Почему ИТ-профессионалы больше не ценятся?
Рынок ИТ удивляет парадоксом: компании все чаще обходят стороной дорогих senior-специалистов, делая ставку на junior-ов. Звучит провокационно, но давайте разберемся.
- Экономия прежде всего: зачем платить в разы больше, если задачи можно декомпозировать задачи до уровня, с которым справится менее опытный сотрудник?
- ИИ как помощник и "уравнитель": ИИ-ассистенты берут на себя рутину и помогают в решении стандартных задач, снижая порог входа и относительную ценность уникальных глубоких знаний.
- Быстрое устаревание технологий: знания, актуальные еще 3-5 лет назад, сегодня могут оказаться архаизмами. Рынок жаждет быстрых решений на модных стеках, и глубокая экспертиза в "старом" не всегда конвертируется в ценность.
- Гибкость и управляемость: молодые специалисты часто более сговорчивы, менее обременены старыми привычками, их легче интегрировать в существующую команду и сформировать под конкретные задачи и стиль управления руководителя.
Это не только айтишная ситуация
Тенденция заметна во многих индустриях и ролях. Главными критериями для бизнеса становятся: что конкретно нужно сделать, как быстро это будет реализовано, за какую цену, и насколько легко будет выстроить коммуникацию с исполнителем.
Глубина экспертизы и многолетний опыт уступают операционной эффективности и экономической целесообразности.
Закон убывающей предельной полезности работает
Наступает момент, когда дальнейшее углубление в hard skills (совершенствование технических навыков) начинает приносить все меньше реальной отдачи в виде роста дохода или карьерных перспектив.
Вы можете быть абсолютным гуру в своей узкой нише, но рынок этого может просто не оценить адекватно. Это классический закон убывающей предельной полезности в действии. Какой выход?
1) Рост в управление: переход на менеджерские позиции, где вы становитесь тем, кто ставит и декомпозирует задачи для других.
2) Свой бизнес: это возможность превратить свою глубокую экспертизу в уникальный продукт или услугу, где правила и ценность устанавливаете вы сами.
Стремление просто становиться "еще более крутым технарём" в рамках стандартной корпоративной иерархии всё чаще ведет к фрустрации и несоответствию ожиданий рыночной реальности.
Hard и soft skills – необходимы, но недостаточны
Сегодня для настоящего, устойчивого успеха мало быть просто первоклассным специалистом с развитыми навыками коммуникации и работы в команде. Решающие роли начинают играть мета-уровневые активы:
1) Социальные активы:
- Нетворкинг: качество и широта ваших профессиональных связей, ваша репутация в сообществе. Кто вас знает и кто может порекомендовать – это мощный карьерный ускоритель.
- Публичность: ваша известность за пределами команды или компании. Выступления на конференциях, публикации, ведение профессионального блога, активное и заметное участие в жизни индустриальных комьюнити – всё это формирует ваш личный бренд, который начинает работать на вас.
2) Ментальные активы – это то, что у нас "в голове" на более высоком уровне. В ментальные активы входят:
- Качество мышления: способность к глубокому критическому анализу, системному видению проблем и решений, ставить правильные вопросы и видеть неочевидные возможности.
- Осознание реальности и эмоциональная устойчивость: трезвая, объективная оценка происходящего на рынке, в вашей индустрии и в собственной карьере, без розовых очков и самообмана.
- Визионерство для себя: способность представить и спроектировать для себя принципиально новые жизненные сценарии.
Проактивное саморазвитие: не просто спонтанное изучение новых технологий, а выстраивание целенаправленной, осознанной стратегии личного и профессионального роста.
Вывод: ментальный капитал – наш главный капитал
Профессиональные навыки (hard skills) важны как база, социальные связи (soft skills и нетворкинг) полезны как катализатор. Но истинным фундаментом являются ментальные активы.
Рынок ИТ удивляет парадоксом: компании все чаще обходят стороной дорогих senior-специалистов, делая ставку на junior-ов. Звучит провокационно, но давайте разберемся.
- Экономия прежде всего: зачем платить в разы больше, если задачи можно декомпозировать задачи до уровня, с которым справится менее опытный сотрудник?
- ИИ как помощник и "уравнитель": ИИ-ассистенты берут на себя рутину и помогают в решении стандартных задач, снижая порог входа и относительную ценность уникальных глубоких знаний.
- Быстрое устаревание технологий: знания, актуальные еще 3-5 лет назад, сегодня могут оказаться архаизмами. Рынок жаждет быстрых решений на модных стеках, и глубокая экспертиза в "старом" не всегда конвертируется в ценность.
- Гибкость и управляемость: молодые специалисты часто более сговорчивы, менее обременены старыми привычками, их легче интегрировать в существующую команду и сформировать под конкретные задачи и стиль управления руководителя.
Это не только айтишная ситуация
Тенденция заметна во многих индустриях и ролях. Главными критериями для бизнеса становятся: что конкретно нужно сделать, как быстро это будет реализовано, за какую цену, и насколько легко будет выстроить коммуникацию с исполнителем.
Глубина экспертизы и многолетний опыт уступают операционной эффективности и экономической целесообразности.
Закон убывающей предельной полезности работает
Наступает момент, когда дальнейшее углубление в hard skills (совершенствование технических навыков) начинает приносить все меньше реальной отдачи в виде роста дохода или карьерных перспектив.
Вы можете быть абсолютным гуру в своей узкой нише, но рынок этого может просто не оценить адекватно. Это классический закон убывающей предельной полезности в действии. Какой выход?
1) Рост в управление: переход на менеджерские позиции, где вы становитесь тем, кто ставит и декомпозирует задачи для других.
2) Свой бизнес: это возможность превратить свою глубокую экспертизу в уникальный продукт или услугу, где правила и ценность устанавливаете вы сами.
Стремление просто становиться "еще более крутым технарём" в рамках стандартной корпоративной иерархии всё чаще ведет к фрустрации и несоответствию ожиданий рыночной реальности.
Hard и soft skills – необходимы, но недостаточны
Сегодня для настоящего, устойчивого успеха мало быть просто первоклассным специалистом с развитыми навыками коммуникации и работы в команде. Решающие роли начинают играть мета-уровневые активы:
1) Социальные активы:
- Нетворкинг: качество и широта ваших профессиональных связей, ваша репутация в сообществе. Кто вас знает и кто может порекомендовать – это мощный карьерный ускоритель.
- Публичность: ваша известность за пределами команды или компании. Выступления на конференциях, публикации, ведение профессионального блога, активное и заметное участие в жизни индустриальных комьюнити – всё это формирует ваш личный бренд, который начинает работать на вас.
2) Ментальные активы – это то, что у нас "в голове" на более высоком уровне. В ментальные активы входят:
- Качество мышления: способность к глубокому критическому анализу, системному видению проблем и решений, ставить правильные вопросы и видеть неочевидные возможности.
- Осознание реальности и эмоциональная устойчивость: трезвая, объективная оценка происходящего на рынке, в вашей индустрии и в собственной карьере, без розовых очков и самообмана.
- Визионерство для себя: способность представить и спроектировать для себя принципиально новые жизненные сценарии.
Проактивное саморазвитие: не просто спонтанное изучение новых технологий, а выстраивание целенаправленной, осознанной стратегии личного и профессионального роста.
Вывод: ментальный капитал – наш главный капитал
Профессиональные навыки (hard skills) важны как база, социальные связи (soft skills и нетворкинг) полезны как катализатор. Но истинным фундаментом являются ментальные активы.
Закон Конвея
Современный технологический ландшафт представляет собой парадокс: в арсенале - сложные подходы к построению распределённых систем, десятки стратегий декомпозиции монолита на микросервисы, масштабные программы цифровой трансформации.
Однако вместо обещанных эффектов — на практике частым результатом часто становится рост затрат на ИТ, в то время как реальные улучшения бизнес-показателей остаются неочевидными.
Почему реальность так часто расходится с архитектурным замыслом?
В 1968 году в статье «Как изобретают комитеты?» математик Мелвин Конвей предложил на первый взгляд парадоксальное утверждение:
Эта формулировка, известная как закон Конвея была социологическим наблюдением:
как бы ни выглядела идеальная архитектура на бумаге, фактически она будет отражать взаимодействия между командами.
Спустя более полувека актуальность этого закона не только не ослабла — напротив, он стал ключевым объяснением того, почему многие инициативы по трансформации оказываются неэффективны.
Например: компании декомпозируют монолит в микросервисы, но сохраняют прежние командные структуры. В результате появляется «распределённый монолит» — вся сложность распределённой системы, но с жёсткими внутренними связями старого мира.
Обратный закон Конвея
Если классический закон описывает ограничение, то обратный закон (Inverse Conway Maneuver), введённый Team Topologies, предлагает способ:
То есть: не архитектура рождается из организации, а организация проектируется под нужную архитектуру. Например, если целью являются независимые микросервисы, значит, и команды должны быть независимыми, кросс-функциональными, и обладать полной ответственностью за свои домены.
Эмерджентный дизайн, общая цель и когнитивная нагрузка
Другой путь — не формальная перестройка оргструктуры, а создание среды, в которой архитектура возникает из совместной работы. В этом случае команды связывают не иерархии, а общие цели — своего рода мета-сила: улучшение клиентского опыта, сокращение time-to-market, рост конкретных метрик.
Здесь ключевым понятием становится когнитивная нагрузка: человеческий мозг способен эффективно работать только с ограниченным количеством сущностей. Когда система становится слишком сложной, команды инстинктивно начинают вводить границы — а значит, границы команд становятся границами архитектуры.
Социотехнические системы и новые акторы — ИИ
Закон Конвея лежит в основе теории социотехнических систем, которая рассматривает организацию как единство социальных и технических компонентов: людей, процессов, культур, кода и инфраструктуры.
Сегодня эту модель необходимо расширить: ИИ стал новым типом акторов. Большие языковые модели уже участвуют в написании и проверке кода, ИИ-агенты координируют задачи, работают с API и принимают архитектурные решения.
Такие агенты начинают влиять на структуру коммуникаций, действуя как "прокси" между людьми, устраняя традиционные барьеры между командами. Возникает новая модель "Conway 2.0", где архитектура отражает гибридную структуру — человек+машина.
Централизованная архитектура и её пределы
Традиционные подходы, например, TOGAF, где архитектура проектируется централизованно, «снаружи команд» не противоречат Конвею напрямую, но его эффективность зависит от условий.
Если команда архитекторов действительно способна задать жёсткий и стабильный коммуникационный протокол, который будет доминировать над естественным ходом общения — архитектура может сохраниться. Но на практике это требует:
- высокой дисциплины,
- сильной культуры исполнения,
- обратной связи и адаптации.
Иначе, даже красиво спроектированная архитектура со временем деградирует до той, что соответствует реальным коммуникациям.
Вывод: нужно проектировать тех, кто проектирует
Работает ли закон Конвея сегодня? Да, и даже более точно, чем когда-либо. Но главное — он не приговор, а инструмент.
Современный технологический ландшафт представляет собой парадокс: в арсенале - сложные подходы к построению распределённых систем, десятки стратегий декомпозиции монолита на микросервисы, масштабные программы цифровой трансформации.
Однако вместо обещанных эффектов — на практике частым результатом часто становится рост затрат на ИТ, в то время как реальные улучшения бизнес-показателей остаются неочевидными.
Почему реальность так часто расходится с архитектурным замыслом?
В 1968 году в статье «Как изобретают комитеты?» математик Мелвин Конвей предложил на первый взгляд парадоксальное утверждение:
«Организации, проектирующие системы, в конечном счёте создают архитектуру, отражающую их собственную структуру коммуникаций.»
Эта формулировка, известная как закон Конвея была социологическим наблюдением:
как бы ни выглядела идеальная архитектура на бумаге, фактически она будет отражать взаимодействия между командами.
Спустя более полувека актуальность этого закона не только не ослабла — напротив, он стал ключевым объяснением того, почему многие инициативы по трансформации оказываются неэффективны.
Например: компании декомпозируют монолит в микросервисы, но сохраняют прежние командные структуры. В результате появляется «распределённый монолит» — вся сложность распределённой системы, но с жёсткими внутренними связями старого мира.
Обратный закон Конвея
Если классический закон описывает ограничение, то обратный закон (Inverse Conway Maneuver), введённый Team Topologies, предлагает способ:
«Чтобы получить нужную архитектуру, сначала перестройте командные структуры под неё.»
То есть: не архитектура рождается из организации, а организация проектируется под нужную архитектуру. Например, если целью являются независимые микросервисы, значит, и команды должны быть независимыми, кросс-функциональными, и обладать полной ответственностью за свои домены.
Эмерджентный дизайн, общая цель и когнитивная нагрузка
Другой путь — не формальная перестройка оргструктуры, а создание среды, в которой архитектура возникает из совместной работы. В этом случае команды связывают не иерархии, а общие цели — своего рода мета-сила: улучшение клиентского опыта, сокращение time-to-market, рост конкретных метрик.
Здесь ключевым понятием становится когнитивная нагрузка: человеческий мозг способен эффективно работать только с ограниченным количеством сущностей. Когда система становится слишком сложной, команды инстинктивно начинают вводить границы — а значит, границы команд становятся границами архитектуры.
Социотехнические системы и новые акторы — ИИ
Закон Конвея лежит в основе теории социотехнических систем, которая рассматривает организацию как единство социальных и технических компонентов: людей, процессов, культур, кода и инфраструктуры.
Сегодня эту модель необходимо расширить: ИИ стал новым типом акторов. Большие языковые модели уже участвуют в написании и проверке кода, ИИ-агенты координируют задачи, работают с API и принимают архитектурные решения.
Такие агенты начинают влиять на структуру коммуникаций, действуя как "прокси" между людьми, устраняя традиционные барьеры между командами. Возникает новая модель "Conway 2.0", где архитектура отражает гибридную структуру — человек+машина.
Централизованная архитектура и её пределы
Традиционные подходы, например, TOGAF, где архитектура проектируется централизованно, «снаружи команд» не противоречат Конвею напрямую, но его эффективность зависит от условий.
Если команда архитекторов действительно способна задать жёсткий и стабильный коммуникационный протокол, который будет доминировать над естественным ходом общения — архитектура может сохраниться. Но на практике это требует:
- высокой дисциплины,
- сильной культуры исполнения,
- обратной связи и адаптации.
Иначе, даже красиво спроектированная архитектура со временем деградирует до той, что соответствует реальным коммуникациям.
Вывод: нужно проектировать тех, кто проектирует
Работает ли закон Конвея сегодня? Да, и даже более точно, чем когда-либо. Но главное — он не приговор, а инструмент.
Продолжение
- Для жёстких организаций он остаётся силой, которая подчиняет архитектуру структуре.
- Для гибких организаций обратный манёвр Конвея становится стратегическим рычагом.
- В новом ИИ-ландшафте успех будет у тех, кто проектирует гибридную социотехническую систему, где архитектура рождается из взаимодействия людей, процессов и ИИ-агентов.
Чтобы создавать лучшие системы, нужно проектировать не только архитектуру, но и саму организацию, её потоки, роли, способы мышления и, теперь, цифровых помощников. Именно она — организация — и будет “по Конвею” настоящим архитектором.
- Для жёстких организаций он остаётся силой, которая подчиняет архитектуру структуре.
- Для гибких организаций обратный манёвр Конвея становится стратегическим рычагом.
- В новом ИИ-ландшафте успех будет у тех, кто проектирует гибридную социотехническую систему, где архитектура рождается из взаимодействия людей, процессов и ИИ-агентов.
Чтобы создавать лучшие системы, нужно проектировать не только архитектуру, но и саму организацию, её потоки, роли, способы мышления и, теперь, цифровых помощников. Именно она — организация — и будет “по Конвею” настоящим архитектором.
Пока мы хвастаемся на ПМЭФ, как наш финтех опережает западный, в мире происходит что-то ещё. Это касается автономных алгоритмических технологий на основе ИИ.
https://t.me/thehegemonist/4228
https://t.me/thehegemonist/4228
Telegram
Hoffmann
Вторая часть детального разбора итогов заседания Бильдербергского клуба в Стокгольме.
Еще больше подробностей, и еще больше про их планы большой войны и что они готовят для России и мира. Ну и Украины, куда уж без бедолашной.
Публикация
YouTube
Публикация…
Еще больше подробностей, и еще больше про их планы большой войны и что они готовят для России и мира. Ну и Украины, куда уж без бедолашной.
Публикация
YouTube
Публикация…
Вопросы, которые задают лидеры
В современном менеджменте самосознание — ключ к успеху. Один из самых точных способов понять свой стиль управления — проанализировать вопросы, которые лидеры задают команде.
Как отмечал психолог Эрик Берн, в жизни мы играем социальные роли. В бизнесе происходит то же самое: каждый лидер примеряет на себя определенный «аватар», который проявляется в его коммуникации. Поэтому вопросы — это не просто сбор информации, это маркеры того, как вы видите свою роль, команду и цели.
Давайте разберем базовые типы лидеров и анти-паттерны, чтобы лучше понять себя и тех, с кем мы работаем.
1. Авторитарный лидер — «Руководитель»
Это классический образ начальника, который действует через команды и жесткий контроль. Его стихия — ситуации, где нужна скорость, точность и беспрекословное исполнение: кризисы, армейские подразделения, конвейерное производство. Решения здесь централизованы, а роль лидера — быть единственным центром принятия решений.
Примеры: Стив Джобс в ранние годы Apple, военные офицеры.
Их вопросы отражают потребность в контроле и статусе:
«Какой статус выполнения задачи?» — вопрос о контроле над процессом.
«Все понимают, что нужно делать, верно?» — риторический вопрос, утверждающий его авторитет.
2. Демократический лидер — «Коллаборатор»
Этот лидер стремится к консенсусу и ценит коллективный разум. Его сила — в создании вовлеченности и повышении мотивации команды. Решения, принятые совместно, исполняются с большим энтузиазмом. Этот стиль идеален для творческих и экспертных команд, но может замедлять процессы.
Примеры: Сатья Наделла (Microsoft), Нельсон Мандела.
Вопросы направлены на исследование и поиск общего решения:
«Какое решение будет наилучшим с точки зрения всех заинтересованных сторон?»
«Какие риски или возможности мы, возможно, упускаем?»
3. Лидер невмешательства — «Делегатор»
Этот стиль основан на максимальном доверии. Лидер предоставляет команде высокий уровень автономии, очерчивая лишь цели и предоставляя ресурсы. Он эффективен только с высокопрофессиональными и мотивированными специалистами, которые не нуждаются в постоянном надзоре.
Примеры: Сергей Брин (Google), руководители R&D-команд.
Вопросы сфокусированы на обеспечении и результате, а не на процессе:
«У вас есть всё необходимое, чтобы выполнить задачу?»
«Сообщите мне, если возникнут серьёзные препятствия».
4. Трансформационный лидер — «Визионер»
Такой лидер не управляет, а вдохновляет. Он рисует яркую картину будущего и зажигает сердца людей общей миссией. Его главные инструменты — харизма и вера в команду. Он заставляет людей стремиться к большему, чем просто выполнение KPI.
Примеры: Илон Маск, Ричард Брэнсон.
Его вопросы взывают к амбициям и меняют масштаб мышления:
«Как этот проект может радикально изменить рынок?»
«Какой след во Вселенной мы хотим оставить после этой работы?»
5. Транзакционный лидер — «Оператор»
Прагматичный и системный управленец. Его подход основан на четком обмене: «ты мне — я тебе». Он выстраивает понятные процессы, определяет KPI и предлагает вознаграждение за их достижение. Этот стиль хорошо работает в стабильных средах, где процессы важнее креативности.
Примеры: Джефф Безос (в операционной фазе), руководители банков.
Вопросы нацелены на ясность и эффективность:
«Всем ясно, какие ваши ключевые показатели эффективности?»
«Какие метрики мы используем для оценки успеха проекта?»
6. Служащий лидер — «Поддерживающий»
Этот лидер переворачивает традиционную пирамиду власти. Его главная задача — не руководить, а служить своей команде: устранять препятствия, создавать комфортную среду и помогать каждому раскрыть свой потенциал.
Примеры: HR-менеджеры, фасилитаторы agile-команд.
Вопросы пронизаны заботой и поддержкой:
«Что я могу сделать, чтобы вы добились успеха?»
«Какие препятствия мешают вам, и как я могу помочь?»
7. Коучинговый лидер — «Развивающий»
Его фокус — не на текущих задачах, а на долгосрочном росте сотрудников. Он не дает готовых ответов, а задает вопросы, которые помогают команде самостоятельно находить решения и учиться на собственном опыте.
В современном менеджменте самосознание — ключ к успеху. Один из самых точных способов понять свой стиль управления — проанализировать вопросы, которые лидеры задают команде.
Как отмечал психолог Эрик Берн, в жизни мы играем социальные роли. В бизнесе происходит то же самое: каждый лидер примеряет на себя определенный «аватар», который проявляется в его коммуникации. Поэтому вопросы — это не просто сбор информации, это маркеры того, как вы видите свою роль, команду и цели.
Давайте разберем базовые типы лидеров и анти-паттерны, чтобы лучше понять себя и тех, с кем мы работаем.
1. Авторитарный лидер — «Руководитель»
Это классический образ начальника, который действует через команды и жесткий контроль. Его стихия — ситуации, где нужна скорость, точность и беспрекословное исполнение: кризисы, армейские подразделения, конвейерное производство. Решения здесь централизованы, а роль лидера — быть единственным центром принятия решений.
Примеры: Стив Джобс в ранние годы Apple, военные офицеры.
Их вопросы отражают потребность в контроле и статусе:
«Какой статус выполнения задачи?» — вопрос о контроле над процессом.
«Все понимают, что нужно делать, верно?» — риторический вопрос, утверждающий его авторитет.
2. Демократический лидер — «Коллаборатор»
Этот лидер стремится к консенсусу и ценит коллективный разум. Его сила — в создании вовлеченности и повышении мотивации команды. Решения, принятые совместно, исполняются с большим энтузиазмом. Этот стиль идеален для творческих и экспертных команд, но может замедлять процессы.
Примеры: Сатья Наделла (Microsoft), Нельсон Мандела.
Вопросы направлены на исследование и поиск общего решения:
«Какое решение будет наилучшим с точки зрения всех заинтересованных сторон?»
«Какие риски или возможности мы, возможно, упускаем?»
3. Лидер невмешательства — «Делегатор»
Этот стиль основан на максимальном доверии. Лидер предоставляет команде высокий уровень автономии, очерчивая лишь цели и предоставляя ресурсы. Он эффективен только с высокопрофессиональными и мотивированными специалистами, которые не нуждаются в постоянном надзоре.
Примеры: Сергей Брин (Google), руководители R&D-команд.
Вопросы сфокусированы на обеспечении и результате, а не на процессе:
«У вас есть всё необходимое, чтобы выполнить задачу?»
«Сообщите мне, если возникнут серьёзные препятствия».
4. Трансформационный лидер — «Визионер»
Такой лидер не управляет, а вдохновляет. Он рисует яркую картину будущего и зажигает сердца людей общей миссией. Его главные инструменты — харизма и вера в команду. Он заставляет людей стремиться к большему, чем просто выполнение KPI.
Примеры: Илон Маск, Ричард Брэнсон.
Его вопросы взывают к амбициям и меняют масштаб мышления:
«Как этот проект может радикально изменить рынок?»
«Какой след во Вселенной мы хотим оставить после этой работы?»
5. Транзакционный лидер — «Оператор»
Прагматичный и системный управленец. Его подход основан на четком обмене: «ты мне — я тебе». Он выстраивает понятные процессы, определяет KPI и предлагает вознаграждение за их достижение. Этот стиль хорошо работает в стабильных средах, где процессы важнее креативности.
Примеры: Джефф Безос (в операционной фазе), руководители банков.
Вопросы нацелены на ясность и эффективность:
«Всем ясно, какие ваши ключевые показатели эффективности?»
«Какие метрики мы используем для оценки успеха проекта?»
6. Служащий лидер — «Поддерживающий»
Этот лидер переворачивает традиционную пирамиду власти. Его главная задача — не руководить, а служить своей команде: устранять препятствия, создавать комфортную среду и помогать каждому раскрыть свой потенциал.
Примеры: HR-менеджеры, фасилитаторы agile-команд.
Вопросы пронизаны заботой и поддержкой:
«Что я могу сделать, чтобы вы добились успеха?»
«Какие препятствия мешают вам, и как я могу помочь?»
7. Коучинговый лидер — «Развивающий»
Его фокус — не на текущих задачах, а на долгосрочном росте сотрудников. Он не дает готовых ответов, а задает вопросы, которые помогают команде самостоятельно находить решения и учиться на собственном опыте.
👍1🔥1
Продолжение.
Примеры: тренеры по лидерству, наставники.
Вопросы помогают рефлексировать и находить путь:
«Какой, по вашему мнению, должен быть первый шаг?»
«Чему вы научились из этого опыта?»
Однако в такой классификации есть и анти-паттерны.
8. Истеричный самодур — «Эмоционально неуравновешенный контролёр»
Это разрушительный тип лидера, создающий вокруг себя атмосферу страха и непредсказуемости. Чтобы скрыть неуверенность, он прячется за гипертрофированными масками добродетели, доводя положительные качества до абсурда:
Маска №1: "Страстный Визионер". Его истерики — это "огонь души", а гнев — "доказательство неравнодушия".
Маска №2: "Строгий Наставник". Его унижения — это "закалка характера" и "бесценные уроки".
Маска №3: "Герой-Одиночка". Его микроменеджмент — это следствие того, что он "единственный ответственный человек в хаосе".
Ключевой признак самодура — мгновенная, театральная смена этих масок. Его поведение неадекватно контексту и служит одной цели — удержанию контроля и защите хрупкого эго, оставляя за собой выжженную землю демотивированных сотрудников.
Вывод: сила лидера — в осознанной интеграции ролей
Настоящий лидер может быть авторитарным, когда нужно спасти проект; демократичным, когда важно услышать всех; и служащим, когда команде нужна поддержка.
В отличие от самодура, который лишь имитирует добродетели, подлинный лидер интегрирует эти качества в свою личность, применяя их искренне и адекватно ситуации.
Примеры: тренеры по лидерству, наставники.
Вопросы помогают рефлексировать и находить путь:
«Какой, по вашему мнению, должен быть первый шаг?»
«Чему вы научились из этого опыта?»
Однако в такой классификации есть и анти-паттерны.
8. Истеричный самодур — «Эмоционально неуравновешенный контролёр»
Это разрушительный тип лидера, создающий вокруг себя атмосферу страха и непредсказуемости. Чтобы скрыть неуверенность, он прячется за гипертрофированными масками добродетели, доводя положительные качества до абсурда:
Маска №1: "Страстный Визионер". Его истерики — это "огонь души", а гнев — "доказательство неравнодушия".
Маска №2: "Строгий Наставник". Его унижения — это "закалка характера" и "бесценные уроки".
Маска №3: "Герой-Одиночка". Его микроменеджмент — это следствие того, что он "единственный ответственный человек в хаосе".
Ключевой признак самодура — мгновенная, театральная смена этих масок. Его поведение неадекватно контексту и служит одной цели — удержанию контроля и защите хрупкого эго, оставляя за собой выжженную землю демотивированных сотрудников.
Вывод: сила лидера — в осознанной интеграции ролей
Настоящий лидер может быть авторитарным, когда нужно спасти проект; демократичным, когда важно услышать всех; и служащим, когда команде нужна поддержка.
В отличие от самодура, который лишь имитирует добродетели, подлинный лидер интегрирует эти качества в свою личность, применяя их искренне и адекватно ситуации.
👍2
Вопросы, которые задают не все
Мы живём в эпоху точности. В любой деловой встрече, при анализе требований, на сессии планирования или в переписке с заказчиком — нас учат задавать Precision Questions: «Что именно вы имеете в виду под этим термином?», «Какой ожидаемый результат?», «Какие условия должны быть соблюдены?», «Кто будет использовать эту функцию?».
Эти вопросы строят здание ясности, структуры, управляемости. Это — основа бизнес-анализа, системного мышления, технической архитектуры.
И всё же, несмотря на их эффективность, что-то неуловимое ускользает. Мы знаем, как детализировать, но не всегда знаем, когда надо отступить и взглянуть иначе. Точность — не всегда глубина.
Иногда вопрос, заданный слишком точно, убивает живую суть. Он расчленяет проблему, но не всегда видит её целиком.
Карл Густав Юнг, один из основателей аналитической психологии, однажды взялся прочитать Улисса Джеймса Джойса — роман, который считается шедевром модернистской литературы.
Однако Юнг был разочарован: книга казалась ему утомительной, путаной, изнуряющей. Он мог бы, как психотерапевт, поставить диагноз автору, предположить психическую перегрузку, возможно даже нарциссическое расстройство. Такой анализ — это тоже своего рода Precision Questioning: «Что не так с этим текстом?», «Что хотел сказать автор?», «Какова структура отклонения?».
Но Юнг сделал нечто большее. Он остановился — и задал другой вопрос:
Это не вопрос о функции, не о дефекте, не о намерении. Это вопрос о потенциальной эволюции восприятия. Юнг предположил, что истинный читатель ещё не пришёл. Это — вопрос, которого почти никто не задаёт. Он не уточняет — он расширяет. Он предполагает, что смысл не живёт только в объекте анализа, а возникает на стыке времени, контекста и способностей воспринимающего.
Юнг тем самым предсказал не просто фигуру «интеллектуального читателя будущего», но и саму идею. Это значит, что тексты (и решения, и интерфейсы, и системы) можно проектировать на тех, кого ещё нет — на завтрашнее сознание.
Как бы это звучало для аналитика или разработчика?
Обычный вопросы: “Какие поля должны быть в форме? Что именно должен делать алгоритм?
Вопрос Юнговского типа: “Что из эти из этих решений будет уместным при смене восприятия?”
Юнг не отказался от точности — он просто пошёл ещё глубже, туда, где вопросы становятся провидческими. Где аналитик становится не только документатором требований, но и архитектором восприятия.
Это не отменяет Precision Questioning — это добавляет к парадигме горизонтальную ось времени и вертикальную ось смысла.
Юнг задал не технический, а онтологический вопрос. И этим — стал не только читателем Улисса, но и его пророком.
В великом всегда много места для идей.
1) Джеймс Джойс.” Улисс”.
2) К.Г. Юнг. «Улисс: монолог».
Мы живём в эпоху точности. В любой деловой встрече, при анализе требований, на сессии планирования или в переписке с заказчиком — нас учат задавать Precision Questions: «Что именно вы имеете в виду под этим термином?», «Какой ожидаемый результат?», «Какие условия должны быть соблюдены?», «Кто будет использовать эту функцию?».
Эти вопросы строят здание ясности, структуры, управляемости. Это — основа бизнес-анализа, системного мышления, технической архитектуры.
И всё же, несмотря на их эффективность, что-то неуловимое ускользает. Мы знаем, как детализировать, но не всегда знаем, когда надо отступить и взглянуть иначе. Точность — не всегда глубина.
Иногда вопрос, заданный слишком точно, убивает живую суть. Он расчленяет проблему, но не всегда видит её целиком.
Карл Густав Юнг, один из основателей аналитической психологии, однажды взялся прочитать Улисса Джеймса Джойса — роман, который считается шедевром модернистской литературы.
Однако Юнг был разочарован: книга казалась ему утомительной, путаной, изнуряющей. Он мог бы, как психотерапевт, поставить диагноз автору, предположить психическую перегрузку, возможно даже нарциссическое расстройство. Такой анализ — это тоже своего рода Precision Questioning: «Что не так с этим текстом?», «Что хотел сказать автор?», «Какова структура отклонения?».
Но Юнг сделал нечто большее. Он остановился — и задал другой вопрос:
Не важно, каков автор. Важно, кто будет читателем этого романа. Кому он покажется интересным?
Это не вопрос о функции, не о дефекте, не о намерении. Это вопрос о потенциальной эволюции восприятия. Юнг предположил, что истинный читатель ещё не пришёл. Это — вопрос, которого почти никто не задаёт. Он не уточняет — он расширяет. Он предполагает, что смысл не живёт только в объекте анализа, а возникает на стыке времени, контекста и способностей воспринимающего.
Юнг тем самым предсказал не просто фигуру «интеллектуального читателя будущего», но и саму идею. Это значит, что тексты (и решения, и интерфейсы, и системы) можно проектировать на тех, кого ещё нет — на завтрашнее сознание.
Как бы это звучало для аналитика или разработчика?
Обычный вопросы: “Какие поля должны быть в форме? Что именно должен делать алгоритм?
Вопрос Юнговского типа: “Что из эти из этих решений будет уместным при смене восприятия?”
Юнг не отказался от точности — он просто пошёл ещё глубже, туда, где вопросы становятся провидческими. Где аналитик становится не только документатором требований, но и архитектором восприятия.
Это не отменяет Precision Questioning — это добавляет к парадигме горизонтальную ось времени и вертикальную ось смысла.
Юнг задал не технический, а онтологический вопрос. И этим — стал не только читателем Улисса, но и его пророком.
В великом всегда много места для идей.
1) Джеймс Джойс.” Улисс”.
2) К.Г. Юнг. «Улисс: монолог».
👍2
Бизнес-аналитика 2025: 8 ключевых трендов по версии Gartner
25 июня вышел отчёт Gartner Magic Quadrant for Analytics and Business Intelligence Platforms (2025). Ниже — восемь трендов, которые получены на основании анализа инноваций компаний-лидеров.
1. Генеративный ИИ (GenAI) — в центре аналитики
Платформы внедряют генеративный ИИ во все стадии аналитического цикла: от создания запросов до формулировки инсайтов.
Теперь GenAI будет позволять:
- Строить визуализации по текстовому описанию;
- Автоматически находить причинно-следственные связи;
- Составлять текстовые пояснения к данным;
- Обнаруживать аномалии и рекомендовать действия.
Примеры: Microsoft Copilot, Looker Gemini, Tableau Pulse, IBM Watsonx BI, Amazon Q.
Преимущества:
- Повышает доступность BI для сотрудников, не связанных с аналитикой данных;
- Ускоряет анализ в разы;
- Делает аналитику интерактивной и разговорной.
2. BI на естественном языке: NLQ и NLG
- Natural Language Query (NLQ) позволяет задавать вопросы вроде "Что вызвало снижение прибыли в мае?"
- Natural Language Generation (NLG) генерирует текстовые интерпретации отчётов.
Цель: сделать BI похожим на разговор с умным помощником, а не на техническую систему.
Как это работает: вводите вопрос — получаете график, пояснение, и автоматические отчёты “на лету” в стиле KPI-сводок.
3. Семантический слой (Metrics Layer) — единый бизнес-язык данных
Семантический слой (метрический слой) — это централизованный слой для расчёта и хранения метрик (например, «LTV», «конверсия», «время воронки»), чтобы все департаменты считали одинаково. По сути —это встроенный MDM, который даёт следующие преимущества:
- Избавляет от разночтений;
- Повышает доверие к данным;
- Облегчает повторное использование.
Пример: Looker Semantic Layer, Strategy Metrics Layer, GoodData Headless BI.
4. Встраиваемая и компонуемая (composable) аналитика
Появился новый формат BI: не отдельная система, а часть внутренних и клиентских интерфейсов.
«Composable» означает сборку аналитики как конструктора: API, SDK, low-code инструменты.
Такой подход применяется:
- В CRM/ERP;
- В мобильных приложениях;
- На сайтах и платформах.
Платформы: Domo Everywhere, Sisense Compose SDK, ThoughtSpot Smart Apps, Qlik Embedded.
5. Облачность и мультиоблачность
Цель: быстрое внедрение, масштаб, отказ от vendor lock-in:
- BI больше не требует собственных серверов;
- Мультиоблачность (поддержка Azure, AWS, GCP) становится стандартом.
Архитектуры:
- Serverless (например, QuickSight от AWS) — масштабируется без ручной настройки;
- SaaS — быстро внедряется, не требует инфраструктуры.
6. Автогенерация инсайтов
Это переход от "смотри и интерпретируй" к "мы нашли — тебе осталось принять решение»:
- Обнаружение аномалий и трендов;
- Объяснение драйверов изменений;
- Автоматическая реакция на события.
Примеры: Tableau Pulse, Tellius Kaiya, Qlik SpotIQ.
7. Отраслевая специализация
Платформы теперь предлагают шаблоны под конкретные кейсы: финансы, маркетинг, производство, здравоохранение.
Отраслевые пакеты включают:
- Готовые дашборды;
- Преднастроенные модели данных;
- Визуализации и бизнес-метрики.
Преимущество: сокращение TTM (time-to-market) и ускорение получения пользы от BI.
8. Управление данными и доверие (Governance & Trust)
Почему важно: увеличивается количество пользователей BI, растёт объём персональных и чувствительных данных. BI не должен быть риском — он должен быть защищённым, воспроизводимым и прозрачным.
Ключевые функции:
- Ролевой доступ к данным;
- Маскирование персональных данных;
- Сертификация отчётов, т.е. подтверждение, что отчёт проверен и согласован;
- Отслеживание происхождения данных.
Таким образом, BI перестаёт быть инструментом "для аналитиков".
BI становится:
- частью ежедневной работы каждого сотрудника;
- проактивной системой, подсказывающей решения до возникновения вопросов;
- основой для цифровой трансформации.
25 июня вышел отчёт Gartner Magic Quadrant for Analytics and Business Intelligence Platforms (2025). Ниже — восемь трендов, которые получены на основании анализа инноваций компаний-лидеров.
1. Генеративный ИИ (GenAI) — в центре аналитики
Платформы внедряют генеративный ИИ во все стадии аналитического цикла: от создания запросов до формулировки инсайтов.
Теперь GenAI будет позволять:
- Строить визуализации по текстовому описанию;
- Автоматически находить причинно-следственные связи;
- Составлять текстовые пояснения к данным;
- Обнаруживать аномалии и рекомендовать действия.
Примеры: Microsoft Copilot, Looker Gemini, Tableau Pulse, IBM Watsonx BI, Amazon Q.
Преимущества:
- Повышает доступность BI для сотрудников, не связанных с аналитикой данных;
- Ускоряет анализ в разы;
- Делает аналитику интерактивной и разговорной.
2. BI на естественном языке: NLQ и NLG
- Natural Language Query (NLQ) позволяет задавать вопросы вроде "Что вызвало снижение прибыли в мае?"
- Natural Language Generation (NLG) генерирует текстовые интерпретации отчётов.
Цель: сделать BI похожим на разговор с умным помощником, а не на техническую систему.
Как это работает: вводите вопрос — получаете график, пояснение, и автоматические отчёты “на лету” в стиле KPI-сводок.
3. Семантический слой (Metrics Layer) — единый бизнес-язык данных
Семантический слой (метрический слой) — это централизованный слой для расчёта и хранения метрик (например, «LTV», «конверсия», «время воронки»), чтобы все департаменты считали одинаково. По сути —это встроенный MDM, который даёт следующие преимущества:
- Избавляет от разночтений;
- Повышает доверие к данным;
- Облегчает повторное использование.
Пример: Looker Semantic Layer, Strategy Metrics Layer, GoodData Headless BI.
4. Встраиваемая и компонуемая (composable) аналитика
Появился новый формат BI: не отдельная система, а часть внутренних и клиентских интерфейсов.
«Composable» означает сборку аналитики как конструктора: API, SDK, low-code инструменты.
Такой подход применяется:
- В CRM/ERP;
- В мобильных приложениях;
- На сайтах и платформах.
Платформы: Domo Everywhere, Sisense Compose SDK, ThoughtSpot Smart Apps, Qlik Embedded.
5. Облачность и мультиоблачность
Цель: быстрое внедрение, масштаб, отказ от vendor lock-in:
- BI больше не требует собственных серверов;
- Мультиоблачность (поддержка Azure, AWS, GCP) становится стандартом.
Архитектуры:
- Serverless (например, QuickSight от AWS) — масштабируется без ручной настройки;
- SaaS — быстро внедряется, не требует инфраструктуры.
6. Автогенерация инсайтов
Это переход от "смотри и интерпретируй" к "мы нашли — тебе осталось принять решение»:
- Обнаружение аномалий и трендов;
- Объяснение драйверов изменений;
- Автоматическая реакция на события.
Примеры: Tableau Pulse, Tellius Kaiya, Qlik SpotIQ.
7. Отраслевая специализация
Платформы теперь предлагают шаблоны под конкретные кейсы: финансы, маркетинг, производство, здравоохранение.
Отраслевые пакеты включают:
- Готовые дашборды;
- Преднастроенные модели данных;
- Визуализации и бизнес-метрики.
Преимущество: сокращение TTM (time-to-market) и ускорение получения пользы от BI.
8. Управление данными и доверие (Governance & Trust)
Почему важно: увеличивается количество пользователей BI, растёт объём персональных и чувствительных данных. BI не должен быть риском — он должен быть защищённым, воспроизводимым и прозрачным.
Ключевые функции:
- Ролевой доступ к данным;
- Маскирование персональных данных;
- Сертификация отчётов, т.е. подтверждение, что отчёт проверен и согласован;
- Отслеживание происхождения данных.
Таким образом, BI перестаёт быть инструментом "для аналитиков".
BI становится:
- частью ежедневной работы каждого сотрудника;
- проактивной системой, подсказывающей решения до возникновения вопросов;
- основой для цифровой трансформации.
👍2
С ИИ мы тупеем - теперь это доказано
Пока нас всё больше и больше призывают использовать ИИ, даже хотят учить ИИ в школах, появляются и совсем противоположные исследования: с ИИ мы объективно тупеем.
В июне 2025 года в Массачусетском технологическом институте (MIT), было проведено исследование на тему "Накопление когнитивного дефицита при использовании ИИ-ассистента при написании эссе".
Ученые использовали электроэнцефалографию (ЭЭГ) для измерения мозговой активности у 54 участников, разделенных на три группы:
• Brain only: cамостоятельное написание эссе
• Search Engine: c использованием поисковых инструментов – Google,
• LLM/Chat GPT - c помощником на основе ИИ.
Вот результаты:
1. У группы LLM/Chat GPT зафиксирована наименьшая нейронная активность: снижение когнитивной нагрузки на 55% по сравнению с группой Brain-only и на 48% с группой Search Engine. У этой группы также было выявлено ослабление нейронных связей в префронтальной коре и областях, связанных с критическим мышлением и памятью.
2. Произошло и снижение креативности: тексты, созданные с ИИ, были стандартизированными, а участники не могли точно пересказать их содержание (15 из 18 человек в группе LLM показали низкие результаты).
3. Отмечен эффект формирования «когнитивного долга» — привыкание к ИИ-помощи, затрудняющее возврат к самостоятельной работе.
Не правда ли, ситуация напоминает массовое внедрение калькуляторов в школах США, после которого дети перестали считать устно и утратили способности к математике, а следовательно, и к математическому мышлению. Теперь всё это грозит и нам, но на более высоком технологическом уровне.
Психологически, полагаясь на ИИ в гонке за скоростью, мы довольствуемся средним результатом, который выдают сети. Привыкаем к посредственности, теряем уникальность и не создаём шедевры.
Пока нас всё больше и больше призывают использовать ИИ, даже хотят учить ИИ в школах, появляются и совсем противоположные исследования: с ИИ мы объективно тупеем.
В июне 2025 года в Массачусетском технологическом институте (MIT), было проведено исследование на тему "Накопление когнитивного дефицита при использовании ИИ-ассистента при написании эссе".
Ученые использовали электроэнцефалографию (ЭЭГ) для измерения мозговой активности у 54 участников, разделенных на три группы:
• Brain only: cамостоятельное написание эссе
• Search Engine: c использованием поисковых инструментов – Google,
• LLM/Chat GPT - c помощником на основе ИИ.
Вот результаты:
1. У группы LLM/Chat GPT зафиксирована наименьшая нейронная активность: снижение когнитивной нагрузки на 55% по сравнению с группой Brain-only и на 48% с группой Search Engine. У этой группы также было выявлено ослабление нейронных связей в префронтальной коре и областях, связанных с критическим мышлением и памятью.
2. Произошло и снижение креативности: тексты, созданные с ИИ, были стандартизированными, а участники не могли точно пересказать их содержание (15 из 18 человек в группе LLM показали низкие результаты).
3. Отмечен эффект формирования «когнитивного долга» — привыкание к ИИ-помощи, затрудняющее возврат к самостоятельной работе.
Не правда ли, ситуация напоминает массовое внедрение калькуляторов в школах США, после которого дети перестали считать устно и утратили способности к математике, а следовательно, и к математическому мышлению. Теперь всё это грозит и нам, но на более высоком технологическом уровне.
Психологически, полагаясь на ИИ в гонке за скоростью, мы довольствуемся средним результатом, который выдают сети. Привыкаем к посредственности, теряем уникальность и не создаём шедевры.
arXiv.org
Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using...
This study explores the neural and behavioral consequences of LLM-assisted essay writing. Participants were divided into three groups: LLM, Search Engine, and Brain-only (no tools). Each completed...
🔥4
Задача о делении пирога
Давным-давно на собеседовании мне предложили следующую задачу.
Это – задача в развитие задачи последовательного торга с дисконтированием Ариэля Рубинштейна (Rubinstein, A. (1982). "Perfect Equilibrium in a Bargaining Model").
Интересно, что А.Рубинштейн был кандидатом на Нобелевскую премию по экономике в том числе и за эту задачу. В итоге, правда, премию получил не он.
Интересно, как бы сейчас с ней справился ИИ? Я нашел своё решение и попросил популярные ИИ его проверить и даже решить.
Ниже - результаты (навигация – в конце, так устроен Notion).
https://www.notion.so/25314227692d802e85afe30cd2328f38?source=copy_link
Краткие выводы:
1) Все чаты теперь прекрасно решают достаточно сложные задачи на рассуждения.
2) Лучше всех объясняет Gemini Pro 2.5, очень достойно Chat GPT 5.
3) Chat GPT 5 предлагает разумные дополнения.
4) Gemini 2.5 Flash сначала ошибся в математике, но потом версия Pro исправила ошибку, и ошибочное объяснение исчезло.
5) Можно заметить, что ИИ всё-таки мыслят шаблонно, как их научили: если это задача Рубинштейна, то все допущения стандартные, зачем об этом писать. Хотя допущения - начало рассуждения.
На ИИ по полагаемся, но думаем сами.
Давным-давно на собеседовании мне предложили следующую задачу.
В Лолу влюбились два друга – Джонни и Джон. Уровень влюбленности у друзей одинаковый. Она решила испытать их на прочность и на дружбу. Лола приготовила очень вкусный пирог, и установила следующие правила: каждый ровный час (12 , 13 и т.д.) они должны пытаться поделить пирог по схеме – один предлагает, а другой соглашается или не соглашается. Если друзья не приходят к соглашению, то пирог остывает в печи до следующего часа, а затем происходит новая попытка дележа. Первым начинает старший из товарищей. Оба друга любят пирог, но кто-то из них больше, а кто-то меньше. Поэтому каждый час, который пирог остывает, теряется X% привлекательности пирога для Джонни и Y% для Джона. Лола вернется через 6-ть часов. Если к тому моменту друзья не смогут разделить пирог, то она сходу съест его сама.
А) Опишите последовательно: как будут взаимодействовать друзья и к какому результату они придут.
Б) Что изменится, если Лола не вернется?
P.S. Решение требуется представить на английском языке, наибольшую ценность представляют не конечные ответы, а ваши рассуждения. Размер ответа ограничен страницей А4.
Это – задача в развитие задачи последовательного торга с дисконтированием Ариэля Рубинштейна (Rubinstein, A. (1982). "Perfect Equilibrium in a Bargaining Model").
Интересно, что А.Рубинштейн был кандидатом на Нобелевскую премию по экономике в том числе и за эту задачу. В итоге, правда, премию получил не он.
Интересно, как бы сейчас с ней справился ИИ? Я нашел своё решение и попросил популярные ИИ его проверить и даже решить.
Ниже - результаты (навигация – в конце, так устроен Notion).
https://www.notion.so/25314227692d802e85afe30cd2328f38?source=copy_link
Краткие выводы:
1) Все чаты теперь прекрасно решают достаточно сложные задачи на рассуждения.
2) Лучше всех объясняет Gemini Pro 2.5, очень достойно Chat GPT 5.
3) Chat GPT 5 предлагает разумные дополнения.
4) Gemini 2.5 Flash сначала ошибся в математике, но потом версия Pro исправила ошибку, и ошибочное объяснение исчезло.
5) Можно заметить, что ИИ всё-таки мыслят шаблонно, как их научили: если это задача Рубинштейна, то все допущения стандартные, зачем об этом писать. Хотя допущения - начало рассуждения.
На ИИ по полагаемся, но думаем сами.
Yaroslav Bozhenkov's Notion on Notion
Задача о разделе пирога | Notion
🔥1
About:cloud или Cloud:about
Прошёл митап Яндекса “About:cloud – infrastructure”. Это о технический о архитектуре Яндекс. Облако.
Безусловно, стоит изучать облачные платформы, тем более что крупных платформ в Росси всего две Yandex и cloud.ru.
Последняя – продукт Сбера, но после санкций 2022 г. стала принадлежать засекреченному частному лицу.
Российский платформы копируют путь Azure и Amazon, но это не афишируют. Будущее, тем не менее, не просто в серверном облаке, а в управлении облачными приложениями на основе интеллектуальных агентов - это пока в зачатке.
Любопытно обратить внимание на название: “About: cloud - infrastructure”. Это бы выглядело как «Об: облако – инфраструктура». Смысл, наверное, обратный написанию: «Облако: об инфраструктуре».
Или ещё короче: «Облако:Инфраструктура». Главное ведь должно идти сначала, и главное – не предлог.
Странное название, но оригинально!
Прошёл митап Яндекса “About:cloud – infrastructure”. Это о технический о архитектуре Яндекс. Облако.
Безусловно, стоит изучать облачные платформы, тем более что крупных платформ в Росси всего две Yandex и cloud.ru.
Последняя – продукт Сбера, но после санкций 2022 г. стала принадлежать засекреченному частному лицу.
Российский платформы копируют путь Azure и Amazon, но это не афишируют. Будущее, тем не менее, не просто в серверном облаке, а в управлении облачными приложениями на основе интеллектуальных агентов - это пока в зачатке.
Любопытно обратить внимание на название: “About: cloud - infrastructure”. Это бы выглядело как «Об: облако – инфраструктура». Смысл, наверное, обратный написанию: «Облако: об инфраструктуре».
Или ещё короче: «Облако:Инфраструктура». Главное ведь должно идти сначала, и главное – не предлог.
Странное название, но оригинально!
❤2
Топ-6 предсказаний на 2026
В 2025 году началась настоящая ИИ-революция, связанная с масштабным появлением ИИ-агентов и, главное, возможностей генерации кода. Но что ещё будет! Вот какие теперь супер-тренды.
1️⃣ Если прошлые годы были годами блогеров, социальных сетей, блокчейна и крипто, то этот год открывает эпоху ИИ-фабрик (даже не ИИ-агентов). Любое приложение любого уровня сложности теперь может быть создано автоматически: в упрощённой версии — за неделю, в полноценной — за месяц. И это может сделать каждый человек с минимальными техническими навыками — без программирования.
2️⃣ ИИ-агенты становятся ИИ-фабрикой. Теперь на этой фабрике вы можете создавать полноценных специализированных разработчиков, архитекторов, аналитиков, QA и DevOps-инженеров. Этой фабрикой управляют ИИ-менеджеры: они распределяют задачи, контролируют исполнение, готовят документацию. И это не шутка.
3️⃣ Роль человека обнуляется для рутинных функций (программирование, тестирование, документирование, анализ), поскольку они выполняются ИИ-агентами. Однако роль человека многократно возрастает на этапе креатива, постановки задач, создания и контроля реализации любых креативных идей. Появятся новые специальности: менеджер ИИ-проектов, ИИ-предприниматель (vibe coder), в основе которых — умение правильно организовать работу с ИИ.
4️⃣ Скорость разработки существенно зависит от вкладываемых ресурсов. Российский псевдо-ИИ и “туннели” (API) к устаревшим западным моделям ИИ — гордость «показной» экономики — здесь даже не могут рассматриваться. Вы не можете получить скорость и вменяемость разработки на бесплатных моделях; вы не можете пользоваться подпиской за $20, чтобы вести промышленную разработку. Любая вменяемая enterprise-разработка с ИИ начинается примерно от $200 на сотрудника. Добро пожаловать в реалии.
5️⃣ Поскольку ИИ даёт кардинальные преимущества, позволяя выполнить 2-недельный спринт команды из 8–10 человек за час, можно предсказать, что стоимость ИИ будет только расти. Это нужно осознать и перестать жадничать.
6️⃣ Ценность времени человека приобретает особое значение. Час — это квант времени, за который теперь может быть сделана и введена в эксплуатацию «продуктовая фича» — ценность, за которую люди будут платить деньги. Или это время, бесславно потраченное на совещаниях, написании документов (которые теперь пишет и читает ИИ), самовосхвалении. Выбирать каждому, но выбор — очевиден.
Добро пожаловать в Новый год и революцию!
С Новым годом!🎄 🎉 🎁 🥂🍾
В 2025 году началась настоящая ИИ-революция, связанная с масштабным появлением ИИ-агентов и, главное, возможностей генерации кода. Но что ещё будет! Вот какие теперь супер-тренды.
Добро пожаловать в Новый год и революцию!
С Новым годом!
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Не могу не переслать новогодние поздравления Посольства США. Глубокая, красивая речь, пронизанная высокой осознанностью. Это - наверное, самое главное пожелание нам всем в этом году.
https://t.me/USEmbRussia/4425
https://t.me/USEmbRussia/4425
Telegram
Посольство США в России
Посольство США в Москве поздравляет вас с Новым годом!
Когда искусственный интеллект учит естественный
Мы привыкли обсуждать, как нужно обучать нейросети. Каждый день выходят тысячи материалов о том, как «скармливать» алгоритмам данные, совершенствовать промпт инжиниринг и бороться с машинными галлюцинациями. Мы заняты тем, чтобы искусственный интеллект стал умнее, полезнее и эмпатичнее.
Однако за этим технологическим азартом мы почти не замечаем другой вопрос: а как теперь учиться нам самим? Что изменилось в развитии естественного интеллекта — человеческого, и кто сегодня справляется с этой задачей лучше: книга, эксперт или уже ИИ алгоритм?
Для любого ответственного родителя этот вопрос всегда был предельно важным. Как ухаживать за ребенком, раскрыть его способности, развить интеллект, помочь выстроить успешную жизненную траекторию? Долгие годы мы пытались решать эту задачу инструментами, которые еще недавно казались надёжными, а сегодня всё чаще выглядят недостаточными.
Иллюзия выбора и ошибка одной книги
В доцифровую эпоху главной проблемой был поиск информации. Родители шли в книжный магазин, библиотеку, спрашивали старших, читали форумы, искали «правильного» автора. Находили книгу известного педагога или психолога и пытались примерить описанную систему на своего живого, сложного, совершенно нешаблонного ребенка.
Именно здесь скрывалась фундаментальная проблема — ошибка одной книги.
Даже одна хорошая книга уже требует времени, которого у работающего, хронически не высыпающегося родителя почти нет. А ведь вопрос не только во времени. Вопрос в другом: откуда уверенность, что вы выбрали именно ту книгу? Именно ту концепцию, именно тот подход, который подходит вашему ребенку, его возрасту, темпераменту, контексту, трудностям.
Выбирая одну систему, мы неизбежно исключали десятки и сотни других. Мы не могли знать, что в это же время где-то выходит новое исследование по нейробиологии, когнитивному развитию или детской психологии, которое уточняет, ограничивает или вовсе опровергает прочитанное. Человеческое внимание и время физически ограничены. Мы не способны охватить весь массив знаний о развитии человека.
Когда эксперта уже недостаточно
Если книга не помогала, родители переходили ко второму этапу — поиску эксперта. Врач, психолог, репетитор, педагог, консультант. Это был следующий уровень: найти того, кто знает лучше.
Здесь также возникало ограничение. Даже самый сильный специалист почти всегда смотрит на ребенка через оптику своей дисциплины. Педиатр видит здоровье. Психолог — эмоции и поведение. Педагог — обучение и результаты. Невролог — симптомы.
И каждый по-своему прав. Проблема в том, что стратегия развития ребенка не складывается из набора разрозненных профессиональных мнений автоматически. Она требует синтеза знаний, а именно его в реальной жизни чаще всего и не хватает.
Поэтому вопрос сегодня уже не в том, нужен ли эксперт. Вопрос в том – кто должен быть этим экспертом.
ИИ как механизм интеллектуального синтеза
Именно здесь появляется искусственный интеллект.
Его роль в родительстве и образовании — не только в удобстве интерфейса и не только в персонализации. Главное — в масштабе и скорости. ИИ работает не как одна книга и даже не как один эксперт. Он работает как механизм, способный быстро сопоставлять огромные массивы знаний из разных областей: педагогики, психологии, нейробиологии, медицины, поведенческих наук.
Когда у родителя возникает конкретный вопрос — например, о мотивации к учебе, социализации, концентрации внимания или ранней профориентации, — ИИ способен собрать более широкую и более связанную картину, чем это обычно удается человеку вручную.
Не потому, что он «мудрее» человека в философском смысле. А потому, что он быстрее обрабатывает большее количество источников, лучше удерживает взаимосвязи и почти мгновенно выстраивает междисциплинарную гипотезу.
Здесь – качественный сдвиг.
Продолжение – дальше
Мы привыкли обсуждать, как нужно обучать нейросети. Каждый день выходят тысячи материалов о том, как «скармливать» алгоритмам данные, совершенствовать промпт инжиниринг и бороться с машинными галлюцинациями. Мы заняты тем, чтобы искусственный интеллект стал умнее, полезнее и эмпатичнее.
Однако за этим технологическим азартом мы почти не замечаем другой вопрос: а как теперь учиться нам самим? Что изменилось в развитии естественного интеллекта — человеческого, и кто сегодня справляется с этой задачей лучше: книга, эксперт или уже ИИ алгоритм?
Для любого ответственного родителя этот вопрос всегда был предельно важным. Как ухаживать за ребенком, раскрыть его способности, развить интеллект, помочь выстроить успешную жизненную траекторию? Долгие годы мы пытались решать эту задачу инструментами, которые еще недавно казались надёжными, а сегодня всё чаще выглядят недостаточными.
Иллюзия выбора и ошибка одной книги
В доцифровую эпоху главной проблемой был поиск информации. Родители шли в книжный магазин, библиотеку, спрашивали старших, читали форумы, искали «правильного» автора. Находили книгу известного педагога или психолога и пытались примерить описанную систему на своего живого, сложного, совершенно нешаблонного ребенка.
Именно здесь скрывалась фундаментальная проблема — ошибка одной книги.
Даже одна хорошая книга уже требует времени, которого у работающего, хронически не высыпающегося родителя почти нет. А ведь вопрос не только во времени. Вопрос в другом: откуда уверенность, что вы выбрали именно ту книгу? Именно ту концепцию, именно тот подход, который подходит вашему ребенку, его возрасту, темпераменту, контексту, трудностям.
Выбирая одну систему, мы неизбежно исключали десятки и сотни других. Мы не могли знать, что в это же время где-то выходит новое исследование по нейробиологии, когнитивному развитию или детской психологии, которое уточняет, ограничивает или вовсе опровергает прочитанное. Человеческое внимание и время физически ограничены. Мы не способны охватить весь массив знаний о развитии человека.
Когда эксперта уже недостаточно
Если книга не помогала, родители переходили ко второму этапу — поиску эксперта. Врач, психолог, репетитор, педагог, консультант. Это был следующий уровень: найти того, кто знает лучше.
Здесь также возникало ограничение. Даже самый сильный специалист почти всегда смотрит на ребенка через оптику своей дисциплины. Педиатр видит здоровье. Психолог — эмоции и поведение. Педагог — обучение и результаты. Невролог — симптомы.
И каждый по-своему прав. Проблема в том, что стратегия развития ребенка не складывается из набора разрозненных профессиональных мнений автоматически. Она требует синтеза знаний, а именно его в реальной жизни чаще всего и не хватает.
Поэтому вопрос сегодня уже не в том, нужен ли эксперт. Вопрос в том – кто должен быть этим экспертом.
ИИ как механизм интеллектуального синтеза
Именно здесь появляется искусственный интеллект.
Его роль в родительстве и образовании — не только в удобстве интерфейса и не только в персонализации. Главное — в масштабе и скорости. ИИ работает не как одна книга и даже не как один эксперт. Он работает как механизм, способный быстро сопоставлять огромные массивы знаний из разных областей: педагогики, психологии, нейробиологии, медицины, поведенческих наук.
Когда у родителя возникает конкретный вопрос — например, о мотивации к учебе, социализации, концентрации внимания или ранней профориентации, — ИИ способен собрать более широкую и более связанную картину, чем это обычно удается человеку вручную.
Не потому, что он «мудрее» человека в философском смысле. А потому, что он быстрее обрабатывает большее количество источников, лучше удерживает взаимосвязи и почти мгновенно выстраивает междисциплинарную гипотезу.
Здесь – качественный сдвиг.
Продолжение – дальше
👍2❤1🔥1
Продолжение.
Может ли ИИ формировать стратегию развития?
Знать много — недостаточно. По-настоящему все меняется в тот момент, когда глобальные знания соединяются с уникальным «контекстом» конкретного ребенка.
Если родитель вместе с ИИ будут каждый раз уточнять особенности ребенка — его мышление, темперамент, страхи, интересы, трудности, особенности реакции, мотивацию, семейный контекст, — ИИ способен не просто выдать общий совет, а поможет собирать персонализированный трек развития.
Если у подростка падает концентрация, система может предложить не одну случайную рекомендацию, а комплексную гипотезу на стыке режима дня, сна, учебной нагрузки, среды, эмоционального состояния и когнитивных привычек.
Если ребенок не любит математику, но увлечен космосом, ИИ может помочь перестроить объяснение через его интерес, а не через абстрактную школьную подачу.
Если родители хотят понять сильные стороны дошкольника, ИИ может предложить наблюдательные сценарии, игровые тесты, вопросы и интерпретации, которые помогут увидеть не «норму вообще», а конкретный профиль ребенка.
Именно поэтому ИИ постепенно начинает выступать не просто как справочник, а как архитектор образовательной траектории, личный тьютор и постоянно доступный аналитический слой вокруг решений родителей.
Кто на самом деле принимает решение?
На первый взгляд кажется, что схема прежняя: искусственный интеллект ищет, анализирует и структурирует, а окончательное решение – за человеком. Формально это так.
Однако реальное изменение происходит глубже.
ИИ не принимает решение вместо родителя напрямую. Он делает другое: он подготавливает его содержательную основу. Он формирует пространство наиболее сильных, наиболее продуманных и наиболее реалистичных вариантов.
И здесь возникает новый, неудобный вопрос.
Если одна система за секунды сопоставляет то, на что у человека ушли бы недели, если она учитывает больше факторов, удерживает больше связей и предлагает более целостную логику, то насколько свободным остается наш выбор? Да, мы по-прежнему говорим последнее слово. Но все чаще это последнее слово уже произнесено внутри интеллектуальной рамки, которую уже построил не человек, а интеллект искусственный.
Именно поэтому проблема будущего не в том, что ИИ «отнимет» у нас решение. Проблема в том, что наше решение на самом деле подготовлено ИИ.
Родитель в эпоху алгоритмов
Принимая этот факт, мы уже завтра будем вынуждены произнести вслух то, что сегодня ещё режет слух: наших детей будет учить и формировать вовсе не наш, родительский интеллект. Их будет обучать, направлять и стратегически развивать интеллект искусственный.
А кто же тогда мы? Какова наша роль в этой новой парадигме?
Парадоксальным образом мы меняемся ролями с технологиями. Если раньше машины были нашими инструментами, то теперь мы — родители — становимся для наших детей лишь техническими, организационно-распорядительными и эмоционально-волевыми посредниками в этом масштабном процессе.
С другой стороны, чем сильнее ИИ будет в проектировании развития естественного интеллекта, тем важнее станет то, что не сводится к данным, паттернам и рекомендациям. Не просто организация обучения, а смысл. Не просто выбор лучшей траектории, а выбор, ради чего она вообще нужна. Не просто развитие навыков, а понимание, какого человека мы хотим вырастить.
Может ли ИИ формировать стратегию развития?
Знать много — недостаточно. По-настоящему все меняется в тот момент, когда глобальные знания соединяются с уникальным «контекстом» конкретного ребенка.
Если родитель вместе с ИИ будут каждый раз уточнять особенности ребенка — его мышление, темперамент, страхи, интересы, трудности, особенности реакции, мотивацию, семейный контекст, — ИИ способен не просто выдать общий совет, а поможет собирать персонализированный трек развития.
Если у подростка падает концентрация, система может предложить не одну случайную рекомендацию, а комплексную гипотезу на стыке режима дня, сна, учебной нагрузки, среды, эмоционального состояния и когнитивных привычек.
Если ребенок не любит математику, но увлечен космосом, ИИ может помочь перестроить объяснение через его интерес, а не через абстрактную школьную подачу.
Если родители хотят понять сильные стороны дошкольника, ИИ может предложить наблюдательные сценарии, игровые тесты, вопросы и интерпретации, которые помогут увидеть не «норму вообще», а конкретный профиль ребенка.
Именно поэтому ИИ постепенно начинает выступать не просто как справочник, а как архитектор образовательной траектории, личный тьютор и постоянно доступный аналитический слой вокруг решений родителей.
Кто на самом деле принимает решение?
На первый взгляд кажется, что схема прежняя: искусственный интеллект ищет, анализирует и структурирует, а окончательное решение – за человеком. Формально это так.
Однако реальное изменение происходит глубже.
ИИ не принимает решение вместо родителя напрямую. Он делает другое: он подготавливает его содержательную основу. Он формирует пространство наиболее сильных, наиболее продуманных и наиболее реалистичных вариантов.
И здесь возникает новый, неудобный вопрос.
Если одна система за секунды сопоставляет то, на что у человека ушли бы недели, если она учитывает больше факторов, удерживает больше связей и предлагает более целостную логику, то насколько свободным остается наш выбор? Да, мы по-прежнему говорим последнее слово. Но все чаще это последнее слово уже произнесено внутри интеллектуальной рамки, которую уже построил не человек, а интеллект искусственный.
Именно поэтому проблема будущего не в том, что ИИ «отнимет» у нас решение. Проблема в том, что наше решение на самом деле подготовлено ИИ.
Родитель в эпоху алгоритмов
Принимая этот факт, мы уже завтра будем вынуждены произнести вслух то, что сегодня ещё режет слух: наших детей будет учить и формировать вовсе не наш, родительский интеллект. Их будет обучать, направлять и стратегически развивать интеллект искусственный.
А кто же тогда мы? Какова наша роль в этой новой парадигме?
Парадоксальным образом мы меняемся ролями с технологиями. Если раньше машины были нашими инструментами, то теперь мы — родители — становимся для наших детей лишь техническими, организационно-распорядительными и эмоционально-волевыми посредниками в этом масштабном процессе.
С другой стороны, чем сильнее ИИ будет в проектировании развития естественного интеллекта, тем важнее станет то, что не сводится к данным, паттернам и рекомендациям. Не просто организация обучения, а смысл. Не просто выбор лучшей траектории, а выбор, ради чего она вообще нужна. Не просто развитие навыков, а понимание, какого человека мы хотим вырастить.
👍2❤1🔥1