Системное мышление для жизни

Друзья, если кто сможет сегодня-завтра выделить 30-40 минут на интервью по теме своей текущей работы с ИИ, то выберите удобное время и отметьте, пожалуйста, свой телеграм аккаунт или в личку @TserenTserenov напишите. Спасибо большое

До прихода ИИ было сложно объяснять различие профессиональных навыков и мышления, все гонялись за первым и зевали, когда обсуждали второе. За первое платили звонкую монету, а про второе говорили, что это не рынок. Но с приходом ИИ все сильно меняется. Чтобы это объяснить давайте начнем с различия более близких всем понятий: проблема и задача. Проблемы в работе и жизни редко упираются в навыки. Не в их отсутствии — это дело наживное. Проблема возникает в другом месте. В моменте, когда смотришь на ситуацию и не понимаешь, что вообще делать. Это состояние неопределённости. И оно парализует. Многим это знакомо: опыт есть, ресурсы есть, даже ИИ под рукой — а движения нет. Почему? Потому что перед тобой ещё не задача. Это проблема. И их нельзя путать. Разница принципиальная: — задача — это когда ты понимаешь, какие методы применять; — проблема — это когда ты не понимаешь даже этого. И именно здесь происходит основной сбой. ИИ радикально усилил этап решения задач: он пишет код, тексты, отвечает на вопросы. Но он не делает главное: ИИ как автопилот не превращает неопределённость в задачу, ИИ как экзоскелет может это сделать, если человек ведет. Если этот переход не сделан, есть два сценария: либо ступор, либо случайный результат. Поэтому главный навык сейчас — не программирование и даже не работа с ИИ. Главный навык сейчас особенно — это превращать проблему в задачу. То есть разбираться в новой ситуации через системное моделирование и только потом применять инструменты. В этот момент происходит перелом. До этого — перегрузка, прокрастинация, ощущение, что нет сил и непонятно, с чего начать. После — появляется структура, ясность и вместе с ней энергия. Не из-за мотивации, а потому что появляется понимание и восстанавливается контроль над жизнью. По сути, мы не учим навыкам. Мы учим тому, что управляет всеми навыками или работе с неопределённостью и её переводу в действия. И только после этого навыки и ИИ начинают по-настоящему работать.

И последнее, без чего предыдущее не работает, требовательность к себе. Хороший руководитель спрашивает с подчинённых, но в первую очередь с себя, и спрашивает жёстче, чем с остальных. С ИИ это становится особенно очевидно. Ты не можешь требовать от агента качественного результата, если сам формулируешь задачи и рабочие продукты расплывчато. Не можешь требовать выполнения задачи, если сам не определил критерии. Не можешь жаловаться на «среднепопулярные ответы», если сам не вложился в базу знаний. Здесь нужно быть с собой душным. Поймал себя на том, что промптишь по инерции, остановись и переформулируй. Принял результат «на глаз», заставь себя пройти все три уровня проверки. Это неприятно, мозг сопротивляется, всегда хочется срезать угол и иногда сказать "и так пойдет". Но именно эта внутренняя требовательность отличает руководителя, у которого ИИ работает, от руководителя, у которого ИИ создаёт иллюзию работы. С другими людьми эту требовательность можно было размазать: сотрудник дотянет, команда подстрахует. С ИИ дотягивать некому. В сухом остатке: навык работы с ИИ это навык быть руководителем. Понятная нарезка задач, явные критерии приёмки, защищённое личное мышление, качественная база знаний для онбординга и жёсткий спрос с себя самого. Кто это умел до ИИ, тот сейчас взлетает. Кто не умел, тот получил болезненное зеркало. И в этом, мне кажется, хорошая новость. ИИ не создаёт новых требований к человеку, он подсвечивает старые, которые мы давно научились прятать.

Наблюдение из опыта работы с ИИ: навыки руководителя Чем больше я работаю с ИИ, тем чаще ловлю себя на том, что вижу в этой работе свою же руководящую деятельность, только в концентрированном виде. И это, кажется, главный вызов эпохи ИИ для каждого из нас: сможешь ли ты стать хорошим руководителем. С человеком можно было компенсировать слабую постановку задачи «человечностью» сотрудника, общим контекстом, способностью переспросить и догадаться. С агентом так не получится: что сформулировал, то и получил. Плохой менеджер с ИИ остаётся плохим менеджером, только теперь с большей пропускной способностью своей неэффективности. Первое, что обнажается и сразу влияет на общий результат, это нарезка задач. Главный сдвиг в том, чтобы в числе прочего мыслить задачами размером в один ответ модели или одну сессию агента, а не «проектами на неделю». Хорошая задача для ИИ это та, у которой можно за разумное время проверить результат. Если ты не понимаешь, как будешь принимать работу, задача нарезана плохо. И отдельный навык, отличать задачи, которые стоит делегировать ИИ, от тех, которые стоит делать самому. Стратегия, архитектурное решение, разбор конфликта это твоё мыслительное упражнение, делегировать его значит обокрасть себя. А исполнительская работа на знакомой территории, наоборот, должна уходить агенту. Второе это приёмка результата, который строится на различии задачи, работы и рабочего продукта. Здесь нужна дисциплина не доверять. Не в смысле паранойи, а в смысле всегда явного шага верификации. У меня в голове три уровня проверки: поверхностный (структура, формат, нет ли явной чуши), содержательный (соответствует ли решение задаче, нет ли логических дыр) и глубокий, для важных решений (проверка фактов по первоисточникам, сравнение с тем, что сделал бы сам). И отдельно навык быстро браковать, но при этом вести учет сделанных рабочих продуктов. Третье и самое недооценённое это переключение и личная собранность. Когда у тебя параллельно идут несколько Claude Code сессий, чат с моделью, агенты в фоне, узким местом становишься ты сам. Что работает на практике: один первичный фокус в момент времени, даже если фоном крутятся агенты. Между задачами явная пауза и явный вход: что я делаю, зачем, какой ожидаю результат. Без этого получается состояние «весь день что-то делал с ИИ, а к вечеру не понимаю, что сделано». ИИ создаёт иллюзию, что можно делать всё сразу: пока генерится одно, давай начну другое. По факту качество решений падает, и ты становишься узким местом не в скорости, а в качестве суждения. Четвёртое, о чём редко думают на старте. Любому новому сотруднику ты обязан обеспечить доступ к информации, провести онбординг, определить границы: что можно видеть, что нельзя, к каким системам подключён. С ИИ ровно так же. Модель без правильного контекста это новичок без онбординга: она не знает твоих договорённостей, истории решений, специфики предметной области, и её ответы будут «среднепопулярными», а не «твоими». Отсюда практический вывод: нужно всерьёз заняться качественной базой знаний (контекстом). Не «когда-нибудь потом», а как часть руководящей работы. По сути, ты строишь базу знаний для команды людей и агентов одновременно, и это другой уровень требований к качеству и структуре. Пока её нет, большая часть твоего времени уйдёт не на мышление, а на повторное «введение в курс дела» каждого нового агента.

Конец эпохи навыков? Как больше получать? Нужны навыки, нужно учиться и получать опыт. Раньше люди охотно покупали курсы с прикладными навыками, ведь навыки конвертировались в зарплату и карьеру. Сейчас уже всем очевидно, что навыки постепенно забирает ИИ. И стало видно то, что раньше можно было прятать. Проблема «слабого инструмента» исчезла. Появилась проблема «слабого мышления пользователя инструмента». И работодатель замечает это первым. Что остаётся профессионалу? Мышление. Но что это такое и чем оно отличается от навыка? Разница между навыком и мышлением — это разница между задачей и проблемой. Навык решает определённый класс задач. Навык конкретен — мышление универсально. Нельзя быть профи сразу во всем. Я хорошо вожу, готовлю и строю дома, но плохо плаваю или программирую. Мышление работает в условиях неопределённости: помогает выдвигать гипотезы, как проблему перевести в задачу. А уже задачу закрывает прикладной навык, в том числе «руками» ИИ. Пример. Предприниматель говорит: «У нас падают продажи». Это проблема — непонятно, что именно делать. Слабое мышление сразу бросается в задачи, которые ему понятны: запустить рекламу, сделать скидку, переписать лендинг. ИИ с этим справится — быстро и дёшево. Только продажи от этого не вырастут. Сильное мышление сначала разбирает проблему. Что изменилось: рынок, продукт, аудитория, канал, наши процессы? Какие гипотезы объясняют падение? Какую проверить первой и как? И только после этого формулируется задача, которую имеет смысл решать — своими руками или с помощью ИИ. А изменения можно делать на разных уровнях: рынка (сменить аудиторию, поменять позиционирование, отстроиться от конкурентов), продукта (поменять архитектуру, функции или сам продукт), организации (снизить издержки, поставить новые методы работы). Беда в том, что раньше мышление не считалось чем-то явным и востребованным. Зачем напрягаться, если деньги платят за умение только решать задачи? Сейчас становится понятно: ИИ не заменяет человека. Он заменяет профессионала со слабым мышлением. Хорошая новость — мышление можно осознанно развивать. Например, через системную методологию. Она помогает видеть и описывать мир системными понятиями и работать в условиях неопределённости с разными профи — будь то биологический или искусственный агент.

Адаптивная персонализация Слово «персонализация» стало затёртым. Любой сервис обещает «персональный опыт» — и под этим обычно скрывается что-то вроде «мы запомнили твоё имя» или «показываем рекламу по интересам». Я сам долго смешивал разные вещи под одним словом, пока не разобрался, что за «адаптацией под человека» стоят три принципиально разных механизма. Они работают на разных слоях, их нельзя путать — иначе чинишь не то место, когда что-то идёт не так. Первый механизм — персонализация. Платформа адаптирует контент под тебя в реальном времени, на основе того, что о тебе знает. Ты заполняешь профиль: кто ты, чем занимаешься, какие цели, что уже умеешь. Эти данные хранятся в цифровом двойнике. Когда система генерирует урок, дайджест или рекомендацию, она читает этот двойник и строит ответ под конкретного человека. Не усреднённый ответ для «целевой аудитории», а именно под тебя. В нашей платформе это уже делают несколько ролей: Консультант выдаёт персональные ответы с учётом твоего профиля, Навигатор строит персональную траекторию, Оценщик проверяет задания в контексте твоего уровня. Отдельно тестируется роль Портного, который создаёт персональное руководство целиком, выстраивая маршрут развития под конкретного человека. Тест систематичности определяет твоё состояние (хаос, тупик или поворот) и под каждое меняется стиль изложения, сложность заданий, тематические приоритеты в ленте. Второй механизм — индивидуализация. Не платформа адаптируется под тебя, а ты сам настраиваешь свою среду. В IWE (Intellectual Work Environment — персональной интеллектуальной рабочей среде) это означает: берёшь шаблон экзокортекса, форкаешь и развиваешь его под себя. Меняешь протоколы под свой ритм, добавляешь правила, создаёшь Pack личных знаний. Система становится твоей не потому что алгоритм так решил, а потому что ты сам так выбрал. Персонализация — это гостиничный сервис («мы знаем, что вы предпочитаете»). Индивидуализация — это своя квартира, которую ты обставил как хочешь. Третий механизм — адаптивность. Система не просто знает тебя здесь и сейчас, она меняет своё поведение со временем на основе обратной связи. Ты прошёл урок, ответил на вопросы — система пересчитала вероятность того, что ты действительно усвоил материал. Через неделю предложит повтор именно тех понятий, где вероятность упала ниже порога. За этим стоят BKT (Bayesian Knowledge Tracing) и HLR (Half-Life Regression). BKT обновляет вероятность знания после каждого ответа. HLR моделирует забывание: у каждого понятия своя «полужизнь» в памяти. Это математическая модель состояния знаний конкретного человека, которая обновляется в реальном времени. Разница: персонализация знает, кто ты; адаптивность знает, что ты уже знаешь и когда это забудешь. Почему важно называть три вещи тремя словами? Когда что-то не работает, нужно понимать, в каком слое проблема. Платформа предлагает нерелевантный контент — смотришь в первый механизм: данные в цифровом двойнике неполные. Человек не может встроить инструмент в свой ритм — второй: среда недостаточно гибка для кастомизации. Материал забывается и не повторяется вовремя — третий: адаптивности нет или она плохо откалибрована. Где мы сейчас? Персонализация реализована: профиль, тест систематичности, роли Консультанта, Навигатора и Оценщика работают, Портной тестируется. Индивидуализация реализована на уровне шаблона IWE: форк, params.yaml, extensions. Адаптивность — на стадии проектирования: архитектура цифрового двойника поддерживает нужные данные, метамодель BKT/HLR описана, осталось реализовать вычислительный слой. Вероятно, большинство платформ реализуют только первый механизм. Все три вместе — персонализацию, индивидуализацию и адаптивность — осознанно строят мало кто: это требует другой архитектуры, где не только алгоритм принимает решения, но и сам человек управляет своей средой. Это и есть суть IWE: не «умный сервис, который всё знает про тебя», а среда, которую ты можешь сделать своей — и которая при этом становится умнее со временем.

Работа с ИИ: на что обращать внимание Когда люди говорят про ИИ-агентов, то чаще всего мешают в одну кучу три совершенно разные вещи. Из-за этого возникают и ложные ожидания («сейчас возьму Claude Code — и всё поменяется»), и разочарования («попробовал, не помогло»), и неправильные вопросы («а какой агент лучше?»). Стоит разобраться, что важно, когда работаешь с ИИ. Первый слой — это LLM-модель от вендора. Claude, GPT, Gemini — это конкретные сущности, у каждой из которых свои возможности, ограничения, особенности поведения в выдаче информации. Она давно универсальные ответы, что для 80% случаев достаточно. Но чтобы модель хорошо работала в конкретной задаче, её нужно дообучить или настроить под вашу ситуацию. Это дорого, требует данных и технической экспертизы. Большинство людей берут модель как есть: универсальную, с базовыми возможностями от вендора. Они следят за релизами, сравнивают бенчмарки, спорят о том, кто лучше. Хотя для личного или профессионального проекта это, как правило, вопрос наименьшей важности. Второй слой — это методы и роль, в которую поставлен ИИ-агент на конкретной LLM-модели. Одна и та же модель может работать как ментор, как аналитик данных, как редактор текстов, как архитектор систем. Роль часто задаётся через промпт: что должна делать ИИ-система, какие способы применять, как отвечать и тп. Тут уже не вопрос модели, это вопрос того, как вы настроили работу с ней. Здесь начинается то, что называется «умением работать с ИИ». Умные модели иногда сами выбирают подходящую роль, но только там, где задача достаточно типовая. В узких профессиональных областях универсальная ИИ-система работает плохо, и тогда приходится задавать роль явно. Кстати, когда кто-то говорит «я создаю ИИ-агента» или «обучаю ИИ», чаще всего речь идёт именно об этом: о настройке роли и методов работы под конкретную область. Это не совсем создание агента в полном смысле, скорее точная настройка вендорской модели под определенный тип задач. Но именно здесь можно получить первое реальное преимущество по сравнению с универсальной моделью «как у всех». Третий слой — это контекст. И вот здесь самое интересное. Представьте: у вас есть доктор-светило. Настоящий специалист. Самый лучший. Он и роль свою знает, и методы применяет современные. Вы приходите к нему, садитесь напротив и говорите: «Вылечи меня». Без анализов. Без истории болезни. Без симптомов. Просто «вылечи». Что он может сделать? Как бы хорош он ни был — без контекста он ничего не сделает. Никакой профессионал в любой сфере не даст результат, если не будет третьего: контекста, в котором ему нужно действовать. С ИИ точно так же. Слабая модель с лучшим методом и хорошим контекстом даст лучший результат, чем любая сильная модель без контекста. Без контекста вы всегда получаете универсальный ответ. Для бытовых задач это нормально, но для профессиональной деятельности — недопустимо. При этом большинство внимательно следит за выбором модели, хотя это вопрос третьего порядка. Внимание большинства перевёрнуто с ног на голову. Но здесь возникает следующий вопрос, который обычно остаётся за скобками. Передать контекст — это ещё полдела. Сначала нужно его вычленить из собственного опыта. У человека это работает через память: годами накапливается профессиональная интуиция, понимание того, что важно, а что нет, какие решения работали, какие нет. Это знание живёт в голове — неявное, не записанное, не структурированное. С ИИ этот механизм не работает. Каждый новый разговор как чистый лист. ИИ вендора не особо помнит, что вы обсуждали вчера, какие решения принимали на прошлой неделе, какой контекст уже был передан раньше. Значит, возникает отдельная задача: не просто иметь контекст, а уметь его фиксировать, хранить и поддерживать актуальным. Это отдельная большая работа, которую делает наша собственная память. Теперь её нужно вынести наружу — в базу знаний, в структурированные документы, в систему, которая живёт рядом с ИИ. Но при этом еще постоянно обновляется по мере того, как меняется ваш опыт и ваши задачи. Разговор про ИИ становится продуктивным когда во внимании эти три объекта.

Как устроить учёт персональных данных в ИИ-среде: "парламент" вместо "президента" Чтобы получить качественного ИИ-помощника, нужно дать ему больше данных о себе: проекты, здоровье, семья, финансы, карьера. Государства и вендоры уже собирают информацию о нас, в том числе чтобы предоставить услуги. Этот тренд неизбежен. Однако каждый, наверное, в страшном сне видит, что все его данные окажутся в одном месте и будут доступны одному ИИ. Пусть даже если он собственный помощник. Я нашёл аналогию, которая решает эту проблему. 20 лет назад мы с Анатолием Левенчуком, Виктором Агроскиным и группой коллег проектировали архитектуру электронного государства в проекте «Электронная Россия». Главная идея: разделить управление информацией на три института — учёт, доступ, аудит. Каждое ведомство ведёт учёт строго в своих границах. Отдельный институт регулирует, кто к чему имеет доступ. Третий проверяет, что правила соблюдены. Разделение властей, но не для страны, а для информации. Эта триада, вероятно, объясняет, как должен быть устроен персональный ИИ-помощник будущего. Ваши данные распределены по доменам: здоровье, финансы, образование, семья, карьера. В каждом домене — свой изолированный ИИ-агент, который имеет доступ к физически распределенным данным. Медицинский агент знает результаты анализов, но не видит банковский баланс. Образовательный знает прогресс в курсах, но не знает диагнозы. Один факт живёт в одном месте, но доступен для определённых сценариев — и все действия журналируются. Вы, как парламент, определяете правила: какой агент к каким данным имеет доступ, при каких условиях, в каких сценариях. ИИ-помощник реализует эти правила и следит, чтобы данные не утекали. Координатор маршрутизирует запросы между доменами, но не хранит данные — как президент в парламентской республике, который не может единолично получить любую информацию. Верификатор проверяет в изоляции — как аудитор, который проверяет бухгалтерию, но не ведёт её. Минимум агентов = число доменов + 2 (координатор и верификатор). При пяти доменах — минимум семь изолированных агентов. Один агент может исполнять разные роли (стратег, аналитик) внутри своего домена, но физически не видит чужие домены. Не доверие одному агенту, а архитектурные гарантии. Парламент и распределённые ведомства вместо президента с неограниченной властью. ___ Полный пост в клубе.

Конкуренция больше не между специалистами. Она между специалистами вместе с их ИИ-помощниками. На рыцарском турнире нужен конь, копье и свои мозги. Я через своего помощника проектирую платформу и учусь, пишу код и посты, управляю командой и анализирую прогресс. Один человек + один ИИ-помощник делают то, что раньше требовало трёх-четырёх специалистов. Работать голыми руками и головой в 2026 году это как пахать поле без трактора. Можно, но зачем. Но ИИ-помощника нужно создать и постоянно развивать. Отныне мы с ним неразлучны и он всегда со многой, всегда советуюсь с ним, потому что это вторая часть меня. Голый ChatGPT или Claude без вашего контекста и формализованного опыта — это как блестящий новичок в первый рабочий день: умный, но бесполезный. В чем сила моего помощника по сравнению с другими и почему я не жду вендоров? Потому что вендоры дают "умную болванку", далее я развиваю его, прививая в числе прочего системное мышление. Оно даёт каркас, на который нанизываются все остальные знания. Без каркаса наш опыт, базы знаний, заметки и промпты остаются кучей, которая не масштабируется. И даже крутые болванки не особо помогут выиграть конкуренцию (у всех будет то же самое). Я за пару месяцев прошел большой путь. Еще в январе я считал, что исполнилась моя мечта — я сделал бота и ДЗ-чекер на платформе. Это как велосипед, а сейчас я сделал автомобиль. И вот что изменилось: каждый может подключить помощника теперь за 5 минут из браузера Claude.ai, без знания ИТ. А дальше вместе с ним расти всю жизнь. Будет нужны 2 подписки: подписка на знания МИМ (сейчас ~$10/мес и эта стоимость фиксируется навсегда пока есть автопродление, позже ~$40/мес) + подписка на ИИ-агента (Claude, GPT). Я хотел бы сделать так, чтобы этого было достаточно для любого человека, чтобы непрерывно развиваться от школьного возраста до профи. Это позволит быть востребованным, потому что через такого ИИ-помощника мы (МИМ) дадим персонально настроенные программы для фундаментального образования (без вуза) и прикладного мастерства. Подробнее о том, как подключить 👉 ссылка на пост в клубе. Я пока еще не могу говорить, что это полностью продуктовая и профессиональная разработка, но это уже хорошая первая версия. И я буду рад обрадовать всех, кто поверит и воспримет ее всерьез.

С тех пор как первый человек взял в руки палку, мы перестали быть просто биологическим видом, как другие животные. Сегодня практически никто из профессионалов не работает «голыми руками», все пользуются какими-то инструментами. И мало кто из высококлассных профи работает «голым мозгом» — у них есть экзокортекс. Но будущее — за интеллектуальной рабочей средой или её подобием. Профи с IWE способен заменить многих людей. О том, как скучно и обыденно это будет происходить, рассказывает в этом видео Станислав Сергеев. Он говорит, что некоторые хозяйства ещё не работают с ним просто потому, что до них он ещё не доехал. Точно также будет, вероятно, в других областях.​​​​​​​​​​​​​​​​

Видео семинара об опыте Станислава Сергеева на YouTube “Опыт применения Intellectual Work Environment (IWE) в животноводстве: реальный кейс”.

Скоро на собеседование будут ходить вдвоём ИТ-специалистам давно говорят: «Покажи GitHub». Не диплом, не список технологий в резюме — а репозиторий. Именно текущий срез работы, с коммитами, с историей, с тем, как человек думает в коде. Это работает, потому что репозиторий — не артефакт прошлого. Он доказательство того, что человек умеет работать по определенным ИТ-методам. Теперь представьте то же самое — для любого специалиста. Аналитик, методолог, консультант, менеджер, преподаватель — у каждого из них есть опыт. Но опыт в голове ничем не отличается от опыта, которого нет. Его не видно, его нельзя передать. Он слабо и не понятно как масштабируется и обновляется. А вот если человек формализовал свой опыт в личном помощнике (IWE) — в личную интеллектуальную рабочую среду — это уже другая история. IWE — это не заметки и не папка с документами. Это живая система: структурированные знания, которые умеет использовать ИИ-агент. Твой личный помощник, который знает твою область так же хорошо, как ты сам — потому что ты его этому учил. И вот тут появляется новый вопрос на собеседовании: «Покажи своего ИИ-помощника» Не «умеешь ли ты пользоваться ChatGPT». А что ты ему дал? Насколько он понимает требуемую предметную область? Что он может сделать без тебя, а где ты по-прежнему незаменим? Специалист, который потрудился формализовать свой опыт, демонстрирует сразу три вещи: — он понимает, что делает (иначе не смог бы объяснить машине); — он умеет работать системно по методам, а не просто только интуитивно; — он способен расти непрерывно — потому что каждый новый проект дообучает его IWE, а не просто оседает в памяти. Рынок труда меняется не потому, что «ИИ заберёт работу». Он меняется потому, что появляется новый класс специалистов — те, кто работает вместе с ИИ как с партнёром, а не как с поисковиком. И у этих специалистов будет конкурентное преимущество, которое только растёт со временем. Твой IWE — это твой второй пилот или формализованное отражение тебя. И скоро работодатели начнут смотреть на него так же внимательно, как сейчас смотрят на резюме.

Вы уже пробовали ChatGPT или Claude. Он отвечает умно — но не знает вас. Каждый раз заново объясняете контекст. Каждый раз — как первый раз. Это просто ненастроенный инструмент. Чтобы он стал вашим, его нужно вырастить. Я строю такую среду — IWE (Intellectual Work Environment, среда для интеллектуальной работы). По сути как IDE (среда разработки) у программистов, только для работы с мыслями, проектами и знаниями. Внутри — ИИ-ассистент, который знает мои проекты, принципы, стиль работы. Не потому что я ему это объяснял каждый раз. А потому что это зашито в среду — и работает всегда. Шаблон открыт для всех. Если хотите попробовать → начните отсюда: https://github.com/TserenTserenov/FMT-exocortex-template/blob/main/docs/onboarding/onboarding-guide.md Там объяснено, что это такое и как установить. Нужен обычный ноутбук — никаких виртуалок.

Персональный ИИ-ассистент не выдаётся из коробки — его нужно вырастить Когда ChatGPT только вышел и я начал с ним работать, у меня было ощущение, что вот оно — наконец инструмент, который всё понимает. Но потом стало очевидно: он не знает, кто я, не помнит вчерашний разговор, не знает мои проекты. Каждый раз с нуля. Он, конечно, адаптируется и начинает что-то помнить, но именно что-то, а не то, что нужно. Первоначально казалось, что это проблема модели и вендоры скоро разберутся и сделают правильную память. Что следующая версия будет лучше. Но потом понял, что жду не того. Для объяснения приведу аналогию с игрушкой из 90-х — тамагочи. Маленький экран, несколько кнопок, пищащий питомец. Ты не получал готового питомца — ты получал яйцо. Кормил, играл, следил за здоровьем. Питомец рос в зависимости от того, как ты с ним обращался. Забрасывал — деградировал. Вкладывал — рос. И у тебя было две роли: ты его формировал и ты им пользовался. Одно без другого не работало. С персональным ИИ-ассистентом, вероятно, будет то же самое, только ставки выше и личные вложения потребуются значительные. Особенно, если хочется получить профессионального агента, а не игрушку. Последние пару месяцев я строю IWE — Intellectual Work Environment, среду для интеллектуальной работы. Аналог IDE, только не для программирования, а для мышления и проектов. Внутри — Claude (или другие LLM), который знает мое ядро знаний и каждый раз может собирать необходимый контекст: мои проекты, принципы, как я принимаю решения, мои неудовлетворенности, проекты и тп. Он работает в разных ролях в зависимости от задачи. Это не настроилось само. Я вкладываю в это время — пишу инструкции, формализую знания о своей области, корректирую ассистента, когда он ошибается. Когда понимаю что-то новое о своей работе — записываю, чтобы он это учёл. Это одна роль. Другая — просто работать вместе с ним: ставить задачи, двигать проекты, получать результат. Первое время я застревал в первой роли — бесконечно настраивал и почти не пользовался. Потом качнулся в другую сторону: много просто работал, мало что обновлял. Сейчас они чередуются. Инвестировал час на развитие — потом несколько дней работаю быстрее. Но чаще все происходит параллельно, а я просто условно понимаю разницу, потому что я делаю IWE для только для себя, а еще как шаблон для других. Сейчас с IWE я работаю совсем иначе, чем год назад. Не потому что Claude стал умнее — хотя и это тоже. А потому что мой IWE стал умнее и он задает совсем другую культуру работы. Это то, что не купить как товар. Только вырастить.

Системное мышление: недооценённый навык, который решает проблемы топ-10 WEF Future of Jobs Report 2025 — 1000+ работодателей, 14 млн сотрудников, 55 экономик. Системное мышление заняло 12-е место из 26 навыков. Двенадцатое. Это печально, но это и возможность. Топ-5 core skills по WEF: analytical thinking (69%), resilience (67%), leadership (61%), creative thinking (57%), motivation (52%). Быстрорастущие к 2030: AI & big data, cybersecurity, tech literacy. Два класса навыков — технические и человеческие. Работодатели хотят оба. Но два вопроса: 1. Как совместить? Python не помогает вести переговоры. Маркетинг не переносится в R&D. Нужен клей. 2. Зачем вкладываться в прикладные навыки, если ИИ осваивает их быстрее? Сегодня учишь Python — через год ИИ пишет код лучше. А вот видеть систему целиком, понимать какую задачу решать — этого ИИ пока не умеет. Ответов в этом отчете нет. Могу ошибаться, но мы в МИМ упорно говорим и ставим многое на то, что системное мышление недооценено. Системное мышление — навык-мультипликатор. Оно усиливает каждый навык из топ-10: — Analytical thinking разбирает на части. СМ собирает обратно и показывает связи — Resilience — адаптация. СМ показывает структуру изменений, не только симптомы — Creative thinking генерирует идеи. СМ направляет их туда, где рычаг — AI генерирует паттерны. СМ отличает корреляцию от системного эффекта Почему тогда 12-е место? Потому что HR покупает то, что можно измерить и что ему понятно. «AI specialist» — понятно. А что значит «видит систему целиком»? Для HR в этом нет сертификата, нет строчки в LinkedIn. Пока рынок гоняется за топ-5, человек с системным мышлением собирает пазл, пока остальные совершенствуют кусочки. Я ставлю не то, что через 3-5 лет рынок догонит. Но те, кто начнёт сейчас, будут уже готовы. Полный разбор с источниками и данными WEF: https://systemsworld.club/t/sistemnoe-myshlenie-nedooczenyonnyj-navyk-kotoryj-reshaet-problemy-top-10/37673

Продолжаем серию семинаров в рамках сообщества IWE (Intellectual Work Environment) В субботу, 28 марта в 11:00 (МСК) проведём семинар: «Опыт применения IWE в животноводстве». Спикер — Станислав Сергеев. У Станислава технологический отдел на сельхозпредприятии. Задача — находить и применять новые методы работы, передавать знания другим технологам. До IWE на обработку 10 научных статей по одной теме уходила неделя: перевести, разложить, осмыслить. Сейчас — кратно быстрее. Что Станислав покажет: - Как устроена его база знаний: 500+ научных статей, разложенных по темам (транзитный период, кормление, воспроизводство) - Три уровня знаний в работе: фундаментальные принципы → предметные методы → проектные данные конкретного хозяйства - Двойной контроль качества: на входе — отбор только практически применимых исследований (не «на 5 коровах провели»), на выходе — валидация экспертами на предприятии - Как ИИ ускоряет обработку: анализ достоверности источников, вычленение методов из статей, формирование учебных материалов. Это не теория — живой кейс: как инструменты IWE работают в предметной области, далёкой от ИТ. Семинар бесплатный и открытый (не только для сообщества IWE). 📍Ссылка на Телемост: https://telemost.yandex.ru/j/39139759023746

Айтишники — извозчики XXI века? В 1900 году в Нью-Йорке работало 100 000 лошадей. Извозчики — уважаемая профессия: гильдия, мастерство, карьера. Ниша казалась вечной. К 1920 году она исчезла. Люди не перестали ездить. Исчезли некоторые методы извозчиков. А вместе с ним — целая культура: маршруты, скорости, навыки, правила. Те извозчики, которые это поняли первыми, стали шофёрами и логистами. Остальные остались у обочины. Интересно рассматривать эту аналогию, когда наблюдаешь за реакцией ИТ-сообщества на ИИ. Разработчики — не единственные, кто сопротивляется переменам. Ткачи ломали станки, фотографы отрицали цифру. Это нормально — защищать мастерство, в которое вложил годы. Но у ИТ-шников есть особенность, которая делает ситуацию сложнее. Когда извозчик видел автомобиль — он понимал: это чужой мир. Нужно учиться заново. Когда разработчик видит ИИ — он думает: «Это же технология. Мой домен. Я знаю, как работают нейросети и знаю фундаментальные ограничения». И вот в чём ловушка: знание того, как устроен двигатель, не делает тебя хорошим водителем. Это разные системные уровни и разные домены. ИИ — это не новый фреймворк. Это изменение в том, как люди организуют интеллектуальную работу. Сегодня происходит культурный сдвиг в работе, а не технологиях. Я заметил это на себе. Мой рабочий день сильно изменился не потому, что я освоил новый инструмент. А потому, что поменялось всё: как я ставлю задачи, как фиксирую опыт, как проверяю результат, как формализую опыт и даже как я побеждаю мультитаскинг. Раньше я вообще не писал код и без этого был как без рук. Теперь я формализую намерения и управляю агентами, которые пишут код за меня. Это ощущается не как «обновление стека», а как переход в другую профессию. Самый глубокий сдвиг — от «я решаю проблемы» к «я проектирую среду, в которой проблемы решаются». Вместо того чтобы лично разбираться с каждой задачей, ты выстраиваешь структуру знаний, инструкций, процессов — и агенты работают автономно. Извозчик лично вёз каждого пассажира. Создатель транспортной системы проектирует маршруты — и миллионы людей едут сами. Ни один из этих сдвигов не требует знания архитектуры трансформера. Зато каждый требует навыков, которых нет в типичном стеке разработчика: формализация опыта, делегирование, системное мышление, проектирование среды. Лошади остаются всегда прекрасными. Но люди пересели на автомобили — и ни разу не пожалели. И сейчас меняется культура работы, а не пришел ИИ, чтобы вытеснить человека.

Работа как наркотик Работать легко не столько тогда, когда ты дисциплинирован. А скорее тогда, когда у тебя получается. Любому человеку нравится работать, когда он видит результат. Не «когда-нибудь потом», не «в теории», а прямо сейчас — в конце каждой итерации. Если результат ещё и вдохновляет — происходит перелом: работа перестаёт быть усилием. Начинается поток, в котором: — отвлечения раздражают, — переключения на быт игнорируются, — остановки ощущаются как потеря темпа. Иногда ловлю себя на мысли: не хочется даже идти спать, потому что хочется продолжать делать. Я долго к этому шёл. Ключевой сдвиг был сначала когда стал осознанно считать время, потом начал считать результаты. Не только «сколько работал», а → какие рабочие продукты (РП) сделал. В моём случае это очень конкретно: каждая «помидорка» = один зафиксированный результат РП. В интеллектуальной рабочей среде (IWE) — это коммиты в репозиторий. Есть коммит → есть движение. Нет коммита → значит, ты просто «был занят». Это полностью меняет ощущение работы. Дальше включается накопительный эффект. Много лет назад было 30 часов в неделю → нестабильно, рывками, даже забывал включать трекер Помодоро (не было стоп-момента). Потом через практики саморазвития: — организация досуга — мышление письмом — стратегирование, планирование и другие получилось стабильно выйти на 50 часов в неделю. Здесь не только хочу, но и могу по физическому состоянию. В последние месяцы произошёл скачок: 60+ часов в неделю без выгорания. Это еще без мультипликатора, который дает IWE (в реальности выполняются РП на 100 часов в неделю). Сошлись несколько вещей: 1. Большая идея — делать что-то действительно важное 2. Инструмент — IWE (интеллектуальная рабочая среда) 3. Физическое состояние и постоянная поставка впечатлений. И это дало новый режим, когда, вероятно, можно длительное время удерживать высокий ритм. Почему это работает: потому что мозг начинает получать не абстрактную «надежду на результат», а постоянное подтверждение прогресса и подтверждение движения в сторону большой цели. Каждый коммит — это: — снижение неопределённости — зафиксированное изменение мира — доказательство, что ты движешься. Каждый ты сам добываешь главную ценность для себя и окружения — доказуемые артефакты и системы, а не разговоры о них. И тогда работа перестаёт быть про силу воли. Она становится про поток создания результатов. И в этом состоянии не понятно как не любить работу и зачем тратить время на бесполезные вещи.

В моем IWE сейчас тестируется мультиагентный режим, когда есть несколько агентов, которые исполняют разные роли. Например, я спросил Claude, исполняющего роль разработчика: "А почему верификатор работает лучше уже второй раз? Ведь у него и модель хуже?". Вот кратко его ответ: "Почему верификатор точнее — три причины: - Context isolation. Он видит только результат, не процесс рассуждения. Я, придумав подход B, уже «влюбился» в него — confirmation bias. Верификатор свободен от этого. - Узкая задача. Я параллельно держу в голове: протоколы, WP-149, код бота, SOP Портного, dt_sync... Верификатор получил одну задачу: «проверь таблицу ЭМОГССБ». Меньше контекста = точнее оценка. - Модель тут не главное. Haiku хватает для структурированной проверки по чеклисту. АрхГейт — это 7 вопросов с критериями. Не нужен Opus чтобы сверить оценку 9 с фактом «SOTA.011 говорит о knowledge coupling».