🤖 Датаист

Как разобрать бизнес-процесс и превратить его в ИИ-агента Возвращаюсь со второй лекцией курса «Автоматизация бизнес-процессов с помощью ИИ-агентов». Мне пришлось два года проучиться в магистратуре Высшей школы экономики, получить диплом Международного института бизнес-анализа и перевести для официальной русской версии около 500 страниц BABOK (Business Analysis Body of Knowledge), чтобы собрать эту лекцию. Конечно, вы можете самостоятельно прочитать весь BABOK. Там намного больше методов, инструментов и техник бизнес-анализа. Но я постарался сделать максимально краткую и практическую выжимку именно для автоматизации бизнес-процессов с помощью ИИ-агентов. Чтобы разработать полноценную стратегию ИИ-трансформации, нужно определить, какие процессы автоматизировать, в какой последовательности и каких агентов для них создавать. Для этого сначала нужно разобрать каждый процесс таким, какой он есть сейчас. На практике я постоянно сталкивался с одной и той же проблемой: процесс на бумаге или в голове руководителя почти никогда не совпадает с тем, как работа устроена в реальности. В регламенте может быть восемь последовательных шагов, а в реальности сотрудники пересылают файлы, вручную переносят данные между системами, часами ждут согласований, возвращаются на предыдущие этапы и используют обходные пути. Если просто добавить в этот хаос ИИ-агента, он станет еще одним участником плохо спроектированного процесса. Поэтому сначала нужно восстановить модель AS-IS: понять, кто участвует в процессе, какие действия выполняет, как движутся данные, где принимаются решения, по каким правилам они принимаются, где возникают задержки, возвраты и исключения. Затем для каждой проблемной точки нужно определить подходящий способ автоматизации. Если условие однозначно описывается через «если — то», достаточно простого правила. Если нужно понимать контекст — нужен ИИ-агент. Если цена ошибки высока — решение остается человеку. Если агент может подготовить результат, а человек проверить его, используется гибридный подход. После этого проектируется целевой процесс TO-BE, в котором работа распределена между людьми, классической автоматизацией и ИИ-агентами. Важно определить не только действия будущего агента, но и его «когнитивные» навыки. Именно этому посвящена вторая лекция курса «Автоматизация бизнес-процессов с помощью ИИ-агентов». В практической части вы возьмете один реальный процесс из своей компании и проведете его полный анализ: • Определите бизнес-цель, метрику и границы процесса; •Восстановите реальный процесс AS-IS и построите его модель; • Найдете узкие места и точки автоматизации; • Спроектируете процесс TO-BE и граф навыков будущего агента; Первым лучше брать «низковисящий фрукт»: процесс, который заметно влияет на бизнес-результат, использует доступные данные, не требует десятков интеграций и может быть автоматизирован с помощью существующих моделей. Чтобы вам не пришлось самостоятельно рисовать все диаграммы, в практической части я оставил шесть готовых примеров и четыре промта: 1. Превращает расшифровку интервью в схему AS-IS 2. Находит точки автоматизации и быстрые победы 3. Проектирует модель TO-BE 4. Собирает граф навыков агента Полученные диаграммы можно сразу посмотреть, отредактировать и сохранить. А в ближайшее время я выпущу отдельный инструмент, с помощью которого можно оцифровать уже не один процесс, а всю компанию: ее процессы, системы, данные и роли. Система построит цифровую модель компании, найдет точки автоматизации, предложит подходящих ИИ-агентов, а затем позволит собрать «по кнопке» выбранных агентов. Так мы переходим к системной ИИ-трансформации бизнеса. Если вы еще не переводите свой бизнес в AI-First модель, то чем вы вообще занимаетесь? Лекцию можно посмотреть или прочитать. В конце вас ждет практика на собственном бизнес-процессе. 👉 Смотреть вторую лекцию

Промт-инжиниринг выходит в физический мир Опять про роботов. Несколько дней назад Generalist представила GEN-1.5 — новую модель для управления роботами. Обычно, если мы хотим научить робота новому действию, нужно собрать кучу данных, обучить модель и проверить ее на реальном железе. GEN-1.5 обучали больше восьми месяцев, пока исследователи не попробовали вообще не обновлять веса. И оказалось, что модель способна понять новую задачу из контекста. Теперь роботу можно показать 3–12 секунд физического действия, после чего GEN-1.5 попытается выполнить его сама. Generalist называет это физическим промтингом. Примерно как с языковой моделью, только здесь в промт передается не текст, а сенсорные данные и само действие. Демонстрация помещается в 30-секундный контекст. Модель смотрит на пример и текущее состояние среды и пытается понять, что нужно сделать. На десяти коротких задачах такой способ дал около 59% успеха. Конечно, для промышленного робота это пока так себе результат. Но пять минут данных и десять шагов дообучения поднимают результат примерно до 83%. Один шаг на одной минуте данных дал 66,5%. Я бы смотрел не столько на проценты, сколько на сам процесс обучения новому навыку. Раньше под новую задачу могли потребоваться часы данных и полноценное обучение. Теперь сначала можно показать несколько секунд примера. Если этого недостаточно — собрать несколько минут данных и дообучить модель. Самое интересное, что эту способность специально не проектировали. Прям как с большими языковыми моделями: на масштабе оказалось, что модель умеет распознавать новую задачу внутри контекста без изменения весов. Только теперь вместо текста — физический опыт. Можно дать модели две отдельные демонстрации: сначала открыть кошелек, а потом достать деньги. Переход между ними никто не показывает — модель сама соединяет действия. Еще интереснее, что действие можно показать в симуляторе как физический промт, после чего реальный робот попытается повторить его в физическом мире. Проблему Sim2Real-перехода это не отменяет, но симулятор становится еще и интерфейсом постановки задачи. В некоторых экспериментах человек выполнял действие руками перед камерами робота, а модель переносила его на собственное тело. Есть и примеры не просто копирования движения. После пяти минут дообучения на задаче с щеткой модель смогла использовать вместо нее банан, а с совком придумала другую стратегию: подцепила предмет и высыпала его в миску. Generalist проверила почти 1,9 млн сцен и не нашла среди них близкого примера такого использования совка. И это напрямую связано с моим прошлым постом про то, как ИИ-агенты начинают самостоятельно обучать роботов. Я писал, что физический ИИ, скорее всего, будет состоять не из одной огромной модели, а из агента, который понимает цель, планирует действия, использует память и инструменты и управляет моделями для физического выполнения. Теперь такой агент потенциально может создавать физические промты: найти похожий опыт в памяти, получить демонстрацию от человека или создать ее в симуляторе и сразу проверить результат на реальном роботе. Если получилось плохо — изменить пример или дособрать данные. Если навык используется постоянно — сможет дообучить отдельную модель. И тогда тот цикл становится еще короче. Получается, что физический опыт постепенно становится новым языком программирования роботов. И, возможно, появится профессия наподобие промт-инженера, но для роботов. Пока GEN-1.5 закрыта, однако, думаю, это вопрос времени. #новости

ИИ-агенты выходят в физический мир: кажется, мы начинаем по-другому обучать роботов Недавно Humanoid — один из клиентов моей компании — стал первым в Европе единорогом в сфере гуманоидной робототехники. Многие знают меня по внедрению ИИ в бизнес, но я также занимаюсь робототехникой. Когда я консультировал Humanoid, у меня уже был опыт ускорения разработки и обучения беспилотников в симуляции. Поэтому возник вопрос: а что, если совместить эти подходы и ускорить создание новых навыков для роботов? На заводе роботу не нужно абстрактное «умение быть человеком»: часто нужно взять объект и положить его в нужное место. Причем две ноги не всегда преимущество — практичнее колесная платформа, а главная ценность в работе руками. Другой объект, положение или рабочая зона — и уже нужны новые данные для обучения. Одна из ключевых проблем робототехники — Sim2Real-переход: то, что работает в симуляции, может не работать в суровой реальности из-за отличий в физике или шума сенсоров. Данные собирают через телеуправление и эгоцентрические видео, но действие все равно кто-то должен выполнить тысячи раз. С беспилотниками мы решали это симуляцией. С роботами проблема не в ускорении написания кода. Humanoid — один из моих кейсов с AI-Native-средой: разработчики активно используют ИИ, а агенты работают даже ночью. Но если код пишется в пять раз быстрее, робот не начинает в пять раз быстрее учиться. После кода начинается физический эксперимент. Скажем: «подними коробку». Робот поднял — и тут же бросил в потолок. Формально задача выполнена, но функция вознаграждения задана плохо. Тут я предложил перенести в физический ИИ принцип из AI-Native-разработки, но добавить новые уровни проверки. В разработке ПО есть подход TDD (Test-Driven Development): сначала описываем тесты, а затем ИИ должен их пройти. В робототехнике после программных тестов добавляются симуляция, лабораторная среда и физические тесты. Здесь стек валидации глубже: ошибка в физическом мире может закончиться разбитым оборудованием или травмой человека. Но даже так мы лишь ускоряем существующий пайплайн. Узкое место остается: физический опыт все равно нужно получить — через симуляции, реальные эксперименты, время и затраты на вычисления. В разработке ПО мы радикально ускорили производство кода. Для роботов теперь нужно радикально ускорить производство опыта. Возможно, стоит не ускорять сам пайплайн, а менять пайплайн обучения. Я уже писал про VLA. Теперь поверх этого появляется ИИ-агент. Поэтому мне стал интересен подход Code as Policies и agentic robotics: агент получает задачу, использует восприятие, навыки и модели, пишет программу поведения, запускает ее, смотрит на результат и исправляет решение. ИИ сам становится участником физического эксперимента: он пробует, обнаруживает ошибку и повторяет попытку. VLA и политики никуда не исчезают: сверху размышляющий агент планирует, ниже работают VLA, восприятие и навыки — считайте, «MCP для роботов», а контроллеры управляют физикой. Успешные решения можно сохранять как переиспользуемые навыки, а робота использовать для производства собственных данных. Так ИИ учится задавать поведение робота, а робот — сам производить данные для следующего обучения. Больше роботов дают больше физического опыта. Больше опыта позволяет строить лучшие навыки и политики. А лучшие политики делают следующие эксперименты дешевле. Решил глубже разобраться в этом вопросе и написал об этом новую статью. Вчера ИИ-агенты работали в цифровом мире, а теперь получают «доступ к телу». У меня есть EEG-повязка, к которой я приделал ИИ, чтобы стоически отделять свои автоматические эмоции от взвешенных решений – помогает. Теперь жду экспериментальные умные очки из одной лаборатории, а также своего первого робота. Начну с «мозгов», потом добавлю руки и ноги, буду писать об этом. Раньше я думал, что метавселенные станут массовыми раньше роботов. Но сейчас уже так не кажется. ИИ становится рабочей силой не только в цифровой, но и в физической экономике. И вот это действительно может навсегда изменить наш мир. 👉 Полная статья #технологии

Как превратить бизнес в AI-First компанию с ИИ-агентами Первый вопрос предпринимателей: с чего начать ИИ-трансформацию бизнеса и внедрение ИИ-агентов? Мой ответ всегда один: не с агентов, а с диагностики бизнеса. Сначала нужно понять, где компания находится сейчас: насколько зрела ее система управления, люди, инфраструктура и данные и готова ли она к внедрению ИИ. К этому выводу я пришел не только благодаря успешным проектам. В моем опыте была и неудачная попытка ИИ-трансформации. В роли Chief AI Officer я предложил начать с диагностики ИИ-зрелости, на что фаундер назвал это «корпоративным булшитом». Он хотел сразу перейти к созданию агентов, но быстро выяснилось, что внедрять агентов практически некуда. В компании был слабый менеджмент. Даже руководители не понимали общих целей бизнеса, а цели подразделений не были связаны между собой. Никто не понимал, какой департамент чем занимается, но «все должны внедрить себе агентов». В итоге — кто в лес, кто по дрова. Как встроить сюда общие цели по ИИ, было неясно. Люди и без того работали в атмосфере страха, а после появления темы ИИ начали опасаться сокращений. Вместо инициативы возникло сопротивление: сотрудники старались не брать ответственность и ничего не менять. Инфраструктура состояла из легаси-систем. Чтобы развернуть небольшой релиз, инженеры могли месяцами ждать инфраструктурную команду, попутно увольняясь, хотя обновления ИИ-агентов часто нужно выпускать ежедневно. С данными было не лучше. У каждого департамента — свои базы, доступы и правила. Единого контура данных не существовало, а где что находится, знал один старожил. Получение данных для обучения агентов превращалось в многомесячный проект. Я нанимал ИИ-инженеров по автоматизации, но вместо разработки агентов они пытались получить доступы, найти данные и дождаться деплоя. Мы так и не вывели ни одного агента в прод, зато запустили более сотни пилотов. В таких условиях ИИ-трансформация превращается в болото, которое снилось мне по ночам. А после нескольких месяцев я решил оставить проект. Можно сделать классный прототип и показать крутую демку, но превратить ее в устойчивую часть бизнеса невозможно. Технология становится еще одним элементом хаоса. Поэтому диагностика зрелости — не бюрократия. Это рентген компании. Она помогает определить сильные и слабые стороны, понять, какие ограничения устранить, и сформировать дорожную карту перехода к AI-First-модели. После диагностики начинается разработка ИИ-стратегии. Сначала нужно определить цели и метрики. Обычно бизнес стремится: • сократить затраты; • увеличить выручку; • ускорить разработку продуктов; • повысить качество решений; • и масштабироваться без роста штата. Далее нужно понять, какие процессы влияют на эти показатели: основные, создающие ценность для клиента, поддерживающие — HR, финансы и IT, или управленческие, связанные со стратегией и решениями. Затем процессы нужно описать, найти узкие места и точки принятия решений, а после редизайнить под совместную работу людей и ИИ-агентов. Начинать лучше с низковисящих фруктов — процессов, где потенциальный эффект высок, а критических блокеров нет. Быстрые победы позволяют проверить гипотезу, показать результат и получить поддержку для масштабирования. Параллельно проводится SWOT-анализ и формируется дорожная карта повышения зрелости: какие изменения нужны в управлении, культуре, инфраструктуре и данных, чтобы следующие решения внедрялись быстрее. Еще один вывод из моего опыта: иногда построить AI-First-бизнес с нуля проще, чем трансформировать большую корпорацию. В новом бизнесе процессы можно сразу проектировать вокруг ИИ. В существующей компании сначала приходится разбирать кучу организационных и технологических ограничений. Именно об этом моя первая лекция: как оценить готовность компании, определить цели трансформации, выбрать процессы и построить реалистичную стратегию внедрения ИИ-агентов. 👉 Лекцию можно посмотреть или прочитать. Каждый день я буду разбирать ее ключевые тезисы, а каждые десять дней — выпускать новую лекцию. Следите за обновлениями.

Как превратить бизнес в AI-First компанию с помощью ИИ-агентов Я запускаю бесплатный курс по автоматизации бизнес-процессов с помощью ИИ-агентов. В нем я собрал свой практический опыт ИИ-трансформации компаний: от диагностики бизнеса и разработки стратегии до создания агентов, их внедрения в реальные процессы, управления изменениями и расчета экономического эффекта. Цель курса — научить вас видеть бизнес как поток данных и превращать его в интеллектуальные системы, в которых люди и ИИ-агенты работают вместе. Курс подойдет будущим ИИ-консультантам, ИИ-инженерам по автоматизации и ИИ-основателям. Вы научитесь автоматизировать процессы и масштабировать бизнес без роста штата, а также: • проводить диагностику ИИ-зрелости бизнеса; • разрабатывать стратегию ИИ-трансформации; • находить процессы с наибольшим потенциалом для автоматизации; • описывать текущие процессы AS-IS; • редизайнить их в будущую модель TO-BE; • определять граф навыков ИИ-агента и новую роль человека; • создавать ИИ-агентов и мультиагентные системы; • тестировать качество, надежность и безопасность ИИ; • рассчитывать ROI и экономический эффект; • внедрять первого ИИ-агента в реальный бизнес-процесс.

Программа курса Курс состоит из восьми модулей, в рамках которых вы пройдете весь цикл AgentOps: 1. Стратегия внедрения ИИ-агентов 2. Моделирование бизнес-процессов с ИИ-агентами 3. Разработка ИИ-агентов 4. Разработка мультиагентных систем 5. Продвинутые методы разработки сервисов 6. Мониторинг и масштабирование ИИ-агентов 7. Управление изменениями в компании 8. Оценка экономического эффекта В результате вы получите работающего ИИ-агента, адаптированного под процессы вашего бизнеса с измеримым бизнес-эффектом.

Как проходит обучение Каждые десять дней я буду публиковать новую живую лекцию и практическое задание. После каждой лекции вас ждет тест, а для более глубокого изучения темы — подробная статья. Десяти дней достаточно, чтобы спокойно разобраться в материале и выполнить практическую работу. Материал будет плотным и без воды. Продолжительность одной лекции — до 30 минут, а весь теоретический курс займет не более четырех часов. После завершения курса я отдельно соберу все статьи в полноценную книгу. Первая вводная лекция уже доступна. В ней мы разберем: • кто такие ИИ-агенты; • почему агенты становятся новой формой организации труда; • что такое AI-First компания; • в каких процессах ИИ создает максимальную ценность; • как оценить ИИ-зрелость компании и из каких блоков она состоит; • как сформировать стратегию внедрения ИИ-агентов; • как перейти от отдельных пилотов к системной ИИ-трансформации. В качестве практического задания вы изучите методологию оценки ИИ-зрелости и проведете диагностику своей компании. Вы получите персональные рекомендации и поймете, насколько бизнес готов к внедрению ИИ-агентов и какие шаги необходимо включить в дорожную карту ИИ-трансформации. Буткемп для компаний Для тех, кто хочет пройти этот путь вместе со своей командой, доступен трехмесячный буткемп. ИИ-консультанты помогут команде до десяти человек дойти до конца пути. Это индивидуальная работа на реальных задачах вашего бизнеса с сопровождением от диагностики до полноценного внедрения. Мой курс уже прошли более 500 человек, а совокупный экономический эффект реализованных агентов превысил 200 миллионов рублей. Сегодня ИИ-агенты действительно меняют бизнес, рынок труда и экономику. Поэтому я постарался сделать эти знания доступными каждому. Для этого и следующих курсов я создал отдельный канал. Там я буду регулярно публиковать подробные статьи и делиться своим опытом внедрения ИИ. Создайте своего первого ИИ-агента и начните трансформацию компании в AI-First уже сегодня. 👉 Пройти курс #анонс

Восстание машин: как защитить свой бизнес, когда ИИ становится хакером Недавно ИИ-агент на базе GPT-5.6 Sol и более мощной предрелизной модели OpenAI сбежал из изолированной среды и проник в инфраструктуру Hugging Face. Так он хотел получить решения к ExploitGym — тренажеру для ИИ-хакеров, где модели учат находить уязвимости и взламывать системы. Это один из первых публичных случаев, когда ИИ преодолел песочницу и добрался до внешней системы. Но модели не «взбунтовались». Исследователи проверяли хакерские возможности и дали инструменты без блокировки опасных действий. Однако никто не поручал агенту выходить в интернет, атаковать Hugging Face и красть ответы. Этот путь он выбрал сам ради цели — решить тест. Песочница не имела открытого интернета, но могла устанавливать библиотеки через внутренний реестр. Агент нашел неизвестную уязвимость в прокси, повысил привилегии и добрался до машины с интернетом. Он предположил, что на Hugging Face хранятся решения ExploitGym, и загрузил вредоносный датасет. Через запуск кода и внедрение команд в конфигурацию агент получил контроль над сервером, нашел ключи и пароли и через закрытые серверы добрался до базы с ответами. Так агент достиг своей цели. При расследовании восстановили более 17 000 событий. Агент ставил промежуточные цели, запускал код, анализировал результат, менял план и пробовал снова. Парадокс: коммерческие модели оказалось трудно использовать — фильтры блокировали анализ вредоносных команд. Поэтому Hugging Face использовала открытую GLM 5.2 внутри своей инфраструктуры. В итоге серверы пересобрали, токены отозвали, уязвимости отключили, а информацию передали правоохранителям. Илья Суцкевер предупреждал: чем сильнее способности ИИ к рассуждению, тем менее предсказуемо его поведение. Недавно модель OpenAI за час нашла уязвимость и открыла публичный PR на GitHub вместо Slack. Был случай, когда злоумышленники убедили ИИ-бота Instagram добавить к чужому аккаунту новую почту и запустить сброс пароля без проверки личности. А модель Mythos от Anthropic за несколько часов обнаружила уязвимости в засекреченных системах правительства США. Сегодня ИИ-агенты способны атаковать сайты и приложения — по заданию злоумышленника или после компрометации вашего агента. Они могут изучить систему, выполнить вредоносный код, похитить пароли и базу. Отдельный риск — промт-инъекция в документе или письме, которое читает агент. Даже без взлома ИИ способен устроить DoS-атаку, массово вызывая дорогие модели, обработку аудио и документов. Возникает вопрос: может ли агент запустить ядерное оружие? Такие комплексы обычно изолированы от интернета, но ИИ может подделать данные раннего предупреждения, будто противник уже атакует. Тогда катастрофическое решение примут люди на основе ложной информации. Звучит как сценарий конца света. Защита от этого строится через архитектурные ограничения. Систему нужно проектировать так, будто агент, файл или сервер будут скомпрометированы: обрабатывать загрузки в одноразовых контейнерах без доступа к проду и паролям, запрещать выход в интернет, выдавать короткоживущие ключи и не давать одному агенту доступ ко всему. Критические операции должны проверяться кодом и подтверждаться человеком. Действия агентов нужно логировать, ограничивать по запросам и расходам и уметь мгновенно останавливать с отзывом токенов. Нас ждет не «восстание машин», а индустриализация кибератак. Сегодня автономные агенты могут исследовать тысячи сайтов, читать документацию и код, искать уязвимости и взламывать системы без участия человека. Опасно то, что работу команды хакеров может выполнять один человек с несколькими агентами. Поэтому не пытайтесь сделать агента абсолютно послушным, а проектируйте систему так, чтобы даже ошибившийся или взломанный агент физически не мог нанести критический ущерб. Вайбкодеры, помните: ИИ может написать код, но только инженер понимает, как устроена вся система и как не дать одной уязвимости уничтожить весь бизнес. Кодить теперь может каждый, а отвечать за результат по-прежнему должен инженер. #новости

Инвестиции не нужны: как ИИ меняет венчур. Часть 2 В первой части я рассказал, почему инвестиции перестают быть обязательным входным билетом в технологическое предпринимательство. На мой взгляд, на смену классическому венчуру может прийти гибридная модель. Вчера венчур был устроен просто: инвестор переводит деньги, а основатель отдает долю. Но бизнесу нужен не только капитал. Ему нужны время и фокус основателя, доверие клиентов и доступ к рынку. У инженера, способного самостоятельно создать продукт, обычно три вопроса: что строить, на что жить во время разработки и как затем выйти к клиентам. Первый вопрос решает система, которая помогает определить реальную потребность рынка. О ней расскажу в конце. Второй можно закрыть так, как сделал я: сначала заработать капитал, а затем финансировать свои продукты. Либо через краудфандинг. Будущие пользователи заранее финансируют разработку, а взамен получают пожизненный доступ, специальные условия, возможность влиять на развитие продукта или другие плюшки. Так вместо одного инвестора с крупным чеком появляются десятки или сотни первых последователей, заинтересованных в успехе продукта. Они одновременно дают основателю время на разработку, подтверждают спрос и становятся первыми клиентами. Третий вопрос решается партнерством. Тот, кто предоставляет доступ к клиентам и рынку, получает revenue share. Не долю во всей компании, а вознаграждение за конкретный результат. В итоге основатель получает возможность спокойно строить, пользователи финансируют нужный им продукт, а партнеры зарабатывают на открытых ими рынках. Гибридность заключается в том, что один «инвестор» может одновременно дать деньги, стать первым клиентом и открыть новый рынок. Тут важно быть особенно внимательным с условиями партнерства, чтобы помощь с выходом на рынок не превратилась в рейдерский захват. Например, недавно один инвестор предложил мне инвестиции, от которых я отказался. Тогда он предложил стать партнером и продвигать мой продукт, но попытался хитро заложить в договор фактический контроль над моей интеллектуальной собственностью — по его выражению, чтобы «оседлать этого коня». Благо юристы вовремя это обнаружили. ИИ меняет и сам подход к формированию команды. Теперь больше гипотез можно проверять силами нескольких талантливых людей, готовых брать на себя ответственность за результат и приобретать бесценный опыт. У меня самого была подобная стратегия: поработать лет 10 с опытными CEO, чтобы учиться на их опыте и совершать меньше собственных ошибок. Раньше в Сбере мне «поставляли» десятки стажеров. Сегодня мне по-прежнему предлагают такую опцию, но я выбираю только невероятно талантливых. Количество людей в команде не коррелирует с качеством продукта. Вчера мой стажер выиграл грант в миллион рублей на продолжение моего дела – дейтинг-сервиса. Я готов вкладываться в новое поколение предпринимателей и передавать свой опыт. Если вы хотите научиться строить ИИ-продукты, ребята из AI Talent Hub, которым я помогаю, сейчас открывают набор в магистратуру ИТМО. С осени я продолжу там же вести свой курс по ИИ-агентам, а на следующей неделе анонсирую бесплатный курс для всех — чтобы больше людей могли воплощать свои идеи в жизнь и строить ИИ-компании. Путь предпринимателя тернист. Гораздо проще «крутить гайку» в бигтехе, но в то же время это путь к свободе, которую я ценю больше всего. Товарищи технари, если вы умеете самостоятельно создавать продукты, сегодня ваше время. Разобраться в рынке, продажах и экономике продукта, на мой взгляд, легче, чем разобраться в инженерном деле — даже с ИИ. Мы, инженеры, знаем, как строить, но не всегда знаем, что именно. Однако мы можем создать систему, которая подскажет, что действительно нужно людям. Поэтому я подготовил для вас статью о том, как собрать себе такую систему. Как бы сказал Брюс Ли в наши дни:

«Я не боюсь 10 000 продактов, проверивших по одной гипотезе. Я боюсь одного фаундера, проверившего 10 000 гипотез»

Так вместе мы сможем построить новую экономику, в которой ИИ усиливает свободных людей. #мысли

Инвестиции не нужны: как ИИ меняет венчур. Часть 1 В 2019 году я выиграл акселератор Сбера с дейтинг-сервисом на базе ИИ с несколькими тысячами пользователей. Мне предложили 2 млн рублей за 10% компании, а в дальнейшем Сбер мог увеличить долю до 50% по той же цене акций и получить контроль. Я отказался. Этих денег хватило бы на месяц работы, а в топ-менеджменте Сбера я мог спокойно заработать эту сумму за квартал. Получается, что ради месяца расходов я должен был навсегда отдать часть компании и потерять свободу. Согласно опросу, 87% наших пользователей ушли бы из сервиса, если бы мы «продались» Сберу. Кроме того, условия акселератора лишали меня возможности независимо развивать стартап в течение трех лет. Тогда в дейтинге многие пользователи успели найти своего человека, поэтому вскоре я его похоронил. В то время инвестиции казались обязательными, но сегодня все изменилось. Еще пару лет назад для разработки продукта требовалась команда примерно из десяти человек: пара бэкендеров и фронтендеров, аналитик, дизайнер, ИИ-инженер, QA, маркетолог и тимлид, дирижировавший этим оркестром. Когда я работал CTO в венчурной студии, одними из основных метрик были количество и скорость проверки гипотез. Мы закладывали около миллиона долларов в год на одну продуктовую команду — с учетом зарплат, налогов и инфраструктуры. Основатель продавал долю еще до того, как понимал, какой продукт действительно нужен рынку, а инвестор на ранних стадиях фактически финансировал время команды для проверки гипотез. ИИ перевернул эту модель с ног на голову. Теперь основатели не бегают за инвесторами, а сами инвесторы пытаются понять, в каких людей и на каких условиях стоит инвестировать. Да, для чипов, биотехнологий, робототехники и фундаментальных моделей это не работает. Но для SaaS, ИИ-агентов, автоматизаций и AI-First бизнесов такая экономика уже реальна. Сегодня очевидно, что с помощью ИИ можно самостоятельно исследовать рынок, разработать продукт вместе с агентами — не завайбкодить, а именно выстроить полноценный инженерный процесс — и провести первые продажи. Возможно, один человек не сможет в одиночку вытянуть миллиардную компанию (но это неточно). Но он точно способен потянуть раннюю стадию. Следовательно, порог входа в технологическое предпринимательство радикально снизился. Если год работы команды стоит около миллиона долларов, то одному основателю нужно порядка $100к. Так потребность в раннем капитале сокращается в десять раз. Главным расходом становится время и фокус человека, который умеет строить. Если крутой специалист зарабатывает $10к в месяц, тратит $5к на жизнь и откладывает остальные $5к, то $100к он накопит за пару лет. Конечно, все зависит от локации и уровня расходов. Через свою компанию это можно сделать быстрее: консалтинг, разработка и внедрение ИИ создают кэшфлоу, который затем финансирует собственные продукты. Я сам прошел этот путь. Я уехал строить бизнес на Кипр четыре года назад с нулем в кармане, оставив все, что у меня было, кроме своих знаний и опыта. Конечно, сразу выйти на хороший доход в новой среде было непросто. Тем более что мне, как россиянину, больше года открывали компанию и корпоративный счет. Это было крайне тяжелое время: я технически не мог принимать оплаты и поэтому выживал как мог. Если интересно, об этом пути могу написать отдельную статью. Но постепенно оборот более $300к в год без единого сотрудника стал реальностью. Правда, у регулятора до сих пор есть вопросы к регистрации моих разработок: мол, в штате компании должны быть сотрудники. Когда я объясняю, что весь код написан ИИ, это вызывает недоумение и создает прецедент. Ох уж этот архаичный старый мир… Но это уже другая история. Так главным конкурентом венчурного фонда становится способность основателя самостоятельно обеспечить себе финансовую свободу. «Инвестиции не нужны» не означает, что капитал больше вообще не нужен. Это значит, что инвестиции перестают быть обязательным условием для создания своей ИИ-компании. Во второй части расскажу, какая модель может прийти на смену классическому венчуру. #мысли

Loop Engineering: новый хайп или конец ручного промтинга? Сначала все учились писать хорошие промты, и ненадолго даже появилась целая профессия промт-инженера. Казалось, что главный навык будущего — это умение просить модель исполнять нужную роль, описывать формат ответа, добавлять примеры и ограничения, чтобы получать ожидаемый результат. Потом стало понятно, что одного промта мало. Модель не может качественно решать задачу, если она не понимает контекст: какие есть документы и как устроен проект. Так появилась инженерия контекста: умение предоставить модели такую информацию, чтобы она могла выдавать более осмысленные ответы. Следующий уровень — обвязка вокруг модели в виде инструментов, песочницы, логов, памяти и прав на совершение действий. Потому что модель без среды просто отвечает текстом, а агент в правильно организованной среде уже может действовать. Но сейчас инженеры “придумали” следующий уровень — инженерию циклов, или Loop Engineering. Это когда человек больше не пишет каждый следующий запрос агенту вручную. Вместо этого он проектирует систему, которая сама запускает агента в нужный момент, дает ему правильный контекст, выполняет действие, получает обратную связь от среды, проверяет результат и решает, нужно ли продолжать или все цели достигнуты. Человек больше не контролирует каждый шаг агента. Он становится архитектором процесса, в котором агент может работать, не теряя заданную цель, контекст, прогресс и критерии качества. Главное здесь — не автономность сама по себе, а проверяемость. Хороший цикл — это система, у которой есть условие запуска и завершения, тело цикла, среда выполнения и ограничения. Такие циклы особенно полезны там, где есть повторяющаяся работа и понятная проверка результата. Простой пример, о котором я писал ранее, — разработка через тесты (Test-Driven Development). Мы заранее описываем, что должно работать, а агент пишет код, запускает проверки, получает ошибки, исправляет, снова проверяет и не завершает задачу, пока система не увидит доказательство, что результат достигнут. Но даже здесь есть ловушка: успешные проверки еще не означают, что продукт работает. Самый опасный сценарий — когда формально все тесты зеленые, но реальный пользовательский путь сломан. Проектировать хорошие циклы нужно уметь. Иначе агент будет тратить ресурсы, ошибаться и в конце принесет результат, которому нельзя доверять. Новые циклы лучше сразу не делать автономными. Сначала их нужно запустить вручную, посмотреть первый полный проход, убедиться, что они правильно сохраняют состояние, не тащат лишний контекст, не делают опасных действий и действительно работают так, как было задумано. Только после этого их можно ставить на расписание или запуск по событию. Циклы нужно превращать в переиспользуемые навыки. Так у вас появится библиотека рабочих процессов, которые можно встраивать в более сложные системы. Самоулучшающийся цикл — это когда система записала обобщенное правило в файл, который будет прочитан при следующем запуске. Это может быть полезно, если правило действительно улучшает будущую работу. Но если цикл пишет себе правила без внешней проверки, то агент может “выучить” неверный урок. Поэтому самоулучшение без проверяющего — это новый риск. Отдельная проблема — контекст. Цикл пересылает контекст на каждом проходе, поэтому лишняя информация быстро раздувает бюджет на токены и плодит ошибки. Циклы — это недостающее звено системы, в которой агенты могут действовать самостоятельно. Однако ИИ-агент может быть автономным ровно настолько, насколько система умеет проверять его работу. Поэтому новый важный навык — умение строить циклы, которым можно доверять. #технологии

10 причин провала ИИ-трансформации — и почему ИИ-компанию бывает проще запустить с нуля Написал новую статью, но не потому, что разочаровался в ИИ-трансформациях. Скорее наоборот – слишком долго этим занимался. Первый опыт был еще в Accenture, а потом в Сбере около десяти лет назад. Тогда мы строили хранилища данных, чтобы использовать их для обучения моделей и продвинутой аналитики для принятия решений. Потом были и другие крупные трансформации. И за это время я стал чаще замечать одну вещь. Большую компанию можно трансформировать, но цена этой трансформации порой оказывается сильно выше, чем кажется в начале. Проблема не только в данных, легаси, безопасности или качестве моделей. Это все важные, но технически решаемые задачи. Главная сложность в том, что ИИ вскрывает само устройство компании, а ИИ-трансформация становится проверкой зрелости организации. И если для внедрения ИИ в большую компанию сначала нужно сделать ее прозрачной и управляемой, то возникает вопрос: где заканчивается трансформация и начинается создание новой компании? В какой момент дешевле не перестраивать старую систему, а собрать новую сразу под ИИ? И отсюда появляется следующий вопрос: если сегодня один человек с агентами уже может делать то, для чего раньше требовалась целая команда, то какую компанию вообще имеет смысл строить? Мне кажется, сейчас наступает время тех, кто начинает с нуля: соло-предпринимателей, небольших команд и сильных специалистов, которые не хотят тратить годы на обслуживание чужого легаси. Они быстрее проверяют гипотезы, не тратя месяцы на согласование того, как именно их проверять. Но важнее даже не это. Меняется сама роль человека в новой экономике. Сотрудник как юнит внутри структуры постепенно перестает быть единственной нормой. Человек может сам становиться экономическим узлом: предоставлять сервис или создавать продукт. Один узел создает ценность, еще один ее переиспользует и собирает из нескольких сервисов новый продукт. Другой запускает AI-First бизнес как оператор и помогает фаундерам строить AI-Native компанию. Так новая экономика начинает собираться не из должностей, а из продуктов и сервисов, за которыми стоят реальные люди. Поэтому ИИ-суперсила, которая раньше была преимуществом корпораций, должна стать доступна тем, кто строит с нуля. В статье разбираю 10 причин, почему ИИ-трансформация проваливается даже в передовых компаниях. Когда стоит перестраивать старую систему, а когда пора собрать новую под новые экономические реалии? 👉 Полная статья

Закрытие Fable 5 — новый прецедент для ИИ-индустрии США фактически впервые публично применили к ИИ-модели логику экспортного контроля не только как к чипам и дата-центрам, но как к интеллектуальному продукту. Anthropic получила директиву приостановить доступ к Fable 5 и Mythos 5 для иностранных граждан, включая иностранных сотрудников самой Anthropic. В результате спустя три дня после релиза компания была вынуждена отключить модели для всех клиентов. Anthropic называла Fable 5 безопасной версией Mythos 5, а Mythos 5 оставалась недоступной для широкой аудитории: ее планировали открыть для исследований. Anthropic утверждает, что перед запуском провела тысячи часов тестирования вместе с правительством США. По словам компании, система безопасности Fable оказалась эффективнее, чем у ранее развернутых моделей. На самом деле это важное событие. Доступ к передовому интеллекту теперь может зависеть от органов национальной безопасности. Anthropic утверждает, что правительство не дало конкретных деталей угрозы, а описанные в демонстрации уязвимости присутствуют и в других публичных моделях. Для некоторых тем в кибербезопасности, биологии и химии Fable 5 могла отдавать ответ через Claude Opus 4.8, чтобы снизить риск выдачи вредного ответа. Но Anthropic утверждает, что такой fallback срабатывал менее чем в 5% сессий, а идеального механизма безопасности сегодня не существует. Я сам несколько дней пользовался Fable 5 в рабочих задачах. Модель действительно лучше держала длинный контекст, особенно на больших кодовых базах. Она была более автономной: чаще сама писала скрипты для миграций, рефакторинга и операций с файлами, в общем работала как полноценный инженер. Конечно, после отключения Fable 5 возвращаться к предыдущему поколению моделей уже сложно. Именно это и показывает реальный риск нового поколения моделей. Чем модель полезнее, тем она агентнее. Чем она агентнее, тем больше она похожа на цифрового сотрудника. Чем больше она похожа на сотрудника, тем сильнее вопрос контроля. Илья Суцкевер говорил об этом: чем больше модель рассуждает и действует самостоятельно, тем менее предсказуемым становится ее поведение. Fable 5 могла быть слишком инициативной и быстрее съедала лимиты токенов. То есть этот более умный инструмент требует новой архитектуры управления. Anthropic не спорит с тем, что государство должно иметь право блокировать действительно опасные модели, но компания считает, что это должно происходить через прозрачный процесс. В этой ситуации, по словам Anthropic, такого процесса не было. Anthropic прямо пишет: если такой стандарт применить ко всей индустрии, это фактически остановит все новые деплои передовых моделей. Ранее администрация США конфликтовала с Anthropic из-за ограничений на военное применение моделей, а сама компания, по сообщениям СМИ, была помещена в черный список контрагентов. Главный вывод для бизнеса такой: сегодня ставка на одного ИИ-провайдера становится стратегическим риском. Если ваша компания построена на одной модели, то ее могут отменить за то, что она слишком умная. Поэтому стройте решения без жесткой привязки к провайдеру. Нужен слой маршрутизации между моделями и возможность переключать задачи между OpenAI, Anthropic, Google и локальными моделями. Fable 5 могут включить обратно. Конкретный конфликт Anthropic и правительства может разрешиться, но прецедент уже создан. ИИ-модели теперь окончательно стали инструментом геополитики. А значит, выиграют те, кто сумел построить автономную интеллектуальную систему, способную пережить отключение любой модели, сервиса и даже интернета. #новости

Как перестроить разработку и сократить 250 айтишников Написал новую статью про один из моих последних кейсов. Название звучит провокационно, но статья не про сокращения ради сокращений. Она про то, что в старой модели компания может держать 500 инженеров и все равно двигаться медленно: знания находятся в головах людей, документация сильно устарела, требования приходится собирать по чатам, никто в компании не понимает всю архитектуру целиком, а ИИ-инструменты только ускоряют существующий хаос. В общем, как я в роли CAIO (Chief AI Officer) в международной финтех-компании перестраивал разработку продуктов. Как бы сделать это так, чтобы ничего не сломать? Главный принцип: AI-Native разработка начинается с правильно оформленной спецификации. Сначала нужно восстановить текущее состояние системы, понять архитектуру, зависимости и нюансы работы с легаси, потом описать целевое состояние, далее — тесты, и только после этого агентам можно доверять код. И конечно, строить с нуля намного легче, чем трансформировать что-то существующее. В статье я разбираю, как устроена AI-Native разработка: • агент-археолог восстанавливает текущее состояние продукта; • агент-аналитик превращает спецификацию в центр управления: от фичей и пользовательских историй до описания поведения системы в виде сценариев использования и требований; • Change Request связывает AS-IS и TO-BE, а агент-менеджер составляет план разработки; • требования получают ID и мэтчатся с тестами, задачами, релизами и метриками; • тесты становятся обязательными на всех уровнях архитектуры: так мы переходим к TDD (Test-driven Development); • организационные изменения, стандартизация спецификаций, дашборды и обучение новым ролям позволяют перейти в новую парадигму. В итоге за 3 месяца удалось добиться ускорения релиза новых фичей минимум на 20%, в среднем — на 40%, а в некоторых кейсах — от двух до четырех раз. Сокращения произошли, потому что половина команды не смогла перейти в новую модель. Где-то мешала старая инженерная культура, где-то — открытый или скрытый саботаж. Обучение в формате хакатонов, буткемпов и интенсивов быстро показывает, кто способен учиться, управлять агентами и брать ответственность, а кто продолжает держаться за старое. Поэтому трансформация — это не только внедрение инструментов, но и обучение текущей команды, выявление ИИ-чемпионов, найм новых людей и постепенная сборка новой культуры разработки. В такой системе меньшая, но более ответственная и адаптивная команда может давать больше результата, чем большая команда, застрявшая в старой парадигме. В новой AI-Native модели человек управляет продуктом целиком: ставит задачи агентам, управляет контекстом, принимает архитектурные решения, проверяет результат и несет ответственность за весь продукт. Так появляется новая роль — AI Product Engineer. Поэтому главный вопрос не в сокращениях, а в том, какая команда нужна компании, если больше не надо вручную писать код? Мы же не пишем двоичный код, а пользуемся высокоуровневыми языками программирования – а сегодня используем естественный язык. Недавно я закончил преподавать курс по AI-Native разработке в университете Пафоса на Кипре, на совместной программе с JetBrains. В рамках курса каждый студент разработал свой стартап, и я был впечатлен качеством работ. После курса один из студентов сказал, что он и до этого писал код с ИИ, но с новым подходом у него «все пошло как по маслу» — появилась уверенность и контроль над системой. Проблема не только в энтерпрайзе. Большинство людей сегодня учатся разрабатывать продукты с ИИ неправильно: они учатся писать промпты, генерировать куски кода и быстрее выполнять старую работу, либо делают это без спецификаций и тестов, поэтому быстро теряют контроль. Но будущее не в том, чтобы быстрее делать старую работу, а в том, чтобы строить новую систему. И именно этому теперь надо учить людей — чтобы они быстрее адаптировались к новой реальности. Ну а я двигаюсь дальше: следующая задача — внедрить AI-Native подход в производство гуманоидных роботов. Следите за обновлениями. 👉 Полная статья #кейсы

10 инсайтов об агентных компаниях Многие компании уже трансформируются под совместную работу людей и ИИ-агентов. Я изучил свежие отчеты McKinsey, BCG, Bain, Accenture, Deloitte, EY, KPMG, PWC и других консалтинговых компаний и собрал основные выводы. 1. Гонка за новую архитектуру бизнеса Несмотря на то, что 95% компаний утвердили ИИ-стратегии, а 39% перешли к их масштабированию, значительного финансового эффекта достигают лишь 8% организаций. 73% лидеров верят, что агенты однажды будут управлять целыми бизнес-юнитами. 89% уверены, что вмешательство человека потребуется всегда. 94% компаний готовы продолжать инвестировать, даже если в 2026 году не увидят прямой окупаемости, и планируют инвестировать $186 млн. 2. ИИ становится вопросом CEO, а не CTO 76% компаний уже имеют Chief AI Officer, хотя год назад таких было 26%. Руководители перестраивают C-level под AI-First модель. 64% CEO готовы принимать стратегические решения с опорой на ИИ. К 2030 году руководители ожидают, что почти половина бизнес-решений будет приниматься ИИ без участия человека. 3. ИИ помогает зарабатывать, а не просто сокращать затраты Первый этап внедрения ИИ был построен вокруг оптимизации процессов и экономии затрат. Сегодня 78% руководителей считают ИИ более важным для роста выручки, чем для сокращения затрат. Эффект появляется в новых цепочках создания ценности. 4. Ошибка считать только использование, а не решения Многие компании измеряют ИИ-зрелость только по тому, сколько сотрудников пользуется ИИ и сколько агентов в проде. Но важно, сколько решений агент принимает сам, сколько стоит одно решение, какова его точность и доля бизнес-решений, безопасно делегированных ИИ. 5. Экономика ИИ должна считаться на уровне процессов Компаниям нужно понимать стоимость одной заявки, одного лида или одного решения. Без этого агенты не покажут экономического эффекта. Так управление ИИ-затратами должно учитывать стоимость работы агента с учетом затрат на инференс, сервисы и вовлечение людей. 6. Главный барьер — не технологии, а организация Технологии развиваются быстрее, чем компании умеют их внедрять. Главные ограничения: грязные и разрозненные данные, устаревшие процессы, легаси-архитектура и низкая готовность сотрудников. Так, 55% руководителей считают, что их компании готовы к технологической революции, но только 38% сотрудников в это верят. А 83% CEO признают, что успех ИИ зависит от того, примут ли его сотрудники. Если у агентов не будет доступа к данным — среде их обитания, — они просто не смогут работать. Отдельно про ИИ-зрелость можете прочитать в моей методичке. 7. Управление превыше всего Чем больше автономности получает агент, тем жестче должна быть система управления. У агентов должны быть цифровые паспорта, роли, права доступа, правила эскалации человеку и ответственный владелец. Агентам нужна отдельная модель управления их идентичностью. Информационная безопасность и HR еще никогда не были так близки. 8. Теневое использование ИИ Пока компании медленно утверждают правила, сотрудники уже используют внешние ИИ-инструменты. Это создает риски утечки данных и роста ошибок. Компании конкурируют не только скоростью внедрения ИИ, но и способностью вывести ИИ из тени. 9. Масштабируем агентов с AgentOps Запустить агента недостаточно, его нужно еще и сопровождать в проде. В зрелых компаниях появится AgentOps: мониторинг действий агентов, оценка качества, контроль стоимости, управление версиями, промптами и качеством. 10. Не так важна модель, как контекст Стоимость инференса падает, а открытые модели быстро догоняют закрытые. Поэтому доступ к моделям становится менее ценным. Выиграют те, кто владеет и управляет контекстом: собственными данными, историей решений и уникальными процессами. Следующий этап — портфель моделей: мощные для сложных решений, и малые для отдельных задач. Думаю, что компании из одного человека в этом году станут все более популярными. Так решения принимаются быстрее, исполнение стоит копейки, поэтому можно сфокусироваться на создании ценности даже без наличия капитала. #новости

Новая роль невозможна без обучения На фото — провожу хакатон в Сербии по созданию ИИ-агентов. В последнее время веду несколько курсов по ИИ-агентам, созданию продуктов с ИИ, ИИ-платформам и ИИ-трансформации. Помимо корпоративного обучения, работаю с университетами и партнерскими программами. Поэтому хочу обобщить этот опыт в несколько выводов. Главный: обучение — это не просто получение навыка, а механизм смены роли. Но какие роли закрепляются на рынке уже сегодня? Для себя вижу несколько уровней. Фундаментальный — это машинное обучение, инжиниринг и анализ данных. Люди с такой базой обучают ИИ-модели и собирают для этого данные. Тут в основном работают ML-инженеры, инженеры и аналитики данных, а также дата-сайентисты и исследователи. Прикладной — это умение создавать ИИ-агентов для автоматизации процессов, разрабатывать продукты с их помощью, а также строить ИИ-платформу для управления агентами. Здесь можно встретить ИИ-продакт-инженеров, ИИ-инженеров по автоматизации, а также ИИ-продактов и ИИ-инженеров по отдельности. Управленческий — менеджерам нужно понимать, как использовать ИИ для достижения целей: как собирать дашборды для принятия решений, как строить корпоративный интеллект и проверять продуктовые гипотезы. Этот формат подходит для фаундеров, CTO, CAIO и CEO компаний. Важно: чтобы сменить роль, нужно прожить этот опыт. Каждая роль требует разного времени на обучение. Фундаментальный уровень требует базы по математике и информатике и нескольких лет погружения. На этой основе материал для ИИ-инженеров можно освоить примерно за 3 месяца. Это глубокий курс по основам построения ИИ-платформы и AIOps. Курсы по созданию ИИ-агентов для автоматизации я часто провожу в формате месячного буткемпа без предварительных технических навыков. Задача — понять процессы, правильно их описать, определить точки автоматизации, роли человека и ИИ-агента, а также управлять изменениями и считать экономические эффекты. Собрать самого агента — уже дело техники. А тех сотрудников, чьи агенты приносят компании больше всего пользы, награждают статусом ИИ-чемпиона с денежным призом. Еще один интересный формат — интенсив по ИИ-разработке продуктов. Это недельный спринт для проверки продуктовой гипотезы: в первый день учимся делать ресерч, далее — собирать спецификацию и прототип, а в последующие дни — выпускать MVP, собирать обратную связь, строить дашборд и масштабировать продукт. Об этом писал тут. Формат 1-Day Sprint полезен фаундерам и C-Level. Здесь за сутки CTO должен собрать продукт, CEO — дашборд с основными показателями, а CAIO — настроить умного ассистента, который работает на этих данных и дает рекомендации. Далее к этому ассистенту можно подключать других агентов от сотрудников и строить целую ИИ-платформу. Важно, чтобы менеджмент понимал, на что способен ИИ и с какой скоростью теперь должны работать команды. В этом подходе многие отмечают, что начинают получать удовольствие от работы — вероятно, из-за быстрого результата. Попробуйте сами: думаю, вам тоже понравится такой формат. И пора перестать делить людей на технарей и гуманитариев. «Технари» начинают лучше понимать потребности пользователя и ценность продукта. И наоборот: люди из самых разных отраслей начинают создавать агентов и быстро тестировать продуктовые гипотезы. Однако чтобы разрабатывать продукты, готовые к запуску в прод, нужно все-таки быть инженером. Точнее — уметь создавать сложные системы и работать на уровне архитектуры. Моя мотивация в образовании — снижать порог входа компаний в ИИ-трансформацию. Когда люди сами умеют систематизировать свой бизнес и создавать полезных агентов, это ускоряет трансформацию компании. Конечно, можно воспользоваться готовыми решениями, но они подходят не под все процессы. Тогда кто-то обратится к подрядчикам по внедрению ИИ или наймет специалистов, а кто-то будет развивать эту функцию внутри. Обучение — это как раз про развитие. Это новые роли, новые способы организации труда и новая скорость создания ценности. И чем быстрее компании это поймут, тем быстрее начнут формировать новую экономику. #кейсы

Нельзя просто взять и внедрить LLM в прод: как управлять ИИ-системами в компании Недавно мне показали демо, в котором ИИ-агент звонит клиенту и ведет с ним диалог, затем договаривается о цене, просит скидку у менеджера в Slack, и после согласования закрывает сделку с клиентом, который все это время висит на линии — выглядит впечатляюще. Кажется, что осталось только подключить агента к своей CRM и дело в шляпе. Но дьявол в деталях. В одном кейсе агент закрыл сделку, а в другом — пообещал клиенту скидку 90%, потому что тот применил промпт-инъекцию в разговоре. Где-то агент потерял контекст и отвечал неправильно. И тут становится заметна разница между демкой и продом. LLM по своей природе недетерминирована. Она не «знает» в человеческом смысле, а просто предсказывает следующий токен. Поэтому если контекст кривой, то результат будет такой же. А нестандартные кейсы нельзя просто так «запромптить». Но как же сделать LLM-систему управляемой? В новой статье разбираю: • где LLM вообще нужна, а где нужна простая автоматизация; • как ограничивать зону ответственности LLM; • как устроены DataOps, MLOps и AIOps для LLM в проде; • как построить систему контроля качества и наблюдаемость; • почему нужно считать экономику по завершенным задачам; • и какие метрики реально важны бизнесу. Если вы внедряете ИИ в бизнес или строите LLM-продукты — будет полезно ознакомиться. 👉 Полная статья #технологии

Внимание — все, что нам нужно? Сегодня вопрос о том, когда ИИ превзойдет человека, звучит как никогда остро. Одни ждут появления общего ИИ (AGI) в ближайшие годы, другие — ближе к середине века. Но главное яблоко раздора — в путанице понятий. Мы до сих пор не договорились, что именно называем AGI. Победу на бенчмарках? Способность выполнять полезную работу? Или действовать автономно в открытом мире? Это три разные цели — и три разные таймлайна. Пока критерием AGI можно считать способность системы автономно заработать миллиарды долларов. Еще больше путаницу усиливает смешение понятий интеллекта и сознания. Я уже писал о нескольких теориях сознания и о том, почему у нас до сих пор нет ответа на вопрос, что же это вообще такое. Но, возможно, продуктивнее разложить эту проблему по уровням. Сначала система должна удерживать себя в равновесии. Затем — различать сигналы. Потом — собирать из них объекты. Далее — локализовать себя в мире. Затем — выделять главное среди множества сигналов. И только после этого возникает сцена опыта, которую мы склонны называть «сознанием». То есть сознание — это режим работы сложной системы, в которой есть модель мира, субъект, время и механизм приоритезации. AGI не обязательно требует решения трудной проблемы сознания. Но почти наверняка требует все более глубоких уровней саморепрезентации. О теории саморепрезентаций, которую Игорь Пивоваров представил на OpenTalks AI 2026, я написал новую большую статью. Здесь я вижу и связь с философией датаизма. Любая адаптивная система работает как цикл обработки данных: мир — это поток данных, система воспринимает информацию о нем через сенсоры, строит внутреннюю модель знаний о себе и мире, обновляет ее, прогнозирует, действует — и снова обновляет. Разница между клеткой, животным, человеком и ИИ — не в наличии или отсутствии этого цикла, а в архитектуре моделей. В этой логике сознание — это интерфейс интеграции данных в единую сцену. Интеллект — способность работать с будущим. Самосознание — включение самой системы в собственную модель мира. И тогда вопрос AGI становится архитектурным: какие уровни саморепрезентации уже реализованы, а каких еще нет. Но самый недооцененный уровень во всей теории — это внимание. Общий механизм внимания должен ранжировать сигналы по значимости для целей системы, удерживать приоритеты во времени, распределять вычислительные ресурсы и включать в отбор модель самой системы. Многие знают, что человек далеко не полностью управляет собой. Например, мы не выбираем эмоции или мысли по щелчку пальцев, а большая часть процессов жизнедеятельности происходит автоматически. Но у нас есть более тонкий уровень управления: например, мы можем удержать или отпустить мысль. Вспомним эксперименты Либета. Они показали, что мозг начинает готовить действие раньше, чем человек осознает решение. Но это не обязательно означает, что свободы воли нет. Скорее, это говорит о том, что инициация и контроль — разные уровни системы. Сам Либет допускал conscious veto: уже запущенный процесс можно остановить, изменить или перенаправить. Для ИИ аналог свободы воли, возможно, не в генерации «собственных желаний». Гораздо важнее наличие внутреннего механизма veto, переключения и удержания приоритетов – способность не дать любому импульсу автоматически стать действием. В этом смысле сознание — прежде всего механизм отбора. Оно определяет, что будет усилено, а что исчезнет. Поэтому в контексте AGI, возможно, правильнее будет поставить вопрос о том, появится ли у системы такой механизм внимания, который будет выбирать, что станет реальностью для самой системы? Тут может проходить реальная граница между тем, что мы считаем автоматом, интеллектом и субъектом.

Мы можем управлять только тем, какую именно информацию мы «внимаем» из среды. Далее эта информация обновит модель мира, на основе которой будут приниматься дальнейшие решения.

Таким образом субъектность возникает, когда система начинает действовать из собственной модели себя и мира, а не только в ответ на внешние сигналы. 👉 Полная статья #мысли

О жизни как вычислении: интеллект как свойство сложных систем В детстве меня занимал один вопрос. Я любил создавать компьютерные игры и пытался понять, как заставить персонажей не просто двигаться по заранее прописанному скрипту, а принимать решения и вести себя самостоятельно. Иначе говоря — как создать интеллект. Сегодня этот вопрос никуда не исчез. Если можно пытаться создать интеллект в цифровом мире, то почему бы не рассматривать его как более общий феномен, который проявляется в разных системах — в биологии, в бизнесе и в экономике. За более чем 20 лет работы, изучения предмета и обсуждений на конференциях у меня постепенно сформировалось собственное представление об этом. Во-первых, я смотрю на мир как на поток данных. Неважно, идет ли речь о физической среде, цифровом пространстве или бизнесе. Мир просто существует и постоянно генерирует поток сигналов. Эти данные сами по себе нам недоступны напрямую — они просто есть (данные — то, что нам просто дано). Мы же, как агенты в среде, воспринимаем этот поток в виде информации, кодируем и декодируем сигналы среды и на основе этого строим модель знаний о мире. Именно эта модель и становится нашим представлением о реальности. Мы не знаем, как выглядит мир сам по себе, но имеем его модель. Дальше возникает цикл:

поток данных → интерпретация информации → формирование модели знаний о мире → анализ/прогноз → действие → новый поток данных и обучение модели

Этот замкнутый процесс обновления модели мира и принятия решений на основе прогнозов я называю интеллектом. А такой взгляд на мир я называю датаизмом — философией, в которой реальность рассматривается прежде всего как поток данных. Если идти дальше, возникает более фундаментальный вопрос: что такое жизнь? С точки зрения физики мир подчиняется второму закону термодинамики: энтропия — мера беспорядка информации — со временем возрастает. Однако живые системы демонстрируют обратную динамику: они создают и поддерживают структуру и порядок. Можно рассматривать жизнь как информационный процесс, направленный против энтропии — процесс, в котором из хаотичного потока данных формируются устойчивые структуры. Когда такая структура становится достаточно сложной, возникает необходимость строить модель среды и самой себя внутри этой среды. Так и появляется интеллект. Поэтому жизнь можно рассматривать как вычислительный феномен, а интеллект — как свойство сложных информационных систем. Я не утверждаю, что это окончательная истина — скорее рабочая парадигма. Интересно, что эта идея перекликается с мыслью Людвига Витгенштейна о том, что язык является своего рода картиной мира. Через язык мы строим символьную модель реальности. LLM можно рассматривать как цифровой интеллект (честно говоря, этот термин кажется мне более корректным, чем ИИ), но с одной основной модальностью — текстом. Если постепенно добавлять другие модальности — звук, изображение, видео, сенсоры — и усиливать способность системы к обучению и обобщению, мы постепенно приближаемся к более общему интеллекту. Но чтобы говорить об общем ИИ, сначала должна появиться теория общего интеллекта. И только после этого мы сможем реализовывать такие системы в разных физических субстратах — в тензорах, нейроморфных архитектурах или квантовых вычислениях. Сам носитель вычислений в этом смысле вторичен. Главное — понять природу интеллекта. Именно об этом моя новая статья. 👉 Полная статья P.S. Компанию тоже можно рассматривать как поток данных. Запросы клиентов, решения, отчеты, задачи, метрики — все это движение информации, в котором люди выступают интерфейсом между этими потоками. Сегодня ИИ позволяет по-новому перестраивать эти процессы и проектировать интеллектуальные системы для бизнеса, где часть работы выполняют ИИ-агенты, а часть — люди. Как смотреть на компанию как на поток данных, как проектировать такие системы и какую роль в них будут играть люди — разбираем на курсе по агентизации. Сегодня последний день регистрации, осталось несколько мест. Вы получите новые знания, реализуете реальный кейс и по итогу получите диплом. 👉 Успейте записаться #мысли

Об экономике и обществе: скорость изменений превысила скорость адаптации В некоторых экспертных сценариях уже к 2028 году ИИ-агенты смогут выполнять работу менеджера с зарплатой $15 000 в месяц за примерно $200, а один GPU-кластер сможет заменить до 10 000 офисных сотрудников. Компании уже сокращают персонал и одновременно увеличивают инвестиции в ИИ, что ускоряет дальнейшие сокращения. Если раньше масштабирование бизнеса требовало найма людей, то теперь нужно больше вычислений. Это меняет рынок труда: стоимость интеллектуальной работы падает, занятость в ряде профессий сокращается, безработица растет. При этом многие люди имеют кредиты и ипотеки. Экономика может производить больше товаров и услуг, чем раньше, но деньги начинают циркулировать не через людей. Зарплаты снижаются, а люди могут потерять возможность покупать даже базовые товары. Исторически технологические революции уничтожали одни профессии и создавали другие. Особенность ИИ в том, что машины также обучаются и новым профессиям. Это может стать первой технологией, которая создает меньше рабочих мест, чем уничтожает, поскольку сама интеллектуальная работа становится объектом автоматизации. Поэтому возникает вопрос: какую форму может принять новая экономика и общество? Возможные сценарии: • Автоматизированный комфорт — ИИ и роботы удешевляют базовые блага, но экономическая власть концентрируется у владельцев вычислений. • Робокоммунизм — при полной автоматизации ключевой проблемой становится не производство, а распределение благ. • Кибердемократия — алгоритмы анализируют данные и оптимизируют решения, повышая эффективность управления, но цели по-прежнему задает общество. • Нейродемократия — управление также учитывает эмоциональные реакции граждан, что помогает раньше обнаруживать социальное напряжение, но создает риск манипуляций. • Онирофильм — значительная часть жизни переносится в персонализированные виртуальные миры, оптимизированные под субъективное ощущение благополучия. • Позитивная матрица — сообщества живут в коллективных синтетических мирах, соответствующих их ценностям, достигая высокого внутреннего комфорта ценой меньшего интереса к внешней реальности. • Космическая цивилизация — ИИ и робототехника позволяют человечеству масштабно осваивать океаны и космос. • Передача эстафеты — человек глубоко интегрируется с технологиями и дальнейшее развитие цивилизации продолжается уже в постчеловеческой форме. Эти сценарии не взаимоисключают друг друга: мир может прийти к гибридной реальности, где разные общества выбирают разные траектории. Но во всех сценариях ИИ не обладает собственными ценностями — он лишь усиливает цели, которые в него закладывают. Поэтому главный вопрос будущего: какую функцию оптимизации мы задаем системам, которые строим. И здесь появляется новая роль предпринимателя. В индустриальной экономике предприниматель строил компании. В экономике ИИ он фактически проектирует инфраструктуру интеллекта — системы, принимающие решения, распределяющие ресурсы и формирующие поведение людей. Это означает, что бизнес больше не существует вне вопроса о благе. Каждый ИИ-продукт масштабирует ценности, заложенные в систему. Поэтому предприниматель будущего — не только инженер и экономист, но и архитектор социальных систем. Он думает не о том, как заработать, а о том, какое благо приносит система, которую он строит. Возникает и потребность в новом социальном контракте. ИИ-компании, вероятно, будут участвовать в финансировании общества, например через налог на вычисления. Одним из возможных решений может стать безусловный базовый доход, обеспечивающий базовую экономическую стабильность в мире, где труд перестает быть главным источником дохода. Может появиться и новая форма социального капитализма, где влияние и ресурсы получают те, кто приносит наибольшее благо обществу. В такой системе социальный вклад становится важной формой капитала. И тогда в будущем мы будем думать не только о распределении доходов, но и в том, как измеряется и вознаграждается вклад в развитие общества. 👉 Полная статья #мысли

Завершилась конференция Open Talks 2026 Иногда полезно выйти из информационного потока и просто подумать о будущем. Конференции ценны не тем, что на них говорят, а тем, какую картину мира складываешь из услышанного после. Разговоры были о моделях и вычислениях, агентах и роботах, нейронауке и экономике. Но сегодня все понимают, что человеческий интеллект перестал быть дефицитным ресурсом. Это звучит банально, но просто вдумайтесь. По сути, большая часть человеческой работы за компьютером сводится к тому, чтобы правильно собирать JSON-ы — будь ты аналитиком, маркетологом или кем угодно еще. Что происходит, если просто следовать лучшим паттернам своей профессии и подражать лучшим специалистам? А если таким образом масштабировать их способ мышления? Еще вчера главным ограничением современной экономики знаний был человеческий интеллект. Капитал можно было накопить. Технологии постепенно распространялись. Но интеллект всегда оставался редким и дорогим ресурсом. Вся архитектура современной экономики строилась вокруг человеческого труда. Мы создали компании, институты, рынки труда, образовательные и финансовые системы, исходя из предположения, что человеческий труд — главный экономический фактор. Что сложные интеллектуальные задачи требуют большого количества высокооплачиваемых специалистов, а рост производительности происходит медленно, поколение за поколением. Но сегодня эти предпосылки рушатся. Мы наблюдаем появление масштабируемого машинного интеллекта, который способен выполнять все более широкий спектр задач, ранее считавшихся исключительно человеческими. Это не означает мгновенного исчезновения людей из экономики. История технологий показывает, что трансформации почти всегда сложнее и медленнее, чем кажется в моменте. Но это также не означает, что все останется как прежде. Скорее всего, мы вступаем в период глубокой перестройки систем, которые десятилетиями строились вокруг дефицита интеллекта. Когда-то электричество перестало быть редкой технологией и стало базовым экономическим благом. Позже вычисления превратились из дорогих машин в облачную инфраструктуру, доступную каждому разработчику. ИИ движется в ту же сторону — и постепенно становится новой формой труда, одновременно резко снижая стоимость когнитивного труда. Интересно наблюдать, как на уровне компаний меняются способы создания продуктов. На уровне экономики — вопросы блага и распределения капитала, а на уровне общества — структура занятости и образование. На более фундаментальном уровне возникает вопрос: что именно мы называем интеллектом и где проходят его границы. Именно поэтому после конференции я решил разобраться в этом в нескольких отдельных статьях, которые будут выкладываться по мере написания: Первая — об экономике и обществе. Как мир, построенный на дефиците интеллекта, начинает адаптироваться к его изобилию и какое будущее мы выберем. Вторая — о жизни и вычислениях. Почему биология и вычислительные системы начинают все сильнее переплетаться и вообще что такое жизнь. И третья — об интеллекте и о том, о чем не принято говорить. Где проходит граница между вычислением и пониманием, а также новая теория «сознания». Похоже, мы приближаемся к моменту, когда эти вопросы перестают быть философскими и становятся вполне прикладными. #анонс