть 2 https://t.me/nevod_den/312 Часть 3 https://t.me/nevod_den/313 Часть 4 https://t.me/nevod_den/314
101
10
No text...
2
11
No text...
117
12
И вообще! Набралось много прикладных агентов и они вполне себе самостоятельно работают без цеха. Думаю, сделать небольшой магазинчик агентов. В порядке эксперимента. Посмотрим, что из этого получится. Скоро вернусь с новостями.
111
13
Друзья, эксперимент с агентами по работе с договорами довольно круто зашёл аудиторию на разных площадках я подумал, почему бы не сделать что-то похожее для других функций, заодно и проверю цех на более сложных задачах. Сразу скажу, пока я не беру в работу задачи, которые предполагают взаимодействие между несколькими разными программными платформами. Тем не менее, присылайте свои идеи, а я посмотрю что из этого можно реализовать с помощью цеха. Справедливости ради, скажу что таких задач немного :-) Пишите в личку или в чат канала в левом нижнем углу.
149
14
Шикарная новость (Спасибо Семёну). В Opencode стало возможным использовать свою подписку в ChatGPT. Почему новость шикарная?
Шикарная новость (Спасибо Семёну). В Opencode стало возможным использовать свою подписку в ChatGPT. Почему новость шикарная? Использование моделей OpenAI через API влетало в копеечку? а теперь вы используете возможности подписки. Доступны все новейшие модели. Есть лимиты токенов, но они быстро обновляются. Это круто для всех, кто использует проприетарный или собственный харнесс (в том числе и Цех). Нашиваши агенты теперь могут работать на крутых моделях.
158
15
Кстати, как я и рассказывал, цех, как harness-слой над Claude Code работает просто великолепно. Потенциал обоих инструментов раскрывается по полной. Агенты собираются более точно. Ассистент не забывает ничего и не предлагает выполнять уже закрытые задачи. В общем, у меня пока куча эмоций. )))
181
16
Мммм... Делллишез)) Вчера сильно обновил Цех. Теперь это версия 5.0 Существенно усилил память и систему поиска. Их сейчас 2:
Мммм... Делллишез)) Вчера сильно обновил Цех. Теперь это версия 5.0 Существенно усилил память и систему поиска. Их сейчас 2: семантическая и векторная. Точнее ищет даты, цифры, имена, названия и т.д. Кроме того, многое из чего жило на системных промптах еперь на скриптах и коде. А это значит - предсказуемая работа и прогнозируемый результат вместо клюков и фантазий ИИ. Сейчас протестируем с партенрами пару дней и начну раскатывать клиентам.
166
17
Всем привет. Давно тут не писал ничего. Ищу в команду одного проекта математика сильного. На разовую задачу. Если у вас такой есть или можете поделиться, пришлите контакты, пожалуйста
173
18
Друзья, возможно это про вас или вашего товарища, близкого, знакомого.
177
19
AI становится товаром. Следующее преимущество — в архитектуре его использования Последние обновления ChatGPT заставили меня з
AI становится товаром. Следующее преимущество — в архитектуре его использования Последние обновления ChatGPT заставили меня задать себе довольно неприятный вопрос: А зачем вообще сегодня строить собственную AI-систему? Несколько месяцев назад ответ был довольно очевиден. Нужна память — строим свою. Нужны агенты — строим. Нужен Deep Research — делаем отдельного агента. Нужно работать с почтой, файлами, календарём — подключаем интеграции. Нужно выполнять задачи автономно — строим соответствующий контур. Именно примерно из этой логики когда-то появился мой «Цех» — локальная система с памятью, задачами, специализированными агентами, интеграциями и возможностью выполнять работу, а не только разговаривать со мной. Но проблема в том, что базовые AI-платформы развиваются с совершенно безумной скоростью. Современный ChatGPT — это уже далеко не просто чат с языковой моделью. Claude движется туда же. Codex и Claude Code вообще постепенно превращаются в полноценную среду исполнения. И если вчера собственная память, агенты или исследовательский контур были самостоятельным технологическим преимуществом, сегодня строить всё это только ради самого факта наличия становится бессмысленным. В какой-то момент я поймал себя на неправильном вопросе: «Чем мой Цех лучше ChatGPT?» А потом понял, что вообще не хочу на него отвечать, потому что не собираюсь конкурировать с OpenAI или Anthropic. Более того, я хочу пользоваться их развитием. Для себя я сейчас вижу архитектуру примерно так. ChatGPT, Claude, и другие ИИ модели — это когнитивные двигатели. Один лучше исследует. Другой пишет код. Третий работает с большим контекстом. Завтра появится четвёртый, который будет лучше первых трёх. Мне совершенно не принципиально, кто именно выиграет эту гонку. А поверх них мне нужен другой слой. Слой, который знает меня, а не только текущий диалог. Он знает мои проекты, задачи, людей, документы, решения, договорённости, источники информации. Знает, какие специализированные агенты у меня существуют, зачем каждый нужен, какими данными и правами располагает. Умеет создавать и управлять агентами под разные задачи вне зависимости от их сложности. Может решить, какой инструмент использовать для конкретной работы. Связывает AI с моей реальной рабочей средой. И, что особенно важно, сохраняет всё это независимо от того, какая модель сегодня считается лучшей. То есть я постепенно перестаю смотреть на Цех как на «свой ChatGPT». Скорее это персональный операционный слой над AI. Если завтра OpenAI даст мне всё необходимое из коробки — я не вижу никакого смысла героически переписывать то же самое самостоятельно. Если 80% системы можно собрать на ChatGPT — надо использовать ChatGPT. Если для какой-то задачи лучше Claude — использовать Claude. И так далее.. Собственная разработка имеет смысл только там, где между моей реальной работой и возможностями готовых платформ остаётся конкретный разрыв. Мне кажется, это вообще довольно важный сдвиг в отношении к AI. Мы слишком долго обсуждали инструменты: - какую модель выбрать, - каких агентов создать, - что автоматизировать, - какую платформу внедрить. Но по мере того как сами инструменты становятся всё мощнее и универсальнее, конкурентное преимущество постепенно перемещается этажом выше. Главным становится уже не наличие AI, а архитектура его использования. Что AI должен знать о вас. Что он должен замечать. Какие задачи ему вообще следует отдавать. Где должны существовать специализированные агенты. Какие решения нельзя автоматизировать. Какие источники считать доверенными. Что должно сохраняться независимо от конкретной модели. И где проходит граница между человеком и машиной. Похоже, следующий большой вопрос для меня уже не «какой AI использовать?», а «какую систему его использования нужно построить вокруг конкретного человека, его целей, решений и реальности?». И вот эта тема сейчас кажется мне гораздо интереснее очередного спора о том, какая модель лучше.
221
20
ИИ-Агенты по проверке и подготовке договоров А теперь немного о том, как устроен Contract Toolkit. В предыдущем посте я рассказал об инструменте, который собрал для работы с договорами. Если не вдаваться в детали, я собирал небольшой цифровой процесс, в котором разные задачи выполняются последовательно. Например, когда я прошу подготовить новый договор, один AI-агент сначала делает черновик. После этого другой смотрит на него уже с совершенно другой задачей: «Представь, что это договор моего бизнеса. Где здесь меня могут подставить?» И проверяет результат. То есть я специально не стал доверять всю работу одному запросу. Похожий принцип используется и при анализе входящих договоров. Система смотрит не только на сам текст, но и при необходимости ищет актуальную информацию по законодательству. А ещё я добавил контекст конкретного бизнеса и это, пожалуй, самое интересное. Потому что хороший AI-инструмент для бизнеса, на мой взгляд, начинается не с вопроса: «Какую нейросеть использовать?» А с вопроса: «Что именно этот человек делает регулярно и как сейчас устроен этот процесс?» В моём случае это: я регулярно получаю договоры → читаю → ищу риски → думаю, что менять → согласовываю → иногда сам составляю новый договор → снова проверяю. Я просто разложил этот процесс на отдельные шаги и отдал часть работы AI. Получился инструмент, который знает: - кто я; - чем занимается мой бизнес; - как обычно выглядят мои договоры; - какие формулировки я использую; - что именно нужно проверить. И умеет выдавать результат в том виде готового документа. Отдельно я повозился с установкой. Мне не хотелось делать очередной проект, который на GitHub выглядит красиво, а после клонирования репозитория начинается: «Установите Python». «Поставьте ещё вот это». «Настройте вот здесь». «А теперь разберитесь, почему оно не запускается». Поэтому постарался сделать работу с ним простым. Запускаешь инструмент, и он сам проверяет окружение и помогает всё установить. То есть техническая часть должна оставаться там, где ей и место - внутри. Пользователь должен видеть не агентов, модели, библиотеки и конфигурационные файлы. Он должен видеть: загрузил договор → получил результат. И, пожалуй, это главный вывод, который я пока для себя сделал из подобных проектов. Чем лучше становится AI, тем меньше человеку должно быть интересно, как именно он внутри устроен. Ему должно быть интересно другое: какую работу теперь не нужно делать самому. Друзья, архив с инструментом и ссылку на видео по установке и я прикрепляю ниже. Пользуйтесь на здоровье и дайте обратную связь. Видео с описанием процесса установки https://kinescope.io/uLwAPPUnGSB7yTvdrNeqL3
198