Пределы профессионализма

ИИ и выгорание: почему мы успеваем больше, а устаем сильнее? Недавно в Harvard Business Review вышло любопытное исследование о работе с AI-агентами. Ученые наблюдали за группой из 200 человек и обнаружили парадокс: сотрудники действительно работали быстрее и закрывали более широкий круг задач, но при этом добровольно, без просьб начальства, удлиняли свой рабочий день. Итог — рост продуктивности рука об руку с выгоранием. Почему так происходит? Обычно работа с нейросетями выглядит как 5–10 открытых диалогов, где мы пытаемся параллельно решать разные вопросы. Раньше у нас была естественная пауза — «проблема чистого листа», когда мы не знали, с чего начать, и мозг получал передышку. Сейчас ИИ мгновенно набрасывает варианты. Исчезли моменты ментального отдыха, а нагрузка от постоянного переключения контекста возросла в разы. × × × Если неумело использовать AI-системы, можно загнать себя в ловушку. Я вижу два направления, которые помогут сохранить эффективность и здоровье: 01. Осознанный отдых. Большинство людей, с которыми я работаю, совершенно не умеют отдыхать и не планируют восстановление. Запомните: чем больше вы используете ИИ для ускорения работы, тем больше вам требуется времени на перезагрузку. Это базовая техника безопасности для вашего мозга. 02. Автономность через планирование. Нужно смещать фокус с хаотичных переписок с ботом на автономное выполнение задач. Секрет в сверхдетальном планировании проекта. Если задача разложена по полочкам, вероятность переделок и лишних переключений снижается. Вы можете запустить работу в 4–5 потоков и просто наблюдать за результатом. Чем лучше распланирован проект, тем меньше вы вовлекаетесь в рутину, позволяя инструментам работать параллельно, а себе — сохранять фокус и энергию.

Как сохранять информацию, чтобы ее использовать? Я уже начал рассказывать про Knowlume, и сегодня хочу углубиться в самое «мясо» — в то, как именно мы сохраняем знания. Большинство людей сохраняют информацию по принципу «кладбища ссылок»: закинул в закладки и забыл. Но цель продуктивности — не накопление, а переиспользование. Какая разница, сколько вы прочитали, если не можете быстро внедрить это в работу? В моем инструменте сохранение работает через необычную, но крайне логичную структуру. Это не просто «текст + заголовок». Это трехуровневая система, где каждый этаж выполняет свою функцию. 01. Уровень 1. Резюме в 1 предложение Это ярлык на коробке. Его задача — дать сверхбыстрое понимание. Работая в своей базе знаний (я использую Obsidian), я должен за долю секунды понять: о чём это? Нужно ли мне это сейчас? Если название «продает» мне содержание, я иду дальше. 02. Уровень 2. Связки Самая интересная часть. ИИ автоматически вычленяет логику события: «Было → Действие → Стало». Алгоритм такой: Начальное состояние: В какой ситуации мы находимся? (Есть ли у меня похожие условия?) Преобразование: Что конкретно было сделано? (Есть ли у меня ресурсы это повторить?) Конечное состояние: Какой результат получили? (Нужен ли мне такой итог?) На этом уровне вы понимаете механику успеха или провала, даже не читая полный текст. В одном кейсе таких связок может быть несколько. 03. Уровень 3. Исходный контекст Многие суммаризаторы грешат тем, что выкидывают детали. Но дьявол, как известно, в них. Мы всегда сохраняем полный исходный текст фрагмента. Иногда в названии и связке не уместить нюанс, который станет решающим при внедрении. Исходник делает знание верифицируемым и полным. × × × Как это выглядит на практике? Я потребляю контент «промышленными масштабами» — до 5 часов в день параллельно с делами. Недавно слушал интервью про историю Facebook. Там был отличный бизнес-кейс: Раньше в Facebook были просто «Группы». Команда и не думала, что это площадка для торговли. Но, проанализировав нецелевое поведение пользователей (люди стихийно начали продавать вещи в группах), они обнаружили скрытый спрос. Итог? Они не стали бороться с этим, а создали под этот спрос продукт — Facebook Marketplace. Я нашел и сохранил эту жемчужину меньше чем за 20 секунд. Как это выглядит в системе: Титул: Анализ нецелевого поведения пользователей ведет к созданию продукта, удовлетвoряющего скрытый спрос. Связка: Пользователи используют группы не по назначению→Анализ паттернов→Запуск отдельного продукта. В этом же видео был второй пример: анализ показал, что 60% просмотров в профилях были от людей противоположного пола, с кем не было дружбы. Результат того же алгоритма — запуск Facebook Dating. В чем сила? Я знаю всего пару коллег, кто способен так структурировать данные вручную. Это колоссальный труд. Но когда рутину берет на себя автоматизация, вы начинаете оперировать готовыми ментальными моделями, а не просто складировать информацию. P.S. Почему важна именно структура Начало→Действие→Результат? Потому что наш мозг ищет решения именно так. Когда у вас возникает проблема (Начальное состояние), вы подсознательно ищете в памяти: «А кто уже был в такой ситуации и что он сделал?». Knowlume просто раскладывает информацию по полочкам так, как её удобнее всего «взять» нашему мозгу. 🚀 [[Пределы профессионализма]] (https://t.me/prof_limits)

Knowlume — фильтр для знаний. Конкуренты Ожидаемый вопрос после анонса Knowlume: «Такие инструменты ведь уже есть, в чём разница?». Это справедливый вопрос, и ответ на него раскрывает всю суть моего подхода. Если коротко: Knowlume конкурирует не с другими приложениями, а с ручным, неэффективным трудом. В продуктивной работе есть фундаментальное правило: инструмент должен решать задачу целиком, а не создавать новые промежуточные шаги. Когда я анализировал рынок, я не нашёл ни одного сервиса, который бы решал задачу «превращения информации в знание» под ключ. Все существующие решения останавливаются на полпути. Давайте разберёмся. × × × Категория 1: Агрегаторы (RSS-читалки и аналоги) Это классические инструменты для сбора информации из разных источников в одну ленту. Они решают проблему «где найти», но не «что читать». В лучшем случае, вы можете настроить фильтрацию по ключевым словам. Такой фильтр не отличает «воду» от концентрата. Статья с заголовком «Новые тренды в AI» может быть как глубоким анализом, так и поверхностным пересказом новостей. Агрегатор этого не понимает. В итоге вы всё равно вынуждены вручную просматривать десятки или сотни материалов, тратя на это часы. Процесс оформления и сохранения знаний даже не затрагивается. × × × Категория 2: Транскрибаторы и суммаризаторы Эти сервисы делают шаг вперёд: они могут превратить видео в текст и даже сделать из него краткое саммари. Кажется, это то, что нужно. Но есть два ключевых нюанса. 01. Нюанс первый: «мусор на входе — мусор на выходе». Эти системы не понимают, что такое «вода». Они берут исходный материал — например, двухчасовую лекцию, где 20 минут ценности, а остальное — вводные слова и отступления, — и делают саммари всего подряд. Вы получаете краткий пересказ «воды». 02. Нюанс второй: цена. По какой-то причине большинство таких сервисов неоправданно дороги. За обработку одной лекции можно заплатить несколько долларов. Мой подход к архитектуре Knowlume позволяет снизить эту стоимость на порядок — до центов за тот же объём. Это делает системную работу со знаниями доступной, а не эксклюзивной. × × × Категория 3: «Умные» чёрные ящики Есть несколько эзотерических сервисов, которые заявляют, что у них есть некий «умный» фильтр. Но как он работает — непонятно. У них нет внятной теоретической базы, объясняющей, по какому принципу они отделяют важное от неважного. Вы доверяете фильтрацию своих знаний непрозрачному алгоритму. Мой же подход строится на чёткой и проверяемой методологии «отжима воды». Я могу объяснить, почему система считает тот или иной фрагмент ценным. × × × Так в чём же главное отличие? Другие инструменты предлагают вам либо лопату, чтобы копать вручную, либо экскаватор без водителя, который копает где попало. Knowlume — это система, которая берёт на себя весь цикл от «сырой информации» до «готового знания». Она находит ценность, отсекает шум, структурирует, оформляет и складывает на вашу «полку знаний». Она освобождает ваше время для самого главного — для размышлений и применения этих знаний на практике. × × × Закрытый доступ и планы Сейчас я готовлю knowlume к первому публичному релизу и хочу провести закрытое тестирование с небольшой группой (около 30 человек), чтобы быстро собрать обратную связь и доработать продукт. Если вам интересно стать одним из первых пользователей и помочь мне в этом, напишите в комментариях. Позже я проведу для всех участников небольшое демо, где покажу и объясню, как всё работает. 🚀 Пределы профессионализма

✅ Ваша идея получена: Автоматизация опыта: как превратить ошибки в инструкции для ИИ С начала года в индустрии снова небольшой переполох: новые модели от ведущих вендоров начали программировать радикально лучше. Да, они могут быть чуть медленнее, но теперь они способны создать с одной попытки целое приложение по хорошему техзаданию. Что это значит для нас? Труд программиста стремительно перетекает в общение с ИИ-агентом. И это касается не только кодеров. Я убежден, что любой интеллектуальный труд сейчас дрейфует в эту сторону: мы перестаем быть «руками», которые делают, и становимся «архитекторами», которые управляют агентами. Но здесь есть скрытая проблема, которую мало кто замечает. Куда деваются наши профессиональные знания? Недавно прошла новость, что трафик на Stack Overflow (главный форум программистов) упал почти до нуля. Почему? Ответ очевиден: люди теперь идут с вопросами к LLM. Ответ там быстрее, качественнее и без токсичности. Но это означает вот что: процесс решения проблемы теперь скрыт в приватной переписке. Когда у вас что-то не получается, вы жалуетесь нейросети. Когда получается — вы радуетесь там же. История ваших побед и поражений остается в закрытом чате, который потом благополучно забывается. И это — потерянный капитал. × × × Здесь открывается интересная возможность для управления знаниями. Сейчас появляются инструменты класса Low-code/No-code, позволяющие работать с ИИ-агентами (вроде Cowork или продвинутых сред разработки). В них часто есть такая штука, как Hooks («хуки»). Для тех, кто не в теме программирования: хук — это просто «спусковой крючок». Функция, которая срабатывает при определенном событии. Например, «когда я закрываю диалог с ИИ» или «перед тем, как чат очистится». И вот мой рецепт, как это использовать для кратного роста продуктивности: Я настроил простой алгоритм. Когда сессия с ИИ заканчивается, срабатывает хук. Он отправляет весь наш диалог другой модели с одной задачей: «Найди выученные уроки». Промпт выглядит примерно так: «Проанализируй этот диалог. Найди моменты, где пользователь пытался решить задачу 2-3 раза разными способами и преуспел только в конце. Выдели, что именно сработало, а что было ошибкой, и запиши это как инструкцию». И система сама, без моего участия, создает файл (например, lesson_learned.md) или новый «навык» в базе знаний. Почему это важно? 01. Автоматический дневник ошибок. Мы часто наступаем на одни и те же грабли. Система теперь сама запоминает: «Ага, в прошлый раз этот подход не сработал, не делай так снова». 02. Инструкции для себя = Инструкции для ИИ. Я заметил удивительную вещь: чек-листы, которые я писал для себя, чтобы не забыть порядок действий, отлично понятны и нейросети. Если я «скармливаю» ей свою же инструкцию, она работает идеально. 03. Масштабирование. Этот опыт можно сохранять не только для себя, но и для коллег, и для их ИИ-агентов. По сути, мы превращаем процесс работы в конвейер по созданию лучших практик. Вы просто работаете, ошибаетесь, исправляетесь — а система в фоне фильтрует этот опыт и превращает его в золото. Попробуйте начать с малого: даже если вы не умеете настраивать хуки. Закончив сложный диалог с ChatGPT или Claude, не закрывайте вкладку. Попросите его в том же чате: «Сформулируй краткую инструкцию на основе того, как мы решили эту проблему, чтобы в следующий раз я мог просто скопировать её тебе». Сохраните этот текст. Это и есть ваша растущая ценность на рынке — не просто умение решать задачи, а накопленная база алгоритмов их решения. 🚀 Пределы профессионализма

✅ Ваша идея получена: Автоматизация опыта: как превратить ошибки в инструкции для ИИ С начала года в индустрии снова небольшой переполох: новые модели от ведущих вендоров начали программировать радикально лучше. Да, они могут быть чуть медленнее, но теперь они способны создать с одной попытки целое приложение по хорошему техзаданию. Что это значит для нас? Труд программиста стремительно перетекает в общение с ИИ-агентом. И это касается не только кодеров. Я убежден, что любой интеллектуальный труд сейчас дрейфует в эту сторону: мы перестаем быть «руками», которые делают, и становимся «архитекторами», которые управляют агентами. Но здесь есть скрытая проблема, которую мало кто замечает. Куда деваются наши профессиональные знания? Недавно прошла новость, что трафик на Stack Overflow (главный форум программистов) упал почти до нуля. Почему? Ответ очевиден: люди теперь идут с вопросами к LLM. Ответ там быстрее, качественнее и без токсичности. Но это означает вот что: процесс решения проблемы теперь скрыт в приватной переписке. Когда у вас что-то не получается, вы жалуетесь нейросети. Когда получается — вы радуетесь там же. История ваших побед и поражений остается в закрытом чате, который потом благополучно забывается. И это — потерянный капитал. × × × Здесь открывается интересная возможность для управления знаниями (Knowledge Management). Сейчас появляются инструменты класса Low-code/No-code, позволяющие работать с ИИ-агентами (вроде Cowork или продвинутых сред разработки). В них часто есть такая штука, как Hooks («хуки»). Для тех, кто не в теме программирования: хук — это просто «спусковой крючок». Функция, которая срабатывает при определенном событии. Например, «когда я закрываю диалог с ИИ» или «перед тем, как чат очистится». И вот мой рецепт, как это использовать для кратного роста продуктивности: Я настроил простой алгоритм. Когда сессия с ИИ заканчивается, срабатывает хук. Он отправляет весь наш диалог другой модели с одной задачей: «Найди выученные уроки». Промпт выглядит примерно так: «Проанализируй этот диалог. Найди моменты, где пользователь пытался решить задачу 2-3 раза разными способами и преуспел только в конце. Выдели, что именно сработало, а что было ошибкой, и запиши это как инструкцию». И система сама, без моего участия, создает файл (например, lesson_learned.md) или новый «навык» в базе знаний. Почему это важно? 01. Автоматический дневник ошибок. Мы часто наступаем на одни и те же грабли. Система теперь сама запоминает: «Ага, в прошлый раз этот подход не сработал, не делай так снова». 02. Инструкции для себя = Инструкции для ИИ. Я заметил удивительную вещь: чек-листы, которые я писал для себя, чтобы не забыть порядок действий, отлично понятны и нейросети. Если я «скармливаю» ей свою же инструкцию, она работает идеально. 03. Масштабирование. Этот опыт можно сохранять не только для себя, но и для коллег, и для их ИИ-агентов. По сути, мы превращаем процесс работы в конвейер по созданию лучших практик. Вы просто работаете, ошибаетесь, исправляетесь — а система в фоне фильтрует этот опыт и превращает его в золото. Попробуйте начать с малого: даже если вы не умеете настраивать хуки. Закончив сложный диалог с ChatGPT или Claude, не закрывайте вкладку. Попросите его в том же чате: «Сформулируй краткую инструкцию на основе того, как мы решили эту проблему, чтобы в следующий раз я мог просто скопировать её тебе». Сохраните этот текст. Это и есть ваша растущая ценность на рынке — не просто умение решать задачи, а накопленная база алгоритмов их решения. 🚀 Пределы профессионализма

Автоматизация опыта: как превратить ошибки в инструкции для ИИ С начала года в индустрии снова небольшой переполох: новые модели от ведущих вендоров начали программировать радикально лучше. Да, они могут быть чуть медленнее, но теперь они способны создать с одной попытки целое приложение по хорошему техзаданию. Что это значит для нас? Труд программиста стремительно перетекает в общение с ИИ-агентом. И это касается не только кодеров. Я убежден, что любой интеллектуальный труд сейчас дрейфует в эту сторону: мы перестаем быть «руками», которые делают, и становимся «архитекторами», которые управляют агентами. Но здесь есть скрытая проблема, которую мало кто замечает. Куда деваются наши профессиональные знания? Недавно прошла новость, что трафик на Stack Overflow (главный форум программистов) упал почти до нуля. Почему? Ответ очевиден: люди теперь идут с вопросами к LLM. Ответ там быстрее, качественнее и без токсичности. Но это означает вот что: процесс решения проблемы теперь скрыт в приватной переписке. Когда у вас что-то не получается, вы жалуетесь нейросети. Когда получается — вы радуетесь там же. История ваших побед и поражений остается в закрытом чате, который потом благополучно забывается. И это — потерянный капитал. × × × Здесь открывается интересная возможность для управления знаниями (Knowledge Management). Сейчас появляются инструменты класса Low-code/No-code, позволяющие работать с ИИ-агентами (вроде Cowork или продвинутых сред разработки). В них часто есть такая штука, как Hooks («хуки»). Для тех, кто не в теме программирования: хук — это просто «спусковой крючок». Функция, которая срабатывает при определенном событии. Например, «когда я закрываю диалог с ИИ» или «перед тем, как чат очистится». И вот мой рецепт, как это использовать для кратного роста продуктивности: Я настроил простой алгоритм. Когда сессия с ИИ заканчивается, срабатывает хук. Он отправляет весь наш диалог другой модели с одной задачей: «Найди выученные уроки». Промпт выглядит примерно так: «Проанализируй этот диалог. Найди моменты, где пользователь пытался решить задачу 2-3 раза разными способами и преуспел только в конце. Выдели, что именно сработало, а что было ошибкой, и запиши это как инструкцию». И система сама, без моего участия, создает файл (например, lesson_learned.md) или новый «навык» в базе знаний. Почему это важно? 01. Автоматический дневник ошибок. Мы часто наступаем на одни и те же грабли. Система теперь сама запоминает: «Ага, в прошлый раз этот подход не сработал, не делай так снова». 02. Инструкции для себя = Инструкции для ИИ. Я заметил удивительную вещь: чек-листы, которые я писал для себя, чтобы не забыть порядок действий, отлично понятны и нейросети. Если я «скармливаю» ей свою же инструкцию, она работает идеально. 03. Масштабирование. Этот опыт можно сохранять не только для себя, но и для коллег, и для их ИИ-агентов. По сути, мы превращаем процесс работы в конвейер по созданию лучших практик. Вы просто работаете, ошибаетесь, исправляетесь — а система в фоне фильтрует этот опыт и превращает его в золото. Попробуйте начать с малого: даже если вы не умеете настраивать хуки. Закончив сложный диалог с ChatGPT или Claude, не закрывайте вкладку. Попросите его в том же чате: «Сформулируй краткую инструкцию на основе того, как мы решили эту проблему, чтобы в следующий раз я мог просто скопировать её тебе». Сохраните этот текст. Это и есть ваша растущая ценность на рынке — не просто умение решать задачи, а накопленная база алгоритмов их решения. 🚀 Пределы профессионализма

✅ Ваша идея получена: Крах «Второго мозга»? В последние месяцы наблюдаю любопытный и, на первый взгляд, парадоксальный тренд. Люди массово отказываются от своих персональных баз знаний. Те, кто годами пестовал свои хранилища в Obsidian, The Brain или Notion, вдруг с гордостью заявляют: «Я всё удалил». Они пишут статьи и выступают с докладами о том, как обрели «душевное спокойствие» и повысили эффективность, избавившись от сотен заметок. Это подается как цифровой минимализм. Но если копнуть глубже, за этим часто стоит простой факт: люди годами строили не базу знаний, а структурированную свалку. А теперь просто устали тащить этот чемодан без ручки. Самое интересное, что этот сценарий был предсказан еще до появления интернета. В статье 1992 года «Reflections on NoteCards» исследователи из Xerox PARC (те самые ребята, чьи идеи легли в основу современных интерфейсов) уже описывали эту проблему. Они выяснили: как только количество заметок переваливает за условные 500 штук, «сетевой» способ организации перестает работать. Без жесткой иерархии система схлопывается под собственным весом. Посмотрите на библиотеки или патентные бюро — они существуют веками только благодаря жесткой структуре. Без нее они превратились бы в склады макулатуры за неделю. × × × Как не попасть в ловушку «коллекционера мусора», особенно сейчас, когда информации стало еще больше? 01. Система не должна быть игрушкой. «Хорошо бы иметь базу знаний» — это плохая цель. Цель должна быть утилитарной и жесткой: для чего конкретно вам это нужно? Структура вашей базы — это следствие вашей цели, а не красивая картинка из интернета. 02. Главное изменение последних лет — появились LLM (большие языковые модели). Раньше мы тащили в свои заметки всё: факты, определения, общие концепции. Теперь в этом нет смысла. Мой новый принцип продуктивности звучит так: не тащите в свою базу то, что и так знает средняя нейросеть. Если ChatGPT или Claude могут выдать вам информацию за секунду, зачем тратить время на её сохранение, каталогизацию и поиск? Храните только то, что уникально: ваш личный опыт, неочевидные связи, специфические данные вашего проекта. Попробуйте провести ревизию. Откройте свою базу знаний и задайте вопрос: «Могу ли я получить этот ответ от ИИ быстрее, чем найду его здесь?». Если ответ «да» — смело удаляйте. Оставьте место для того, что действительно развивает вашу ценность, а не просто занимает место на диске. 🚀 [[Пределы профессионализма]]

✅ Ваша идея получена: Крах «Второго мозга»? В последние месяцы наблюдаю любопытный и, на первый взгляд, парадоксальный тренд. Люди массово отказываются от своих персональных баз знаний. Те, кто годами пестовал свои хранилища в Obsidian, The Brain или Notion, вдруг с гордостью заявляют: «Я всё удалил». Они пишут статьи и выступают с докладами о том, как обрели «душевное спокойствие» и повысили эффективность, избавившись от сотен заметок. Это подается как цифровой минимализм. Но если копнуть глубже, за этим часто стоит простой факт: люди годами строили не базу знаний, а структурированную свалку. А теперь просто устали тащить этот чемодан без ручки. Самое интересное, что этот сценарий был предсказан еще до появления интернета. В статье 1992 года «Reflections on NoteCards» исследователи из Xerox PARC (те самые ребята, чьи идеи легли в основу современных интерфейсов) уже описывали эту проблему. Они выяснили: как только количество заметок переваливает за условные 500 штук, «сетевой» способ организации перестает работать. Без жесткой иерархии система схлопывается под собственным весом. Посмотрите на библиотеки или патентные бюро — они существуют веками только благодаря жесткой структуре. Без нее они превратились бы в склады макулатуры за неделю. × × × Как не попасть в ловушку «коллекционера мусора», особенно сейчас, когда информации стало еще больше? 01. Система не должна быть игрушкой. «Хорошо бы иметь базу знаний» — это плохая цель. Цель должна быть утилитарной и жесткой: для чего конкретно вам это нужно? Структура вашей базы — это следствие вашей цели, а не красивая картинка из интернета. 02. Главное изменение последних лет — появились LLM (большие языковые модели). Раньше мы тащили в свои заметки всё: факты, определения, общие концепции. Теперь в этом нет смысла. Мой новый принцип продуктивности звучит так: не тащите в свою базу то, что и так знает средняя нейросеть. Если ChatGPT или Claude могут выдать вам информацию за секунду, зачем тратить время на её сохранение, каталогизацию и поиск? Храните только то, что уникально: ваш личный опыт, неочевидные связи, специфические данные вашего проекта. Попробуйте провести ревизию. Откройте свою базу знаний и задайте вопрос: «Могу ли я получить этот ответ от ИИ быстрее, чем найду его здесь?». Если ответ «да» — смело удаляйте. Оставьте место для того, что действительно развивает вашу ценность, а не просто занимает место на диске. 🚀 Пределы профессионализма

✅ Ваша идея получена: Крах «Второго мозга»? В последние месяцы наблюдаю любопытный и, на первый взгляд, парадоксальный тренд. Люди массово отказываются от своих персональных баз знаний. Те, кто годами пестовал свои хранилища в Obsidian, The Brain или Notion, вдруг с гордостью заявляют: «Я всё удалил». Они пишут статьи и выступают с докладами о том, как обрели «душевное спокойствие» и повысили эффективность, избавившись от сотен заметок. Это подается как цифровой минимализм. Но если копнуть глубже, за этим часто стоит простой факт: люди годами строили не базу знаний, а структурированную свалку. А теперь просто устали тащить этот чемодан без ручки. Самое интересное, что этот сценарий был предсказан еще до появления интернета. В статье 1992 года «Reflections on NoteCards» исследователи из Xerox PARC (те самые ребята, чьи идеи легли в основу современных интерфейсов) уже описывали эту проблему. Они выяснили: как только количество заметок переваливает за условные 500 штук, «сетевой» способ организации перестает работать. Без жесткой иерархии система схлопывается под собственным весом. Посмотрите на библиотеки или патентные бюро — они существуют веками только благодаря жесткой структуре. Без нее они превратились бы в склады макулатуры за неделю. × × × Как не попасть в ловушку «коллекционера мусора», особенно сейчас, когда информации стало еще больше? 01. Система не должна быть игрушкой. «Хорошо бы иметь базу знаний» — это плохая цель. Цель должна быть утилитарной и жесткой: для чего конкретно вам это нужно? Структура вашей базы — это следствие вашей цели, а не красивая картинка из интернета. 02. Главное изменение последних лет — появились LLM (большие языковые модели). Раньше мы тащили в свои заметки всё: факты, определения, общие концепции. Теперь в этом нет смысла. Мой новый принцип продуктивности звучит так: не тащите в свою базу то, что и так знает средняя нейросеть. Если ChatGPT или Claude могут выдать вам информацию за секунду, зачем тратить время на её сохранение, каталогизацию и поиск? Храните только то, что уникально: ваш личный опыт, неочевидные связи, специфические данные вашего проекта. Попробуйте провести ревизию. Откройте свою базу знаний и задайте вопрос: «Могу ли я получить этот ответ от ИИ быстрее, чем найду его здесь?». Если ответ «да» — смело удаляйте. Оставьте место для того, что действительно развивает вашу ценность, а не просто занимает место на диске. 🚀 Пределы профессионализма

Крах «Второго мозга»? В последние месяцы наблюдаю любопытный и, на первый взгляд, парадоксальный тренд. Люди массово отказываются от своих персональных баз знаний. Те, кто годами пестовал свои хранилища в Obsidian, The Brain или Notion, вдруг с гордостью заявляют: «Я всё удалил». Они пишут статьи и выступают с докладами о том, как обрели «душевное спокойствие» и повысили эффективность, избавившись от сотен заметок. Это подается как цифровой минимализм. Но если копнуть глубже, за этим часто стоит простой факт: люди годами строили не базу знаний, а структурированную свалку. А теперь просто устали тащить этот чемодан без ручки. Самое интересное, что этот сценарий был предсказан еще до появления интернета. В статье 1992 года «Reflections on NoteCards» исследователи из Xerox PARC (те самые ребята, чьи идеи легли в основу современных интерфейсов) уже описывали эту проблему. Они выяснили: как только количество заметок переваливает за условные 500 штук, «сетевой» способ организации перестает работать. Без жесткой иерархии система схлопывается под собственным весом. Посмотрите на библиотеки или патентные бюро — они существуют веками только благодаря жесткой структуре. Без нее они превратились бы в склады макулатуры за неделю. × × × Как не попасть в ловушку «коллекционера мусора», особенно сейчас, когда информации стало еще больше? 01. Система не должна быть игрушкой. «Хорошо бы иметь базу знаний» — это плохая цель. Цель должна быть утилитарной и жесткой: для чего конкретно вам это нужно? Структура вашей базы — это следствие вашей цели, а не красивая картинка из интернета. 02. Главное изменение последних лет — появились LLM (большие языковые модели). Раньше мы тащили в свои заметки всё: факты, определения, общие концепции. Теперь в этом нет смысла. Мой новый принцип продуктивности звучит так: не тащите в свою базу то, что и так знает средняя нейросеть. Если ChatGPT или Claude могут выдать вам информацию за секунду, зачем тратить время на её сохранение, каталогизацию и поиск? Храните только то, что уникально: ваш личный опыт, неочевидные связи, специфические данные вашего проекта. Попробуйте провести ревизию. Откройте свою базу знаний и задайте вопрос: «Могу ли я получить этот ответ от ИИ быстрее, чем найду его здесь?». Если ответ «да» — смело удаляйте. Оставьте место для того, что действительно развивает вашу ценность, а не просто занимает место на диске. 🚀 Пределы профессионализма

Чему мы можем научиться у шимпанзе? Я уже давно занимаюсь темой построения результативных коллективов. Cкоро c коллегами запустим отдельный ресурс с нашими работами, но несколькими выводами, которые меня поразили, я хочу поделиться здесь. Когда мы думаем об эталонной команде, в голову приходят образы научных или инженерных коллективов, совершающих прорывы. Это ориентиры. Но чтобы понять, как система работает, полезно исследовать не только её пиковые состояния, но и базовые, «дефолтные». А для этого нужно спуститься на уровень ниже — от человека к приматам. Генетически мы находимся где-то между шимпанзе и бонобо, и наше социальное ПО во многом унаследовано от них. Я не ездил в зоопарк наблюдать за обезьянами, но прочитал книгу Франса де Вааля «Политика у шимпанзе». И думаю, ее будет полезно прочесть каждому, кто работает с группами людей — от педагога до CEO. Почему? Потому что в ней описаны базовые социальные механизмы, которые включаются у людей по умолчанию. В рамках исследования коллективов я изучал и книги по тюремной субкультуре. Вы и представить себе не можете, насколько там много пересечений с жизнью стаи шимпанзе. Жесткое формирование иерархии. Постоянное образование коалиций (шимпанзе могут создавать до пяти альянсов в день). Формат распределения ресурсов, когда альфа забирает всё, а затем «одаривает» лояльных, чтобы укрепить свою власть. Это воспроизводящиеся паттерны. × × × Это и есть наши «заводские настройки». Если группу людей оставить без четких правил, кодекса и культуры, она очень быстро скатывается к такому примитивному поведению. Начинаются подковерные интриги, выяснение, «кто здесь главный», и борьба за ресурсы. Это происходит не только в тюрьме, но и в бизнес-коллективах, просто в более завуалированной форме. Неформальная структура начинает жить своей жизнью параллельно с формальной. Зачем это знать, если вы не собираетесь в тюрьму? 01. Во-первых, чтобы понимать, что происходит. Эти процессы — база, на которой основано поведение людей и их взаимодействие. 02. Во-вторых — и это главное — чтобы этим управлять. Знание этих механизмов — это мощнейший ресурс. Вы видите, как формируются коалиции, и можете на это влиять. Вы можете либо игнорировать эту животную основу, позволив ей разъедать вашу команду изнутри, либо принять её как данность и надстроить поверх нее сильную культуру, которая эти инстинкты перенаправляет. Как писал сам де Вааль, даже у шимпанзе исследователи научились частично управлять этими процессами, чтобы стая не загрызла одного из своих. А значит, у нас тем более есть все шансы. 🚀 [[Пределы профессионализма]]

Что на самом деле значит быть AI Native? Сейчас все чаще встречается термин «AI Native» — многие работодатели даже указывают в вакансиях, что ищут именно таких людей. Но это не просто модное словечко, а целая гамма инструментов и подходов. Я хочу поделиться тем, как я вижу развитие этого навыка: от простых действий до создания собственных систем. Это не одна конкретная техника, а скорее уровни понимания того, как нейросети могут усилить вашу ценность на рынке. 01. Базовый уровень: Четкое понимание задачи. Самый важный навык — видеть в своей рутине то, что можно отдать алгоритмам. Даже если у вас нет сложных процессов, вы просто замечаете: «О, вот это можно автоматизировать». Перевод, суммаризация (краткий пересказ), форматирование текста или его классификация — как только вы видите такую задачу, вы открываете условный ChatGPT и делегируете её. Это фундамент: научиться видеть, где именно вам нужна помощь. 02. Продвинутый уровень: Знание идеального инструмента. Здесь вы уже ищете не просто «какую-нибудь» нейросеть, а ту, которая справится лучше всех. Например, для глубокого поиска и работы со знаниями я выбираю Gemini 3 Pro — она отлично ищет информацию и работает с гигантскими объемами данных. А если нужно отредактировать изображение или поработать с пространственными концептами, я возьму Nano Banana Pro (или аналог), потому что она понимает детали картинки на порядок лучше предшественников. Суть этого уровня — знать «специализацию» каждой модели. 03. Экспертный уровень: Создание собственных решений. Это шаг, когда вы начинаете комбинировать инструменты под себя. Я, например, создаю минимум один микро-инструмент в неделю для себя или коллег. Здесь в ход идут самодельные цепочки действий (пайплайны) и глубокое понимание вашей предметной области. Важно знать не только возможности, но и ограничения. Например, я, к своему удивлению, обнаружил, что LLM плохо справляются со сложной разметкой текста, потому что «видят» его иначе, чем люди. × × × Вершина мастерства — это понимание надежности (reliability). Вы можете автоматизировать задачу на 95%, но если вашей работе нужна точность 99,9%, то, возможно, проще и быстрее сделать её руками. Взвешивать эти компромиссы — это и есть настоящий AI Native подход. Отдельно отмечу командные интерфейсы для кодинга (Cursor, Windsurf и др.). Сейчас они стали настолько универсальными, что я использую их не только для кода, но и, например, для умной сортировки файлов на компьютере или сложного планирования. Попробуйте выйти за рамки привычного использования инструментов — это открывает огромные возможности. 🚀 [[Пределы профессионализма]]

8 часов видео за 15 минут: майнинг знаний Я уже упоминал, что моя система работы с информацией позволяет «проглатывать» от 6 до 8 часов видео-контента буквально за десятки минут. За этим стоит чистая технология и правильный процесс. Сегодня хочу показать на конкретных кейсах, как это работает и, главное, какую пользу это приносит специалисту любого профиля. Типичная ситуация: есть YouTube-канал с толковыми бизнес-советами. На нем 60–80 роликов. Контент «золотой», возможно, на английском языке (что для кого-то барьер), но его очень много. Смотреть всё подряд — это недели времени. Как это выглядит в моей системе (использую Knowlume): 01. Я загружаю ссылки на все эти видео в систему. 02. Пока я занимаюсь своими делами, ИИ обрабатывает их примерно за полчаса. 03. На выходе я получаю структурированную выжимку, чистый смысл. Вместо десятков часов пассивного просмотра, я трачу 1–2 часа на осознанное чтение и перенос «жемчужин» в свою базу знаний (я использую Obsidian). Вы фактически «скачиваете» опыт целого канала в свой мозг, игнорируя «воду». Это use case, который меняет исходные правила потребления контекста. Зачем это нужно? Пример с подкастом. Мой любимый пример — подкасты Лекса Фридмана. Они великолепны, но адски длинные (по 3–4 часа). Туда приходят инженеры, предприниматели, ученые. В таком массиве информации часто скрыты инсайты, которые могут окупить недели работы. Но найти их вручную — всё равно что искать иголку в стоге сена. Живой пример: в одном из подкастов соло-предприниматель Питер Левелс вскользь упомянул проблему с юнит-экономикой своего стартапа. Цифры не сходились. Что он сделал? Просто написал провайдеру мощностей (Replicate): «У меня не сходится экономика. Можете дать скидку 40%, а я буду использовать ваши GPU в больших объемах?». Ему ответили: «Да, конечно». Сейчас его сервис приносит огромную выручку. Один этот совет — «просто попроси скидку у инфраструктурного гиганта» — стоил миллионов. Но этот совет занял 30 секунд в 4-часовом видео. Большинство людей никогда бы его не услышали, потому что у них нет времени смотреть всё подряд или оформлять заметки. С помощью ИИ-системы вы находите такие жемчужины за 5-10 минут. Вы ловите суть, пока остальные тонут в контенте. × × × Кейс для быстрого погружения Еще один сценарий — быстрое исследование (research). Допустим, мне нужно разобраться в деятельности какой-то команды или коллектива. Я нахожу 5–8 часов их интервью и выступлений. Загружаю в систему, и через полтора часа у меня на руках фактура, по которой можно написать глубокую аналитическую статью или принять взвешенное решение. По сути, вы убираете время на потребление информации и оставляете время только на ее осмысление и применение. Неважно, кто вы — предприниматель, журналист или менеджер. Важно то, насколько быстро вы умеете превращать информационный шум в конкретные решения. 🚀 [[Пределы профессионализма]]

Контент-завод с LLM — реальность? На нас надвигается цунами AI-контента. Недавно анонсированные соцсети, целиком состоящие из сгенерированных роликов, — это лишь первая волна. Очевидно, что огромное количество низкокачественного, пустого текста и видео скоро будет литься из всех щелей. Это ускоренный вариант деградации для тех, кто будет это потреблять. Но есть и другая сторона. AI позволяет автоматизировать рутину, которая сопровождает создание любого текста. И здесь важно четко разделить, что уже работает, а что — нет. Что AI может делать хорошо прямо сейчас: 01. Форматировать текст по заданным правилам. 02. Проверять его по чек-листу (для тех, кто в теме, это подходы вроде schema-guided reasoning). 03. Переписывать, сокращать, менять стиль. Что AI пока делает плохо: 01. Собственно, писать хороший, глубокий текст с нуля. Я изучил довольно много материала на эту тему и пришел к выводу: основная проблема в самой архитектуре моделей. Предсказывая следующее наиболее вероятное слово, они неизбежно скатываются в клише. Текст, написанный LLM, легко узнает любой насмотренный читатель: он спамит одними и теми же стилистическими приемами и имеет характерную, «слишком гладкую» структуру. Даже самые новые модели страдают этим. Внутри всегда нужен человек. × × × Так значит, AI бесполезен для автора? Вовсе нет. Просто его нужно использовать не как автора, а как сверхисполнительного ассистента, которому нужно давать очень четкие инструкции. Причина, по которой LLM пишут плохо, — в отсутствии у них базы приемов и техник. Они не понимают, как устроен хороший текст. Но если им эту схему предоставить — они могут ее применить. Единственная известная мне серьезная попытка собрать такую базу — «Приемы журналистики» Игоря Викентьева. Программа давно не продается, но сама идея абсолютно верна: чтобы машина писала хорошо, ей нужно скормить не миллиарды текстов, а хорошо описанную теорию создания этих текстов. Я уверен, в ближайшие пару лет появятся стартапы, которые построят бизнес именно на этом — создадут архитектуру и приложения для генерации качественного контента на основе таких баз приемов. × × × А пока мы используем систему, которая решает главную проблему автора — прокрастинацию перед чистым листом. Вот как она работает у меня: 01. Диктовка. Исходный черновик я надиктовываю в свободной, разговорной форме. Этот текст — тоже результат такой диктовки. 02. AI-конвейер. Надиктованный текст проходит через несколько этапов обработки: модель генерирует идеи для названия, предлагает идею для картинки, форматирует текст по правилам блога. 03. Двойная редактура. Я дважды вычитываю получившийся пост свежим взглядом на предмет ошибок, стиля и логики. Этот этап нельзя пропускать. 04. Публикация. Готовый пост ставится в очередь на публикацию. Главный выигрыш здесь — не только экономия времени. Этот подход позволяет сесть и за один раз сделать 3–5 постов, которые потом будут выходить по расписанию в течение нескольких недель. Вы не просто пишете текст, вы управляете контент-заводом. 🚀 [Пределы профессионализма](https://t.me/prof_limits)

Знания ≠ данные Споры об определениях — почти всегда пустая трата времени. Но есть одно различие, которое принципиально важно для любого, кто хочет работать эффективно: разница между данными и знаниями. Их постоянно путают, считая взаимозаменяемыми. И эта путаница обходится компаниям очень дорого. Впервые иерархию «информация — данные — знания» (иногда еще добавляют "мудрость") описал системщик Рассел Акофф. Но я хочу сфокусироваться на главном разрыве — между вторым и третьим звеном. Классическая ловушка выглядит так. Вы решаете построить в компании настоящую Базу Знаний. Приходит программист и уверенно заявляет: «Отлично! Базы данных — это мой профиль». Он действительно специалист и сделает вам прекрасную, быструю, надежную базу данных. Но не знаний. Он построит вам идеальный склад для сырых фактов, а не мастерскую, где рождаются решения. В IT это различие прекрасно понимают, а вот в бизнесе — далеко не всегда. × × × В чем же суть? Данные — это сырые, пассивные факты. «В компании работает 32 сотрудника». «Конверсия сайта в прошлом месяце — 5%». «Этот станок зеленого цвета». Данные отвечают на вопрос «Что?». Сами по себе они бесполезны. Глядя на цифру «32», вы не можете принять ни одного управленческого решения. Знания — это активная, действенная модель. «Чтобы увеличить прибыль на 20%, нужно перераспределить проекты между этими 32 сотрудниками вот таким образом». «Чтобы поднять конверсию с 5% до 7%, мы должны изменить вот этот заголовок, потому что он лучше работает на эту аудиторию». Знания отвечают на вопрос «Как?». Знания — это результат интерпретации данных. Это те самые «инсайты», если хотите, которые позволяют нам действовать. Есть два ключевых признака знания: 01. Оно позволяет действовать. Знание — это всегда инструкция по управлению реальностью. 02. Оно переносимо. Принцип управления одной командой можно (с поправками) применить к другой. Знание о психологии клиента можно переиспользовать в разных рекламных кампаниях. Данные — нельзя. Число «32 сотрудника» применимо только к вашей компании и только сейчас. × × × Когда компании говорят о создании «базы знаний», но на деле просто складируют данные о клиентах, отчеты и показатели — они строят дорогой цифровой архив. Это не «система фирменных знаний». Данные, которые вы собираете без изначального понимания, какое знание вы хотите из них извлечь, — это цифровой мусор. Это как закупать тонны мрамора, не имея ни скульптора, ни представления о том, какую статую вы хотите изваять. Подумайте, что вы строите на самом деле: склад фактов или фабрику решений? 🚀 [[Пределы профессионализма]](https://t.me/prof_limits)

Ваша жизнь лучше, чем RPG Идея превратить свою жизнь в игру, где за каждую цель дают «ачивку», кажется соблазнительной. Берешь большую задачу, разбиваешь на уровни, рисуешь себе очки опыта. Звучит как отличный план: ведь игры затягивают и помогают дойти до финала. Если бы только реальность работала так же. На самом деле, для всех задач сложнее «20 подтягиваний на турнике», геймификация — это ловушка. Представьте себе создание любой современной AAA-игры. Над ней сотни человек: сценаристы, художники, программисты, менеджеры. Специальные люди — геймдизайнеры — с фокус-группами и данными телеметрии выстраивают идеальный опыт игрока. Если уровень слишком сложный — его упрощают. Если слишком скучный — добавляют экшена. Всё сделано для того, чтобы вы не заскучали, не сдались и постоянно ощущали себя в «потоке». Это многомиллионный, тщательно спродюсированный продукт для вашего развлечения. А теперь посмотрите на реальность. Прорывы в науке или бизнесе нередко это годы монотонной работы без результата. Кровь, пот, боль и слёзы. Неопределённость, когда ты неделями бьёшься о барьер и не знаешь, преодолим ли он вообще. Большая часть барьеров находится у тебя в голове — и ты проживаешь их не как наблюдатель за персонажем на экране, а на своей шкуре, со всем спектром негативных эмоций. × × × Фундаментальная разница вот в чём: игра — это заботливо созданный для вас кем-то продукт. Реальность — это сырой, необработанный материал. Геймификация сложных целей проваливается по одной простой причине: у вас нет штата из сотен геймдизайнеров, которые будут выстраивать ваш карьерный/стратегический путь. Если вы сами способны планировать, преодолевать фрустрацию и двигаться в хаосе — вам не нужны «ачивки». А если не способны — они вам не помогут. Я не говорю, что геймификация не работает никогда. Она прекрасно подходит для простых, механических задач. Например, сейчас я подтягиваюсь 10 раз, а мой личный рекорд — 32. Я точно знаю, как пройти путь от 10 до 32. Это чёткий, понятный план, который легко превратить в игру. Не стоит тратить время на то, чтобы натянуть на свою сложную, многогранную жизнь убогую шкурку от RPG. Вместо погони за «ачивками» лучше учиться навигации в тумане неопределённости, управлению своей фрустрацией и планированию в хаосе. В принципе это тоже как игра, только для взрослых. 🚀 [[Пределы профессионализма]](https://t.me/prof_limits)

Случайность или алгоритм? Два пути к открытию В среде AI-исследователей и людей, занимающихся творчеством, набирает популярность идея open-endedness. Если по-простому — «эволюция с открытым концом». Суть в том, что любые жесткие метрики и конечные цели мешают делать по-настоящему прорывные открытия. Типа "Изобретения — это всегда результат неуправляемой случайности". Яркий апологет этой идеи на Западе — Кеннет Стэнли, который утверждает, что мы не можем ничего планировать, когда речь идет о творчестве. Его подход — это сознательное «фланирование». Идея в том, чтобы максимально увеличить вероятность счастливой случайности (серендипность), например, поглощая информацию из максимально непохожих друг на друга источников. После чего остается лишь скрестить пальцы и надеяться на озарение. Я знаю людей, которые практикуют именно это: подписываются на сотни каналов и блогов, пытаясь найти инсайт на стыке несовместимого. Стратегия имеет право на жизнь, но она возводит случайность в абсолют. И вот тут я готов поспорить. История знает и другой, прямо противоположный подход. × × × Имя этому подходу — ТРИЗ, Теория решения изобретательских задач, созданная Генрихом Альтшуллером. Его философия была диаметрально противоположна: он презирал метод проб и ошибок, даже управляемый. Он утверждал, что творчество может и должно быть точной наукой, а на качественное изобретение можно выйти в заданное время по четкому плану. Его главный инструмент, АРИЗ (алгоритм решения изобретательских задач), — это антитезис идеям Стэнли. Это не блуждание в тумане, а целенаправленное движение по шагам. Вы берете задачу, проводите ее по алгоритму, используете известные закономерности и приемы, и с вероятностью 70-80% приходите к сильному решению. Идея в том, что нам не нужно идти во все стороны в надежде на чудо — мы можем сделать несколько точных, выверенных шагов и получить результат. Но, как и у любой системы, у ТРИЗ есть свои ограничения. По классификации самого Альтшуллера, его алгоритмы отлично работают для изобретений до 3-го уровня, но пасуют перед 4-м и 5-м. Почему? Потому что высшие уровни изобретений рождаются, когда задача переформулируется и ее решение находится в совершенно другой предметной области. И здесь классический ТРИЗ не поможет. Он выдаст вам техническое решение технической задачи. Но что, если ее оптимальное решение лежит в биологии? Например, использовать специальных жуков, чтобы они съели ржавчину внутри моста. Это реальный кейс, и никакой чисто технический алгоритм такое решение не предложит. Несмотря на это, сам факт существования такого мощного «инженерного» подхода к творчеству доказывает: идея open-endedness — это лишь одна из возможных стратегий. × × × Глобально нужно понимать, что мир не делится на черное и белое. Так что же эффективнее: сознательно увеличивать хаос в надежде на случайный прорыв или идти по четкому алгоритму к гарантированному, но, возможно, не самому высокоуровневому решению? Я думаю, будущее за синтезом этих подходов. А пока что полезно помнить, что помимо управляемого хаоса возможная и точная инженерия инноваций.

Идея из экономики, изменившая мой подход к стратегии Долгое время я и люди, с которыми я работаю, использовали мой собственный алгоритм для стратегического планирования. Он частично описан в моей книге и помогал принимать верные решения. Но недавно я нашел способ его улучшить — причем инсайт пришел не из мира стратегий, а из экономики. Давайте начнем с метафоры. Представьте, что вам нужно купить ноутбук. Для простоты, будем оценивать его всего по двум параметрам: стоимость и производительность. На рынке есть пять моделей. Есть очень дешевые, но медленные. Есть дорогие, но сверхмощные. И есть несколько вариантов посередине. Как выбрать лучший? Здесь нам поможет концепция Парето-оптимальности. Если коротко: вариант оптимален, если вы не можете улучшить ни один его параметр, не ухудшив при этом другой. То есть, вы не найдете ноутбук производительнее за те же деньги или дешевле при той же производительности. Весь набор таких «неулучшаемых» вариантов — это «граница Парето» (Pareto frontier). Важно, что лучший для вас выбор не обязательно крайний (самый дешевый или самый мощный). Он почти всегда лежит где-то на этой границе. А теперь представьте, что мы добавляем еще параметры: вес, качество экрана, время работы от батареи… Сложность выбора растет взрывообразно. × × × Почему это важно? Потому что при разработке стратегии мы делаем то же самое. Мы всегда балансируем между параметрами: 01. Ресурсы: сколько денег и времени нужно вложить? 02. Скорость: как быстро мы получим результат? 03. Команда: делать в одиночку или привлечь еще кого-то? 04. Компетенции: хватит ли текущих знаний или нужно учиться? Раньше мой подход был другим. Я искал аналоги: смотрел, кто уже делал что-то похожее, и пытался собрать из этих «кирпичиков» свою стратегию. Но это была ловушка. Такой подход создает инерцию и запирает вас в «локальном оптимуме». Вы начинаете думать так: «А что если в текущую стратегию просто вложить больше денег? Станет лучше?». Ответ может быть «нет». Новый подход — это осознанно рассматривать сразу несколько кардинально разных стратегий, которые лежат на той самой «границе Парето». Может оказаться, что если изменить не один параметр, а сразу три-четыре (например, как снизить затраты, но втрое увеличить команду и сократить время), вы попадете в совершенно другую область, где суммарный результат может быть выше. × × × Это смена парадигмы мышления: от вопроса «Как мне улучшить текущую стратегию?» к вопросу «Какие еще принципиально иные, но тоже оптимальные стратегии существуют?». 🚀 [[Пределы профессионализма]](https://t.me/prof_limits)

Этика +1/-1 Существует базовая закономерность, которая определяет жизнеспособность любой результативной группы — будь то стартап, команда интеллектуалов или несколько разработчиков, работающих над одним проектом из разных точек мира. Условно я называю это правило «-1, 0, +1». Если вы следите за инфополем, то наверняка заметили, как эта идея недавно прозвучала сразу в двух очень разных местах. Первым был Павел Дуров в интервью Лексу Фридману. Рассказывая о том, как он принимает решение, кого оставить в команде, он описал именно этот принцип. Сотрудник может быть формально продуктивным, но при этом создавать столько неразберихи, суматохи и лишних проблем, что его чистый вклад в общее дело становится отрицательным. Второй — Эрик Реймонд, один из основателей Open Source Initiative. Он написал нашумевшее письмо о том, что кодексы поведения (Code of Conduct) в open-source проектах себя дискредитировали. В проекты приходят люди, которые не вносят ничего полезного, но используют правила, чтобы преследовать свои политические цели, отвлекая основную команду от работы. Его вывод был радикален и прост. Если уж вам так нужен кодекс, замените его одной фразой. Смысл был таким: «Если ваш вклад меньше проблем, которые вы создаете, — идите нахрен». × × × В обоих примерах речь идет об одном и том же — о чистом балансе пользы и вреда. Это можно разложить на три уровня рабочей этики: 01. Этика -1: Вы можете даже делать что-то полезное. Но объем создаваемых вами проблем — для коллег, для процессов, для атмосферы — перевешивает вашу пользу. Итоговый баланс отрицательный. Вы токсичный актив. 02. Этика 0: Вы честно выполняете свои обязанности в рамках инструкции. Не создаете проблем, но и не проявляете инициативы. Это космонавт, который просто следует протоколу. Команда с такими людьми выживет, но не совершит прорыв. 03. Этика +1: Вы не только делаете то, что от вас ожидают, но и перевыполняете план. Видите проблемы до их появления, помогаете коллегам, оптимизируете процессы. Вы не просто «работаете», а вкладываетесь в общий результат понимая как функционирует система в целом. × × × Очень часто люди, создающие свои коллективы, об этом забывают. Они концентрируются на второстепенных вещах: «как правильно писать сообщения», «всем ли всё нравится», «не задели ли мы чьи-то чувства». Но все это имеет очень отдаленную корреляцию с итоговым результатом. Вместо этого стоит задавать один простой вопрос: каков чистый коэффициент полезности от участия каждого человека в команде? Если он отрицательный, с человеком нужно прощаться. Безжалостно, но эффективно. Это единственное, что имеет значение в долгосрочной перспективе. 🚀 [Пределы профессионализма](https://t.me/prof_limits)

Навыки — это побочный эффект В какой-то момент многие решают развить в себе новый интеллектуальный навык. Неважно, какой: от слепой печати до анализа сложных научных текстов. И по моим наблюдениям, если человек пытается сделать это в вакууме — просто потому, что «надо» или «круто» — почти всегда это заканчивается ничем. Почему? Основная причина — отсутствие цели, которая превосходит сам навык. Я могу об этом говорить, потому что недавно прикинул, какое нереальное количество компетенций мне пришлось освоить за все время, что я занимаюсь разработками. У меня получилось их развить не потому, что я такой целеустремленный. А потому, что у меня всегда была внешняя задача, для которой эти навыки были лишь подсистемой. Целью было не абстрактное саморазвитие, а создание чего-то полезного для других. Эта внешняя цель дает неиссякаемую мотивацию. Когда ты пытаешься создать благо для других, ты и сам неслабо развиваешься. Например, один из навыков — быстро видеть ошибки и противоречия в речи спикера или в тексте. Я поставил его давно, и хотя он немного деградировал, я до сих пор почти мгновенно замечаю нестыковки. Другой, более экзотический пример — работа с несколькими слоями на раздельной клавиатуре. Это не просто слепая печать. У меня на клавиатуре 4 активных слоя раскладки (а если считать с модификаторами, то все 6). То есть мне пришлось запомнить не одну, а три-четыре разных раскладки. Это никогда не было самоцелью. Это было нужно для ускорения работы, что, в свою очередь, было нужно для моих проектов. × × × Идеальная иллюстрация этого принципа — ведение базы знаний. Люди начинают этим заниматься, потому что это модно и кажется, что это увеличивает твои возможности. Но если нет ответа на вопрос «Зачем?», то даже непонятно, как эту базу структурировать. Ведение базы знаний — это не один, а целый комплекс нетривиальных навыков: 01. Отсечение мусора. По-настоящему сложный навык. 02. Структурирование информации. Как связать идеи так, чтобы они работали? 03. Переиспользование знаний. Как создать новый продукт на основе того, что ты собрал? 04. Оформление. Как облечь это в форму, понятную другим? Сейчас я вижу волну, как люди повально удаляют свои собранные за годы хранилища-мусорки в Obsidian, аргументируя это тем, что «так лучше для моего психического здоровья». А всё потому, что изначально не было ответа на главный вопрос: «Нафига?» Это первый вопрос, который я задаю всем, кто начинает вести базу знаний или осваивать скорочтение. Если нет ответа, то ничего не будет. Потому что сначала должна быть «бОльшая цель», а уже потом — инструменты для ее достижения. 🚀 [Пределы профессионализма](https://t.me/prof_limits)