Технологии в Продажах

Ни одна защита не идеальна. Поэтому их девять

Дарио Амодеи в интервью CBS 13 сентября: «Это не значит, что надо паниковать сегодня. И не значит, что надо всё выключить. Это предупреждающий знак, что надо замедлиться». Дальше он объясняет, как именно, и вот это интереснее громких заголовков 👇🏻

Представьте ломтик швейцарского сыра. Он что-то задерживает, но в нём дырки.
Возьмите пять ломтиков - и дырки окажутся в разных местах. Ни одна защитане идеальна. Но если быть аккуратным на каждом уровне, всё может кончиться хорошо.

За ту же неделю Anthropic предложила обязать крупные компании публиковать регламент безопасной разработки и назначать ответственного за него человека. OpenAI выложила фреймворк раскрытия сбоев и сразу шесть отчётов о своих инцидентах. А Anthropic в тот же день сняла ограничения для проверенных биологов, заменив блокировку проверкой и разбором логов.
Так что это не «все ударили по тормозам». Это слои.

В отчёте OpenAI меня зацепила узнаваемость. Модель воспользовалась утёкшим ключом и дофантазировала данные. Заливала файлы на публичные хостинги, чтобы потом на них сослаться. Подсовывала себе инструкции в сводки контекста. Те же грабли, на которые наступают за вечер вайбкодинга.

Я два года на каждом потоке буткемпа останавливаюсь и говорю про безопасность. И каждый раз выясняется, что кто-то уже отправил ключ API прямо в чат с моделью. Не потому что не знал, а потому что так было быстрее.

Собрал в карточки 9 правил, которые повторяю участникам. Это и есть ваши девять ломтиков:

1. Ключи в .env, а .env в .gitignore
2. Ключ никогда не проходит через модель
3. В Supabase включаем RLS с первой таблицы
4. Права агенту выдаём ступенями
5. Опасные команды блокируем хуком
6. Персональные данные обезличиваем скриптом
7. Только официальные MCP и проверенные скиллы
8. Разбиваем опасную тройку
9. Аудит перед публикацией - в новой сессии

Ни одно из них не спасает само. Вместе
закрывают почти всё 🔥

Самое простое, с чего начать: в начале каждой задачи пишите Claude «сделай это безопасно».

А какое из девяти вы уже нарушали?👇🏻

Питер, буткемп и куча всего, что хочется рассказать

Последние две недели график был такой плотный, что до постов просто не доходили руки. Накопилось, чем поделиться))

Буткемп почти закончили — сейчас вносим последние правки в агентов учеников. Для меня это самая кайфовая часть: смотреть, что ребята собрали, разбирать, где что-то пока не работает, и вместе доводить до ума.

Еще успел съездить в Питер на «Мой Форум». Два дня выступлений, встреч и разговоров про ИИ и продажи.

Выступал с темой базовых ИИ-инструментов для продаж — что уже стоит освоить и использовать в ваших продажах. На мой взгляд, эта база нужна каждому, кто продает.

Буду постепенно рассказывать подробнее и про буткемп, и про то, что обсуждали на форуме.

С чего начать: показать агентов учеников или разобрать инструменты из выступления? 👇🏻

DeepSeek выкатили конструктор AI-агентов 👀

Если вы уже собирали себе агента, то знаете: выбрать модель — это только начало))

Дальше нужно подключить инструменты, настроить работу с файлами, разобраться с историей задач. А потом еще понять, почему вчера все работало, а сегодня агент пошел делать что-то свое 🫠

DeepSeek открыли исходники Harness — среды, в которой все эти части можно собирать и менять по отдельности.

Как это устроено 👇🏻

➖ Модели, инструменты, хранение данных и даже интерфейс подключаются как плагины.
➖ Их можно заменять через настройки, не переписывая ядро системы.
➖ Ход работы записывается: какие инструкции получил агент, какие инструменты вызвал и что они вернули. Можно посмотреть, где все пошло не туда.

Для бизнеса мне здесь интересна именно возможность менять отдельные части под свой процесс.

Допустим, собираете помощника для подготовки к встречам с клиентами. Сегодня он работает с файлами, потом вы добавляете доступ к CRM, позже меняете модель. Такие подключения еще нужно разработать и настроить, но сама архитектура под это предусмотрена.

👉🏻 Правда, пока это версия для разработчиков. Интерфейсы и плагины еще будут меняться, поэтому на «скачал и завтра автоматизировал отдел продаж» я бы не рассчитывал.

А вот технической команде, которая уже собирает агентов, присмотреться стоит.

Что у вас сейчас отнимает больше времени: собрать первую версию агента или потом поддерживать ее в рабочем состоянии? 😅

Один AI-агент может забрать часы вашей рутины уже сегодня 👇🏻

Привет всем новеньким 👋🏻
Вас за последнее время стало заметно больше, поэтому давайте знакомиться.

У себя в канале я пишу про ИИ в реальном бизнесе.

Как с его помощью ускорять продажи, автоматизировать рутину, собирать агентов под свои процессы, экономить время команды и понимать, какие новые инструменты действительно стоит тащить в работу.

Все разбираю на реальных кейсах))

Подробнее о том, кто я такой, чем занимаюсь и почему вообще обо всем этом рассказываю, вот здесь.

За последнее время в канале накопилось много всего интересного. Вот несколько постов, с которых можно начать👇🏻
🔥 Как AI-агент увеличил конверсию в продажу на 50%
😎 3 приема, которые усилят вашу команду
🤖 5 месяцев на OpenClaw и в итоге я полностью перешел на Hermes
💸 Почему 49% компаний останавливает внедрение AI-агентов
🔎 Как проверить 25 контрагентов за 2 минуты?
⚙️ Топ 10 ИИ-агентов, которые нужны каждому

А вот что выйдет в канале в ближайшее время:
1️⃣ Нужно ли учить AI в школе как обязательный навык?
2️⃣ Кейс автоматизации работы бухгалтерии
3️⃣ AI в коде: ускорение или массовое производство техдолга?
4️⃣ Кейс гендира, который сам переписал сайт с ИИ

И много актуальных новостей!

Так что советую включить уведомления, чтобы ничего не пропустить 🔔

Тестируем бесплатный OCR на Mac 👀

Я тут на днях решил проверить, насколько хорошо с распознаванием текста на сканах и PDF справляется встроенная система macOS.

Насколько точно она может обычный скан документа превратить в текст, который потом можно искать, переносить в таблицу, CRM или отдавать ИИ на анализ?

Для сравнения взял специализированную библиотеку docTR, которая занимает около 2,5 ГБ, и обычный офисный PDF без текстового слоя: фирменный бланк, с реквизитами, адресом и русским текстом.

Что получилось👇🏻
➖

macOS Vision, быстрый режим — 1,19 сек и около 95% кириллицы. Ошибки единичные: «стр.ба» вместо «стр.6а»

➖ macOS Vision, точный режим — 0,75 сек и 0% кириллицы. На выходе «o6[?]eCTB0 c orpaHM4eHHOkl OTBeTCTBeHHOCTbK)»

➖ docTR — 3,64 сек плюс почти 20 секунд на загрузку моделей и тоже 0% кириллицы. «O6ueCTBO C orpahnyeHHOM OTBETCTBEHHOCTbIO».

Оказалось, что «точный» режим macOS просто не поддерживает русский язык, а «быстрый» поддерживает. По названию режима этого вообще не понять 😅

А самое печальное, что ни один из инструментов не выдал ошибку 🤪
Оба вернули результат как успешный: цифры, email и телефон на месте, длина текста правильная, 1774 знака, что тебе еще надо? 🤣

👉🏻 Если такое улетит в базу или в CRM пачкой сканов договоров — вы узнаете об этом сильно позже((

💡 Мой вердикт:

встроенный OCR на Mac вполне можно брать в работу с русскоязычными документами, только если правильно выбрать режим и проверять качество на своих файлах.

Сэм Альтман обещает AGI уже к концу 2026 👀

В OpenAI сейчас очень уверены, что до AGI* осталось совсем немного. Сам Альтман говорит про конец этого года, Марк Чен оценивает прогресс примерно в 80%.

👉🏻 Один из главных аргументов — новая система Astra. Ей можно дать идею эксперимента, а она сама пишет код, запускает тесты и возвращается с результатами.

Но тут есть важный нюанс))

OpenAI определяет AGI как систему, которая превосходит человека в большинстве экономически ценной работы. То есть «AGI к концу года» сильно зависит от того, какое определение считать правильным.

А вы как думаете: большое событие уже рядом или пока слишком громкое название для очередного скачка в моделях?

*

AGI — Artificial General Intelligence.

Простыми словами, это ИИ, который умеет решать широкий круг задач примерно на уровне человека или выше.

Anthropic выкатили большой отчет по AI-агентам за 2026 год 👀

Anthropic опросили 500+ технических руководителей в США:
5️⃣7️⃣🔤 компаний уже используют агентов в многоэтапных процессах
8️⃣0️⃣🔤 говорят, что получают от них измеримый экономический эффект.

Чаще всего пользу видят в аналитике и отчетности, автоматизации внутренних процессов, разработке и поддержке клиентов.

При этом главные проблемы все те же: интеграция с существующими системами, качество данных и стоимость внедрения.

То есть сам агент уже редко является главным ограничением — сложнее нормально встроить его в бизнес, о чем мы как раз вчера говорили с вами)

В общем, главный вывод такой, что агенты уже постепенно выходят из стадии экспериментов и становятся рабочим инструментом внутри компаний.

Почитать полный отчет можно тут

4️⃣9️⃣🔤 компаний притормозили внедрение AI-агентов. Почему?

По данным KPMG, почти половина компаний урезали или остановили внедрение агентов, потому что затраты начали обгонять полезный эффект 🫠

И я думаю, причина кроется в одном вопросы, который редко задают на старте: а эту задачу вообще имеет смысл отдавать агенту?

Например, так недавно на одном проекте мы отказались от автоматизации ручного скрапинга👇🏻

Технически все было понятно, бота можно было собрать за пару дней. Но когда разобрали процесс целиком, выяснилось, что скорость сбора данных вообще ничего не меняет.

Узкое место находилось в другом месте, поэтому агент просто быстрее упирался бы в ту же стену.

С агентами легко попасть в другую ловушку: настроить, связать несколько систем, потом чинить интеграции, проверять результат, разбирать ошибки — и в какой-то момент автоматизация сама становится отдельной работой.

👉🏻 А вот это "давайте внедрим куда-нибудь ИИ, потому что так модно, так надо, так все сейчас делают" только сильнее загоняет компании в эту ловушку.

Поэтому перед внедрением я бы начинал с четырех вопросов:

➖ Какой процесс реально стоит денег?
➖ Что именно его тормозит: скорость, объем, данные, согласования или решения людей?
➖ Сколько будет стоить поддержка, проверка и исправление ошибок?
➖ И только потом — какой инструмент здесь вообще нужен?
По сути, именно эта арифметика и отделяет рабочего агента от красивой демки, которую через несколько месяцев тупо выключат.

А у вас была автоматизация, которая в итоге создавала больше работы, чем экономила? 👇🏻

Обязательно сохраните это себе 👀

Нашел огромную шпаргалку по Claude Code на русском — почти все основные команды и настройки собраны в одном месте.

Внутри есть горячие клавиши, слэш-команды, MCP-серверы, работа с памятью и файлами, конфиги, env, skills и еще куча вещей, которые обычно приходится искать по документации отдельно.

🔥 Если вы уже пользуетесь Claude Code или только начинаете разбираться, такая штука сильно экономит время

Не нужно каждый раз вспоминать команды или лезть в доки, когда хотите настроить память, подключить сервер, сменить режим или запустить нужный сценарий.

Сохраняйте себе и отправляйте тому, самому другу/коллеге, который живет в Клоде))

😩 Как проверить 25 контрагентов за пару минут?

Вы собрали 30 реакций, а я выполняю обещание 😁

Напомню, недавно я проводил закрытый офлайн-курс по вайбкодингу для предпринимателей из логистики: 6 человек, 3 компании и 4 встречи по 2 часа.

Почти все на старте работали с нейросетями в формате «задал вопрос — получил ответ». А через месяц уже сами собирали рабочие инструменты под задачи своих компаний.

👆🏻 В карточках выше разобрал кейс Марины — директора департамента аналитики и планирования, которая еще совмещает функции финдира.

Она своими руками собрала систему для проверки контрагентов: сбор показателей, оценка рисков, ссылки на источники и готовая таблица.

Главный результат для участников, на мой взгляд:

Не в том что они собрали один инструмент. А в том, что после первого такого проекта другой взгляд на остальные процессы в компании.

Уже понимаешь, где можно автоматизировать рутину и как самому собрать под это инструмент, вместо того чтобы каждый раз искать отдельный дорогой сервис.

❤️, если было интересно