🔬 Отходим от стандартных KPI: тестируем ИИ-аналитику, которая показывает реальную картину бизнеса
В продолжение разговора о том, как мы становимся «архитекторами смыслов». Любая сложная система требует правильных настроек. Обычные KPI и субъективные ревью уже не дают полной картины — они показывают следствие, а не причину.
Мы разработали новые форматы ИИ-аналитики ваших рабочих встреч. Мы хотим заглянуть под капот бизнеса и оцифровать то, что обычно работает (или ломается) на уровне интуиции.
Какие задачи бизнеса закрывают наши новые отчеты:
🔍 Поиск «узких горлышек» и устаревших процессов. * Какую задачу решает: Помогает бизнесу понять, где рост тормозится из-за старых «костылей». Мы подсвечиваем процессы, которые давно пора перестроить, чтобы компания могла масштабироваться быстрее.
🧩 Объективное распределение ролей по реальному вкладу. * Какую задачу решает: Дает ответ на вопрос: «Кто реально драйвит процессы и связывает контексты, а кто просто выполняет механическую работу?». Помогает расставить людей на те позиции, где их сильные стороны дадут максимальный ROI.
🌉 Устранение разрывов в коммуникации. * Какую задачу решает: Показывает, на каких стыках между сотрудниками или отделами теряется смысл и искажаются задачи. Помогает синхронизировать команду, чтобы проекты не буксовали из-за недопониманий.
Мы уже начали пилотные разборы, и результаты говорят сами за себя. Недавно один из наших клиентов поделился показательным кейсом: на совещании он интуитивно предложил поставить на паузу один из процессов. ИИ, прогнав встречу через нашу систему оценки, выдал беспристрастное резюме, которое не только математически подтвердило эту гипотезу, но и выдало четкий план дальнейших действий.
«Одно дело действовать интуитивно, и совсем другое — получить независимый срез. Команда была в шоке от глубины анализа, прям офигели! ИИ даже помог понять, как правильнее распределить роли с учетом сильных сторон каждого, чтобы добрать нужных людей», — из отзыва клиента.
Что дальше? Аудит оптимизации и стратегия внедрения ИИ
Помимо оценки команды, мы добавляем возможность анализировать процессы на предмет автоматизации. Мы поможем разложить всё по полочкам:
⚙️ Что стоит оптимизировать, а что — нет. Поймем, где автоматизация даст кратный рост, а где станет пустой тратой времени и бюджетов.
📊 Оценка эффективности. Что нужно менять в первую очередь и какой реальный профит (в сэкономленных деньгах и часах) принесет конкретное решение.
🤖 Стратегия внедрения ИИ в вашу компанию. Как именно лучше всего интегрировать нейросети конкретно в ваш контекст, чтобы они органично встроились в работу и реально упрощали жизнь сотрудникам.
Это мощный фильтр, который в итоге сэкономит бизнесу внушительные суммы и высвободит интеллектуальный ресурс команды.
В чем суть нашего предложения?
Сейчас эти методологии находятся на стадии активной обкатки. Под капотом еще есть доля ручной работы — мы сами выступаем в роли тех самых «эволюционных конструкторов», собирая и анализируя данные, чтобы понять, что в итоге оставить в массовом продукте.
Поэтому мы предлагаем вам стать нашими первопроходцами. Мы готовы выступить вашими личными консультантами, провести вашу команду через новые фреймворки, выдать подробный срез по системе и спроектировать вашу персональную стратегию оптимизации.
💰 Стоимость участия в тестировании: 50 000 рублей.
Это early-bird цена за наш ручной консалтинг и глубокую бизнес-аналитику, пока фича не ушла в полноценный релиз.
Если вы хотите получить нестандартный и глубокий взгляд на свой бизнес, перераспределить роли и найти точки для умного роста — пишите в комментарии или в личку. Давайте смотреть, как работает ваша система на самом деле!
В продолжение разговора о том, как мы становимся «архитекторами смыслов». Любая сложная система требует правильных настроек. Обычные KPI и субъективные ревью уже не дают полной картины — они показывают следствие, а не причину.
Мы разработали новые форматы ИИ-аналитики ваших рабочих встреч. Мы хотим заглянуть под капот бизнеса и оцифровать то, что обычно работает (или ломается) на уровне интуиции.
Какие задачи бизнеса закрывают наши новые отчеты:
🔍 Поиск «узких горлышек» и устаревших процессов. * Какую задачу решает: Помогает бизнесу понять, где рост тормозится из-за старых «костылей». Мы подсвечиваем процессы, которые давно пора перестроить, чтобы компания могла масштабироваться быстрее.
🧩 Объективное распределение ролей по реальному вкладу. * Какую задачу решает: Дает ответ на вопрос: «Кто реально драйвит процессы и связывает контексты, а кто просто выполняет механическую работу?». Помогает расставить людей на те позиции, где их сильные стороны дадут максимальный ROI.
🌉 Устранение разрывов в коммуникации. * Какую задачу решает: Показывает, на каких стыках между сотрудниками или отделами теряется смысл и искажаются задачи. Помогает синхронизировать команду, чтобы проекты не буксовали из-за недопониманий.
Мы уже начали пилотные разборы, и результаты говорят сами за себя. Недавно один из наших клиентов поделился показательным кейсом: на совещании он интуитивно предложил поставить на паузу один из процессов. ИИ, прогнав встречу через нашу систему оценки, выдал беспристрастное резюме, которое не только математически подтвердило эту гипотезу, но и выдало четкий план дальнейших действий.
«Одно дело действовать интуитивно, и совсем другое — получить независимый срез. Команда была в шоке от глубины анализа, прям офигели! ИИ даже помог понять, как правильнее распределить роли с учетом сильных сторон каждого, чтобы добрать нужных людей», — из отзыва клиента.
Что дальше? Аудит оптимизации и стратегия внедрения ИИ
Помимо оценки команды, мы добавляем возможность анализировать процессы на предмет автоматизации. Мы поможем разложить всё по полочкам:
⚙️ Что стоит оптимизировать, а что — нет. Поймем, где автоматизация даст кратный рост, а где станет пустой тратой времени и бюджетов.
📊 Оценка эффективности. Что нужно менять в первую очередь и какой реальный профит (в сэкономленных деньгах и часах) принесет конкретное решение.
🤖 Стратегия внедрения ИИ в вашу компанию. Как именно лучше всего интегрировать нейросети конкретно в ваш контекст, чтобы они органично встроились в работу и реально упрощали жизнь сотрудникам.
Это мощный фильтр, который в итоге сэкономит бизнесу внушительные суммы и высвободит интеллектуальный ресурс команды.
В чем суть нашего предложения?
Сейчас эти методологии находятся на стадии активной обкатки. Под капотом еще есть доля ручной работы — мы сами выступаем в роли тех самых «эволюционных конструкторов», собирая и анализируя данные, чтобы понять, что в итоге оставить в массовом продукте.
Поэтому мы предлагаем вам стать нашими первопроходцами. Мы готовы выступить вашими личными консультантами, провести вашу команду через новые фреймворки, выдать подробный срез по системе и спроектировать вашу персональную стратегию оптимизации.
💰 Стоимость участия в тестировании: 50 000 рублей.
Это early-bird цена за наш ручной консалтинг и глубокую бизнес-аналитику, пока фича не ушла в полноценный релиз.
Если вы хотите получить нестандартный и глубокий взгляд на свой бизнес, перераспределить роли и найти точки для умного роста — пишите в комментарии или в личку. Давайте смотреть, как работает ваша система на самом деле!
🔥3👍1
Tessent Turbo Core
−40% нагрузки на инфраструктуру
Развернуть тяжёлый ИИ в корпоративном контуре всегда упирается в железо.
GPU дорогие, дефицит на рынке, нагрузка под реальным трафиком растёт быстрее планов.
Мы поработали над этим. Завершили оптимизацию ядра системы. Теперь локальные модели стоят дешевле чем раньше.
По стандартной метрике эффективности — снижение с 2.0 до 1.2.
Что это значит на практике:
Качество ответов не падает.
Мы работаем не только над продуктом, но и над его доступностью. Хороший ИИ-инструмент бесполезен, если компания не может позволить себе его развернуть.
Поэтому затраты клиента — для нас часть продукта.
Если считали стоимость развёртывания ИИ в периметре и упирались в инфраструктурный бюджет — самое время пересчитать.
Хотите сократить расходы? - пишите нам.
−40% нагрузки на инфраструктуру
Развернуть тяжёлый ИИ в корпоративном контуре всегда упирается в железо.
GPU дорогие, дефицит на рынке, нагрузка под реальным трафиком растёт быстрее планов.
Мы поработали над этим. Завершили оптимизацию ядра системы. Теперь локальные модели стоят дешевле чем раньше.
По стандартной метрике эффективности — снижение с 2.0 до 1.2.
Что это значит на практике:
Железо → где нужно было 2 кластера, хватит 1
Нагрузка → в 1.7× больше сессий на том же железе
Скорость → отклик быстрее под нагрузкой
Качество ответов не падает.
Мы работаем не только над продуктом, но и над его доступностью. Хороший ИИ-инструмент бесполезен, если компания не может позволить себе его развернуть.
Поэтому затраты клиента — для нас часть продукта.
Если считали стоимость развёртывания ИИ в периметре и упирались в инфраструктурный бюджет — самое время пересчитать.
Хотите сократить расходы? - пишите нам.
🔥2❤1
Если вы хоть раз делегировали серьёзную работу AI-агенту, вы видели эту картину.
Проект растёт — агент путается. Контекст разбухает, токены сжигаются впустую. Один и тот же модуль переписывается в третий раз, потому что агент забыл, что уже сделал. «Готово» в половине случаев значит «mock прошёл, реальный API так и не позвали».
Чем больше становится проект — тем хуже агент в нём работает. Это парадокс, который ломает экономику AI-разработки. Деньги уходят не в код, а в попытки агента вспомнить, что он же написал три дня назад. Ошибки накапливаются втихую и всплывают через неделю каскадными поломками. А вы всё больше времени тратите не на новое, а на разгребание старого.
Обычный ответ — «Модели пока несовершенны, ждите следующее поколение». Не верю этому ответу. Проблема не в модели — проблема в том, что агенту структурно неверно ставится задача.
Что нужно, чтобы это изменилось?
— Настоящий контракт у каждой части продукта — что она обязана делать, что нет, как это проверить. Контракт, который агент сверяет на каждом шаге, а не читает один раз и забывает.
— Карта связей — какой блок от какого зависит, что сломается, если изменить. Без карты агент работает в «море контекста», где логика тонет.
— Петля проверки — pass / fail / inconclusive. Без тихого зелёного. Если система не смогла проверить — она честно говорит «не знаю», а не рисует ложный успех.
И над всем этим — визуальный канвас. Потому что человек физически не способен удержать пятьдесят файлов кода в голове, но способен удержать пятьдесят блоков на графе. Программирование переходит из «моря текста» в визуальное конструирование.
На картинке к посту — кадр такого канваса в работе: зелёное работает, жёлтое в прогоне, красное сломалось от изменения соседа, серое — система честно сказала «не знаю».
Мы строили такую систему — для своего коммерческого продукта Tessent. Сегодня открываем её всем, кто хочет внести свою лепту в переход к визуальному конструированию с AI.
Kanon Protocol — манифест из десяти принципов, на которых должна стоять AI-разработка, чтобы агент не сходил с ума на большом проекте, а человек оставался в петле. Имя — от греческого κανών: правило, эталон, образец. Контракт буквально становится каноном.
Sima Atlas — рабочая Kanon-совместимая имплементация, на которой мы строим Tessent. Открытый код, MIT. Можно форкнуть, можно собрать свой канвас, можно сделать совсем другое на тех же принципах.
Мир идёт в эту сторону прямо сейчас.
На днях инженер Anthropic Thariq Shihipar опубликовал статью о том, что HTML вытесняет markdown как формат вывода AI-агентов — потому что текст больше не выдерживает того объёма, который агент пытается донести до человека.
Andrej Karpathy развернул это в концепцию «I/O mind meld» — прогрессии от сырого текста к markdown, от markdown к HTML, от HTML к интерактивным визуальным артефактам как очевидной траектории общения между человеком и LLM.
Они говорят про формат вывода. Канон IX нашего манифеста — про видимость задачи. Это две половины одной эволюции: текстовый поток как интерфейс между человеком и агентом исчерпал себя.
Это не описание моего продукта. Это набор принципов, открытых для всех. Любая реализация, которая их держит — Kanon-совместима.
Чем больше альтернативных имплементаций появится — тем сильнее стандарт. И тем быстрее рынок в целом перейдёт к инструментам, которые тратят меньше денег, понятны человеку, и в которых AI не галлюцинирует цели и не уходит в сторону.
REST не принадлежал одному фреймворку. DDD не принадлежал одной книге. 12-Factor App не принадлежал Heroku. Ставлю Kanon Protocol в этот ряд.
Манифест и спецификация: kanon-protocol-manifesto
Sima Atlas (референс-имплементация): sima_atlas
Проект растёт — агент путается. Контекст разбухает, токены сжигаются впустую. Один и тот же модуль переписывается в третий раз, потому что агент забыл, что уже сделал. «Готово» в половине случаев значит «mock прошёл, реальный API так и не позвали».
Чем больше становится проект — тем хуже агент в нём работает. Это парадокс, который ломает экономику AI-разработки. Деньги уходят не в код, а в попытки агента вспомнить, что он же написал три дня назад. Ошибки накапливаются втихую и всплывают через неделю каскадными поломками. А вы всё больше времени тратите не на новое, а на разгребание старого.
Обычный ответ — «Модели пока несовершенны, ждите следующее поколение». Не верю этому ответу. Проблема не в модели — проблема в том, что агенту структурно неверно ставится задача.
Что нужно, чтобы это изменилось?
— Настоящий контракт у каждой части продукта — что она обязана делать, что нет, как это проверить. Контракт, который агент сверяет на каждом шаге, а не читает один раз и забывает.
— Карта связей — какой блок от какого зависит, что сломается, если изменить. Без карты агент работает в «море контекста», где логика тонет.
— Петля проверки — pass / fail / inconclusive. Без тихого зелёного. Если система не смогла проверить — она честно говорит «не знаю», а не рисует ложный успех.
И над всем этим — визуальный канвас. Потому что человек физически не способен удержать пятьдесят файлов кода в голове, но способен удержать пятьдесят блоков на графе. Программирование переходит из «моря текста» в визуальное конструирование.
На картинке к посту — кадр такого канваса в работе: зелёное работает, жёлтое в прогоне, красное сломалось от изменения соседа, серое — система честно сказала «не знаю».
Мы строили такую систему — для своего коммерческого продукта Tessent. Сегодня открываем её всем, кто хочет внести свою лепту в переход к визуальному конструированию с AI.
Kanon Protocol — манифест из десяти принципов, на которых должна стоять AI-разработка, чтобы агент не сходил с ума на большом проекте, а человек оставался в петле. Имя — от греческого κανών: правило, эталон, образец. Контракт буквально становится каноном.
Sima Atlas — рабочая Kanon-совместимая имплементация, на которой мы строим Tessent. Открытый код, MIT. Можно форкнуть, можно собрать свой канвас, можно сделать совсем другое на тех же принципах.
Мир идёт в эту сторону прямо сейчас.
На днях инженер Anthropic Thariq Shihipar опубликовал статью о том, что HTML вытесняет markdown как формат вывода AI-агентов — потому что текст больше не выдерживает того объёма, который агент пытается донести до человека.
Andrej Karpathy развернул это в концепцию «I/O mind meld» — прогрессии от сырого текста к markdown, от markdown к HTML, от HTML к интерактивным визуальным артефактам как очевидной траектории общения между человеком и LLM.
Они говорят про формат вывода. Канон IX нашего манифеста — про видимость задачи. Это две половины одной эволюции: текстовый поток как интерфейс между человеком и агентом исчерпал себя.
Это не описание моего продукта. Это набор принципов, открытых для всех. Любая реализация, которая их держит — Kanon-совместима.
Чем больше альтернативных имплементаций появится — тем сильнее стандарт. И тем быстрее рынок в целом перейдёт к инструментам, которые тратят меньше денег, понятны человеку, и в которых AI не галлюцинирует цели и не уходит в сторону.
REST не принадлежал одному фреймворку. DDD не принадлежал одной книге. 12-Factor App не принадлежал Heroku. Ставлю Kanon Protocol в этот ряд.
Манифест и спецификация: kanon-protocol-manifesto
Sima Atlas (референс-имплементация): sima_atlas
🔥3👍2
Заметка из Лихтенштейна
На прошлой неделе наш представитель был на закрытом ужине в Вадуце.
Среди гостей — управляющие капиталом, страховщики корпоративных рисков, представители княжества.
Как компания мы там не присутствовали — но получили несколько разговоров и контактов с CEO и членами правления европейских финансовых структур.
Интересное наблюдение: запрос на корпоративную память в Европе звучит иначе.
В России и СНГ мы продаём операционную эффективность — меньше теряется задач, короче встречи, контекст не пропадает между разговорами.
В европейском финсекторе угол другой.
Family offices, страховщики, инвестиционные фонды управляют десятками портфельных компаний и клиентских ситуаций одновременно.
Им нужно знать: кто что решил, на каком совещании, какие договорённости с какими партнёрами, где сейчас риск.
Контекст у них — это не про продуктивность.
Это про деньги и риски.
То, что мы строим как "ИИ-память компании", в их работе превращается в инструмент управления рисками и принятия инвестиционных решений.
Это другой рынок и другая ценовая логика.
Будем разговаривать дальше.
Если из этого что-то получится — расскажу.
На прошлой неделе наш представитель был на закрытом ужине в Вадуце.
Среди гостей — управляющие капиталом, страховщики корпоративных рисков, представители княжества.
Как компания мы там не присутствовали — но получили несколько разговоров и контактов с CEO и членами правления европейских финансовых структур.
Интересное наблюдение: запрос на корпоративную память в Европе звучит иначе.
В России и СНГ мы продаём операционную эффективность — меньше теряется задач, короче встречи, контекст не пропадает между разговорами.
В европейском финсекторе угол другой.
Family offices, страховщики, инвестиционные фонды управляют десятками портфельных компаний и клиентских ситуаций одновременно.
Им нужно знать: кто что решил, на каком совещании, какие договорённости с какими партнёрами, где сейчас риск.
Контекст у них — это не про продуктивность.
Это про деньги и риски.
То, что мы строим как "ИИ-память компании", в их работе превращается в инструмент управления рисками и принятия инвестиционных решений.
Это другой рынок и другая ценовая логика.
Будем разговаривать дальше.
Если из этого что-то получится — расскажу.
🔥6
Протестировали следующий шаг к цифровому мозгу компании.
Цифровой мозг мы уже делали в Tessent — там это сложная корпоративная система. Сейчас собрали облегчённую версию внутри MeetFlow: развернули у себя, загрузили реальные встречи и протестировали, что из этого мы готовы отдать пользователям.
Идея простая: задаёшь системе вопрос по своим встречам — получаешь готовое решение с учётом всего контекста, который уже внутри.
Что сделали:
Написал в бот одно предложение: «Хочу ТЗ на лендинг Tessent для enterprise.»
Бот собрал контекст из загруженных встреч и выдал ТЗ — 4 файла, готовая структура.
Файлы отправил в Claude с единственной инструкцией: «Внутри все описания, прочти внимательно.»
Получил готовый лендинг.
Весь процесс занял несколько минут. Без промптинга, без правок, без объяснений системе, что мы вообще делаем — она это уже знала из контекста наших встреч.
В этом смысл нашей системы: сотруднику больше не нужно учиться «правильно писать запросы». Он говорит на обычном языке, что ему нужно. Контекст и история компании — уже внутри.
Ниже — результат, можете посмотреть сами.
Цифровой мозг мы уже делали в Tessent — там это сложная корпоративная система. Сейчас собрали облегчённую версию внутри MeetFlow: развернули у себя, загрузили реальные встречи и протестировали, что из этого мы готовы отдать пользователям.
Идея простая: задаёшь системе вопрос по своим встречам — получаешь готовое решение с учётом всего контекста, который уже внутри.
Что сделали:
Написал в бот одно предложение: «Хочу ТЗ на лендинг Tessent для enterprise.»
Бот собрал контекст из загруженных встреч и выдал ТЗ — 4 файла, готовая структура.
Файлы отправил в Claude с единственной инструкцией: «Внутри все описания, прочти внимательно.»
Получил готовый лендинг.
Весь процесс занял несколько минут. Без промптинга, без правок, без объяснений системе, что мы вообще делаем — она это уже знала из контекста наших встреч.
В этом смысл нашей системы: сотруднику больше не нужно учиться «правильно писать запросы». Он говорит на обычном языке, что ему нужно. Контекст и история компании — уже внутри.
Ниже — результат, можете посмотреть сами.
🔥4
Меньше минуты я потратил на задачу по созданию лэндинга и вот что получилось:
https://tessent.ai/enterprise
https://tessent.ai/enterprise
🔥4
🎬 → 🎧 Бесплатный конвертер видео и аудио — от команды MeetFlow
Записали созвон или встречу, а файл огромный или в неудобном формате? Сделали для вас бесплатный инструмент. Ставится как обычная программа — больше ничего устанавливать не нужно (ffmpeg уже внутри).
Что умеет:
• 🔄 Менять форматы — MP4, MOV, MKV, WebM, MP3, WAV, M4A и др.
• 🎧 Доставать аудио из видео
• 🗜 Сжимать большие файлы до нужного размера — чтобы легко отправить
• ✂️ Склеивать несколько записей в одну и нарезать на части
• 🔊 Поднимать громкость и убирать фоновый шум (гул, шипение)
• 📦 Обрабатывать пачкой — хоть целую папку
Бесплатно, работает офлайн, файлы никуда не уходят.
👉 Ссылка на репо
Скачать для windows
P.S. Конвертер сделали мы, MeetFlow: записываем встречи и звонки, расшифровываем и превращаем их в задачи и регламенты — чтобы после созвона работа делалась сама.
Записали созвон или встречу, а файл огромный или в неудобном формате? Сделали для вас бесплатный инструмент. Ставится как обычная программа — больше ничего устанавливать не нужно (ffmpeg уже внутри).
Что умеет:
• 🔄 Менять форматы — MP4, MOV, MKV, WebM, MP3, WAV, M4A и др.
• 🎧 Доставать аудио из видео
• 🗜 Сжимать большие файлы до нужного размера — чтобы легко отправить
• ✂️ Склеивать несколько записей в одну и нарезать на части
• 🔊 Поднимать громкость и убирать фоновый шум (гул, шипение)
• 📦 Обрабатывать пачкой — хоть целую папку
Бесплатно, работает офлайн, файлы никуда не уходят.
👉 Ссылка на репо
Скачать для windows
P.S. Конвертер сделали мы, MeetFlow: записываем встречи и звонки, расшифровываем и превращаем их в задачи и регламенты — чтобы после созвона работа делалась сама.
GitHub
GitHub - neskuchny/meetflow-converter
Contribute to neskuchny/meetflow-converter development by creating an account on GitHub.
🔥5❤2🙏1
Обновление Meetflow
Коммерческое предложение, счёт и договор теперь собираются прямо из встречи.
Что ещё в обновлении:
Словарь терминов сохраняет названия продуктов, внутренние сокращения и имена — система перестаёт их коверкать.
Подключение внешних источников через MCP: система работает не только с тем, что было сказано на встрече.
Новый формат отчета — это не отчёт который рассказывает новое, а структурирует что обсудили.
Массовая загрузка файлов.
Плюс мелочи — улучшили распознавание участников, упростили перенос встреч, последние встречи теперь вверху, размер меню меняется, появился раздел помощи и ссылка на бесплатный конвертер видео и аудио.
meetflow.synlabs.pro
Коммерческое предложение, счёт и договор теперь собираются прямо из встречи.
Что ещё в обновлении:
Словарь терминов сохраняет названия продуктов, внутренние сокращения и имена — система перестаёт их коверкать.
Подключение внешних источников через MCP: система работает не только с тем, что было сказано на встрече.
Новый формат отчета — это не отчёт который рассказывает новое, а структурирует что обсудили.
Массовая загрузка файлов.
Плюс мелочи — улучшили распознавание участников, упростили перенос встреч, последние встречи теперь вверху, размер меню меняется, появился раздел помощи и ссылка на бесплатный конвертер видео и аудио.
meetflow.synlabs.pro
❤1👍1
Записали ролик про Tessent
Начинается он с коммерческого предложения и пакета документов, которых никто не писал руками. Система собрала их из одной рабочей встречи, где их только обсуждали.
Дальше — как это устроено. Встречи, переписки и документы разбираются на элементы: люди, проекты, решения, задачи. Всё связывается в один граф знаний.
Система не просто хранит этот граф, а смотрит на него. В ролике она сама замечает, что команда перескакивает с задачи на задачу, и предлагает присмотреться.
Спросить можно не про конкретную встречу, а про компанию: что за продукт, в чём силён, где слаб, сколько стоит, кто им занимался. Чем сложнее вопрос, тем глубже система копает — от графа знаний до перечитывания самих встреч.
Люди, с которыми вы разговаривали, остаются в системе как модели. Партнёры, клиенты, консультанты, сотрудники. Их можно спросить о том, что они знают, или заранее проверить, как они отнесутся к новому предложению. Отвечает не выдумка, а то, что человек уже говорил.
И последнее — система не только отвечает, но и делает. Сама находит последнюю встречу, вытаскивает задачи, отправляет на почту или в задачник. Саммари может прийти картинкой: mind-map или комиксом, который читается за несколько секунд.
Ролик — 2:50, ссылка ниже.
https://rutube.ru/video/06dd621cb8538dd97a58cc7418f419c0/
Начинается он с коммерческого предложения и пакета документов, которых никто не писал руками. Система собрала их из одной рабочей встречи, где их только обсуждали.
Дальше — как это устроено. Встречи, переписки и документы разбираются на элементы: люди, проекты, решения, задачи. Всё связывается в один граф знаний.
Система не просто хранит этот граф, а смотрит на него. В ролике она сама замечает, что команда перескакивает с задачи на задачу, и предлагает присмотреться.
Спросить можно не про конкретную встречу, а про компанию: что за продукт, в чём силён, где слаб, сколько стоит, кто им занимался. Чем сложнее вопрос, тем глубже система копает — от графа знаний до перечитывания самих встреч.
Люди, с которыми вы разговаривали, остаются в системе как модели. Партнёры, клиенты, консультанты, сотрудники. Их можно спросить о том, что они знают, или заранее проверить, как они отнесутся к новому предложению. Отвечает не выдумка, а то, что человек уже говорил.
И последнее — система не только отвечает, но и делает. Сама находит последнюю встречу, вытаскивает задачи, отправляет на почту или в задачник. Саммари может прийти картинкой: mind-map или комиксом, который читается за несколько секунд.
Ролик — 2:50, ссылка ниже.
https://rutube.ru/video/06dd621cb8538dd97a58cc7418f419c0/
🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Собрали наш основной сайт целиком через ИИ — и сделали его трёхмерным
SynLabs — наша компания-разработчик, Tessent и MeetFlow — её продукты. Сайт в таком формате делали впервые: хотелось, чтобы он не рассказывал, чем мы занимаемся, а показывал. Дальше будут ещё.
synlabs.pro
SynLabs — наша компания-разработчик, Tessent и MeetFlow — её продукты. Сайт в таком формате делали впервые: хотелось, чтобы он не рассказывал, чем мы занимаемся, а показывал. Дальше будут ещё.
synlabs.pro
❤1
О рынке "цифрового мозга компании"
Y Combinator в летнем списке Request for Startups выделил отдельную категорию — Company Brain. Тезис не наш, это позиция YC: «Every company in the world will need one» — каждой компании это понадобится.
Формулировка YC: система, которая вытягивает знание из разрозненных источников — переписок, встреч, документов — структурирует его и держит актуальным для ИИ-агентов. Ровно то, что мы строим в Tessent последний год.
В эту же категорию за последние месяцы зашли крупные деньги. Engram, стартап с фаундерами из Stanford и Berkeley, поднял $98M при оценке $600M, лично поддержал Карпати как ангел. Glean, лидер корпоративного поиска, привлёк $150M при оценке $7.2B и купил Aryn, расширяясь ровно в эту сторону.
Для нас это не новость о конкуренции. Это подтверждение, что проблема настоящая, а не придуманная нами.
Ниже — карта рынка: кто что строит, где мы сильнее, где слабее каждого.
Y Combinator в летнем списке Request for Startups выделил отдельную категорию — Company Brain. Тезис не наш, это позиция YC: «Every company in the world will need one» — каждой компании это понадобится.
Формулировка YC: система, которая вытягивает знание из разрозненных источников — переписок, встреч, документов — структурирует его и держит актуальным для ИИ-агентов. Ровно то, что мы строим в Tessent последний год.
В эту же категорию за последние месяцы зашли крупные деньги. Engram, стартап с фаундерами из Stanford и Berkeley, поднял $98M при оценке $600M, лично поддержал Карпати как ангел. Glean, лидер корпоративного поиска, привлёк $150M при оценке $7.2B и купил Aryn, расширяясь ровно в эту сторону.
Для нас это не новость о конкуренции. Это подтверждение, что проблема настоящая, а не придуманная нами.
Ниже — карта рынка: кто что строит, где мы сильнее, где слабее каждого.
❤1
Мы выложили Tessbrain в публичный репозиторий.
Знакомая сцена: продажи обещают клиенту октябрь, разработка планирует декабрь, а выясняется это на демо. Компания каждый день проговаривает себя — на встречах, в звонках, в чатах — и почти всё это испаряется. Решения принимаются по второму разу. Знание уходит вместе с людьми.
Летом YC назвал «мозг компании» отдельной категорией: «Every company in the world will need one». Почти все в этой нише строят память. Мы строим другую половину мозга — ту, которая делает:
— сам замечает рассинхрон между людьми и отделами: сверки идут по расписанию, а не когда кто-то вспомнил спросить;
— собирает отчёты, которые читают, и документы из уже сказанного — пока идёшь от переговорки до стола, черновики под твою роль в этой встрече уже готовы;
— автоматизации словами: «каждый понедельник собирай итоги недели и присылай картинкой» — схема собирается сама и работает по событиям;
— SIMA: сотрудник без кода описывает нужный мини-сервис, получается ТЗ, где каждое требование несёт цитату из данных компании; внешний ИИ делает, система принимает результат по машинным проверкам.
Внутри — типизированный граф: 33 типа объектов, 48 типов связей, у каждого факта источник, дата и уверенность. Доступ режется до модели: спросите про зарплаты от роли стажёра — факта не существует. Не «доступ запрещён» — невидим.
Код публичен под Apache-2.0. В комплекте: синтетическая компания на 85 человек, 20 встреч с настоящими транскриптами и машинопроверяемыми данными. Можно загрузить и щупать, не давая системе свои данные.
GitHub: github.com/neskuchny/Tessbrain
Демо (3 мин): rutube.ru/video/06dd621cb8538dd97a58cc7418f419c0/
Знакомая сцена: продажи обещают клиенту октябрь, разработка планирует декабрь, а выясняется это на демо. Компания каждый день проговаривает себя — на встречах, в звонках, в чатах — и почти всё это испаряется. Решения принимаются по второму разу. Знание уходит вместе с людьми.
Летом YC назвал «мозг компании» отдельной категорией: «Every company in the world will need one». Почти все в этой нише строят память. Мы строим другую половину мозга — ту, которая делает:
— сам замечает рассинхрон между людьми и отделами: сверки идут по расписанию, а не когда кто-то вспомнил спросить;
— собирает отчёты, которые читают, и документы из уже сказанного — пока идёшь от переговорки до стола, черновики под твою роль в этой встрече уже готовы;
— автоматизации словами: «каждый понедельник собирай итоги недели и присылай картинкой» — схема собирается сама и работает по событиям;
— SIMA: сотрудник без кода описывает нужный мини-сервис, получается ТЗ, где каждое требование несёт цитату из данных компании; внешний ИИ делает, система принимает результат по машинным проверкам.
Внутри — типизированный граф: 33 типа объектов, 48 типов связей, у каждого факта источник, дата и уверенность. Доступ режется до модели: спросите про зарплаты от роли стажёра — факта не существует. Не «доступ запрещён» — невидим.
Код публичен под Apache-2.0. В комплекте: синтетическая компания на 85 человек, 20 встреч с настоящими транскриптами и машинопроверяемыми данными. Можно загрузить и щупать, не давая системе свои данные.
GitHub: github.com/neskuchny/Tessbrain
Демо (3 мин): rutube.ru/video/06dd621cb8538dd97a58cc7418f419c0/
❤1
MeetFlow
Мы выложили Tessbrain в публичный репозиторий. Знакомая сцена: продажи обещают клиенту октябрь, разработка планирует декабрь, а выясняется это на демо. Компания каждый день проговаривает себя — на встречах, в звонках, в чатах — и почти всё это испаряется.…
Подготовили еще подробное описание всего функционала, какие есть автоматизации, доступы, шины данных, чтобы передавать данные вовне и прочее.
Берите, форкайте, стройте своё. Ставьте звёзды, присылайте PR. И если знаете, кому нужно, — перешлите.
Карта возможностей https://neskuchny.github.io/Tessbrain/share/ru/tessent_competitivemap.html
Берите, форкайте, стройте своё. Ставьте звёзды, присылайте PR. И если знаете, кому нужно, — перешлите.
Карта возможностей https://neskuchny.github.io/Tessbrain/share/ru/tessent_competitivemap.html
Сейчас найм устроен так: одна нейросеть пишет резюме, другая его отсеивает.
Кандидат не умеет писать резюме — просит модель. HR не успевает читать — ставит модель на скоринг. Две системы договариваются о человеке, которого ни одна не видела.
Это уже не метафора. В 2026-м измерено: AI-скринеры предпочитают резюме, написанные ИИ, в 82% случаев — система узнаёт свой почерк. В феврале федеральный суд авторизовал коллективный иск Mobley против Workday — первое крупное дело про алгоритмический отсев.
Побочный эффект: резюме сильного кандидата часто хуже, чем резюме слабого. Сильный занят работой, слабый — документом. Скоринг ошибается в обе стороны.
Но даже идеальное резюме не отвечает на вопросы, которые решают исход найма. Подойдёт ли он этой команде — человек из корпорации в стартапе задыхается от хаоса, из стартапа в корпорации — от согласований. Нужна ли его компетенция сейчас, или в команде она уже есть в двух экземплярах. Сыграется ли — это вообще не про навыки.
HR не может это знать: надо прожить внутри команды год. А компания уже знает. Она видит, какие задачи человек брал, как вёл себя, когда проект ломался, какая его работа дала эффект, где он рос, а где встал. Это не оценка — это линия, и она видна только на дистанции.
В Tessent мы закладывали идею HR 2.0 - формат, когда создаётся слепок сотрудника, в котором хранятся все данные о том как он развивался, работал, взаимодействовал с коллегами и прочее. Он его видит, забирает с собой при уходе и сам решает, что открыть конкретной компании. Резюме — документ, который человек о себе пересказывает. Слепок — документ, который он о себе накопил.
Честно про статус. Сводить слепок с моделью команды и выдавать прогноз мы пока не умеем — 🔜. Но та часть, от которой зависит, полезная это идея или мерзкая, уже работает:
✅ слепки из реальных решений,
✅ согласия «кому / какой срез / до какого срока» с отзывом в один клик
🟡 обмен между компаниями собран и выключен флагом до утверждения юридической модели. Этика здесь — код, и по умолчанию она выключена.
Резюме — самый короткий и самый бедный пересказ человека. Весь слепок — про остальные.
https://github.com/neskuchny/Tessbrain
Кандидат не умеет писать резюме — просит модель. HR не успевает читать — ставит модель на скоринг. Две системы договариваются о человеке, которого ни одна не видела.
Это уже не метафора. В 2026-м измерено: AI-скринеры предпочитают резюме, написанные ИИ, в 82% случаев — система узнаёт свой почерк. В феврале федеральный суд авторизовал коллективный иск Mobley против Workday — первое крупное дело про алгоритмический отсев.
Побочный эффект: резюме сильного кандидата часто хуже, чем резюме слабого. Сильный занят работой, слабый — документом. Скоринг ошибается в обе стороны.
Но даже идеальное резюме не отвечает на вопросы, которые решают исход найма. Подойдёт ли он этой команде — человек из корпорации в стартапе задыхается от хаоса, из стартапа в корпорации — от согласований. Нужна ли его компетенция сейчас, или в команде она уже есть в двух экземплярах. Сыграется ли — это вообще не про навыки.
HR не может это знать: надо прожить внутри команды год. А компания уже знает. Она видит, какие задачи человек брал, как вёл себя, когда проект ломался, какая его работа дала эффект, где он рос, а где встал. Это не оценка — это линия, и она видна только на дистанции.
В Tessent мы закладывали идею HR 2.0 - формат, когда создаётся слепок сотрудника, в котором хранятся все данные о том как он развивался, работал, взаимодействовал с коллегами и прочее. Он его видит, забирает с собой при уходе и сам решает, что открыть конкретной компании. Резюме — документ, который человек о себе пересказывает. Слепок — документ, который он о себе накопил.
Честно про статус. Сводить слепок с моделью команды и выдавать прогноз мы пока не умеем — 🔜. Но та часть, от которой зависит, полезная это идея или мерзкая, уже работает:
✅ слепки из реальных решений,
✅ согласия «кому / какой срез / до какого срока» с отзывом в один клик
🟡 обмен между компаниями собран и выключен флагом до утверждения юридической модели. Этика здесь — код, и по умолчанию она выключена.
Резюме — самый короткий и самый бедный пересказ человека. Весь слепок — про остальные.
https://github.com/neskuchny/Tessbrain
❤1
Сломанный телефон — детская игра, где никто не заинтересован соврать. Фраза всё равно не доживает до конца круга.
Теперь добавьте взрослых с карьерой и премией.
Инженер на созвоне: «Не успеваем к 14-му. Нужна ещё неделя, иначе выкатим без миграции.» Тимлид в статусе: «Есть риск по срокам, возможно сдвинемся на пару дней.» Руководитель направления: «Идём в график, по рискам небольшой запас.» Что слышит генеральный: «Релиз 14-го, всё под контролем.»
Никто не соврал. Проверьте каждый шаг — придраться не к чему.
Искажений четыре, и только одно про честность. Механическое — человек помнит суть, не формулировку. Подача — каждый расставляет акценты под получателя, это нормальный навык. Ваша призма — вы слышите через то, чего ждали. И молчание — самое дорогое: наказывают редко за проблему, почти всегда за то, что её принёс. Через полгода в компании есть список тем, о которых «не принято» докладывать, и он не записан нигде.
Итог: решения точные — по неточной карте. Вы управляете не той компанией, которая есть, а той, о которой вам рассказали. Виноватых нет — поэтому это не чинится разговорами о доверии.
Что меняется, когда информация идёт не только через людей.
Систему невозможно наказать за плохую новость. У неё нет карьеры и отношений в команде. Одно это убирает четвёртый слой.
Но «ИИ передаёт честно» — лозунг, пока это нельзя проверить. Поэтому сигнал приходит с трассой — встреча, минута, контекст. Система видит противоречия между источниками: в статусе «по плану», на встрече неделей раньше — перенос. И видит рассинхроны отделов: две команды неделю работают из разных версий одного решения — чего не видит ни один участник.
Граница: это не отчёт про людей. Сигнал — на уровне темы и команды, не «Иванов недоволен». Права проверяются до модели. И работает в обе стороны — вниз тоже: команда получает настоящую причину решения, а не «руководство решило».
✅ В проде: лента инсайтов — слепые зоны, рассинхроны отделов, аномалии.
Провенанс до минуты. 🔜
Как донести сигнал, чтобы руководитель его прочитал, — отдельная тема.
https://github.com/neskuchny/Tessbrain
Теперь добавьте взрослых с карьерой и премией.
Инженер на созвоне: «Не успеваем к 14-му. Нужна ещё неделя, иначе выкатим без миграции.» Тимлид в статусе: «Есть риск по срокам, возможно сдвинемся на пару дней.» Руководитель направления: «Идём в график, по рискам небольшой запас.» Что слышит генеральный: «Релиз 14-го, всё под контролем.»
Никто не соврал. Проверьте каждый шаг — придраться не к чему.
Искажений четыре, и только одно про честность. Механическое — человек помнит суть, не формулировку. Подача — каждый расставляет акценты под получателя, это нормальный навык. Ваша призма — вы слышите через то, чего ждали. И молчание — самое дорогое: наказывают редко за проблему, почти всегда за то, что её принёс. Через полгода в компании есть список тем, о которых «не принято» докладывать, и он не записан нигде.
Итог: решения точные — по неточной карте. Вы управляете не той компанией, которая есть, а той, о которой вам рассказали. Виноватых нет — поэтому это не чинится разговорами о доверии.
Что меняется, когда информация идёт не только через людей.
Систему невозможно наказать за плохую новость. У неё нет карьеры и отношений в команде. Одно это убирает четвёртый слой.
Но «ИИ передаёт честно» — лозунг, пока это нельзя проверить. Поэтому сигнал приходит с трассой — встреча, минута, контекст. Система видит противоречия между источниками: в статусе «по плану», на встрече неделей раньше — перенос. И видит рассинхроны отделов: две команды неделю работают из разных версий одного решения — чего не видит ни один участник.
Граница: это не отчёт про людей. Сигнал — на уровне темы и команды, не «Иванов недоволен». Права проверяются до модели. И работает в обе стороны — вниз тоже: команда получает настоящую причину решения, а не «руководство решило».
✅ В проде: лента инсайтов — слепые зоны, рассинхроны отделов, аномалии.
Провенанс до минуты. 🔜
Как донести сигнал, чтобы руководитель его прочитал, — отдельная тема.
https://github.com/neskuchny/Tessbrain
Два отдела одновременно улучшили компанию. Компания стала хуже.
Март. Продажи видят, что квартал не закрывается, и делают то, за что им платят: обещают поставку за три недели. Тот же март. Производство видит рост возвратов и делает то, за что платят им: добавляет этап ревью, цикл становится шесть недель.
Ни один отдел не знает о решении другого. Оба решения правильные. В апреле клиенты, которым обещали три недели, получили шесть и ушли. На разборе продажи узнали, что «наобещали», производство — что «тормозит». В следующий раз они согласуют ещё меньше.
Самое дорогое в компании — не ошибки. Самое дорогое — когда все правы. Ошибку видно, у неё есть автор. Здесь чинить нечего.
Почему это постоянно. Отделы не знают, что решили соседи — не из вредности, просто нет канала. Зато у каждого ощущение, что его участок важнее: свою работу человек видит целиком, чужую — обрывками. А когда отделы разговаривают, они не понимают друг друга: одна нейтральная фраза читается одним как помощь, другим как наезд.
Отдельная цена — ритм. Рассинхрон — это рывки: компанию бросает вперёд-назад, и силы уходят на то, чтобы устоять. Компания, которую лихорадит, живёт недолго. У печени нет еженедельного синка с сердцем — есть непрерывный обмен сигналами.
Система работает со скоростью худшей своей части. А худшая она чаще всего не потому, что плохо работает, а потому что не поняла — что делать и зачем. Отстающий отдел мотивируют или меняют людей. А до него просто не доехал контекст.
Что здесь делает система. Видит расхождение раньше людей — у неё обе половины картины. Называет, никого не обвиняя: не «продажи наобещали», а «два решения марта конфликтуют по срокам», с трассой до встреч. Показывает пересечения: соседний отдел уже полгода решает вашу задачу под другим названием.
И не заставляет. Синхронизация принуждением — тот же рывок, только сверху. Она подсвечивает, решают люди.
✅ Работает: детекция рассинхрона отделов и слепых зон, кросс-сущностный анализ, поиск того, кто реально знает тему.
🟡 «Вам двоим стоит объединиться» как проактивная рекомендация — собирается из кусков, отдельной фичей не оформлено.
https://github.com/neskuchny/Tessbrain
Март. Продажи видят, что квартал не закрывается, и делают то, за что им платят: обещают поставку за три недели. Тот же март. Производство видит рост возвратов и делает то, за что платят им: добавляет этап ревью, цикл становится шесть недель.
Ни один отдел не знает о решении другого. Оба решения правильные. В апреле клиенты, которым обещали три недели, получили шесть и ушли. На разборе продажи узнали, что «наобещали», производство — что «тормозит». В следующий раз они согласуют ещё меньше.
Самое дорогое в компании — не ошибки. Самое дорогое — когда все правы. Ошибку видно, у неё есть автор. Здесь чинить нечего.
Почему это постоянно. Отделы не знают, что решили соседи — не из вредности, просто нет канала. Зато у каждого ощущение, что его участок важнее: свою работу человек видит целиком, чужую — обрывками. А когда отделы разговаривают, они не понимают друг друга: одна нейтральная фраза читается одним как помощь, другим как наезд.
Отдельная цена — ритм. Рассинхрон — это рывки: компанию бросает вперёд-назад, и силы уходят на то, чтобы устоять. Компания, которую лихорадит, живёт недолго. У печени нет еженедельного синка с сердцем — есть непрерывный обмен сигналами.
Система работает со скоростью худшей своей части. А худшая она чаще всего не потому, что плохо работает, а потому что не поняла — что делать и зачем. Отстающий отдел мотивируют или меняют людей. А до него просто не доехал контекст.
Что здесь делает система. Видит расхождение раньше людей — у неё обе половины картины. Называет, никого не обвиняя: не «продажи наобещали», а «два решения марта конфликтуют по срокам», с трассой до встреч. Показывает пересечения: соседний отдел уже полгода решает вашу задачу под другим названием.
И не заставляет. Синхронизация принуждением — тот же рывок, только сверху. Она подсвечивает, решают люди.
✅ Работает: детекция рассинхрона отделов и слепых зон, кросс-сущностный анализ, поиск того, кто реально знает тему.
🟡 «Вам двоим стоит объединиться» как проактивная рекомендация — собирается из кусков, отдельной фичей не оформлено.
https://github.com/neskuchny/Tessbrain
Вы купили всем подписки, оплатили курсы и объявили AI-first. Через полгода пользуются те же пятеро, которые пользовались и до вас.
Обычный вывод — люди ленивые. Вывод неверный, и из-за него программу чинят не с той стороны.
Хороший промпт с первой попытки не пишет никто. Ни вы, ни человек, который работает с моделями каждый день. Модель всегда понимает чуть иначе — как живой собеседник, которому вы объясняете очевидное, а он понимает по-своему.
Профессионал и новичок получают одинаково плохой результат на первой попытке. Разница одна: профессионал знает, что так и должно быть, и делает второй заход. Новичок делает вывод — «бесполезно» или «я не умею». Оба вывода закрывают тему навсегда, и оба случаются в первые десять минут. Вот где умирает AI-first.
И деталь, которая переворачивает картину: по данным 2026 года руководители используют несанкционированный ИИ вдвое чаще подчинённых — 65% против 31%. Человек, который спустил мандат AI-first, в этот же момент открывает личный ChatGPT в соседней вкладке. Не из лицемерия: корпоративный инструмент не знает его контекста, а личный хотя бы помнит вчерашний разговор. Инструмент без контекста бросают все — включая тех, кто его внедрял.
Вторая причина глубже. Дело не в формулировке, а в контексте. Модель не знает вашего клиента, что решили по нему в марте, что обещали. «Хороший промпт» — это длинная выгрузка контекста, и собрать её может только тот, кто держит в голове всю компанию. Таких единицы, и они и так справляются.
Люди не научатся, а потом начнут. Они научатся, начав. Программа, которая начинается с обучения, отсеивает всех, кроме тех, кто разобрался бы и так.
Что мы делаем. Промпт пишет система — вы говорите «подготовь ответ клиенту по срокам», она поднимает, что решали, кто отвечает, что обещали. Разрыв между плохим и хорошим промптом — это ровно память компании. Скилл появляется из разговора — объяснили один раз, дальше кнопка. Автоматизации собираются карточками на доске, узлы тянут данные из мозга.
✅ Работает: автоматизации, агентные по инструкции, скиллы из диалога, доски. И минус, который мы замерили: узел доски ищет только словами — один канал из трёх, теряет участников на перечислениях. Пока доска отвечает хуже чата.
Часть вторая — почему автоматизируют не то. И про цифру, которую повторяют все.
https://github.com/neskuchny/Tessbrain
Обычный вывод — люди ленивые. Вывод неверный, и из-за него программу чинят не с той стороны.
Хороший промпт с первой попытки не пишет никто. Ни вы, ни человек, который работает с моделями каждый день. Модель всегда понимает чуть иначе — как живой собеседник, которому вы объясняете очевидное, а он понимает по-своему.
Профессионал и новичок получают одинаково плохой результат на первой попытке. Разница одна: профессионал знает, что так и должно быть, и делает второй заход. Новичок делает вывод — «бесполезно» или «я не умею». Оба вывода закрывают тему навсегда, и оба случаются в первые десять минут. Вот где умирает AI-first.
И деталь, которая переворачивает картину: по данным 2026 года руководители используют несанкционированный ИИ вдвое чаще подчинённых — 65% против 31%. Человек, который спустил мандат AI-first, в этот же момент открывает личный ChatGPT в соседней вкладке. Не из лицемерия: корпоративный инструмент не знает его контекста, а личный хотя бы помнит вчерашний разговор. Инструмент без контекста бросают все — включая тех, кто его внедрял.
Вторая причина глубже. Дело не в формулировке, а в контексте. Модель не знает вашего клиента, что решили по нему в марте, что обещали. «Хороший промпт» — это длинная выгрузка контекста, и собрать её может только тот, кто держит в голове всю компанию. Таких единицы, и они и так справляются.
Люди не научатся, а потом начнут. Они научатся, начав. Программа, которая начинается с обучения, отсеивает всех, кроме тех, кто разобрался бы и так.
Что мы делаем. Промпт пишет система — вы говорите «подготовь ответ клиенту по срокам», она поднимает, что решали, кто отвечает, что обещали. Разрыв между плохим и хорошим промптом — это ровно память компании. Скилл появляется из разговора — объяснили один раз, дальше кнопка. Автоматизации собираются карточками на доске, узлы тянут данные из мозга.
✅ Работает: автоматизации, агентные по инструкции, скиллы из диалога, доски. И минус, который мы замерили: узел доски ищет только словами — один канал из трёх, теряет участников на перечислениях. Пока доска отвечает хуже чата.
Часть вторая — почему автоматизируют не то. И про цифру, которую повторяют все.
https://github.com/neskuchny/Tessbrain
Вайб-кодинг снял вопрос «кто напишет код». И обнажил тот, который никто не решал: кто объяснит, что писать.
Как задача умирает сегодня. Встреча кончилась, задачу проговорили. В эту секунду полный контекст есть у всех в комнате. Через час он тоньше. Через три дня исполнитель делает уже другую задачу — от разговора осталось одно предложение в трекере.
Никто не ленился. Задача портится не потому, что человек медленный. Она портится потому, что контекст испаряется. В прошлых постах пересказ ломал информацию между людьми и отделами. Здесь — по времени.
Отдадим агенту? Он сделает быстро и плохо. Не из-за модели: нельзя сказать «сделай хороший лендинг» — что такое «хороший», лежит в том, как вы продаёте, на чём обожглись, что клиент разворачивал. Модель этого не знает.
Значит, узкое место — бриф. Это и есть vibe tasking — термин, который мы вводим.
Встреча закончилась, вы идёте за кофе. Система разбирает, какие задачи прозвучали, и по каждой поднимает всё, что к ней относится: другие встречи, документы, решения, кто отвечает, что обещали клиенту. И собирает полноценное ТЗ. Замер: 4 задачи из 5 принимаются с первого-второго прохода. Это про качество ТЗ, не про выполненную работу.
Теперь то, чего не прочитаете у большинства.
ТЗ можно отправить в Claude Code, Cursor или локального агента. Это собрано и выключено по умолчанию. Заявка создаётся в статусе PENDING и не запускает ничего. Вы видите команду, жмёте подтверждение — только тогда агент стартует. Почему: изоляция исполнения не закалена, нет двухфазного подтверждения опасных действий. Агент, который сам исполняет задачу из транскрипта, — плохая идея, и любой, кто гонял агентов в проде, кивнёт.
Индустрия в 2026-м это прожила: техдолг после ИИ-кодинга вырос на 30–41%, рефакторинг упал на 60%. «Расплата на 90-й день» — демо в первый день, стена на третий месяц. Наш confirm — не осторожность. Это то, что остаётся, когда посмотришь, чем это кончается.
Поэтому честный сценарий: вы дошли до стола, и задача не выполнена. На столе — полный бриф со всем контекстом и кнопка. Это дорогая часть. Кнопку включат все.
Наш минус: пайплайн vibe tasking ищет двумя каналами без слияния рангов — беднее, чем основной чат из-за нагрузки, но это меняется.
Агенты будут у всех. Отличаться будет тот, чьему агенту есть кому объяснить задачу.
https://github.com/neskuchny/Tessbrain
Описание возможностей системы: https://neskuchny.github.io/Tessbrain/share/ru/tessent_capabilities.html
Как задача умирает сегодня. Встреча кончилась, задачу проговорили. В эту секунду полный контекст есть у всех в комнате. Через час он тоньше. Через три дня исполнитель делает уже другую задачу — от разговора осталось одно предложение в трекере.
Никто не ленился. Задача портится не потому, что человек медленный. Она портится потому, что контекст испаряется. В прошлых постах пересказ ломал информацию между людьми и отделами. Здесь — по времени.
Отдадим агенту? Он сделает быстро и плохо. Не из-за модели: нельзя сказать «сделай хороший лендинг» — что такое «хороший», лежит в том, как вы продаёте, на чём обожглись, что клиент разворачивал. Модель этого не знает.
Значит, узкое место — бриф. Это и есть vibe tasking — термин, который мы вводим.
Встреча закончилась, вы идёте за кофе. Система разбирает, какие задачи прозвучали, и по каждой поднимает всё, что к ней относится: другие встречи, документы, решения, кто отвечает, что обещали клиенту. И собирает полноценное ТЗ. Замер: 4 задачи из 5 принимаются с первого-второго прохода. Это про качество ТЗ, не про выполненную работу.
Теперь то, чего не прочитаете у большинства.
ТЗ можно отправить в Claude Code, Cursor или локального агента. Это собрано и выключено по умолчанию. Заявка создаётся в статусе PENDING и не запускает ничего. Вы видите команду, жмёте подтверждение — только тогда агент стартует. Почему: изоляция исполнения не закалена, нет двухфазного подтверждения опасных действий. Агент, который сам исполняет задачу из транскрипта, — плохая идея, и любой, кто гонял агентов в проде, кивнёт.
Индустрия в 2026-м это прожила: техдолг после ИИ-кодинга вырос на 30–41%, рефакторинг упал на 60%. «Расплата на 90-й день» — демо в первый день, стена на третий месяц. Наш confirm — не осторожность. Это то, что остаётся, когда посмотришь, чем это кончается.
Поэтому честный сценарий: вы дошли до стола, и задача не выполнена. На столе — полный бриф со всем контекстом и кнопка. Это дорогая часть. Кнопку включат все.
Наш минус: пайплайн vibe tasking ищет двумя каналами без слияния рангов — беднее, чем основной чат из-за нагрузки, но это меняется.
Агенты будут у всех. Отличаться будет тот, чьему агенту есть кому объяснить задачу.
https://github.com/neskuchny/Tessbrain
Описание возможностей системы: https://neskuchny.github.io/Tessbrain/share/ru/tessent_capabilities.html
Любая модель напишет вам договор. Ни одна не скажет, какие места в нём она выдумала.
Вот это, а не качество текста, — настоящая проблема генерации документов.
В чате галлюцинация — неудобство: заметил, переспросил. В КП это цена. В договоре — условие, под которым стоит подпись. А выглядит документ одинаково уверенно: сгенерированный текст не бледнеет там, где модель не знала.
Это уже посчитано: около $67 млрд потерь за год — не от крахов, а от уверенно неверных ответов, неотличимых от верных. По Deloitte, 47% пользователей корпоративного ИИ приняли крупное решение на основе выдуманного. Юристы проходят это на санкциях: больше тысячи задокументированных случаев.
Поэтому в компаниях одно и то же: сначала все радостно генерируют КП, потом один раз уезжает не та сумма, потом генерацию тихо перестают использовать для всего, что имеет последствия. А задача настоящая и повторяется каждую неделю — КП после звонка, договор после согласия, разбор входящего предложения.
Как у нас.
Методология и шаблон — ваши. Загружаете свой шаблон договора, свои примеры КП, свою методику разбора входящих. Система берёт форму из ваших примеров, а не «как принято в интернете».
Факты — из памяти компании. Объём, сроки, что обещали — со ссылкой на встречу, где это прозвучало.
И главное: каждое поле помечено. Заполнено из данных — видно, откуда. Система достроила — помечено «проверить». Данных нет — так и написано, а не подставлено правдоподобное. Цифры считает код, не модель.
Почему разметка важнее генерации. Без неё два варианта: перепроверять всё или доверять всему. Перепроверять всё дольше, чем написать самому, — значит, доверяют. Так и уезжает не та сумма. С разметкой: пять подсвеченных мест, две минуты.
Ценность сгенерированного документа — не в том, насколько он хорош, а в том, сколько в нём мест надо проверить, и знаете ли вы, какие.
Это не юридическая консультация: система заполняет шаблон ваших юристов фактами с источниками. Подписывает человек.
✅ Работает: методологии, шаблоны, композитор КП, подстановка с источниками, «нет данных» вместо выдумки.
❌ Нет фирменного бланка и PDF.
❌ Нет почты — входящее приносите руками. В нашем разборе конкурентов почта записана как их сильнейший пункт против нас.
https://github.com/neskuchny/Tessbrain
Вот это, а не качество текста, — настоящая проблема генерации документов.
В чате галлюцинация — неудобство: заметил, переспросил. В КП это цена. В договоре — условие, под которым стоит подпись. А выглядит документ одинаково уверенно: сгенерированный текст не бледнеет там, где модель не знала.
Это уже посчитано: около $67 млрд потерь за год — не от крахов, а от уверенно неверных ответов, неотличимых от верных. По Deloitte, 47% пользователей корпоративного ИИ приняли крупное решение на основе выдуманного. Юристы проходят это на санкциях: больше тысячи задокументированных случаев.
Поэтому в компаниях одно и то же: сначала все радостно генерируют КП, потом один раз уезжает не та сумма, потом генерацию тихо перестают использовать для всего, что имеет последствия. А задача настоящая и повторяется каждую неделю — КП после звонка, договор после согласия, разбор входящего предложения.
Как у нас.
Методология и шаблон — ваши. Загружаете свой шаблон договора, свои примеры КП, свою методику разбора входящих. Система берёт форму из ваших примеров, а не «как принято в интернете».
Факты — из памяти компании. Объём, сроки, что обещали — со ссылкой на встречу, где это прозвучало.
И главное: каждое поле помечено. Заполнено из данных — видно, откуда. Система достроила — помечено «проверить». Данных нет — так и написано, а не подставлено правдоподобное. Цифры считает код, не модель.
Почему разметка важнее генерации. Без неё два варианта: перепроверять всё или доверять всему. Перепроверять всё дольше, чем написать самому, — значит, доверяют. Так и уезжает не та сумма. С разметкой: пять подсвеченных мест, две минуты.
Ценность сгенерированного документа — не в том, насколько он хорош, а в том, сколько в нём мест надо проверить, и знаете ли вы, какие.
Это не юридическая консультация: система заполняет шаблон ваших юристов фактами с источниками. Подписывает человек.
✅ Работает: методологии, шаблоны, композитор КП, подстановка с источниками, «нет данных» вместо выдумки.
❌ Нет фирменного бланка и PDF.
❌ Нет почты — входящее приносите руками. В нашем разборе конкурентов почта записана как их сильнейший пункт против нас.
https://github.com/neskuchny/Tessbrain