Большая компания — большой провал AI
Крупные компании любят AI. Особенно на слайдах.
Бюджет — солидный. Презентация — уверенная. Сроки — «к концу квартала, максимум двух».
🔷 И нет, проекты проваливаются не потому, что AI «сырой» или «не готов».
С этим как раз всё в порядке.
Проблемы начинаются там, где AI попадает в классическую корпоративную среду:
— процессов много, но они не связаны между собой
— ответственность размазана тонким слоем по департаментам
— владельца результата нет, зато есть комитет
В такой конструкции AI становится ещё одним участником совещаний.
Формально — внедрён.
Фактически — никому не мешает.
Проект либо тихо закрывают, либо продолжают «развивать», не трогая ни выручку, ни эффективность, ни KPI. Зато отчёт красивый.
➡️ Показательный момент — как AI вообще ставят задачу
Во многих корпорациях запрос к системе выглядит примерно так:
«Проанализируй наши процессы и предложи, как внедрить AI для повышения эффективности».
AI честно отвечает.
Предлагает инициативы, чек-листы, «дорожные карты».
Но в этом запросе нет главного — владельца, границы и точки ответственности.
Именно поэтому результат безопасный, обтекаемый и ни на что не влияющий.
📌 Управленческий вывод
В больших компаниях AI усиливает не эффект, а управленческие ошибки.
Если у процесса нет хозяина — автоматизация работает строго «для галочки».
Если сталкивались с этим на практике — отметьте 👍
Крупные компании любят AI. Особенно на слайдах.
Бюджет — солидный. Презентация — уверенная. Сроки — «к концу квартала, максимум двух».
🔷 И нет, проекты проваливаются не потому, что AI «сырой» или «не готов».
С этим как раз всё в порядке.
Проблемы начинаются там, где AI попадает в классическую корпоративную среду:
— процессов много, но они не связаны между собой
— ответственность размазана тонким слоем по департаментам
— владельца результата нет, зато есть комитет
В такой конструкции AI становится ещё одним участником совещаний.
Формально — внедрён.
Фактически — никому не мешает.
Проект либо тихо закрывают, либо продолжают «развивать», не трогая ни выручку, ни эффективность, ни KPI. Зато отчёт красивый.
➡️ Показательный момент — как AI вообще ставят задачу
Во многих корпорациях запрос к системе выглядит примерно так:
«Проанализируй наши процессы и предложи, как внедрить AI для повышения эффективности».
AI честно отвечает.
Предлагает инициативы, чек-листы, «дорожные карты».
Но в этом запросе нет главного — владельца, границы и точки ответственности.
Именно поэтому результат безопасный, обтекаемый и ни на что не влияющий.
📌 Управленческий вывод
В больших компаниях AI усиливает не эффект, а управленческие ошибки.
Если у процесса нет хозяина — автоматизация работает строго «для галочки».
Если сталкивались с этим на практике — отметьте 👍
👍2
Промт для анализа переписки менеджера: где теряется сделка
Переписка менеджера с клиентом часто выглядит корректно: вежливые формулировки, ответы по теме, без явных ошибок. При этом сделка всё равно «зависает» или уходит в отказ.
🔷 Проблема обычно не в тексте, а в логике диалога.
AI здесь полезен не как соавтор сообщений, а как аналитик переписки. Он хорошо показывает:
— где менеджер слишком рано переходит к офферу
— где игнорирует сигналы сомнений
— где, наоборот, затягивает диалог без движения к следующему этапу
Рабочий промт не переписывает сообщения. Он отвечает на другие вопросы:
на каком этапе сейчас клиент, есть ли цель у последнего касания, что именно блокирует переход дальше.
📌 Управленческий вывод
AI в анализе переписки полезен тогда, когда помогает увидеть логику диалога.
Улучшать текст без понимания этапа — бессмысленно.
Был ли у вас похожий кейс — интересно посмотреть, как это решалось у других.
Переписка менеджера с клиентом часто выглядит корректно: вежливые формулировки, ответы по теме, без явных ошибок. При этом сделка всё равно «зависает» или уходит в отказ.
🔷 Проблема обычно не в тексте, а в логике диалога.
AI здесь полезен не как соавтор сообщений, а как аналитик переписки. Он хорошо показывает:
— где менеджер слишком рано переходит к офферу
— где игнорирует сигналы сомнений
— где, наоборот, затягивает диалог без движения к следующему этапу
Рабочий промт не переписывает сообщения. Он отвечает на другие вопросы:
на каком этапе сейчас клиент, есть ли цель у последнего касания, что именно блокирует переход дальше.
📌 Управленческий вывод
AI в анализе переписки полезен тогда, когда помогает увидеть логику диалога.
Улучшать текст без понимания этапа — бессмысленно.
Был ли у вас похожий кейс — интересно посмотреть, как это решалось у других.
Почему AI должен задавать меньше вопросов
Одна из типовых ошибок при внедрении AI — заставлять его задавать как можно больше вопросов. Кажется, что так быстрее прояснится ситуация и ускорится сделка.
🔷 В реальности происходит обратное.
Избыточные вопросы создают ощущение допроса и перекладывают работу на клиента. Вместо диалога появляется анкета, интерес к общению падает. В B2B это особенно критично: у клиента ограничены время и внимание.
AI должен задавать вопросы только тогда, когда ответ действительно влияет на следующий шаг. Всё остальное — шум, который замедляет принятие решений и удлиняет цикл сделки.
📌 Управленческий вывод
Хороший AI не спрашивает всё подряд. Он задаёт минимум вопросов, необходимых для движения сделки вперёд.
Если сталкивались с этим на практике — отметьте 👍
Одна из типовых ошибок при внедрении AI — заставлять его задавать как можно больше вопросов. Кажется, что так быстрее прояснится ситуация и ускорится сделка.
🔷 В реальности происходит обратное.
Избыточные вопросы создают ощущение допроса и перекладывают работу на клиента. Вместо диалога появляется анкета, интерес к общению падает. В B2B это особенно критично: у клиента ограничены время и внимание.
AI должен задавать вопросы только тогда, когда ответ действительно влияет на следующий шаг. Всё остальное — шум, который замедляет принятие решений и удлиняет цикл сделки.
📌 Управленческий вывод
Хороший AI не спрашивает всё подряд. Он задаёт минимум вопросов, необходимых для движения сделки вперёд.
Если сталкивались с этим на практике — отметьте 👍
👍1
Где в воронке промты приносят больше вреда, чем пользы
Промты часто воспринимаются как универсальный инструмент, применимый на любом этапе воронки. На практике есть зоны, где они скорее мешают, чем помогают.
Наибольший вред возникает на ранних этапах. Когда контекст ещё не сформирован, промты подталкивают AI к преждевременным выводам и предложениям. Сообщения выглядят логично, но не соответствуют стадии готовности клиента.
Промты начинают работать там, где рамка уже задана:
— подготовка аргументов
— уточнение требований
— формирование предложений
До этого момента они создают иллюзию контроля, но не добавляют управляемости.
📌 Управленческий вывод
Промты эффективны только после фиксации этапа сделки. До этого они ускоряют хаос, а не продажи.
Был ли у вас похожий кейс — интересно посмотреть, как это решалось у других.
Промты часто воспринимаются как универсальный инструмент, применимый на любом этапе воронки. На практике есть зоны, где они скорее мешают, чем помогают.
Наибольший вред возникает на ранних этапах. Когда контекст ещё не сформирован, промты подталкивают AI к преждевременным выводам и предложениям. Сообщения выглядят логично, но не соответствуют стадии готовности клиента.
Промты начинают работать там, где рамка уже задана:
— подготовка аргументов
— уточнение требований
— формирование предложений
До этого момента они создают иллюзию контроля, но не добавляют управляемости.
📌 Управленческий вывод
Промты эффективны только после фиксации этапа сделки. До этого они ускоряют хаос, а не продажи.
Был ли у вас похожий кейс — интересно посмотреть, как это решалось у других.
Как хранить и версионировать промты в отделе продаж
Один из самых незаметных, но дорогих паттернов при работе с AI — хаотичное хранение промтов. Они живут в чатах, личных заметках и головах отдельных сотрудников. Формально AI используется, фактически — каждый работает со своей версией логики.
На старте это кажется безобидным.
На масштабе приводит к непредсказуемым результатам.
🔷 Важно: это не техническая проблема. Это управленческая.
Что происходит в отделе продаж без версионирования (интересное, конечно, словечко:)):
— одинаковые задачи решаются разными способами
— результаты сложно воспроизвести
— ошибки невозможно зафиксировать и исправить
— эффективность зависит не от системы, а от конкретного человека
AI в такой конфигурации перестаёт быть частью процесса и превращается в набор индивидуальных экспериментов.
Почему схема ломается
🔷Промт — это инструкция, а не подсказка
Он задаёт логику действий, ограничения и ожидаемый результат. Если эта логика не зафиксирована, управлять ею невозможно.
🔷Без версии нет контроля
Когда непонятно, какой промт используется и зачем, нельзя понять, что именно дало результат — или привело к сбою.
🔷Масштабирование требует повторяемости
То, что нельзя воспроизвести, нельзя масштабировать. Без единого хранилища и истории изменений автоматизация остаётся локальной.
📌 Управленческий вывод
Промты требуют такого же контроля, как скрипты и регламенты.
Без версионирования AI не становится частью системы — и автоматизация не масштабируется.
Любопытно, в каких отраслях это сейчас чувствуется сильнее — можете написать сферу.
Один из самых незаметных, но дорогих паттернов при работе с AI — хаотичное хранение промтов. Они живут в чатах, личных заметках и головах отдельных сотрудников. Формально AI используется, фактически — каждый работает со своей версией логики.
На старте это кажется безобидным.
На масштабе приводит к непредсказуемым результатам.
🔷 Важно: это не техническая проблема. Это управленческая.
Что происходит в отделе продаж без версионирования (интересное, конечно, словечко:)):
— одинаковые задачи решаются разными способами
— результаты сложно воспроизвести
— ошибки невозможно зафиксировать и исправить
— эффективность зависит не от системы, а от конкретного человека
AI в такой конфигурации перестаёт быть частью процесса и превращается в набор индивидуальных экспериментов.
Почему схема ломается
🔷Промт — это инструкция, а не подсказка
Он задаёт логику действий, ограничения и ожидаемый результат. Если эта логика не зафиксирована, управлять ею невозможно.
🔷Без версии нет контроля
Когда непонятно, какой промт используется и зачем, нельзя понять, что именно дало результат — или привело к сбою.
🔷Масштабирование требует повторяемости
То, что нельзя воспроизвести, нельзя масштабировать. Без единого хранилища и истории изменений автоматизация остаётся локальной.
📌 Управленческий вывод
Промты требуют такого же контроля, как скрипты и регламенты.
Без версионирования AI не становится частью системы — и автоматизация не масштабируется.
Любопытно, в каких отраслях это сейчас чувствуется сильнее — можете написать сферу.
Главное правило AI + маркетинга
Один из самых устойчивых мифов в маркетинге — ожидание от AI эффекта «волшебной кнопки».
Подключили — тексты стали «продающими».
Запустили — воронка сама поехала вниз, как по маслу.
Логика кажется очевидной:
AI ускоряет → значит, маркетинг станет эффективнее.
🔷 Эта логика красиво смотрится в презентациях, но всё чаще даёт обратный эффект.
Что происходит на практике:
— объём контента растёт, а отдача нет
— сообщений становится больше, смысла — меньше
— маркетинг выглядит активным, но продажи не ускоряются
Важно: это не проблема AI.
Это проблема исходной логики.
Почему схема ломается
🔷AI ускоряет направление, а не результат
Автоматизация не меняет вектор. Она просто делает текущую модель быстрее и заметнее.
Если маркетинг не понимает:
— кому он пишет
— зачем он пишет
— на каком этапе находится клиент
AI начинает масштабировать эту неопределённость.
🔷AI не создаёт стратегию
Он не формирует ценность и не выбирает фокус.
Он лишь исполняет заданную рамку — хорошую или плохую.
🔷Маркетинг без ответственности усиливается первым
Если цели не зафиксированы, этапы не согласованы с продажами, а ответственность «размазана» между функциями, автоматизация делает это состояние устойчивым. Снаружи — движение, внутри — хаос.
📌 Управленческий вывод
Сначала логика, фокус и здравый смысл.
Потом AI и автоматизация.
В обратном порядке получается быстрый, масштабируемый хаос.
Если вы с этим не согласны — это нормальная позиция. Интересно услышать аргументы.
Один из самых устойчивых мифов в маркетинге — ожидание от AI эффекта «волшебной кнопки».
Подключили — тексты стали «продающими».
Запустили — воронка сама поехала вниз, как по маслу.
Логика кажется очевидной:
AI ускоряет → значит, маркетинг станет эффективнее.
🔷 Эта логика красиво смотрится в презентациях, но всё чаще даёт обратный эффект.
Что происходит на практике:
— объём контента растёт, а отдача нет
— сообщений становится больше, смысла — меньше
— маркетинг выглядит активным, но продажи не ускоряются
Важно: это не проблема AI.
Это проблема исходной логики.
Почему схема ломается
🔷AI ускоряет направление, а не результат
Автоматизация не меняет вектор. Она просто делает текущую модель быстрее и заметнее.
Если маркетинг не понимает:
— кому он пишет
— зачем он пишет
— на каком этапе находится клиент
AI начинает масштабировать эту неопределённость.
🔷AI не создаёт стратегию
Он не формирует ценность и не выбирает фокус.
Он лишь исполняет заданную рамку — хорошую или плохую.
🔷Маркетинг без ответственности усиливается первым
Если цели не зафиксированы, этапы не согласованы с продажами, а ответственность «размазана» между функциями, автоматизация делает это состояние устойчивым. Снаружи — движение, внутри — хаос.
📌 Управленческий вывод
Сначала логика, фокус и здравый смысл.
Потом AI и автоматизация.
В обратном порядке получается быстрый, масштабируемый хаос.
Если вы с этим не согласны — это нормальная позиция. Интересно услышать аргументы.
Почему AI нельзя делать ответственным за результат
Один из самых распространённых паттернов при внедрении AI — относиться к нему как к полноценному участнику процесса.
Ему ставят KPI, ждут роста конверсии, сокращения цикла сделки и «самоулучшения» показателей.
Логика кажется понятной:
AI участвует в процессе → значит, влияет на результат → значит, можно переложить часть ответственности.
🔷 Эта логика выглядит разумной, но в 2026 всё чаще приводит к управленческим сбоям.
Что происходит на практике в продажах и маркетинге:
— KPI формально растут, но неясно за счёт чего
— провалы объясняются «не донастроили модель»
— ответственность размывается между командой и системой
— у результата перестаёт быть конкретный владелец
Важно: это не проблема AI.
Это проблема архитектуры управления.
Почему схема ломается
🔷AI не принимает решений
Он не выбирает стратегию, не расставляет приоритеты и не несёт последствий.
AI исполняет логику, которую ему задали. Если логика ошибочна, алгоритм лишь делает эту ошибку масштабной и заметной.
🔷Ответственность нельзя делегировать инструменту
Когда KPI «вешают» на систему, а не на владельца процесса, появляется удобная зона неопределённости:
успехи считаются заслугой технологии,
неудачи — следствием «сырой настройки».
🔷AI усиливает модель управления, а не заменяет её
Если в процессе нет понятного хозяина, автоматизация не исправляет ситуацию — она делает её устойчивой. Снаружи всё выглядит работающим, внутри — управляемость падает.
📌 Управленческий вывод
AI нельзя оценивать как сотрудника.
Его оценивают через качество управленческих решений, которые он исполняет.
Ответственность за результат всегда остаётся у людей —
у тех, кто задаёт логику, цели и границы применения.
На практике встречаются и другие сценарии. Если у вас такой — поделитесь.
Один из самых распространённых паттернов при внедрении AI — относиться к нему как к полноценному участнику процесса.
Ему ставят KPI, ждут роста конверсии, сокращения цикла сделки и «самоулучшения» показателей.
Логика кажется понятной:
AI участвует в процессе → значит, влияет на результат → значит, можно переложить часть ответственности.
🔷 Эта логика выглядит разумной, но в 2026 всё чаще приводит к управленческим сбоям.
Что происходит на практике в продажах и маркетинге:
— KPI формально растут, но неясно за счёт чего
— провалы объясняются «не донастроили модель»
— ответственность размывается между командой и системой
— у результата перестаёт быть конкретный владелец
Важно: это не проблема AI.
Это проблема архитектуры управления.
Почему схема ломается
🔷AI не принимает решений
Он не выбирает стратегию, не расставляет приоритеты и не несёт последствий.
AI исполняет логику, которую ему задали. Если логика ошибочна, алгоритм лишь делает эту ошибку масштабной и заметной.
🔷Ответственность нельзя делегировать инструменту
Когда KPI «вешают» на систему, а не на владельца процесса, появляется удобная зона неопределённости:
успехи считаются заслугой технологии,
неудачи — следствием «сырой настройки».
🔷AI усиливает модель управления, а не заменяет её
Если в процессе нет понятного хозяина, автоматизация не исправляет ситуацию — она делает её устойчивой. Снаружи всё выглядит работающим, внутри — управляемость падает.
📌 Управленческий вывод
AI нельзя оценивать как сотрудника.
Его оценивают через качество управленческих решений, которые он исполняет.
Ответственность за результат всегда остаётся у людей —
у тех, кто задаёт логику, цели и границы применения.
На практике встречаются и другие сценарии. Если у вас такой — поделитесь.
Почему AI увеличивает шум в коммуникациях
AI упрощает создание сообщений. Писать становится легко, быстро и дёшево. В результате сообщений становится больше.
🔷Но ценности — меньше.
Когда нет чётких критериев, зачем и кому писать, AI начинает масштабировать шум. Клиент получает корректные, но не нужные сообщения. Формально ошибок нет, по факту — падает внимание и доверие.
AI снижает стоимость действия, но не повышает его смысл. Фильтрация важнее генерации.
📌 Вывод:
Если не ограничивать количество и цель касаний, AI превращает коммуникацию в фоновый шум.
AI упрощает создание сообщений. Писать становится легко, быстро и дёшево. В результате сообщений становится больше.
🔷Но ценности — меньше.
Когда нет чётких критериев, зачем и кому писать, AI начинает масштабировать шум. Клиент получает корректные, но не нужные сообщения. Формально ошибок нет, по факту — падает внимание и доверие.
AI снижает стоимость действия, но не повышает его смысл. Фильтрация важнее генерации.
📌 Вывод:
Если не ограничивать количество и цель касаний, AI превращает коммуникацию в фоновый шум.
Где AI незаметно подменяет управленческое мышление
AI часто используют для ускорения решений: подсказки, рекомендации, следующие шаги. Это удобно.
🔷Опасность появляется, когда рекомендации перестают проверяться.
Команда начинает доверять AI больше, чем собственной логике процесса. Вопрос «почему мы делаем именно так» заменяется фразой «так предложила система».
AI должен помогать думать, а не думать вместо. Как только исчезает управленческая рефлексия, ошибки становятся системными.
📌 Вывод:
AI полезен как советник. Как замена мышления — он опасен.
AI часто используют для ускорения решений: подсказки, рекомендации, следующие шаги. Это удобно.
🔷Опасность появляется, когда рекомендации перестают проверяться.
Команда начинает доверять AI больше, чем собственной логике процесса. Вопрос «почему мы делаем именно так» заменяется фразой «так предложила система».
AI должен помогать думать, а не думать вместо. Как только исчезает управленческая рефлексия, ошибки становятся системными.
📌 Вывод:
AI полезен как советник. Как замена мышления — он опасен.
Почему AI плохо чувствует момент касания
В B2B важен не только текст, но и момент. Когда написать, когда промолчать, когда подождать.
🔷AI не чувствует пауз.
Он опирается на события и таймеры, но не понимает человеческой перегруженности, внутренних обсуждений и скрытых приоритетов. Поэтому автоматические касания часто приходят «не вовремя».
Тайминг — зона управленческого решения. AI может помочь подготовить сообщение, но не выбирать момент без чётких правил.
📌 Вывод:
AI не чувствует контекст времени. Тайминг всегда должен контролироваться вручную.
В B2B важен не только текст, но и момент. Когда написать, когда промолчать, когда подождать.
🔷AI не чувствует пауз.
Он опирается на события и таймеры, но не понимает человеческой перегруженности, внутренних обсуждений и скрытых приоритетов. Поэтому автоматические касания часто приходят «не вовремя».
Тайминг — зона управленческого решения. AI может помочь подготовить сообщение, но не выбирать момент без чётких правил.
📌 Вывод:
AI не чувствует контекст времени. Тайминг всегда должен контролироваться вручную.
Почему AI не заменяет опыт в сложных продажах
AI хорошо работает с повторяемыми сценариями. Он быстро учится на паттернах и шаблонах.
🔷Но опыт — это работа с исключениями.
В сложных сделках решают не шаблоны, а нюансы: политика компании, личные риски ЛПР, неформальные ограничения. Эти вещи редко попадают в данные.
AI может поддержать эксперта, но не заменить его. Чем сложнее сделка, тем выше роль живого опыта.
📌 Вывод:
AI усиливает экспертизу, но не создаёт её с нуля.
AI хорошо работает с повторяемыми сценариями. Он быстро учится на паттернах и шаблонах.
🔷Но опыт — это работа с исключениями.
В сложных сделках решают не шаблоны, а нюансы: политика компании, личные риски ЛПР, неформальные ограничения. Эти вещи редко попадают в данные.
AI может поддержать эксперта, но не заменить его. Чем сложнее сделка, тем выше роль живого опыта.
📌 Вывод:
AI усиливает экспертизу, но не создаёт её с нуля.
AI-боты игнорируют запреты: уязвимость процесса внедрения
Cloudflare выявила, что Perplexity продолжает собирать данные с сайтов, даже если владельцы явно запретили это техническими средствами. Формальные ограничения оказались недостаточны: запросы продолжают поступать, несмотря на блокировки.
Обычный сценарий: компания внедряет инструмент, рассчитывая на прозрачные правила доступа. На практике многие полагаются на внешние технические фильтры, не выстраивая внутренний процесс контроля и реагирования. В результате появляется зона ответственности, за которую никто не отвечает. Даже если настройки корректны, обход технических барьеров часто остаётся без внимания.
Технология сама по себе не регулирует поведение сторонних систем. Без регулярного аудита, чёткого распределения ролей и процедуры реагирования на нарушения, защита работает только на бумаге. Это не вопрос ИИ — это вопрос устойчивости процессов и управления рисками.
📌 Вывод: Полагаться только на технические ограничения недостаточно — контроль доступа к данным требует системной работы внутри компании.
Источник: https://techcrunch.com/2025/08/04/perplexity-accused-of-scraping-websites-that-explicitly-blocked-ai-scraping/
Cloudflare выявила, что Perplexity продолжает собирать данные с сайтов, даже если владельцы явно запретили это техническими средствами. Формальные ограничения оказались недостаточны: запросы продолжают поступать, несмотря на блокировки.
Обычный сценарий: компания внедряет инструмент, рассчитывая на прозрачные правила доступа. На практике многие полагаются на внешние технические фильтры, не выстраивая внутренний процесс контроля и реагирования. В результате появляется зона ответственности, за которую никто не отвечает. Даже если настройки корректны, обход технических барьеров часто остаётся без внимания.
Технология сама по себе не регулирует поведение сторонних систем. Без регулярного аудита, чёткого распределения ролей и процедуры реагирования на нарушения, защита работает только на бумаге. Это не вопрос ИИ — это вопрос устойчивости процессов и управления рисками.
📌 Вывод: Полагаться только на технические ограничения недостаточно — контроль доступа к данным требует системной работы внутри компании.
Источник: https://techcrunch.com/2025/08/04/perplexity-accused-of-scraping-websites-that-explicitly-blocked-ai-scraping/
TechCrunch
Perplexity accused of scraping websites that explicitly blocked AI scraping | TechCrunch
Internet giant Cloudflare says it detected Perplexity crawling and scraping websites, even after customers had added technical blocks telling Perplexity not to scrape their pages.
Где AI реально экономит время в продажах
AI часто продают как универсальный способ сэкономить время менеджеров.
🔷На практике экономия появляется не везде.
AI хорошо сокращает время на подготовку, анализ и рутину. Но в переговорах, квалификации и принятии решений он редко ускоряет процесс. Иногда наоборот — добавляет лишние итерации.
Важно понимать, что именно вы ускоряете. Не всё, что быстрее, становится эффективнее.
📌 Вывод:
AI экономит время на рутине, но не на ответственности.
AI часто продают как универсальный способ сэкономить время менеджеров.
🔷На практике экономия появляется не везде.
AI хорошо сокращает время на подготовку, анализ и рутину. Но в переговорах, квалификации и принятии решений он редко ускоряет процесс. Иногда наоборот — добавляет лишние итерации.
Важно понимать, что именно вы ускоряете. Не всё, что быстрее, становится эффективнее.
📌 Вывод:
AI экономит время на рутине, но не на ответственности.
Солнечные мегаватты не решают задачи управления данными
Meta подключает дополнительно 100 МВт солнечной энергии для нового AI-центра обработки данных в Южной Каролине. Компания продолжает увеличивать долю возобновляемых источников в своих инфраструктурных проектах.
Фокус на «зелёной» энергии часто воспринимается как самостоятельное решение для устойчивости ИТ-систем. На практике вопросы энергообеспечения — лишь один из элементов экосистемы центров обработки данных. Сложные вычисления требуют не только электроэнергии, но и точной работы процессов: от распределения нагрузки до контроля температур и резервирования каналов связи. Без выстроенных регламентов и ответственности за эксплуатацию даже самые экологичные источники не устраняют риски простоя или потерь данных.
Большинство внедрений игнорируют, что переход на новые источники энергии не снижает требования к управлению. Технология сама по себе не оптимизирует процессы — она лишь добавляет переменных в систему, где каждый сбой обходится дорого.
📌 Вывод: Решая вопросы энергоэффективности, компании должны уделять больше внимания качеству процедур управления, а не только выбору поставщиков энергии.
Источник: https://techcrunch.com/2025/08/20/meta-to-add-100-mw-of-solar-power-from-u-s-gear/
Meta подключает дополнительно 100 МВт солнечной энергии для нового AI-центра обработки данных в Южной Каролине. Компания продолжает увеличивать долю возобновляемых источников в своих инфраструктурных проектах.
Фокус на «зелёной» энергии часто воспринимается как самостоятельное решение для устойчивости ИТ-систем. На практике вопросы энергообеспечения — лишь один из элементов экосистемы центров обработки данных. Сложные вычисления требуют не только электроэнергии, но и точной работы процессов: от распределения нагрузки до контроля температур и резервирования каналов связи. Без выстроенных регламентов и ответственности за эксплуатацию даже самые экологичные источники не устраняют риски простоя или потерь данных.
Большинство внедрений игнорируют, что переход на новые источники энергии не снижает требования к управлению. Технология сама по себе не оптимизирует процессы — она лишь добавляет переменных в систему, где каждый сбой обходится дорого.
📌 Вывод: Решая вопросы энергоэффективности, компании должны уделять больше внимания качеству процедур управления, а не только выбору поставщиков энергии.
Источник: https://techcrunch.com/2025/08/20/meta-to-add-100-mw-of-solar-power-from-u-s-gear/
TechCrunch
Meta to add 100MW of solar power from US gear | TechCrunch
The social media company is adding another tranche of solar to power a new AI data center in South Carolina.
Почему AI плохо работает в условиях неопределённости
AI опирается на структуру: этапы, статусы, правила переходов.
🔷Когда процесс размытый, AI теряется.
Он начинает делать формально корректные, но логически бесполезные действия. Чем больше неопределённости, тем меньше пользы от автоматизации.
Сначала убирают хаос. Потом подключают AI.
📌 Вывод:
AI не наводит порядок. Он требует его заранее.
AI опирается на структуру: этапы, статусы, правила переходов.
🔷Когда процесс размытый, AI теряется.
Он начинает делать формально корректные, но логически бесполезные действия. Чем больше неопределённости, тем меньше пользы от автоматизации.
Сначала убирают хаос. Потом подключают AI.
📌 Вывод:
AI не наводит порядок. Он требует его заранее.
Почему AI должен быть ограничен по зонам
Типовая ошибка — внедрять AI сразу во все этапы воронки.
🔷Это создаёт иллюзию контроля.
На самом деле AI начинает вмешиваться там, где нужна гибкость, и пропускает зоны, где он действительно полезен. Чёткое ограничение ролей делает автоматизацию управляемой.
📌 Вывод:
AI эффективен только в чётко очерченных зонах ответственности.
Типовая ошибка — внедрять AI сразу во все этапы воронки.
🔷Это создаёт иллюзию контроля.
На самом деле AI начинает вмешиваться там, где нужна гибкость, и пропускает зоны, где он действительно полезен. Чёткое ограничение ролей делает автоматизацию управляемой.
📌 Вывод:
AI эффективен только в чётко очерченных зонах ответственности.
Когда AI начинает мешать работе менеджера
Иногда AI делает работу «удобнее», но хуже.
🔷Менеджер перестаёт думать сам.
Он следует подсказкам, даже когда чувствует, что ситуация требует другого подхода. Возникает конфликт между опытом и алгоритмом — и часто выигрывает алгоритм.
AI должен подчиняться менеджеру, а не наоборот.
📌 Вывод:
Если AI мешает мышлению менеджера — его внедрили неправильно.
Иногда AI делает работу «удобнее», но хуже.
🔷Менеджер перестаёт думать сам.
Он следует подсказкам, даже когда чувствует, что ситуация требует другого подхода. Возникает конфликт между опытом и алгоритмом — и часто выигрывает алгоритм.
AI должен подчиняться менеджеру, а не наоборот.
📌 Вывод:
Если AI мешает мышлению менеджера — его внедрили неправильно.
Главный вопрос, который нужно задать перед внедрением AI
Перед внедрением AI обычно обсуждают функции, интеграции и стоимость.
🔷Но есть вопрос важнее.
Какое управленческое решение мы хотим усилить? Не ускорить действия, не сократить людей, а именно усилить решение.
Если ответа нет — AI станет дорогой игрушкой.
📌 Вывод:
AI имеет смысл только тогда, когда усиливает конкретное управленческое решение.
Перед внедрением AI обычно обсуждают функции, интеграции и стоимость.
🔷Но есть вопрос важнее.
Какое управленческое решение мы хотим усилить? Не ускорить действия, не сократить людей, а именно усилить решение.
Если ответа нет — AI станет дорогой игрушкой.
📌 Вывод:
AI имеет смысл только тогда, когда усиливает конкретное управленческое решение.
Реальное применение AI в бизнесе: где он даёт эффект
Один из самых опасных мифов вокруг AI — ожидание, что он сам «встроится» в бизнес и начнёт приносить пользу.
Подключили — процессы поумнели.
Запустили — эффективность выросла.
Логика кажется рациональной:
AI автоматизирует → значит, бизнес станет быстрее и дешевле.
🔷 На практике эта логика ломается почти всегда.
Что происходит в реальных компаниях:
— AI внедрён, но им пользуются выборочно
— процессов стало больше, ясности — меньше
— автоматизация есть, управляемости — нет
Важно: это не провал технологий.
Это провал управленческой логики.
Почему схема не работает
🔷 AI усиливает существующую модель, а не заменяет её
Если процессы фрагментированы, ответственность размыта, а решения принимаются «по ситуации», AI просто ускоряет этот режим. Ошибки масштабируются быстрее, чем польза.
🔷 AI не понимает бизнес-целей
Он не знает, что для вас приоритет: скорость, маржа, контроль или устойчивость.
Если цель не зафиксирована, автоматизация работает «в никуда».
🔷 Самыми первыми ломаются пограничные зоны
Продажи ↔ маркетинг
Операции ↔ сервис
Аналитика ↔ решения
AI отлично работает внутри чёткой зоны ответственности.
Но между функциями он только подсвечивает разрывы — и делает их постоянными.
Где AI реально работает
— первичная обработка входящих запросов
— поддержка и типовые операции
— документооборот и контроль данных
— аналитика и сводка управленческих показателей
Общий признак:
есть владелец процесса, понятный результат и критерий «сработало / нет».
📌 Управленческий вывод
AI — не инструмент роста.
Это усилитель уже существующей системы.
Если система понятна — эффект заметен.
Если система хаотична — хаос просто становится быстрее и дороже.
Если вы считаете иначе — это нормальная позиция.
Интересно услышать, где у вас AI дал реальный управленческий эффект.
Один из самых опасных мифов вокруг AI — ожидание, что он сам «встроится» в бизнес и начнёт приносить пользу.
Подключили — процессы поумнели.
Запустили — эффективность выросла.
Логика кажется рациональной:
AI автоматизирует → значит, бизнес станет быстрее и дешевле.
🔷 На практике эта логика ломается почти всегда.
Что происходит в реальных компаниях:
— AI внедрён, но им пользуются выборочно
— процессов стало больше, ясности — меньше
— автоматизация есть, управляемости — нет
Важно: это не провал технологий.
Это провал управленческой логики.
Почему схема не работает
🔷 AI усиливает существующую модель, а не заменяет её
Если процессы фрагментированы, ответственность размыта, а решения принимаются «по ситуации», AI просто ускоряет этот режим. Ошибки масштабируются быстрее, чем польза.
🔷 AI не понимает бизнес-целей
Он не знает, что для вас приоритет: скорость, маржа, контроль или устойчивость.
Если цель не зафиксирована, автоматизация работает «в никуда».
🔷 Самыми первыми ломаются пограничные зоны
Продажи ↔ маркетинг
Операции ↔ сервис
Аналитика ↔ решения
AI отлично работает внутри чёткой зоны ответственности.
Но между функциями он только подсвечивает разрывы — и делает их постоянными.
Где AI реально работает
— первичная обработка входящих запросов
— поддержка и типовые операции
— документооборот и контроль данных
— аналитика и сводка управленческих показателей
Общий признак:
есть владелец процесса, понятный результат и критерий «сработало / нет».
📌 Управленческий вывод
AI — не инструмент роста.
Это усилитель уже существующей системы.
Если система понятна — эффект заметен.
Если система хаотична — хаос просто становится быстрее и дороже.
Если вы считаете иначе — это нормальная позиция.
Интересно услышать, где у вас AI дал реальный управленческий эффект.
Реальный кейс внедрения AI в отдел продаж: почему эффект появился
Один из немногих кейсов, где AI в продажах дал измеримый результат, выглядит не как «революция», а как аккуратная управленческая доработка.
Компания внедрила AI-ассистента на раннем этапе воронки — для первичного контакта и записи клиентов на консультацию.
Без замены менеджеров.
Без «умных продаж».
Без попытки автоматизировать всё.
Результат — около +25% к количеству консультаций за несколько недель.
🔷 Важно: эффект появился не из-за самого AI.
Что было сделано правильно
🔷 AI встроили в конкретный участок процесса
Ассистент отвечал только за:
— первый контакт
— сбор базовой информации
— перевод лида к человеку
Никаких переговоров, дожимов и «закрытий».
🔷 Граница ответственности была зафиксирована заранее
AI не конкурировал с менеджерами и не мешал их логике.
Он делал ровно то, что менеджеры делать не любят — и делают нестабильно.
🔷 Метрика была простой и проверяемой
Не «рост эффективности», не «улучшение воронки», а конкретно:
— количество состоявшихся консультаций
Это позволило быстро понять: работает или нет.
Чего в этом кейсе не было
— попытки заменить отдел продаж
— ожидания, что AI «начнёт продавать»
— автоматизации без владельца процесса
Именно поэтому результат оказался устойчивым.
📌 Управленческий вывод
AI в продажах даёт эффект не тогда, когда его делают «умным»,
а тогда, когда его делают ограниченным.
Чёткая роль, понятная метрика и человек, отвечающий за результат —
и только потом автоматизация.
Если у вас есть кейсы, где AI реально усилил продажи (или наоборот — не сработал),
интересно сравнить, что именно было решающим фактором.
Один из немногих кейсов, где AI в продажах дал измеримый результат, выглядит не как «революция», а как аккуратная управленческая доработка.
Компания внедрила AI-ассистента на раннем этапе воронки — для первичного контакта и записи клиентов на консультацию.
Без замены менеджеров.
Без «умных продаж».
Без попытки автоматизировать всё.
Результат — около +25% к количеству консультаций за несколько недель.
🔷 Важно: эффект появился не из-за самого AI.
Что было сделано правильно
🔷 AI встроили в конкретный участок процесса
Ассистент отвечал только за:
— первый контакт
— сбор базовой информации
— перевод лида к человеку
Никаких переговоров, дожимов и «закрытий».
🔷 Граница ответственности была зафиксирована заранее
AI не конкурировал с менеджерами и не мешал их логике.
Он делал ровно то, что менеджеры делать не любят — и делают нестабильно.
🔷 Метрика была простой и проверяемой
Не «рост эффективности», не «улучшение воронки», а конкретно:
— количество состоявшихся консультаций
Это позволило быстро понять: работает или нет.
Чего в этом кейсе не было
— попытки заменить отдел продаж
— ожидания, что AI «начнёт продавать»
— автоматизации без владельца процесса
Именно поэтому результат оказался устойчивым.
📌 Управленческий вывод
AI в продажах даёт эффект не тогда, когда его делают «умным»,
а тогда, когда его делают ограниченным.
Чёткая роль, понятная метрика и человек, отвечающий за результат —
и только потом автоматизация.
Если у вас есть кейсы, где AI реально усилил продажи (или наоборот — не сработал),
интересно сравнить, что именно было решающим фактором.
Постоянная прослушка: очки с AI-микрофоном как управленческий вызов
Два бывших студента Гарварда запускают стартап: умные очки с постоянным микрофоном, который слушает и записывает все разговоры. Ранее они работали над системой распознавания лиц для Meta, а теперь предлагают продукт для тотального аудиомониторинга.
В такой модели автоматизация и сбор данных становятся не техническим, а управленческим вопросом. Большинство внедрений подобных устройств упирается не в качество распознавания речи, а в отсутствие продуманной политики доступа, хранения и использования информации.
Очки с микрофоном создают новые риски: от неконтролируемых утечек до конфликтов внутри коллектива. Система слежения без четких границ ответственности и прозрачных процедур быстро превращается из полезного инструмента в источник недоверия.
📌 Вывод: Любая автоматизация наблюдения требует не технологии, а зрелой системы управления доступом, ответственностью и коммуникациями между сотрудниками.
Источник: https://techcrunch.com/2025/08/20/harvard-dropouts-to-launch-always-on-ai-smart-glasses-that-listen-and-record-every-conversation/
Два бывших студента Гарварда запускают стартап: умные очки с постоянным микрофоном, который слушает и записывает все разговоры. Ранее они работали над системой распознавания лиц для Meta, а теперь предлагают продукт для тотального аудиомониторинга.
В такой модели автоматизация и сбор данных становятся не техническим, а управленческим вопросом. Большинство внедрений подобных устройств упирается не в качество распознавания речи, а в отсутствие продуманной политики доступа, хранения и использования информации.
Очки с микрофоном создают новые риски: от неконтролируемых утечек до конфликтов внутри коллектива. Система слежения без четких границ ответственности и прозрачных процедур быстро превращается из полезного инструмента в источник недоверия.
📌 Вывод: Любая автоматизация наблюдения требует не технологии, а зрелой системы управления доступом, ответственностью и коммуникациями между сотрудниками.
Источник: https://techcrunch.com/2025/08/20/harvard-dropouts-to-launch-always-on-ai-smart-glasses-that-listen-and-record-every-conversation/
TechCrunch
Harvard dropouts to launch 'always on' AI smart glasses that listen and record every conversation | TechCrunch
After developing a facial-recognition app for Meta’s Ray-Ban glasses and doxing random people, two former Harvard students are now launching a startup that makes smart glasses with an always-on microphone.