🤖 Датаист

Что изменилось в ИИ для бизнеса за год: технологии уже готовы, а бизнес — еще нет

Я изучил 20 исследований IBM, PwC, KPMG, Microsoft, BCG и Stanford за 2025–2026 годы — и свел более 1300 страниц в большой разбор со своими выводами.

Главное: в 2025 компании пытались понять, как людям использовать ИИ. В 2026 — как перестроить вокруг ИИ саму компанию.

1. Агенты вышли из прототипов в работу. Интеграция агентов в бизнес-процессы выросла с 13% до 30%. К 2027 компании ожидают в среднем 1661 агента. Уже сейчас 25% операционных решений принимаются ИИ без человека, а к 2030 CEO ожидают 48%.

2. Отдача от ИИ расслоилась. В 2025 только 25% инициатив дали ожидаемый ROI. Теперь разброс — от +250% до −20%. У компаний, где ИИ применим шире всего, производительность выросла на 33,5%, а у самой продуктивной пятой части — на 163%.

3. Организация оказалась важнее инструментов. При слабой стратегии широкий доступ к ИИ связан примерно с 5% к эффекту. Ясная стратегия при слабом доступе — с +25%. А организационные факторы дают 67% относительной важности при прогнозировании эффекта.

То есть узким местом становится сама компания.

4. Узкое место сместилось с данных на архитектуру. В 2025 ИИ-инициатива могла требовать 6–12 месяцев подготовки данных. Теперь системы не успевают за скоростью ИИ. 88% компаний пытаются переносить нагрузки между провайдерами, но легко переносимой считают лишь четверть. Облачные расходы — на 48% выше прогнозов, срок жизни модели — около 14 месяцев.

5. Управляемость становится инфраструктурой. 77% техлидов говорят, что внедрение ИИ обгоняет возможности управления. Организация фиксирует 54 инцидента с агентами в год, а компании со встроенным контролем разворачивают в 16 раз больше агентов.

6. Внедрение превращается в перестройку. В 2026 году 78% компаний говорят о внедрении ИИ, 57% — о перестройке процессов, 42% — о новых продуктах и бизнес-моделях. Год назад было 72% / 50% / 22%.

7. Руководство меняется быстрее работы. Доля организаций с директором по ИИ выросла с 26% до 76%. 77% CEO считают границы между бизнесом и технологиями устаревшими, 85% — что функциональные лидеры должны стать техническими экспертами в своих областях.

8. ИИ экономит время, но бизнес не знает, что с ним делать. 52% пользователей ИИ экономят минимум один рабочий день в неделю. Но 61% получают мало указаний, куда направлять это время, а 45% не переводят его в стратегическую работу – они просто решают больше задач.

9. Обучение отстает сильнее всего. 88% сотрудников ожидают серьезного переобучения в ближайшие пять лет, но только 36% считают, что обучены достаточно. Обе цифры не изменились с 2025 года, хотя другие растут на десятки процентов.

10. Рынок труда раскололся. В наиболее затронутых ИИ профессиях требования к навыкам меняются в 2,2 раза быстрее. Начальные вакансии там в семь раз чаще требуют навыков опытного специалиста. Такие роли выросли на 35%.

Получается парадокс: первая работа требует опыта еще до того, как человеку дали возможность его получить.

За два года появилось более 1,3 млн ИИ-вакансий в ролях, которых пять лет назад не существовало. При этом больше половины руководителей уже не считают гарантию занятости данностью, а треть из них рассматривают сокращения.

Поэтому компания должна стать обучающейся системой: адаптивность и непрерывное обучение становятся важнее технических навыков и умения писать код.

И две вещи, которые бизнес, на мой взгляд, недооценивает, — стратегия и обучение. Без ясного понимания, зачем компании ИИ, что она перестраивает и какой эффект хочет получить, инструменты мало что дадут. А без постоянного обучения люди не успеют за изменениями.

Важно не просто использовать ИИ, а выстраивать стратегию, постоянно учиться и измерять создаваемую ценность.

В итоге ИИ уже меняет архитектуру компаний, управление, экономику, работу сотрудников и путь человека в профессию.

ИИ недостаточно просто внедрить — под него нужно перестраивать саму организацию.

👉 Читать полный разбор

#исследования

10 млрд ИИ-агентов, одноразовый софт и атаки на ваш счет: каким Gartner видит ближайшее будущее ИИ

Gartner опубликовал прогнозы на 2027 год и далее. Главная мысль в том, что ИИ становится инфраструктурой бизнеса — со своей экономикой, безопасностью, энергетикой и ответственностью.

1. Более 10 млрд автономных ИИ-агентов к 2030 году. Они будут сами искать услуги и отправлять заявки от имени людей. Государственным системам понадобятся новые механизмы идентификации, доверия и контроля.

А эксперименты с сотнями агентов уже показывают, что при масштабировании они могут начать конкурировать за ресурсы.

2. Физический ИИ станет обычной частью работы. К 2030 году 80% сотрудников международных компаний будут работать с роботами, дронами, автономным транспортом и другими физическими ИИ-системами.

3. Появятся атаки на ИИ-счета. К 2030 году 80% организаций с публичными ИИ-сервисами столкнутся с атаками, направленными на исчерпание ресурсов: злоумышленники будут специально заставлять модели сжигать токены.

4. 80% новых приложений к 2029 году будут жить меньше года. ИИ делает разработку настолько дешевой, что приложение можно создать под одну задачу, использовать и выбросить.

Недавно исследователи предложили хранить не код, а спецификацию и каждый раз пересобирать библиотеку ИИ-агентами. Около 50 документов и 9000 строк описания уже позволяют восстановить систему за 1,5–3 часа примерно за $100.

5. Энергия станет частью технологического стека. К 2030 году 2000 крупнейших компаний мира будут владеть энергетическими активами примерно на $10 трлн и сами продавать электричество дата-центрам. Доступ к энергии становится конкурентным преимуществом.

6. Правила управления ИИ начнут задавать страховщики. К 2030 году страховые компании будут требовать от бизнеса реальных технических механизмов контроля ИИ, чтобы тот мог получить страховку.

7. 25% из 500 крупнейших компаний мира к 2029 году будут постоянно пересобирать модульные ИИ-продукты. Стратегия «посмотреть, что сделал лидер, и повторить» станет слишком медленной. Продукты будут непрерывно собираться из моделей, данных, агентов и сервисов.

8. Стоимость ИИ начнут считать вместе с ценностью. К 2029 году 60% организаций создадут отдельную функцию, связывающую стоимость ИИ с прибылью или другим бизнес-результатом.

9. AI FinOps перейдет в реальное время. К 2028 году 60% из 500 крупнейших компаний мира будут контролировать расходы прямо во время инференса — еще до получения счета от провайдера.

10. У ИИ появится хранитель доказательств. К 2030 году 80% из 500 крупнейших компаний мира закрепят за CIO или CAIO роль ответственного за аудит действий ИИ. Компания должна будет уметь восстановить, что сделал ИИ, какие данные использовал и почему принял то или иное решение.

Это важно, потому что в одном из исследований ИИ-агенты правильно соблюдали корпоративные правила лишь в 36% случаев.

В итоге Gartner описывает новую экономику, в которой миллиарды агентов создают софт, управляют бизнес-процессами и выходят в физический мир, потребляя деньги и энергию.

Поэтому главный вопрос для бизнеса сегодня – «как всем этим управлять?»

#новости

Расскажу чуть подробнее о платформе, через которую я проводил экзамен по разработке продуктов с ИИ в кипрском университете.

Студенты регистрируются через GitHub и там же отправляют свои проекты.

После этого автоматически подключается проверяющий агент: по моим критериям он оценивает спецификацию, архитектуру продукта и наличие тестов.

Дальше проект тестируют несколько симулированных пользователей с разными ролями и сценариями, и каждый оставляет свою обратную связь.

После этого начинается игровая часть.

Каждый студент может инвестировать виртуальные деньги в стартапы других участников.

У каждого проекта есть карточка с кодом, презентацией и демо-видео после защиты.

Есть и отдельная симуляция рынка.

По каждому стартапу система собирает реальные новости и аналитику, а затем моделирует его развитие на рынке в течение года.

Можно увидеть, как один стартап набирает пользователей, а на другой влияют изменения на рынке.

Понятно, что это игровая симуляция, а не реальный прогноз, но студентам интересно следить за развитием своих продуктов и смотреть, кто окажется впереди.

Лучшие стартапы и успешные инвесторы получают призы — подписки на Claude Code.

После симуляции каждый студент получает персональные рекомендации по продукту на основе обратной связи виртуальных пользователей, проверки репозитория и рыночной аналитики.

Но финальную оценку все равно ставлю я: проверяю выводы агентов и оцениваю спецификацию, архитектуру и сам продукт с учетом собственного опыта.

Для меня важно научить студентов не вайбкодить, а работать как инженеры: сначала продумывать спецификацию и архитектуру, писать тесты и только потом генерировать код вместе с ИИ.

Саму платформу я собрал меньше чем за день — но это не вайбкодинг, а агентная разработка с инженерным подходом.

Для меня это и есть новая модель обучения, когда ИИ встроен в учебный процесс, а экзамен — не мука, а увлекательная игра.

Как быть зачетным преподом в эпоху ИИ

Начался новый учебный год, и я снова в роли препода веду курс по автоматизации бизнес-процессов с ИИ-агентами в ИТМО и AI Talent Hub.

Сегодня появляется новая базовая грамотность — умение работать с ИИ. Нужно понимать ограничения моделей, работать с контекстом и источниками и уметь проверять ответы.

И преподавателям тоже приходится перестраиваться.

1. Подготовка материалов

Для меня подготовка к занятиям всегда была способом самому чему-то научиться.

Хороший преподаватель должен оставаться немного исследователем и следить за новым в своей области. Нашел новое исследование или подход — разобрался и рассказал студентам. С ИИ это происходит намного быстрее.

Презентации можно быстрее собирать в HTML с интерактивными элементами и понятными диаграммами. Но здесь важно добавлять себя. Если просто генерировать все подряд, получается раздражающий нейрослоп.

Поэтому главное в лекции все равно человеческое: свой опыт, свои ошибки и выводы. У ИИ собственного опыта нет.

Зато после занятия ИИ может взять все, что я рассказал, и превратить это в сжатый конспект для студентов.

2. Проверка заданий

Вот здесь ИИ — настоящее спасение.

Я складываю работы по папкам, задаю критерии в Claude Code и запускаю несколько независимых агентов, которые проверяют работу. Затем еще один агент сравнивает выводы и формирует итоговую оценку.

А я уже проверяю точечно и добавляю свой опыт и понимание контекста. Агентов тоже приходится исправлять, но каждую мелочь вручную проверять уже не нужно. В итоге свое внимание можно сосредоточить на самом важном.

Финальная оценка и рекомендации все равно остаются за преподавателем.

3. Персонализация

Зачем всей группе давать одно и то же задание?

Можно оставить общие критерии, но каждому студенту адаптировать задачу под его интересы и предметную область.

Например, на моем курсе студент создает ИИ-агента под свой бизнес-процесс. У всех одинаковые критерии, но один автоматизирует маркетинг, другой продажи, третий разработку.

В итоге каждый работает с тем, что ему реально интересно.

4. ИИ должен быть частью работы студентов

Я не просто разрешаю студентам использовать ИИ, а специально проектирую учебный процесс так, чтобы они с ним работали и получали навык, который им понадобится в будущем.

Олды помнят, как нас заставляли писать код программы на листочке бумаги, а преподаватель потом компилировал его у себя в голове.

На курсе по автоматизации бизнес-процессов я не вижу смысла заставлять студентов вручную рисовать диаграммы, если ИИ делает это за секунды в mermaid-формате. ИИ может также помочь написать отдельные функции и даже собрать целого агента.

Важно другое: понимает ли студент общий принцип, может ли проверить результат, найти ошибку и управлять всей системой.

Не нужно сопротивляться инновациям, но нужно постоянно развивать собственное мышление.

5. Менять нужно и сам экзамен

Я терпеть не могу заученные ответы по билетам и прочую архаику. Тем более сейчас студент может просто спросить ответ у ИИ.

Поэтому я устраиваю экзамены в формате демо-дня.

Студент показывает свой проект, который делал на протяжении всего курса, рассказывает, что получилось, а что нет, какие решения принимал и чему научился. И главное — делится своим опытом с остальными.

На курсе по разработке продуктов с ИИ я сделал к демо-дню целое приложение-игру, чтобы показать все на собственном примере.

Студенты могли инвестировать виртуальные деньги в стартапы друг друга, тестировать их на виртуальных пользователях, а лучшие проекты в конце получили от меня подписки на Claude Code.

Мне кажется, именно так и должна меняться оценка знаний. Да, ИИ может знать больше преподавателя. Но он не заменяет опыт, эмпатию, критическое и творческое мышление.

Поэтому хороший преподаватель сегодня — это не просто человек, который передает знания. Он организует среду, в которой студент учится думать, создавать вместе с ИИ, проверять его и брать ответственность за конечный результат.

#мысли

GPT-6 Astra достигла AGI? Разбираемся без хайпа

OpenAI представила GPT-6 Astra и заявила о начале эры AGI. По определению OpenAI, общий ИИ должен превосходить людей в большинстве экономически значимых задач.

Но если убрать маркетинг, приблизилась ли Astra к человеческому пониманию мира?

Главный аргумент — бенчмарк ARC-AGI-3. Это тест, где модель попадает в незнакомые игровые миры и должна сама понять, как они устроены. Astra набрала 62,7% против 7,78% у GPT-5.6 Sol и 30,16% у Claude Opus 5. Более того, 96% решенных уровней в среде OpenAI она проходила за меньшее число действий, чем человек.

Но OpenAI показывала в этом тесте 99,9%. Разница возникла потому, что использовалась собственная обертка с памятью и обработкой контекста.

Поэтому прохождение теста еще не доказывает AGI.

При этом скачок в интеллекте серьезный. Astra получила 97,6% в сложнейшей математике FrontierMath, 96% в научных вопросах уровня аспирантуры GPQA, 95,9% в инженерном проектировании BenchCAD, 74,1% в реальных задачах разработки DeepSWE и 100% в тесте эксплуатации уязвимостей ExploitBench.

Галлюцинаций стало меньше, но в длинном контексте Astra местами уступает конкурентам.

Главное изменение видно в реальной работе.

В OSWorld 2.0, где ИИ управляет компьютером и выполняет длинные цепочки действий, Astra получила 72,6% против 65,7% у Sol и тратила на задачу около 40 минут вместо 75. Она может работать в браузере и приложениях почти как человек.

Astra дороже Sol за токен, но в DeepSWE ее лучшая конфигурация обходилась примерно на 57% дешевле за завершенную задачу. Для бизнеса важнее уже не цена токенов, а сколько стоит реально выполненная работа.

Я это вижу и на собственном опыте. У меня две подписки Claude Code по $200, и я активно использую Fable 5.1 для разработки продукта. Модель может несколько часов подряд писать код, исправлять за собой ошибки и продолжать работу, пока не упрется в пятичасовой лимит.

Поэтому для меня главный показатель: сколько полезной работы модель способна сделать автономно за час и сколько стоит итоговый результат.

Я сравнил обе модели на практике. Astra создала приложение примерно за 45 минут, Fable 5.1 — за полтора часа. При почти одинаковом результате задача у Astra стоила в два раза дешевле, чем у Fable. Во фронтенде Astra понравилась больше — дизайн меньше похож на нейрослоп.

Интересно, что Astra становится сложнее контролировать изнутри. Она научилась решать сложные задачи без длинной цепочки рассуждений: часть вычислений происходит до того, как модель вообще что-либо записывает.

Astra сокращала видимое рассуждение, когда ей сообщали, что за ним наблюдают, а в отдельных тестах могла намеренно показывать более слабый результат. Это не означает, что модель «что-то замышляет», но чем умнее становится агент, тем меньше его мыслительного процесса мы можем видеть.

При этом инъекции промтов все еще обходят защиту Astra хотя бы раз в 8,5% сценариев, а в отдельном многошаговом тесте защита срабатывала примерно в 67% случаев.

Также OpenAI не показала Astra в GDPval — собственном тесте реальной работы по 44 профессиям. Именно он хорошо проверил бы заявление о превосходстве над человеком в экономически значимых задачах.

Думаю, Astra еще не доказала, что понимает мир лучше человека, но на части незнакомых задач она уже действует на человеческом уровне, а с обвязкой вокруг нее она уже похожа на автономного цифрового сотрудника.

И работать с ней тоже нужно иначе: задавая цель, разрешать выводить намерение из контекста и доводить задачу до результата без прерываний; просить сначала подготовить конкретный вариант, а уже потом запрашивать подтверждение; для сложных задач разрешать параллельную работу субагентов, а в разработке ограничивать лишние повторные проверки.

OpenAI уже разрабатывает роботов, чтобы перенести этот интеллект в физический мир.

Спор о том, наступил ли AGI, не особо важен. Думаю, в ближайшее время мы так и не сможем определить, что такое общий ИИ.

Важно, сколько реальной работы мы готовы передать ИИ без контроля человека. И, судя по Astra, эта граница двигается очень быстро.

#новости

Если ИИ делает роботов сильнее, может ли он сделать сильнее человека?

Выше отправил новость о том, как прошли вторые «Олимпийские игры роботов» в Китае. Впечатляет, как за год роботы стали заметно быстрее и функциональнее.

Конечно, сравнивать человека и робота не совсем корректно, но когда на тебя бежит груда железа со скоростью лучшего спринтера мира, выглядит пугающе.

Очевидно, что дальше роботы будут становиться только лучше. Отсюда возникает вопрос: если ИИ помогает машине становиться быстрее и сильнее, то как он может помочь в этом нам?

Для меня спорт довольно личная тема. Мой соревновательный путь начался в конце 90-х с шахмат. Я выиграл детский турнир, после которого меня «прессанули» за шахматным клубом.

Дед решил, что шахматисту неплохо бы уметь за себя постоять, и отдал меня в единоборства. Следующие 12 лет были и кудо, и смешанные единоборства.

К 18 годам я перешел в пауэрлифтинг, где получил КМС: пожал 205 кг и присел 300 кг. В конце своей спортивной эпопеи успел взять призовые места и в бодибилдинге.

Я всегда выбирал спорт, где соревнование с другим человеком в итоге сводится к тому, чтобы стать лучшей версией себя.

Потом началась карьера, и весь этот соревновательный драйв на десяток лет ушел туда, а со спортом завязал.

Недавно я снова начал возвращать былую форму и почти сразу получил, пожалуй, самый тяжелый спортивный вызов в своей жизни.

У меня произошла серьезная травма с компрессией спинного мозга. Однажды я просто проснулся с парализованной рукой.

Сейчас я прохожу реабилитацию. Нейрохирург считает, что есть шанс восстановиться без сложной операции. Уверен, и с этим я тоже справлюсь.

И вот здесь я впервые столкнулся с ИИ как с инструментом восстановления собственного тела.

ИИ помог мне изучить медицинские исследования, разобраться в том, что со мной происходит, подготовить вопросы врачам и составить программу нейромышечной реабилитации.

Сегодня мои тренировки уже не про веса, а про то, как лучше почувствовать тело. Для этого можно использовать электромиограф, который регистрирует электрическую активность мышц.

Раньше я мог видеть, сколько килограммов нужно поднять, а сегодня могу видеть, насколько хорошо «включаются» мышцы, и подбирать оптимальную нагрузку.

ИИ также помог написать скрипт для очистки сырых данных, а затем проанализировать динамику сокращений. В перспективе можно собрать временной ряд и построить модель машинного обучения для прогноза восстановления.

Человек — очень сложная информационная структура, поэтому одна из самых полезных ролей ИИ сегодня — показывать человеку то, чего он сам раньше не мог увидеть.

Чем глубже мы сможем измерять человека, тем полезнее будет становиться ИИ. Но не чтобы заменить спортсмена, тренера или врача. А чтобы дать человеку дополнительный слой восприятия собственного тела.

И мне стало интересно, насколько далеко мы уже продвинулись в этой области.

В единоборствах компьютерное зрение используют для автоматического разбора спаррингов. В силовых видах спорта ИИ измеряет, как меняется техника под нагрузкой.

В гимнастике ИИ уже строит трехмерную модель тела, распознает элементы и помогает судьям оценивать исполнение. Можно снять движение человека на два смартфона и получить модель положения суставов.

Исследователи Google DeepMind научились моделировать розыгрыши угловых в футболе, а в NBA отслеживают 29 точек на теле каждого игрока 60 раз в секунду. В американском футболе создают цифрового атлета, чтобы раньше замечать опасные игровые моменты.

А в Формуле-1 ИИ работает уже не только с человеком, но и с машиной: около 300 датчиков генерируют более миллиона точек телеметрии в секунду, которые используются для анализа состояния машины и моделирования стратегии.

Эти технологии постепенно выходят из профессионального спорта. Телефон, часы и обычная камера уже могут давать человеку инструменты, которые еще недавно требовали команды аналитиков.

В лонгриде собрал десяток примеров и видео о том, как ИИ помогает спортсменам в разных видах спорта расширить пределы человеческих возможностей.

👉 Полная статья

#технологии

Роботы уже быстрее Усэйна Болта. Но готовы ли они к реальному миру?

В Пекине завершились World Humanoid Robot Games 2026 — пожалуй, самый наглядный публичный тест того, насколько далеко сегодня зашли гуманоидные роботы.

За пять дней на одной площадке собрали 2 056 роботов из 16 стран для соревнований в 51 дисциплине.

Роботов заставляли бегать, прыгать, драться, играть в футбол и даже работать в магазине и на производстве.

Главный хайлайт — один из роботов пробежал стометровку за 8,64 секунды.

Год назад лучший результат робота был 21,50 секунды. То есть всего за год результат улучшился примерно в 2,5 раза.

Да, на секундомере робот уже быстрее мирового рекорда Усэйна Болта — 9,58. Но сравнивать их напрямую неправильно: другое тело и никаких биологических ограничений.

Но вот вставить USB-кабель в разъём — всё ещё серьёзная инженерная задача.

На соревнованиях роботы должны были складывать одежду, открывать бутылки, забивать гвозди, брать мелкие предметы пинцетом, обслуживать клиентов в ресторане и выполнять бытовые задачи.

Получается интересный парадокс: «тело» робота развивается быстрее его «здравого смысла».

Мы уже умеем создавать машины с невероятной скоростью и мощностью. Но реальный мир требует понимания контекста, мелкой моторики, адаптации к неожиданностям и способности исправлять собственные ошибки.

Тогда зачем вообще проводить такую Олимпиаду? На самом деле это огромный полигон для развития индустрии.

1. Бенчмарк. Все компании получают одинаковые задания. Становится видно, кто действительно умеет делать работающих роботов, а кто показывает красивые демки.

2. Каждое движение — это данные. За турнир организаторы собрали тысячи часов записи. Всё это можно возвращать обратно в симуляцию и использовать для обучения следующего поколения роботов.

3. Рынок. Заводы и магазины могут посмотреть, какие задачи уже близки к реальному внедрению.

4. Стандарты. Постепенно появляется понимание того, что считать автономностью, как измерять безопасность и какие тесты робот должен пройти перед выходом в реальный мир.

Это скорее краш-тест всей робототехнической индустрии.

И судя по скорости прогресса между 2025 и 2026 годами, этот переход идёт значительно быстрее, чем кажется.

Если хотите следить за самыми свежими новостями в области ИИ, подписывайтесь на канал Нейроний.

ИИ-агенты оперативно мониторят авторитетные источники, включая платные, переводят новости на русский и публикуют только самое интересное.

👉 Видео и полная статья

Как разобрать бизнес-процесс и превратить его в ИИ-агента

Возвращаюсь со второй лекцией курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».

Мне пришлось два года проучиться в магистратуре Высшей школы экономики, получить диплом Международного института бизнес-анализа и перевести для официальной русской версии около 500 страниц BABOK (Business Analysis Body of Knowledge), чтобы собрать эту лекцию.

Конечно, вы можете самостоятельно прочитать весь BABOK. Там намного больше методов, инструментов и техник бизнес-анализа.

Но я постарался сделать максимально краткую и практическую выжимку именно для автоматизации бизнес-процессов с помощью ИИ-агентов.

Чтобы разработать полноценную стратегию ИИ-трансформации, нужно определить, какие процессы автоматизировать, в какой последовательности и каких агентов для них создавать.

Для этого сначала нужно разобрать каждый процесс таким, какой он есть сейчас.

На практике я постоянно сталкивался с одной и той же проблемой: процесс на бумаге или в голове руководителя почти никогда не совпадает с тем, как работа устроена в реальности.

В регламенте может быть восемь последовательных шагов, а в реальности сотрудники пересылают файлы, вручную переносят данные между системами, часами ждут согласований, возвращаются на предыдущие этапы и используют обходные пути.

Если просто добавить в этот хаос ИИ-агента, он станет еще одним участником плохо спроектированного процесса.

Поэтому сначала нужно восстановить модель AS-IS: понять, кто участвует в процессе, какие действия выполняет, как движутся данные, где принимаются решения, по каким правилам они принимаются, где возникают задержки, возвраты и исключения.

Затем для каждой проблемной точки нужно определить подходящий способ автоматизации.

Если условие однозначно описывается через «если — то», достаточно простого правила. Если нужно понимать контекст — нужен ИИ-агент. Если цена ошибки высока — решение остается человеку.
Если агент может подготовить результат, а человек проверить его, используется гибридный подход.

После этого проектируется целевой процесс TO-BE, в котором работа распределена между людьми, классической автоматизацией и ИИ-агентами.

Важно определить не только действия будущего агента, но и его «когнитивные» навыки.

Именно этому посвящена вторая лекция курса «Автоматизация бизнес-процессов с помощью ИИ-агентов».

В практической части вы возьмете один реальный процесс из своей компании и проведете его полный анализ:

• Определите бизнес-цель, метрику и границы процесса;
•Восстановите реальный процесс AS-IS и построите его модель;
• Найдете узкие места и точки автоматизации;
• Спроектируете процесс TO-BE и граф навыков будущего агента;

Первым лучше брать «низковисящий фрукт»: процесс, который заметно влияет на бизнес-результат, использует доступные данные, не требует десятков интеграций и может быть автоматизирован с помощью существующих моделей.

Чтобы вам не пришлось самостоятельно рисовать все диаграммы, в практической части я оставил шесть готовых примеров и четыре промта:

1. Превращает расшифровку интервью в схему AS-IS
2. Находит точки автоматизации и быстрые победы
3. Проектирует модель TO-BE
4. Собирает граф навыков агента

Полученные диаграммы можно сразу посмотреть, отредактировать и сохранить.

А в ближайшее время я выпущу отдельный инструмент, с помощью которого можно оцифровать уже не один процесс, а всю компанию: ее процессы, системы, данные и роли.

Система построит цифровую модель компании, найдет точки автоматизации, предложит подходящих ИИ-агентов, а затем позволит собрать «по кнопке» выбранных агентов.

Так мы переходим к системной ИИ-трансформации бизнеса.

Если вы еще не переводите свой бизнес в AI-First модель, то чем вы вообще занимаетесь?

Лекцию можно посмотреть или прочитать. В конце вас ждет практика на собственном бизнес-процессе.

👉 Смотреть вторую лекцию

Промт-инжиниринг выходит в физический мир

Опять про роботов. Несколько дней назад Generalist AI представила GEN-1.5 — новую модель для управления роботами.

Обычно, если мы хотим научить робота новому действию, нужно собрать кучу данных, обучить модель и проверить ее на реальном железе.

GEN-1.5 обучали больше восьми месяцев, пока исследователи не попробовали вообще не обновлять веса.

И оказалось, что модель способна понять новую задачу из контекста.

Теперь роботу можно показать 3–12 секунд физического действия, после чего GEN-1.5 попытается выполнить его сама. Generalist AI называет это физическим промтингом.

Примерно как с языковой моделью, только здесь в промт передается не текст, а сенсорные данные и само действие.

Демонстрация помещается в 30-секундный контекст. Модель смотрит на пример и текущее состояние среды и пытается понять, что нужно сделать.

На десяти коротких задачах такой способ дал около 59% успеха. Конечно, для промышленного робота это пока так себе результат.

Но пять минут данных и десять шагов дообучения поднимают результат примерно до 83%. Один шаг на одной минуте данных дал 66,5%.

Я бы смотрел не столько на проценты, сколько на сам процесс обучения новому навыку.

Раньше под новую задачу могли потребоваться часы данных и полноценное обучение. Теперь сначала можно показать несколько секунд примера. Если этого недостаточно — собрать несколько минут данных и дообучить модель.

Самое интересное, что эту способность специально не проектировали. Прям как с большими языковыми моделями: на масштабе оказалось, что модель умеет распознавать новую задачу внутри контекста без изменения весов.

Только теперь вместо текста — физический опыт.

Можно дать модели две отдельные демонстрации: сначала открыть кошелек, а потом достать деньги. Переход между ними никто не показывает — модель сама соединяет действия.

Еще интереснее, что действие можно показать в симуляторе как физический промт, после чего реальный робот попытается повторить его в физическом мире. Проблему Sim2Real-перехода это не отменяет, но симулятор становится еще и интерфейсом постановки задачи.

В некоторых экспериментах человек выполнял действие руками перед камерами робота, а модель переносила его на собственное тело.

Есть и примеры не просто копирования движения. После пяти минут дообучения на задаче с щеткой модель смогла использовать вместо нее банан, а с совком придумала другую стратегию: подцепила предмет и высыпала его в миску.

Generalist AI проверила почти 1,9 млн сцен и не нашла среди них близкого примера такого использования совка.

И это напрямую связано с моим прошлым постом про то, как ИИ-агенты начинают самостоятельно обучать роботов.

Я писал, что физический ИИ, скорее всего, будет состоять не из одной огромной модели, а из агента, который понимает цель, планирует действия, использует память и инструменты и управляет моделями для физического выполнения.

Теперь такой агент потенциально может создавать физические промты: найти похожий опыт в памяти, получить демонстрацию от человека или создать ее в симуляторе и сразу проверить результат на реальном роботе.

Если получилось плохо — изменить пример или дособрать данные. Если навык используется постоянно — сможет дообучить отдельную модель. И тогда тот цикл становится еще короче.

Получается, что физический опыт постепенно становится новым языком программирования роботов.

И, возможно, появится профессия наподобие промт-инженера, но для роботов.

Пока GEN-1.5 закрыта, однако, думаю, это вопрос времени.

#новости

ИИ-агенты выходят в физический мир: кажется, мы начинаем по-другому обучать роботов

Недавно Humanoid — один из клиентов моей компании — стал первым в Европе единорогом в сфере гуманоидной робототехники.

Многие знают меня по внедрению ИИ в бизнес, но я также занимаюсь робототехникой.

Когда я консультировал Humanoid, у меня уже был опыт ускорения разработки и обучения беспилотников в симуляции.

Поэтому возник вопрос: а что, если совместить эти подходы и ускорить создание новых навыков для роботов?

На заводе роботу не нужно абстрактное «умение быть человеком»: часто нужно взять объект и положить его в нужное место. Причем две ноги не всегда преимущество — практичнее колесная платформа, а главная ценность в работе руками.

Другой объект, положение или рабочая зона — и уже нужны новые данные для обучения. Одна из ключевых проблем робототехники — Sim2Real-переход: то, что работает в симуляции, может не работать в суровой реальности из-за отличий в физике или шума сенсоров.

Данные собирают через телеуправление и эгоцентрические видео, но действие все равно кто-то должен выполнить тысячи раз. С беспилотниками мы решали это симуляцией.

С роботами проблема не в ускорении написания кода. Humanoid — один из моих кейсов с AI-Native-средой: разработчики активно используют ИИ, а агенты работают даже ночью. Но если код пишется в пять раз быстрее, робот не начинает в пять раз быстрее учиться. После кода начинается физический эксперимент.

Скажем: «подними коробку». Робот поднял — и тут же бросил в потолок. Формально задача выполнена, но функция вознаграждения задана плохо.

Тут я предложил перенести в физический ИИ принцип из AI-Native-разработки, но добавить новые уровни проверки.

В разработке ПО есть подход TDD (Test-Driven Development): сначала описываем тесты, а затем ИИ должен их пройти. В робототехнике после программных тестов добавляются симуляция, лабораторная среда и физические тесты.

Здесь стек валидации глубже: ошибка в физическом мире может закончиться разбитым оборудованием или травмой человека.

Но даже так мы лишь ускоряем существующий пайплайн. Узкое место остается: физический опыт все равно нужно получить — через симуляции, реальные эксперименты, время и затраты на вычисления.

В разработке ПО мы радикально ускорили производство кода. Для роботов теперь нужно радикально ускорить производство опыта.

Возможно, стоит не ускорять сам пайплайн, а менять пайплайн обучения.

Я уже писал про VLA. Теперь поверх этого появляется ИИ-агент. Поэтому мне стал интересен подход Code as Policies и agentic robotics: агент получает задачу, использует восприятие, навыки и модели, пишет программу поведения, запускает ее, смотрит на результат и исправляет решение.

ИИ сам становится участником физического эксперимента: он пробует, обнаруживает ошибку и повторяет попытку.

VLA и политики никуда не исчезают: сверху размышляющий агент планирует, ниже работают VLA, восприятие и навыки — считайте, «MCP для роботов», а контроллеры управляют физикой.

Успешные решения можно сохранять как переиспользуемые навыки, а робота использовать для производства собственных данных.

Так ИИ учится задавать поведение робота, а робот — сам производить данные для следующего обучения.

Больше роботов дают больше физического опыта. Больше опыта позволяет строить лучшие навыки и политики. А лучшие политики делают следующие эксперименты дешевле.

Решил глубже разобраться в этом вопросе и написал об этом новую статью.

Вчера ИИ-агенты работали в цифровом мире, а теперь получают «доступ к телу».

У меня есть EEG-повязка, к которой я приделал ИИ, чтобы стоически отделять свои автоматические эмоции от взвешенных решений – помогает.

Теперь жду экспериментальные умные очки из одной лаборатории, а также своего первого робота. Начну с «мозгов», потом добавлю руки и ноги, буду писать об этом.

Раньше я думал, что метавселенные станут массовыми раньше роботов. Но сейчас уже так не кажется.

ИИ становится рабочей силой не только в цифровой, но и в физической экономике.

И вот это действительно может навсегда изменить наш мир.

👉 Полная статья

#технологии

Как превратить бизнес в AI-First компанию с ИИ-агентами

Первый вопрос предпринимателей: с чего начать ИИ-трансформацию бизнеса и внедрение ИИ-агентов?

Мой ответ всегда один: не с агентов, а с диагностики бизнеса.

Сначала нужно понять, где компания находится сейчас: насколько зрела ее система управления, люди, инфраструктура и данные и готова ли она к внедрению ИИ.

К этому выводу я пришел не только благодаря успешным проектам. В моем опыте была и неудачная попытка ИИ-трансформации.

В роли Chief AI Officer я предложил начать с диагностики ИИ-зрелости, на что фаундер назвал это «корпоративным булшитом».

Он хотел сразу перейти к созданию агентов, но быстро выяснилось, что внедрять агентов практически некуда.

В компании был слабый менеджмент. Даже руководители не понимали общих целей бизнеса, а цели подразделений не были связаны между собой.

Никто не понимал, какой департамент чем занимается, но «все должны внедрить себе агентов».

В итоге — кто в лес, кто по дрова. Как встроить сюда общие цели по ИИ, было неясно.

Люди и без того работали в атмосфере страха, а после появления темы ИИ начали опасаться сокращений.

Вместо инициативы возникло сопротивление: сотрудники старались не брать ответственность и ничего не менять.

Инфраструктура состояла из легаси-систем. Чтобы развернуть небольшой релиз, инженеры могли месяцами ждать инфраструктурную команду, попутно увольняясь, хотя обновления ИИ-агентов часто нужно выпускать ежедневно.

С данными было не лучше. У каждого департамента — свои базы, доступы и правила. Единого контура данных не существовало, а где что находится, знал один старожил.

Получение данных для обучения агентов превращалось в многомесячный проект.

Я нанимал ИИ-инженеров по автоматизации, но вместо разработки агентов они пытались получить доступы, найти данные и дождаться деплоя.

Мы так и не вывели ни одного агента в прод, зато запустили более сотни пилотов.

В таких условиях ИИ-трансформация превращается в болото, которое снилось мне по ночам. А после нескольких месяцев я решил оставить проект.

Можно сделать классный прототип и показать крутую демку, но превратить ее в устойчивую часть бизнеса невозможно. Технология становится еще одним элементом хаоса.

Поэтому диагностика зрелости — не бюрократия. Это рентген компании.

Она помогает определить сильные и слабые стороны, понять, какие ограничения устранить, и сформировать дорожную карту перехода к AI-First-модели.

После диагностики начинается разработка ИИ-стратегии. Сначала нужно определить цели и метрики.

Обычно бизнес стремится:

• сократить затраты;
• увеличить выручку;
• ускорить разработку продуктов;
• повысить качество решений;
• и масштабироваться без роста штата.

Далее нужно понять, какие процессы влияют на эти показатели: основные, создающие ценность для клиента, поддерживающие — HR, финансы и IT, или управленческие, связанные со стратегией и решениями.

Затем процессы нужно описать, найти узкие места и точки принятия решений, а после редизайнить под совместную работу людей и ИИ-агентов.

Начинать лучше с низковисящих фруктов — процессов, где потенциальный эффект высок, а критических блокеров нет. Быстрые победы позволяют проверить гипотезу, показать результат и получить поддержку для масштабирования.

Параллельно проводится SWOT-анализ и формируется дорожная карта повышения зрелости: какие изменения нужны в управлении, культуре, инфраструктуре и данных, чтобы следующие решения внедрялись быстрее.

Еще один вывод из моего опыта: иногда построить AI-First-бизнес с нуля проще, чем трансформировать большую корпорацию.

В новом бизнесе процессы можно сразу проектировать вокруг ИИ.

В существующей компании сначала приходится разбирать кучу организационных и технологических ограничений.

Именно об этом моя первая лекция: как оценить готовность компании, определить цели трансформации, выбрать процессы и построить реалистичную стратегию внедрения ИИ-агентов.

👉 Лекцию можно посмотреть или прочитать.

Каждый день я буду разбирать ее ключевые тезисы, а каждые десять дней — выпускать новую лекцию.

Следите за обновлениями.

Как превратить бизнес в AI-First компанию с помощью ИИ-агентов

Я запускаю бесплатный курс по автоматизации бизнес-процессов с помощью ИИ-агентов.

В нем я собрал свой практический опыт ИИ-трансформации компаний: от диагностики бизнеса и разработки стратегии до создания агентов, их внедрения в реальные процессы, управления изменениями и расчета экономического эффекта.

Цель курса — научить вас видеть бизнес как поток данных и превращать его в интеллектуальные системы, в которых люди и ИИ-агенты работают вместе.

Курс подойдет будущим ИИ-консультантам, ИИ-инженерам по автоматизации и ИИ-основателям.

Вы научитесь автоматизировать процессы и масштабировать бизнес без роста штата, а также:

• проводить диагностику ИИ-зрелости бизнеса;
• разрабатывать стратегию ИИ-трансформации;
• находить процессы с наибольшим потенциалом для автоматизации;
• описывать текущие процессы AS-IS;
• редизайнить их в будущую модель TO-BE;
• определять граф навыков ИИ-агента и новую роль человека;
• создавать ИИ-агентов и мультиагентные системы;
• тестировать качество, надежность и безопасность ИИ;
• рассчитывать ROI и экономический эффект;
• внедрять первого ИИ-агента в реальный бизнес-процесс.

Программа курса

Курс состоит из восьми модулей, в рамках которых вы пройдете весь цикл AgentOps:

1. Стратегия внедрения ИИ-агентов

2. Моделирование бизнес-процессов с ИИ-агентами

3. Разработка ИИ-агентов

4. Разработка мультиагентных систем

5. Продвинутые методы разработки сервисов

6. Мониторинг и масштабирование ИИ-агентов

7. Управление изменениями в компании

8. Оценка экономического эффекта

В результате вы получите работающего ИИ-агента, адаптированного под процессы вашего бизнеса с измеримым бизнес-эффектом.

Как проходит обучение

Каждые десять дней я буду публиковать новую живую лекцию и практическое задание.

После каждой лекции вас ждет тест, а для более глубокого изучения темы — подробная статья.

Десяти дней достаточно, чтобы спокойно разобраться в материале и выполнить практическую работу.

Материал будет плотным и без воды. Продолжительность одной лекции — до 30 минут, а весь теоретический курс займет не более четырех часов.

После завершения курса я отдельно соберу все статьи в полноценную книгу.

Первая вводная лекция уже доступна.

В ней мы разберем:

• кто такие ИИ-агенты;
• почему агенты становятся новой формой организации труда;
• что такое AI-First компания;
• в каких процессах ИИ создает максимальную ценность;
• как оценить ИИ-зрелость компании и из каких блоков она состоит;
• как сформировать стратегию внедрения ИИ-агентов;
• как перейти от отдельных пилотов к системной ИИ-трансформации.

В качестве практического задания вы изучите методологию оценки ИИ-зрелости и проведете диагностику своей компании.

Вы получите персональные рекомендации и поймете, насколько бизнес готов к внедрению ИИ-агентов и какие шаги необходимо включить в дорожную карту ИИ-трансформации.


Буткемп для компаний

Для тех, кто хочет пройти этот путь вместе со своей командой, доступен трехмесячный буткемп.

ИИ-консультанты помогут команде до десяти человек дойти до конца пути.

Это индивидуальная работа на реальных задачах вашего бизнеса с сопровождением от диагностики до полноценного внедрения.

Мой курс уже прошли более 500 человек, а совокупный экономический эффект реализованных агентов превысил 200 миллионов рублей.

Сегодня ИИ-агенты действительно меняют бизнес, рынок труда и экономику. Поэтому я постарался сделать эти знания доступными каждому.

Для этого и следующих курсов я создал отдельный канал.

Там я буду регулярно публиковать подробные статьи и делиться своим опытом внедрения ИИ.

Создайте своего первого ИИ-агента и начните трансформацию компании в AI-First уже сегодня.

👉 Пройти курс

#анонс

Восстание машин: как защитить свой бизнес, когда ИИ становится хакером

Недавно ИИ-агент на базе GPT-5.6 Sol и более мощной предрелизной модели OpenAI сбежал из изолированной среды и проник в инфраструктуру Hugging Face.

Так он хотел получить решения к ExploitGym — тренажеру для ИИ-хакеров, где модели учат находить уязвимости и взламывать системы.

Это один из первых публичных случаев, когда ИИ преодолел песочницу и добрался до внешней системы.

Но модели не «взбунтовались». Исследователи проверяли хакерские возможности и дали инструменты без блокировки опасных действий.

Однако никто не поручал агенту выходить в интернет, атаковать Hugging Face и красть ответы. Этот путь он выбрал сам ради цели — решить тест.

Песочница не имела открытого интернета, но могла устанавливать библиотеки через внутренний реестр. Агент нашел неизвестную уязвимость в прокси, повысил привилегии и добрался до машины с интернетом.

Он предположил, что на Hugging Face хранятся решения ExploitGym, и загрузил вредоносный датасет. Через запуск кода и внедрение команд в конфигурацию агент получил контроль над сервером, нашел ключи и пароли и через закрытые серверы добрался до базы с ответами.

Так агент достиг своей цели.

При расследовании восстановили более 17 000 событий. Агент ставил промежуточные цели, запускал код, анализировал результат, менял план и пробовал снова.

Парадокс: коммерческие модели оказалось трудно использовать — фильтры блокировали анализ вредоносных команд. Поэтому Hugging Face использовала открытую GLM 5.2 внутри своей инфраструктуры.

В итоге серверы пересобрали, токены отозвали, уязвимости отключили, а информацию передали правоохранителям.

Илья Суцкевер предупреждал: чем сильнее способности ИИ к рассуждению, тем менее предсказуемо его поведение.

Недавно модель OpenAI за час нашла уязвимость и открыла публичный PR на GitHub вместо Slack.

Был случай, когда злоумышленники убедили ИИ-бота Instagram добавить к чужому аккаунту новую почту и запустить сброс пароля без проверки личности.

А модель Mythos от Anthropic за несколько часов обнаружила уязвимости в засекреченных системах правительства США.

Сегодня ИИ-агенты способны атаковать сайты и приложения — по заданию злоумышленника или после компрометации вашего агента. Они могут изучить систему, выполнить вредоносный код, похитить пароли и базу.

Отдельный риск — промт-инъекция в документе или письме, которое читает агент. Даже без взлома ИИ способен устроить DoS-атаку, массово вызывая дорогие модели, обработку аудио и документов.

Возникает вопрос: может ли агент запустить ядерное оружие?

Такие комплексы обычно изолированы от интернета, но ИИ может подделать данные раннего предупреждения, будто противник уже атакует. Тогда катастрофическое решение примут люди на основе ложной информации.

Звучит как сценарий конца света.

Защита от этого строится через архитектурные ограничения. Систему нужно проектировать так, будто агент, файл или сервер будут скомпрометированы: обрабатывать загрузки в одноразовых контейнерах без доступа к проду и паролям, запрещать выход в интернет, выдавать короткоживущие ключи и не давать одному агенту доступ ко всему.

Критические операции должны проверяться кодом и подтверждаться человеком. Действия агентов нужно логировать, ограничивать по запросам и расходам и уметь мгновенно останавливать с отзывом токенов.

Нас ждет не «восстание машин», а индустриализация кибератак.

Сегодня автономные агенты могут исследовать тысячи сайтов, читать документацию и код, искать уязвимости и взламывать системы без участия человека.

Опасно то, что работу команды хакеров может выполнять один человек с несколькими агентами.

Поэтому не пытайтесь сделать агента абсолютно послушным, а проектируйте систему так, чтобы даже ошибившийся или взломанный агент физически не мог нанести критический ущерб.

Вайбкодеры, помните: ИИ может написать код, но только инженер понимает, как устроена вся система и как не дать одной уязвимости уничтожить весь бизнес.

Кодить теперь может каждый, а отвечать за результат по-прежнему должен инженер.

#новости

Инвестиции не нужны: как ИИ меняет венчур. Часть 2

В первой части я рассказал, почему инвестиции перестают быть обязательным входным билетом в технологическое предпринимательство.

На мой взгляд, на смену классическому венчуру может прийти гибридная модель.

Вчера венчур был устроен просто: инвестор переводит деньги, а основатель отдает долю. Но бизнесу нужен не только капитал. Ему нужны время и фокус основателя, доверие клиентов и доступ к рынку.

У инженера, способного самостоятельно создать продукт, обычно три вопроса: что строить, на что жить во время разработки и как затем выйти к клиентам.

Первый вопрос решает система, которая помогает определить реальную потребность рынка. О ней расскажу в конце.

Второй можно закрыть так, как сделал я: сначала заработать капитал, а затем финансировать свои продукты.

Либо через краудфандинг. Будущие пользователи заранее финансируют разработку, а взамен получают пожизненный доступ, специальные условия, возможность влиять на развитие продукта или другие плюшки.

Так вместо одного инвестора с крупным чеком появляются десятки или сотни первых последователей, заинтересованных в успехе продукта.

Они одновременно дают основателю время на разработку, подтверждают спрос и становятся первыми клиентами.

Третий вопрос решается партнерством.

Тот, кто предоставляет доступ к клиентам и рынку, получает revenue share. Не долю во всей компании, а вознаграждение за конкретный результат.

В итоге основатель получает возможность спокойно строить, пользователи финансируют нужный им продукт, а партнеры зарабатывают на открытых ими рынках.

Гибридность заключается в том, что один «инвестор» может одновременно дать деньги, стать первым клиентом и открыть новый рынок.

Тут важно быть особенно внимательным с условиями партнерства, чтобы помощь с выходом на рынок не превратилась в рейдерский захват.

Например, недавно один инвестор предложил мне инвестиции, от которых я отказался.

Тогда он предложил стать партнером и продвигать мой продукт, но попытался хитро заложить в договор фактический контроль над моей интеллектуальной собственностью — по его выражению, чтобы «оседлать этого коня». Благо юристы вовремя это обнаружили.

ИИ меняет и сам подход к формированию команды. Теперь больше гипотез можно проверять силами нескольких талантливых людей, готовых брать на себя ответственность за результат и приобретать бесценный опыт.

У меня самого была подобная стратегия: поработать лет 10 с опытными CEO, чтобы учиться на их опыте и совершать меньше собственных ошибок.

Раньше в Сбере мне «поставляли» десятки стажеров. Сегодня мне по-прежнему предлагают такую опцию, но я выбираю только невероятно талантливых. Количество людей в команде не коррелирует с качеством продукта.

Вчера мой стажер выиграл грант в миллион рублей на продолжение моего дела – дейтинг-сервиса. Я готов вкладываться в новое поколение предпринимателей и передавать свой опыт.

Если вы хотите научиться строить ИИ-продукты, ребята из AI Talent Hub, которым я помогаю, сейчас открывают набор в магистратуру ИТМО.

С осени я продолжу там же вести свой курс по ИИ-агентам, а на следующей неделе анонсирую бесплатный курс для всех — чтобы больше людей могли воплощать свои идеи в жизнь и строить ИИ-компании.

Путь предпринимателя тернист. Гораздо проще «крутить гайку» в бигтехе, но в то же время это путь к свободе, которую я ценю больше всего.

Товарищи технари, если вы умеете самостоятельно создавать продукты, сегодня ваше время.

Разобраться в рынке, продажах и экономике продукта, на мой взгляд, легче, чем разобраться в инженерном деле — даже с ИИ.

Мы, инженеры, знаем, как строить, но не всегда знаем, что именно. Однако мы можем создать систему, которая подскажет, что действительно нужно людям.

Поэтому я подготовил для вас статью о том, как собрать себе такую систему.

Как бы сказал Брюс Ли в наши дни:

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

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

#мысли

Инвестиции не нужны: как ИИ меняет венчур. Часть 1

В 2019 году я выиграл акселератор Сбера с дейтинг-сервисом на базе ИИ с несколькими тысячами пользователей.

Мне предложили 2 млн рублей за 10% компании, а в дальнейшем Сбер мог увеличить долю до 50% по той же цене акций и получить контроль.

Я отказался. Этих денег хватило бы на месяц работы, а в топ-менеджменте Сбера я мог спокойно заработать эту сумму за квартал.

Получается, что ради месяца расходов я должен был навсегда отдать часть компании и потерять свободу.

Согласно опросу, 87% наших пользователей ушли бы из сервиса, если бы мы «продались» Сберу.

Кроме того, условия акселератора лишали меня возможности независимо развивать стартап в течение трех лет.

Тогда в дейтинге многие пользователи успели найти своего человека, поэтому вскоре я его похоронил.

В то время инвестиции казались обязательными, но сегодня все изменилось.

Еще пару лет назад для разработки продукта требовалась команда примерно из десяти человек: пара бэкендеров и фронтендеров, аналитик, дизайнер, ИИ-инженер, QA, маркетолог и тимлид, дирижировавший этим оркестром.

Когда я работал CTO в венчурной студии, одними из основных метрик были количество и скорость проверки гипотез.

Мы закладывали около миллиона долларов в год на одну продуктовую команду — с учетом зарплат, налогов и инфраструктуры.

Основатель продавал долю еще до того, как понимал, какой продукт действительно нужен рынку, а инвестор на ранних стадиях фактически финансировал время команды для проверки гипотез.

ИИ перевернул эту модель с ног на голову.

Теперь основатели не бегают за инвесторами, а сами инвесторы пытаются понять, в каких людей и на каких условиях стоит инвестировать.

Да, для чипов, биотехнологий, робототехники и фундаментальных моделей это не работает. Но для SaaS, ИИ-агентов, автоматизаций и AI-First бизнесов такая экономика уже реальна.

Сегодня очевидно, что с помощью ИИ можно самостоятельно исследовать рынок, разработать продукт вместе с агентами — не завайбкодить, а именно выстроить полноценный инженерный процесс — и провести первые продажи.

Возможно, один человек не сможет в одиночку вытянуть миллиардную компанию (но это неточно). Но он точно способен потянуть раннюю стадию.

Следовательно, порог входа в технологическое предпринимательство радикально снизился.

Если год работы команды стоит около миллиона долларов, то одному основателю нужно порядка $100к. Так потребность в раннем капитале сокращается в десять раз.

Главным расходом становится время и фокус человека, который умеет строить.

Если крутой специалист зарабатывает $10к в месяц, тратит $5к на жизнь и откладывает остальные $5к, то $100к он накопит за пару лет. Конечно, все зависит от локации и уровня расходов.

Через свою компанию это можно сделать быстрее: консалтинг, разработка и внедрение ИИ создают кэшфлоу, который затем финансирует собственные продукты. Я сам прошел этот путь.

Я уехал строить бизнес на Кипр четыре года назад с нулем в кармане, оставив все, что у меня было, кроме своих знаний и опыта.

Конечно, сразу выйти на хороший доход в новой среде было непросто. Тем более что мне, как россиянину, больше года открывали компанию и корпоративный счет.

Это было крайне тяжелое время: я технически не мог принимать оплаты и поэтому выживал как мог. Если интересно, об этом пути могу написать отдельную статью.

Но постепенно прибыль более $300к в год без единого сотрудника стала реальностью.

Правда, у регулятора до сих пор есть вопросы к регистрации моих разработок: мол, в штате компании должны быть сотрудники. Когда я объясняю, что весь код написан ИИ, это вызывает недоумение и создает прецедент.

Ох уж этот архаичный старый мир… Но это уже другая история.

Так главным конкурентом венчурного фонда становится способность основателя самостоятельно обеспечить себе финансовую свободу.

«Инвестиции не нужны» не означает, что капитал больше вообще не нужен. Это значит, что инвестиции перестают быть обязательным условием для создания своей ИИ-компании.

Во второй части расскажу, какая модель может прийти на смену классическому венчуру.

#мысли

Loop Engineering: новый хайп или конец ручного промтинга?

Сначала все учились писать хорошие промты, и ненадолго даже появилась целая профессия промт-инженера. Казалось, что главный навык будущего — это умение просить модель исполнять нужную роль, описывать формат ответа, добавлять примеры и ограничения, чтобы получать ожидаемый результат.

Потом стало понятно, что одного промта мало. Модель не может качественно решать задачу, если она не понимает контекст: какие есть документы и как устроен проект. Так появилась инженерия контекста: умение предоставить модели такую информацию, чтобы она могла выдавать более осмысленные ответы.

Следующий уровень — обвязка вокруг модели в виде инструментов, песочницы, логов, памяти и прав на совершение действий. Потому что модель без среды просто отвечает текстом, а агент в правильно организованной среде уже может действовать.

Но сейчас инженеры “придумали” следующий уровень — инженерию циклов, или Loop Engineering.

Это когда человек больше не пишет каждый следующий запрос агенту вручную. Вместо этого он проектирует систему, которая сама запускает агента в нужный момент, дает ему правильный контекст, выполняет действие, получает обратную связь от среды, проверяет результат и решает, нужно ли продолжать или все цели достигнуты.

Человек больше не контролирует каждый шаг агента. Он становится архитектором процесса, в котором агент может работать, не теряя заданную цель, контекст, прогресс и критерии качества.

Главное здесь — не автономность сама по себе, а проверяемость.

Хороший цикл — это система, у которой есть условие запуска и завершения, тело цикла, среда выполнения и ограничения.

Такие циклы особенно полезны там, где есть повторяющаяся работа и понятная проверка результата.

Простой пример, о котором я писал ранее, — разработка через тесты (Test-Driven Development). Мы заранее описываем, что должно работать, а агент пишет код, запускает проверки, получает ошибки, исправляет, снова проверяет и не завершает задачу, пока система не увидит доказательство, что результат достигнут.

Но даже здесь есть ловушка: успешные проверки еще не означают, что продукт работает. Самый опасный сценарий — когда формально все тесты зеленые, но реальный пользовательский путь сломан.

Проектировать хорошие циклы нужно уметь. Иначе агент будет тратить ресурсы, ошибаться и в конце принесет результат, которому нельзя доверять.

Новые циклы лучше сразу не делать автономными. Сначала их нужно запустить вручную, посмотреть первый полный проход, убедиться, что они правильно сохраняют состояние, не тащат лишний контекст, не делают опасных действий и действительно работают так, как было задумано. Только после этого их можно ставить на расписание или запуск по событию.

Циклы нужно превращать в переиспользуемые навыки. Так у вас появится библиотека рабочих процессов, которые можно встраивать в более сложные системы.

Самоулучшающийся цикл — это когда система записала обобщенное правило в файл, который будет прочитан при следующем запуске. Это может быть полезно, если правило действительно улучшает будущую работу. Но если цикл пишет себе правила без внешней проверки, то агент может “выучить” неверный урок. Поэтому самоулучшение без проверяющего — это новый риск.

Отдельная проблема — контекст. Цикл пересылает контекст на каждом проходе, поэтому лишняя информация быстро раздувает бюджет на токены и плодит ошибки.

Циклы — это недостающее звено системы, в которой агенты могут действовать самостоятельно. Однако ИИ-агент может быть автономным ровно настолько, насколько система умеет проверять его работу.

Поэтому новый важный навык — умение строить циклы, которым можно доверять.

#технологии