CPO Cafe

Инструкторы йоги — новые инвестбанкиры?

Ещё одна мысль из нашей дискуссии про AI и продуктивность. Когда обсуждают, какую профессию осваивать, чтобы в будущем оставаться востребованным и хорошо зарабатывать, обычно предлагают идти в технологии, программирование и искусственный интеллект. Я бы предложил заодно присмотреться к пилатесу. И для этого есть даже экономическое обоснование.

В 1960-х экономисты Уильям Баумоль и Уильям Боуэн исследовали экономические проблемы исполнительских искусств. Классический пример, на котором объясняют их наблюдение, — струнный квартет. Для исполнения Бетховена сегодня нужны примерно те же четыре музыканта и столько же времени, сколько двести лет назад. Выдать им планшеты вместо нот можно. Сыграть вдвое быстрее или сократить половину квартета — уже довольно смелая интерпретация авторского замысла.

При этом в других отраслях производительность растёт: за час работы люди выпускают всё больше продукции и получают возможность зарабатывать больше. Оркестрам тоже приходится повышать оплату, чтобы профессия оставалась привлекательной. Только компенсировать этот рост увеличением выпуска они не могут. Поэтому живое исполнение становится относительно дороже. Этот механизм называют эффектом Баумоля, или «болезнью издержек».

Получается занятная история. Можно делать примерно то же самое, что делали твои предшественники, и стоимость твоего труда будет расти благодаря тому, что где-то вокруг все очень эффективно автоматизируются. Парикмахер не обязан стричь в десять раз быстрее, чтобы получать выгоду от технологического прогресса.

А теперь посмотрим через эту оптику на AI. Если значительная часть интеллектуальной работы станет намного дешевле, интереснее могут выглядеть занятия, где существенная ценность — в самом человеческом участии. Стрижка, массаж, йога, работа психолога. Образование и медицина в той части, где нам нужны внимание, доверие и личное взаимодействие. Час такого участия трудно превратить в пять минут, сохранив всё, за что человек заплатил.

Причём между программированием и преподаванием йоги есть ещё много вариантов. Например, наставничество, менторинг, сопровождение профессионального развития. Опытный человек, который помогает другому разбираться со сложными задачами, замечать собственные ошибки и постепенно становиться самостоятельнее. Думаю, у такой работы могут появиться дополнительные источники спроса.

Вот один возможный сюжет. Компании решают, что часть работы джунов дешевле отдать AI. Отлично, сэкономили. Через некоторое время выясняется, что сеньоров по-прежнему хочется нанимать, а места, где будущие сеньоры могли бы набраться опыта, мы только что оптимизировали. Кто-то должен будет организовать это обучение: подобрать задачи, разобрать решения, дать обратную связь. Здесь у опытных наставников вполне может прибавиться работы.

Другой сюжет — свободное время. Если рост производительности даст людям больше времени и сохранит возможность тратить деньги, часть этого ресурса может уйти в занятия собой: здоровьем, образованием, отношениями, освоением чего-то нового. И тогда у преподавателя йоги появится больше клиентов, даже если сам он не освоит ни одного AI-агента.

Разумеется, Баумоль не обещал каждому инструктору бонус как в Goldman Sachs. Но мысль о том, что перспективная профессия обязательно должна находиться на переднем крае технологий, мне кажется слишком узкой. Можно оказаться востребованным именно потому, что твоё участие трудно автоматизировать, а покупать его людям по-прежнему хочется.

Поэтому, если вам давно надоели финансы, HR и бесконечные презентации, а хочется преподавать йогу, стричь людей или помогать им разбираться с жизнью и работой, возможно, вы просто раньше других почувствовали структурные изменения в экономике.

Раньше это называлось «бросил карьеру и ушёл искать себя». Теперь можно говорить: «Занял позицию в секторе с ограниченным ростом производительности». Согласитесь, уже совсем другой разговор.

Пример стратегии в действии

В тексте про Volkswagen Tesla упоминалась как бенчмарк, на который ориентировались немцы в стратегии электрификации компании. А значит история не будет полной, если мы не посмотрим, что делала Tesla и почему у нее получилось, — притом что долгие годы в неё никто не верил.

У Tesla есть то, чего почти никогда нет у историй успеха: документ, написанный до результата.

Встречайте еще один лонгрид (кажется, он еще длиннее, так как история богаче). На этот раз про то, как шаг за шагом воплощался замысел, который был публично озвучен в 2006 году.

Кому принадлежат шесть часов, которые сэкономил AI?

Вчера в дискуссионном клубе обсуждали влияние AI на производительность труда. Один вопрос звучал так: если сотрудник с помощью AI сделал за два часа задачу, которая раньше занимала восемь, кому принадлежат оставшиеся шесть — ему или компании?

На мой взгляд, здесь ответ очевиден. Если мы договорились, что компания оплачивает полный рабочий день, и отдельного условия «сделал задачу — свободен» нет, ускорение работы само по себе эту договорённость не меняет. А придумать, как с пользой распорядиться освободившимся временем, — уже задача работодателя.

С AI здесь как будто появляется серая зона. Но представьте землекопа, который лопатой копал метр канавы в час, а потом пересел на экскаватор и стал копать двадцать. Вряд ли мы ожидаем, что теперь он будет работать три минуты, а оставшиеся пятьдесят семь отдыхать, потому что лопата быстрее не позволяла.

Но давайте посмотрим шире. Допустим, вы сами придумали, как организовать работу с AI так, чтобы за то же время получать в четыре раза больше полезного результата без потери качества. Или смогли сделать то, для чего раньше вам потребовалась бы отдельная команда. Например, собрать работающий прототип вместо презентации с идеей. И другие сотрудники при доступе к тем же инструментам пока так не умеют. Вот здесь уже появляется повод поговорить о повышении.

Попробуйте поручить нескольким людям параллельно сделать один документ, а потом собрать из этого что-то внятное. Даже такая задача требует организации. С агентами тоже нужно распределить работу, связать результаты, настроить проверку. Причём они работают быстро, а вы — с прежней человеческой скоростью. И если всё в итоге стоит в очереди на вашу проверку, ускорение отдельных операций ещё не означает роста производительности всей системы.

Если вы это решили и результат устойчиво воспроизводится, вы выполнили управленческую работу: спроектировали более производительный процесс. Это отдельная компетенция, даже если у вас пока нет ни одного живого подчинённого.

С этой позиции разговор о повышении становится содержательнее: «Я построил процесс, который даёт такой-то результат при таких-то затратах, и могу помочь внедрить его в команде». Здесь есть предмет для обсуждения новой роли, ответственности и денег. Четыре презентации вместо одной сами по себе ещё никому не нужны. Способ получать больше полезного результата за те же ресурсы — уже другое дело.

У компании, впрочем, тоже есть домашняя работа. Если единственная награда за такую инициативу — дополнительные задачи, она сама приучает людей работать по старинке или помалкивать о своих находках. Зачем экспериментировать, пересобирать процессы, пробовать делать то, чего раньше не умел, если всё это просто увеличивает твою нагрузку? А потом можно долго удивляться, почему AI есть у всех, а новых способов работать и новых возможностей для бизнеса в компании так и не появилось.

Чем будем заниматься мы, пока будут вкалывать роботы?

У Марка Агиара и Эрика Хёрста есть любопытное исследование: они посмотрели американские дневники использования времени с 1965 по 2003 год. Причём учитывали и оплачиваемую работу, и домашний труд — потому что сменить офис на уборку квартиры ещё не означает начать отдыхать. По разным определениям досуга, свободного времени у мужчин стало больше на 6–9 часов в неделю, у женщин — на 4–8. В среднем прогресс вроде бы состоялся.

Но дальше интереснее. У менее образованных американцев досуг вырос заметно сильнее. Получилось такое зеркальное неравенство: у одних больше денег, у других — свободного времени. А Питер Кун и Фернандо Лозано обнаружили другую сторону этой истории: за 1979–2006 годы доля мужчин с длинной рабочей неделей сильнее всего выросла среди высокообразованных и высокооплачиваемых. Особенно заметным этот сдвиг был в 1980-е.

Сами эти исследования не доказывают, что всё это устроили технологии. Но на фоне обещаний, что AI позволит нам всем меньше работать, наблюдение полезное. Я бы не удивился сценарию, в котором у востребованного специалиста станет ещё больше проектов, а у человека, спрос на чей труд упал, — ещё больше свободного времени.

Поэтому в обещании «будете меньше работать» меня теперь интересует уточнение: потому что смогу себе это позволить или потому что моя работа больше не понадобится? 🤔

Что общего у ChatGPT и фитнес-центра?

10 сентября OpenAI приостановила продажу новых подписок ChatGPT Pro за $200, через неделю после выхода Astra. Действующие подписчики остались при своём, тариф за $100 и API продаются как раньше. Похоже, спрос упёрся в доступные мощности.

Судя по всему, объёмы потребления растут потому, что люди стали активнее использовать агентов, а агенты активнее используют ресурсы. Тарифы и раньше заводили под людей, которые пользуются продуктом суперактивно. Но у человека всё равно есть предел активности и внимания. А сейчас к той же подписке подключают агентов, и я даже на своём опыте вижу: да, это увеличивает объём потребления. Получается, подписка осталась прежней, а объём работы, который можно через неё прогнать, резко вырос.

Я бы провёл здесь аналогию с бизнес-моделью фитнес-центров. Фитнес-центр продаёт абонемент, понимая, что в среднем люди будут ходить редко. Поэтому можно продать очень много абонементов, и зал при этом не переполнится. Но иногда бывает так: либо абонементов продали слишком много, либо клиенты начинают ходить активнее, чем ожидалось. Тогда зал переполняется, сильно изнашивается, а дальше падает качество и клиентский опыт.

Кейс OpenAI очень на это похож. Там, скорее всего, был здравый расчёт: пользователи будут платить больше, чем компания тратит на их обслуживание. А сейчас объём потребления стал расти сильно быстрее, в том числе потому, что поменялся сам продукт.

В одном месте аналогия даже усиливает картину. В фитнес-центре редкие посетители субсидируют активных. А на тариф за $200 переходят прежде всего те, кому уже не хватает дешёвого, так что редких посетителей там мало. Похоже, поэтому приостановили именно его.

Поднять цену тоже можно, но, подозреваю, мешают конкуренты. А остановка новых подключений ограничивает нагрузку сразу. Условия для действующих подписчиков остаются прежними, а компания защищается от сверхэксплуатации со стороны новых пользователей, которые хотят переключиться на более дорогой тариф, потому что на дешёвом токены заканчиваются быстрее.

Куда это будет двигаться? Я держу в голове историю широкополосного интернета. Сначала в тарифы были включены мегабайты, а самый дорогой покупали единицы, те, кто сидел на торрентах. Потом на многих рынках домашнего интернета безлимит стал стандартом. С LLM, мне кажется, будет похоже: инвестиции в дата-центры огромные, и однажды это станет такой же инфраструктурой, как оптоволокно.

Правда, сами дата-центры безлимита ещё не обещают. Если агентам можно поручать всё больше работы, дешёвые вычисления просто увеличат объём задач, которые мы им отдаём. Поэтому я бы ожидал разделения, как в интернете: дома безлимит, а дата-центры до сих пор платят за трафик. Условный безлимит для человека, который упирается в собственное внимание, и оплата по потреблению для агентной работы. Абонемент можно продавать, пока клиент иногда уходит из зала. С агентами на это рассчитывать сложнее.

Только теперь будет «навайбкодил этот парень» 😁

Что происходит с Miro?

Кейс Miro уже успели обсудить со всех сторон. Тем не менее, для тех, кто пропустил — Bending Spoons договорилась купить компанию с оценкой акционерного капитала около $1,79 млрд — почти в десять раз ниже оценки раунда 2022 года. Я видел у авторов и версии «продукт сдулся», и «теперь каждый может навайбкодить себе Miro». Последнее особенно прекрасно: нарисовать доску со стикерами и воспроизвести полноценную среду совместной работы с её надёжностью, доступами и интеграциями — задачи разного масштаба. При этом у Miro около $600 млн ARR и почти 4 млн платящих пользователей. Так что мне такие объяснения не нравится. Сейчас дам свою.

В январе 2022 года Miro оценили в $17,5 млрд. К тому моменту её аудитория за неполные два года выросла с 5 до 30 млн пользователей. Моя версия: инвесторы платили за ожидание, что этот рост позволит Miro стать условным Excel в мире совместной работы. Основания для такой ставки были. Гарантий, понятно, не было.

Пандемийная срочность прошла, часть людей вернулась в офисы, а у клиентов стало больше возможностей выбирать. Свои доски предлагают Microsoft, Zoom, Figma, в том числе внутри уже оплаченных пакетов. И здесь, на мой взгляд, важно держать в голове особенность Miro: продукт особенно ценен, когда через него проходит много командной работы. Если вся потребность — мозгоштурм, стикеры и простые схемы, оплачивать её возможности целиком меньше резонов. Для такого клиента достаточно хорошая доска в привычной среде может оказаться выгоднее. Справедливости ради данных, насколько этот механизм ограничил рост Miro, в открытых источниках я не нашел. Но интуитивно ме кажется, что реальность где-то рядом. Сейчас объясню, почему я так думаю.

Вспомним про Delta Model. Если рассматривать Miro как ставку на дифференциацию внутри Best Product, поддерживать превосходство нужно постоянными инвестициями, которые они в 2022 судя по всему и привлекали. Но улучшение продукта не обязательно расширяет рынок: ядро пользователей оценит новые возможности, а клиенту с простой задачей они могут вообще не понадобиться. Один из возможных ходов — Total Customer Solution: отталкиваясь от существующих клиентов, закрывать больше их работы и глубже участвовать в получении результата. Например, сопровождать путь от исследования и обсуждения до согласованного плана и реализации. Так можно расти за счёт большей доли клиентских задач и бюджета.

Miro двигалась в эту сторону: ИИ, прототипирование, новые рабочие сценарии. Судя по тому, что компания говорит о своей прибыльности, этих шагов хватало для развития востребованного бизнеса, но было недостаточно для масштаба, который от нее ждали инвесторы, давая оценку в 17.5 млрд. Если это так, то для поддержания кратного роста в нише, где живет Miro, требуется более глубокая трансформация бизнес-модели, что означало бы новые инвестиции и риски.

Почему владельцы предпочли продажу, а не новый раунд на развитие, мы не знаем, обе стороны эту часть сделки не комментировали. Но одни предложили купить, другие согласились продать — на рынке, где сами SaaS-мультипликаторы уже существенно ниже пандемийных. То есть вера инвесторов в то, что в целом SaaS-бизнесы могут расти кратно и дальше, уменьшилась. Теперь интересно наблюдать, что Bending Spoons будет делать с Miro: как изменит расходы и цены, во что вложится, начнёт ли связывать её с другими продуктами портфеля. По этим действиям и станет понятнее, какое будущее покупатель увидел в компании.

Стратегия за пределами продукта

Обсуждая стратегию, очень легко начать составлять список улучшений продукта. Добавить функции, повысить качество, сделать удобнее, снизить цену. Всё это может быть полезно. Но есть один вопрос, который такой разговор часто оставляет без ответа: почему клиент будет продолжать выбирать именно нас, когда конкуренты тоже всё это улучшат?

У Арнольдо Хакса и Дина Уайлда есть модель, которая помогает посмотреть на эту задачу шире, — Delta Model. В её основе три стратегические позиции: Best Product, Total Customer Solutions и System Lock-In. За названиями стоят разные способы создавать ценность и выстраивать устойчивые связи с клиентами. На примере Apple хорошо видно, чем они отличаются.

Best Product — выигрываем сравнением продуктов. В этой логике iPhone выбирают за дизайн, удобство интерфейса, качество исполнения и согласованную работу железа и софта. При запуске первого iPhone именно новый способ взаимодействия с телефоном стал центральной частью предложения Apple. Компания могла выделяться, даже не превосходя конкурентов по каждой характеристике. Это дифференциация — один из вариантов Best Product; другой вариант связан с низкими издержками. Ограничение здесь в том, что превосходство приходится постоянно поддерживать. Конкуренты подтягиваются, а очередное улучшение имеет ценность только для тех, кому оно действительно нужно.

Total Customer Solutions — закрываем больше работы одного клиента. Посмотрим теперь на связку iPhone, Mac, iPad и сервисов Apple. Начал письмо на телефоне, закончил на компьютере. Скопировал текст на одном устройстве, вставил на другом. Принял звонок на Mac, пока телефон лежит в сумке. Ценность создаётся в том числе тем, как эти продукты работают вместе и избавляют человека от лишних действий. Покупая следующее устройство, клиент учитывает, насколько оно впишется в уже привычную среду. Для Apple это возможность расти за счёт большей доли его задач и расходов. Просто выпустить телефон, ноутбук и планшет для этого недостаточно — нужно связать их в понятный клиентский опыт.

System Lock-In — ценность создаёт целая система участников. Здесь к собственным продуктам Apple добавляются разработчики приложений и другие компании, которые строят свой бизнес вокруг её платформы. Через App Store пользователи получают решения тысяч разных задач, которые Apple самостоятельно никогда бы не закрыла. Разработчикам интересна аудитория, пользователям — полезные приложения. Возникает взаимное усиление, а Apple задаёт архитектуру платформы и правила участия. Конкуренту уже приходится воспроизводить значительно больше, чем хороший телефон: нужны разработчики, приложения и причины, по которым участники захотят прийти в новую систему.

Здесь для меня особенно полезно то, что выбор позиции меняет требования к самой компании. Чтобы делать привлекательный смартфон, нужны одни компетенции. Чтобы связать разные устройства и сервисы в удобный повседневный опыт — другие. Чтобы развивать платформу для независимых разработчиков — третьи. Дописать слово «экосистема» в презентации существенно проще, чем организовать всё это в реальности.

При этом три позиции не являются обязательными последовательными стадиями. У Apple они действуют одновременно: качество самого iPhone продолжает иметь значение, связанная работа устройств добавляет ценность, а сторонние разработчики расширяют возможности платформы. На сильном отдельном продукте тоже можно построить отличный бизнес. Delta Model помогает увидеть, где ещё могут находиться источники роста.

И, как сказал бы Микки Маус, этот инструмент ещё пригодится нам позже 😉

Как бардак стал бизнес-моделью

В предыдущем посте был вопрос про то, были ли кейсы, когда все делали неправильно, но пришли к успеху. Оказывается были — один известный — Honda и их попытка выйти на американский рынок мотоциклов, про это много написано, поэтому не буду тут раскрывать. А вот второй кейс, который я нашел, я до этого не слышал, и он забавный.

Итак, есть очень популярная японская сеть дискаунтеров Don Quijote, или просто Donki, где продают всё от продуктов и косметики до электроники и одежды. В Японии у неё больше 500 магазинов. Плотная выкладка, товары почти до потолка, яркие рукописные ценники, многие магазины работают до глубокой ночи. Такой вот бардачок у дома.

Так вот некоторые особенности этой сети выросли из вполне бытовых ограничений. В 1978 году Такао Ясуда открыл в Токио лавку площадью около 60 м² с названием «Воровской рынок». Опыта в рознице у него не было. Первого Don Quijote ещё не существовало — он появится только через одиннадцать лет.

По истории, которую рассказывает сама компания, после закрытия лавки сотрудники продолжали раскладывать товар при включённом свете. Люди видели свет и заходили, думая, что магазин открыт. Так Ясуда обнаружил спрос на поздние покупки и продлил часы работы. Покупатели фактически подсказали ему, когда им удобно покупать.

С помещением тоже была проблема: места не хватало ни в торговом зале, ни на складе. Товары стали складывать от пола до потолка, добавляя сделанные вручную таблички. Эта вынужденная плотность выкладки со временем превратилась в «поиск сокровищ» — возможность бродить среди вещей и неожиданно находить что-то интересное.

Через несколько лет Ясуда продал лавку и занялся оптовой торговлей, а в 1989 году вернулся в розницу, открыв первый Don Quijote. Здесь возникла следующая трудность: попытки передать сотрудникам собственные приёмы работы не давали ожидаемого результата. Тогда он предоставил им больше самостоятельности, разрешив пробовать свои решения.

Дальше эти находки стали оформляться в систему. Поздние часы работы и широкий ассортимент дают удобство. Низкие цены — экономическую причину зайти. Плотная выкладка, постоянно меняющиеся товары и рукописные таблички добавляют азарт. Сейчас компания прямо описывает эту комбинацию как Convenience + Discount + Amusement: удобство, низкие цены и развлечение. Магазин становится местом, где интересно провести время.

А самостоятельность сотрудников помогает этот формат поддерживать. В том же отчёте PPIH, группы, которой принадлежит Don Quijote, прописано: команды магазинов принимают решения о закупках, ценах, выкладке и продвижении без ожидания указаний из штаб-квартиры. Так ассортимент и подача подстраиваются под покупателей конкретного магазина. Причём свобода соседствует с оценкой по количественным результатам.

Где мы такое уже видели? 🤔

Правильно, у Вкусвила.

В итоге то, что на старте выглядело как бардак, стало конкурентным отличием и помогло вырасти в большой бизнес.

Как вам такая история?

Вернёмся к основам

На последнем выпускном один из студентов сказал мне, что я первый, кто наконец понятно объяснил ему, что такое системное мышление. Было приятно, конечно. А ещё это напомнило, с какой идеей я вообще начинал этот блог.

Идея кафе была простой: я — такой бармен, у которого вы заказываете кофе, и, пока он его готовит, вы болтаете о бизнесе и бизнес-моделях. Что-то спрашиваете, что-то обсуждаете, а заодно разбираетесь в вещах, которые раньше были непонятны. Но в последнее время темы я в основном выбираю сам: что меня зацепило, о том и пишу. Бармен немного увлёкся собственными историями.

Хочется сохранить первоначальный дух, поэтому давайте проведём эксперимент. Пишите в комментариях, с чем вам было бы интересно разобраться. Это может быть большая тема вроде системного мышления или совсем небольшой вопрос про бизнес, продукты, управление. Я буду брать ваши вопросы и отвечать на них отдельными постами.

Посмотрим, как пойдёт. Может быть, будем повторять такой формат регулярно.

А может, идея окажется так себе — тогда честно признаем эксперимент неуспешным.

Что случилось с VW?

Написать этот лонгрид меня натолкнули две вещи: разговоры в духе «это все плата за социализм» и отчетность группы, в которой я сходу вообще не увидел никакой трагедии.

В итоге, как я люблю, ответ на вопрос «как Volkswagen докатился до жизни такой?» оказался интереснее и поучительнее, чем исходная версия про дорогих немецких рабочих и китайцев.

Пока разбирался, заодно полез в историю Tesla — CEO Volkswagen, как увидите в тексте, прямо использовал её как бенчмарк. И довольно быстро стало понятно, почему у Tesla получилось то, что у немцев пока получается сильно хуже.

Но это уже совсем другая история! (с)

Ставьте 🐋 — разберу Tesla в таком же формате.

А пока enjoy!

CPO-10 выпущен

В далеком 2021 году, практически в другой вселенной, когда затевалась эта программа, сложно было представить, что мы доживем до выпуска 10 потока.

Однако мы это сделали: дожили и выпустили.

Горжусь вами, мои ученики! (с)

Полугодовой итог по OKR уже подвели? 🤠

Ещё один вопрос из той же дискуссии про ИИ, о которой я писал в предыдущем посте.

Звучал он примерно так: AI усиливает оригинальное мышление — или постепенно его стандартизирует?

На мой взгляд, это ложная дилемма. ИИ делает и то, и другое. Просто с разными людьми. Если у человека уже есть собственная рамка, модель может усиливать мышление: снимает часть рутины формулирования, даёт быстрый спарринг, помогает проверить разные углы, удержать структуру аргумента и быстрее перевести мутную интуицию в более точную мысль. Но если собственной рамки нет, ИИ, скорее всего, будет стандартизировать.

Не потому что он злой. И не потому что он специально хочет всех усреднить. Просто регрессия к среднему — это во многом и есть его механизм. Модель обучена на паттернах. Если на входе нет позиции, напряжения, странного угла, личной оптики или хотя бы внятного вопроса, на выходе будет наиболее вероятная версия мысли. А наиболее вероятная версия мысли обычно не очень интересна.

Я это хорошо вижу на собственном опыте. Когда я прогоняю через модель идеи постов или презентаций, ценность редко бывает в её готовых ответах. Ценность в том, что модель держит структуру, пока я думаю. Она не даёт потерять нить между мыслью и ее воплощением в текст, помогает с общепринятыми взглядами на вопрос, подсвечивает провалы в логике. Но направление всё равно должно исходить от меня.

ИИ полезен, когда я понимаю, какой результат я хочу получить. Он гораздо менее полезен, когда я пытаюсь делегировать ему не формулировку, а саму позицию. И тогда вопрос не в том, делает ли ИИ людей более оригинальными или менее оригинальными. Вопрос в том, приносит ли человек в работу с ИИ собственное видение. Без этого ИИ создаёт гладкий текст вокруг пустого центра.

Так что нет, ИИ не обязательно стандартизирует мышление. Мышление стандартизирует отсутствие позиции у того, кто им пользуется.

На днях я был в дискуссионном клубе, где мы обсуждали искусственный интеллект. Вопросов там было много, поэтому, наверное, напишу на эту тему несколько постов, но один тезис меня особенно зацепил.

Звучал он примерно так:

в эпоху ИИ критическое мышление становится всё важнее, при этом молодое поколение из-за ИИ как раз теряет способность критически мыслить.

На этом вопросе я заволновался внутри. Не потому что тезис совсем неправильный, а потому что в нём слишком быстро смешиваются разные вещи, а я такое не люблю.

Первое, что, на мой взгляд, нужно отлепить от понятия «критическое мышление», — это его бытовую трактовку. Под критическим мышлением часто понимают либо сомнение во всём подряд в духе «всё неоднозначно», либо умение делать факт-чекинг. Со вторым ещё можно согласиться: умение проверять факты действительно является одной из составляющих критического мышления. А вот тотальное сомнение — это часто не признак критического мышления, а, наоборот, признак его отсутствия.

Если коротко, в современной традиции критическое мышление — это способность обоснованно работать с убеждениями, аргументами и выводами. Структурно понятие критического мышления проработал Эдвард Глейзер. Он же создал тест — Watson–Glaser Critical Thinking Appraisal, который проверяет не эрудицию, а умение оценивать выводы, предпосылки и силу аргументов.

В более строгом смысле критическое мышление — это умение анализировать информацию, проверять логику аргументов, видеть скрытые предпосылки и когнитивные искажения, рассматривать альтернативные объяснения, работать с неполной информацией и, главное, менять мнение при появлении более сильных доказательств.

И последнее является лично для меня самым сильным индикатором наличия или отсутствия критического мышления.

Если теперь вернуться к искусственному интеллекту, то да, ответы, которые мы получаем от нейросетей, требуют проверки: фактологической, логической, методологической. Но, если честно, эти навыки были нужны всегда при работе с любой информацией. Если вы читаете книгу и верите всему, что в ней написано, добро пожаловать в мир biases, пропаганды и плохо проверенных убеждений, который существовал задолго до ChatGPT.

Поэтому мне кажется, что появление ИИ не создало радикально новую потребность в критическом мышлении. Модели будут становиться лучше, грубых нейрослоп-ошибок будет меньше. Поэтому я уверен, что главная проблема будущего — это не факт-чекинг. Главный вопрос будет другим: какой результат уже можно брать в работу?

А для этого надо понимать, какой результат должен быть концептуально. Вот эта компетенция и будет максимально критичной.

Мой привет всем айтишникам, которые к этому давно приучены. И мой отдельный привет «гуманитариям», которые иногда думают, что достаточно сказать: «Нейросеть, сделай умно и стратегически», — и результат будет именно таким, как мы ожидали.

Нет, не будет.

Именно этому, кажется, и придётся учиться заново. Не только молодым, кстати.

Такие дела, ребятки.

Спасет ли нас Human-in-the-loop?

Этот текст вырос из разговора с приятелем. Он пишет статью с неожиданным заходом: что если к AI-агентам попробовать применить логику авиационной сертификации? Не в смысле красивой метафоры, а как инженерную дисциплину надёжности: уровни риска, отказоустойчивость, каскадные сбои, контроль точек отказа.

Все это — попытка собрать более строгий ответ на проблему галлюцинаций и агентных отказов. Потому что тот самый human-in-the-loop проблему не всегда лечит. Если агенты ошибаются каскадно, человек, посаженный на проверку результатов за агентами, не обязательно разрывает эту каскадность. Очень часто он просто оказывается встроен в ту же самую цепь.

Я слушал и узнавал свои интервью, которые провожу для научной работы. Когда я расспрашивал стартапы, как они борются с галлюцинациями, практически все отвечали одно и то же: ручной контроль результата. Кто-то мягче, кто-то жёстче, но в сухом остатке — потом глазами проверяем.

Звучит логично. Но здесь есть неприятный инженерный нюанс. Человек, встроенный в процесс как обязательный согласователь на каждом шаге, не всегда повышает надёжность системы. Часто он её снижает. Последовательная цепочка надёжна не по самому сильному звену, а по всей цепи. Агент сделал шаг, второй что-то уточнил, человек подтвердил, дальше следующий этап. Каждый обязательный элемент добавляет не только контроль, но и новую точку отказа: задержку, невнимательность, усталость, потерю контекста, формальное «ок».

Человек в такой архитектуре — не гарант качества. Это просто ещё один компонент системы. Причем компонент с ограниченным вниманием, контекстной усталостью и вполне человеческой способностью через две недели превратить проверку в ритуальное нажатие approve. В длинных агентных цепочках это видно особенно ясно. Если человек подтверждает каждый шаг, быстро происходит одно из трех. Либо он одобряет все подряд, либо тормозит процесс, либо вмешивается в решение, контекст которого давно живёт внутри цепочки, а не у него в голове.

Во всех трёх случаях human-in-the-loop превращается в human-as-bottleneck. А это уже вопрос не процесса, а вопрос архитектуры принятия решений. Ключевой вопрос теперь не в том, оставляем ли мы человека в контуре, а в том, какую функцию выполняет человек: обязательного верификатора или обработчика исключений.

Между этими функциями огромная пропасть. Первая стоит на каждом шаге и всё одобряет. Вторая подключается только там, где появляется риск, неопределенность, конфликт, высокая цена ошибки или стратегический выбор. Стандартные случаи система проходит сама. Человек нужен не там, где надо ещё раз глазами посмотреть на результат. Человек нужен там, где ситуация неоднозначна. Где цена ошибки выходит за рамки локального процесса. Где есть этический, юридический, репутационный или стратегический риск. Где система столкнулась с ситуацией, для которой у неё ещё нет правила.

Поэтому проблема с human-in-the-loop не в том, что человек больше не нужен. Это слишком примитивный вывод. Проблема в том, что многие проектируют human-in-the-loop как управление тревожностью — своей и руководства, — а не как архитектуру надежности. Раз мы не доверяем AI до конца, пусть человек посмотрит итоговый результат.

Но «пусть человек посмотрит» — это не архитектура. Это жест самоуспокоения. Архитектура начинается там, где мы честно отвечаем на другой вопрос: в какой момент человек действительно повышает надежность системы, а в какой просто становится еще одной точкой отказа?

Здесь как раз пригодны старые инструменты safety engineering — FMEA и FTA. Не потому что AI-организация буквально похожа на самолет, а потому что они заставляют задать правильный вопрос: какой именно отказ мы пытаемся предотвратить? Не «пусть человек посмотрит», а где агент может выдумать факт, где потерять контекст, где передать ошибку дальше, где несколько агентов могут ошибиться одинаково, где guard может пропустить сбой.

Так что будущее AI-организаций, скорее всего, будет не в том, чтобы везде оставить человека в контуре. А в том, чтобы наконец понять, в каком именно контуре человек нужен.

У меня с расходами на кофе так 🤪

Стратегия начинается с самоопределения

Любая стратегия начинается с цели. Желательно — амбициозной. О том, как ставить цели, есть много методик: от SMART до OKR. Но у всех у них один общий изъян — они ничего не говорят о том, как сделать цель своей.

Почему это важно? Если цель не ваша, а ещё и по-настоящему амбициозная — вы либо сгорите по пути, либо соскочите. Как говорил Ницше, человек может перенести почти любое «как», если знает «зачем».

Канвас целеопределения, через который я провожу людей в программах и проектах, не помогает найти цель с нуля. Он помогает взять уже намеченную и проверить — действительно ли она ваша и/или откалибровать ее под себя. За пять лет через него прошло около 400 человек.

К десятому потоку программы CPO я его серьёзно доработал — и впервые написал подробную инструкцию, по которой канвас можно заполнить самостоятельно, без меня рядом. А значит теперь его можно сделать общедоступным. Что я этим постом и делаю.

Сам канвас и инструкция — по ссылке.

Если хотите консультацию для себя или воркшоп для команды — пишите в личку.

Вангую нишу, где появится новый единорог

В прошлые выходные я решил собрать маленький мультиагентный пайплайн для обработки книг в структурированные конспекты. Возьми Make и сделай это за 15 минут, говорили они. Будет просто, говорили они. Все выходные я сначала бился с Make, потом с n8n — вы знали, что надо произносить «нейтен»? Я — нет. В итоге результат на 3+ я получил, но когда прикинул, сколько ещё придётся провозиться, чтобы сделать 4+, сдался.

Сначала я думал, что проблема во мне. Недостаточно хорошо понимаю n8n, криво собрал логику, не туда положил состояние, не так описал агенту задачу, не до конца подружился с HTTP, JSON и прочими радостями no-code, который по мере взросления почему-то всё больше начинает напоминать code. В какой-то момент я уже копировал большие куски JavaScript, которые мне писала LLM-ка, внутрь code-нодов — то есть вроде пришёл в no-code, но сидишь и «пишешь» код. Ничего не понимая в коде. И когда что-то не работает, начинается длинный цикл отладки вида «зайди-выйди из приложения».

С Lovable история другая. То, что я хотел, он собрал мне минут за двадцать — со всеми интеграциями и контролем качества результата. Это и есть его сильная сторона: он не заставляет тебя лезть в технические детали, быстро даёт рабочий результат и создаёт ощущение, что между идеей и продуктом наконец-то убрали лишнюю инженерную прослойку.

Проблема начинается, когда ты хочешь не просто собрать первый вариант, а развивать систему. Пока всё просто — магия работает. Когда появляется новая ветка логики, другой формат данных, исключения и совместимость с тем, что уже было сделано, магия превращается в длинный цикл отладки, ну, вы уже поняли каким методом. Я сначала сделал парсер только для PDF, потом решил добавить TXT. Казалось бы, маленький шаг. Но дальше началась классика: добавляешь одно — перестаёт работать что-то из того, что уже работало.

Вот здесь и видно ограничение. AI-билдер может быстро построить кусок продукта, но он не всегда даёт тебе понятную модель того, что именно было построено. А если ты не понимаешь внутреннюю структуру системы, тебе сложно её развивать, отлаживать и контролировать. Ты не проектируешь изменения, а всё чаще торгуешься с машиной: попробуй так, нет, верни обратно, нет, теперь сломалось другое, давай ещё раз. А я ведь не программист. Мне не хочется заглядывать под капот системе, которую я выбрал как раз потому, что мне обещали не заставлять меня туда заглядывать.

Я полез смотреть Reddit, Hacker News, сабреддиты n8n, Lovable и похожих инструментов. Хотел найти подтверждение, что я просто недостаточно техничный. Не нашёл. Жалоба у non-engineer билдеров примерно одна и та же:

AI-нативные билдеры быстрые, но непрозрачные; workflow-тулы более инспектируемые, но быстро превращаются в визуальные спагетти из нод, условий, HTTP, JSON и кусков кода.

И мне кажется, проблема не в недостающих фичах, а в предположениях о том, кто сегодня строит софт. Большинство инструментов всё ещё живут в старой картине мира: есть инженер, который пишет код, и есть бизнес-пользователь, который двигает блоки. Но AI-агенты эту дихотомию уже сломали. Появился третий пользователь — человек, который не хочет реализовывать систему построчно, но уже должен мыслить как архитектор.

Ему нужно понимать, где проходят данные, где хранится состояние, где агент принимает решение, где нужен человеческий чекпойнт, где возможна ошибка и как её диагностировать. Это не совсем no-code и не совсем code. Это режим проектирования поведения системы.

Пока у этой категории нет устойчивого имени. Но отсутствие имени не означает отсутствие категории. Скорее наоборот: когда все уже чувствуют боль, но ещё не могут нормально назвать, что именно болит, там обычно и появляется новый рынок.

Менеджер умер. Да здравствует менеджер

В прошлых постах я сделал два утверждения.

Первое: настоящий hard skill менеджера — не фреймворки, а способность видеть систему, рефлексировать и менять способ действия. Кто этого не делает — администрирует, а не управляет.

Второе: настоящий сдвиг от AI случится, когда агенты войдут в контур управления и начнут не просто исполнять, а менять свой объект управления.

Пора соединить эти две мысли.

AI-агенты уже сейчас способны делать значительную часть того, что делает менеджер среднего звена: анализировать ситуацию, декомпозировать задачи, распределять ресурсы, отслеживать отклонения, перестраивать процессы под изменившиеся условия. Если описать работу руководителя отдела как набор операций — агент справится с большинством из них.

Хорошая новость для нас в том, что все перечисленное — администрирование. Та самая работа «внутри заданной рамки», которую я в посте про hard skills противопоставил управлению. И если AI забирает администрирование, он забирает работу менеджеров, которые не научились большему.

Но между «выполняет операции менеджера» и «управляет» — пропасть. В ней лежат три вещи, которые AI делать пока не умеет.

AI не знает, чего он не знает

Хороший менеджер в незнакомой ситуации чувствует тревогу. Состояние «Я не понимаю, что происходит» запускает процесс пересмотра предположений, обращения за помощью, поиска новых знаний. Это то, что является рефлексией — способностью спросить «что я на самом деле сделал и почему это привело к такому результату?»

AI-агент в той же ситуации будет экстраполировать то, что знает. У него нет механизма ощущения предела собственной компетентности. Он не замирает в недоумении — он производит ответ. Чем нестандартнее ситуация, тем опаснее эта уверенность. Можно запрограммировать его задавать проверочные вопросы — но это имитация рефлексии, не рефлексия. Разница проявится в момент, когда нужно не улучшить ответ в текущей логике, а отбросить саму логику.

AI не может сказать «цель неправильная»

Менеджер тоже работает внутри рамочных целей, но иногда может (должен?) прийти к руководству и и сказать: «мы делаем не то!». Может переинтерпретировать задачу. Может саботировать решение, которое считает разрушительным. Может вступить в переговоры и совместно пересмотреть рамку. Это не сопротивление, а часть управленческой работы.

AI-агент не имеет такой субъектности. Не может сказать «я отказываюсь» — потому что нет «я», которое отказывается. Агент оптимизирует внутри рамки, но не может поставить рамку под вопрос.

AI не живёт с последствиями

Это не просто вопрос этики. Менеджер, который завтра пойдёт по коридору мимо людей, которых он уволил, принимает решение иначе, чем оптимизатор без этого ограничения. Ответственность как петля обратной связи — решение имеют последствия, которые «корректируют» еще не принятые решения. Это делает систему управления самокорректирующейся от «телесных» последствий.

Без ответственности петля обрывается. Агент принял решение, произвёл результат, пошёл дальше. Результат плохой — не чувствует, не мучается, не пересматривает.

Что из этого следует

Три ограничения AI — это ровно те три свойства, которые я в посте про hard skills назвал настоящей управленческой базой: рефлексия, способность менять рамку, ответственность за способ действия. Пока задача сводится к оптимизации внутри заданных целей — AI справится, и справится лучше большинства менеджеров. Это администрирование, и оно будет делегировано.

Но в момент, когда ситуация требует усомниться в целях, оспорить рамку, сказать «мы делаем не то» и взять на себя последствия — нужны именно эти три свойства. Без них система продолжает двигаться быстро и уверенно — в направлении, которое никто не проверяет.

Менеджер, который управляет — незаменим. Менеджера, который администрирует уже заменяют.

Теперь вы знаете, что вам делать дальше 😎