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.
AI в реальности: что говорят компании после внедрения
Последние исследования и заявления бизнес-лидеров показывают: внедрение искусственного интеллекта далеко не всегда даёт быстрый и очевидный эффект. Реальные кейсы и отзывы фиксируют не только успехи, но и системные сложности и препятствия.
🔷 На Всемирном экономическом форуме в Давосе PwC отметил, что 56% компаний не получают ощутимой отдачи от инвестиций в AI — главным образом из-за отсутствия базовой подготовки и ясной стратегии внедрения.
⚠️ Реальные проблемы, с которыми сталкиваются компании
🔷 Несоответствие ожиданий и результатов
Большинство организаций не видят значимых улучшений, несмотря на инвестиции в AI-инструменты — проблема не в технологиях, а в подходе к их интеграции.
🔷 Агентские AI-решения редко доходят до промышленной эксплуатации
Около 71% компаний используют автоматизированные агенты, но только 11% переходят из пилотов в полноценное производство, чаще всего из-за недоверия и нехватки прозрачности.
🔷 Финансовые потери на старте
Согласно международному обзору, почти каждая крупная компания фиксирует начальные финансовые потери при запуске AI — в среднем миллионы долларов из-за несоответствия данных, проблем с качеством выводов и недостаточной подготовкой.
🔷 Сложности с измерением ROI и ясной моделью ценности
Многие организации активизировали AI-инициативы, но более 70% не имеют чётких механизмов оценки доходности и влияния AI на бизнес-метрики.
🔎 Что из этого можно выделить в практическом контексте
— Большие ожидания ≠ быстрый эффект.
— AI-решения гораздо чаще достигают результатов только после длительного этапа проверки, настройки и адаптации под бизнес-процессы.
— Проблемы — не в технологиях, а в недостатке подготовки, данных, культуры использования и ответственного управления.
📌 Управленческий вывод
AI — это не «чёрный ящик», который сам создаёт ценность.
Он становится эффективным, когда:
• есть чёткая цель и метрика успеха,
• процессы подготовлены к изменениям,
• данные организованы для использования,
• внедрение идёт по этапам, а не «одним рывком».
Тогда AI — не магия, а инструмент усиления результата.
Если у вас есть примеры, где внедрение AI дало неожиданные сложности или, наоборот, реальные улучшения — интересно услышать ваш опыт.
Последние исследования и заявления бизнес-лидеров показывают: внедрение искусственного интеллекта далеко не всегда даёт быстрый и очевидный эффект. Реальные кейсы и отзывы фиксируют не только успехи, но и системные сложности и препятствия.
🔷 На Всемирном экономическом форуме в Давосе PwC отметил, что 56% компаний не получают ощутимой отдачи от инвестиций в AI — главным образом из-за отсутствия базовой подготовки и ясной стратегии внедрения.
⚠️ Реальные проблемы, с которыми сталкиваются компании
🔷 Несоответствие ожиданий и результатов
Большинство организаций не видят значимых улучшений, несмотря на инвестиции в AI-инструменты — проблема не в технологиях, а в подходе к их интеграции.
🔷 Агентские AI-решения редко доходят до промышленной эксплуатации
Около 71% компаний используют автоматизированные агенты, но только 11% переходят из пилотов в полноценное производство, чаще всего из-за недоверия и нехватки прозрачности.
🔷 Финансовые потери на старте
Согласно международному обзору, почти каждая крупная компания фиксирует начальные финансовые потери при запуске AI — в среднем миллионы долларов из-за несоответствия данных, проблем с качеством выводов и недостаточной подготовкой.
🔷 Сложности с измерением ROI и ясной моделью ценности
Многие организации активизировали AI-инициативы, но более 70% не имеют чётких механизмов оценки доходности и влияния AI на бизнес-метрики.
🔎 Что из этого можно выделить в практическом контексте
— Большие ожидания ≠ быстрый эффект.
— AI-решения гораздо чаще достигают результатов только после длительного этапа проверки, настройки и адаптации под бизнес-процессы.
— Проблемы — не в технологиях, а в недостатке подготовки, данных, культуры использования и ответственного управления.
📌 Управленческий вывод
AI — это не «чёрный ящик», который сам создаёт ценность.
Он становится эффективным, когда:
• есть чёткая цель и метрика успеха,
• процессы подготовлены к изменениям,
• данные организованы для использования,
• внедрение идёт по этапам, а не «одним рывком».
Тогда AI — не магия, а инструмент усиления результата.
Если у вас есть примеры, где внедрение AI дало неожиданные сложности или, наоборот, реальные улучшения — интересно услышать ваш опыт.
AI в агро: снижение выбросов — не гарантия системных изменений
В Индии стартап Mitti Labs вместе с The Nature Conservancy внедряет инструменты для контроля выбросов метана на рисовых полях. Решение строится на AI — система верифицирует снижение вредных выбросов и помогает фермерам применять более экологичные практики.
Большинство подобных решений упирается в разрыв между технологией и реальной операционной деятельностью. Внедрение AI ограничивается сбором и анализом данных, но редко сопровождается перестройкой бизнес-процессов и распределением ответственности на местах.
Технология не может сама по себе изменить культуру производства или обеспечить системное соблюдение новых стандартов. Без прозрачных процедур, четкой роли управления и интеграции в ежедневные рабочие циклы, эффект ограничивается отдельными пилотами. Часто игнорируется вопрос: кто отвечает за исполнение рекомендаций и что происходит при отклонениях от протокола.
⚠️ Вывод:
Любая автоматизация в агроэффективности требует не только внедрения AI, но и пересмотра управленческих практик и ответственности на всех уровнях.
Источник: https://techcrunch.com/2025/08/26/how-one-ai-startup-is-helping-rice-farmers-battle-climate-change/
В Индии стартап Mitti Labs вместе с The Nature Conservancy внедряет инструменты для контроля выбросов метана на рисовых полях. Решение строится на AI — система верифицирует снижение вредных выбросов и помогает фермерам применять более экологичные практики.
Большинство подобных решений упирается в разрыв между технологией и реальной операционной деятельностью. Внедрение AI ограничивается сбором и анализом данных, но редко сопровождается перестройкой бизнес-процессов и распределением ответственности на местах.
Технология не может сама по себе изменить культуру производства или обеспечить системное соблюдение новых стандартов. Без прозрачных процедур, четкой роли управления и интеграции в ежедневные рабочие циклы, эффект ограничивается отдельными пилотами. Часто игнорируется вопрос: кто отвечает за исполнение рекомендаций и что происходит при отклонениях от протокола.
⚠️ Вывод:
Любая автоматизация в агроэффективности требует не только внедрения AI, но и пересмотра управленческих практик и ответственности на всех уровнях.
Источник: https://techcrunch.com/2025/08/26/how-one-ai-startup-is-helping-rice-farmers-battle-climate-change/
TechCrunch
Exclusive: How one AI startup is helping rice farmers battle climate change | TechCrunch
Mitti Labs is working with The Nature Conservancy to expand the use of climate-friendly rice farming practices in India. The startup uses its AI to verify reductions in methane emissions.
1 ГВт солнечной энергии для дата-центров Meta — что меняется на практике
Meta заключила три контракта на покупку 1 ГВт солнечной энергии в США. Компания планирует использовать эти мощности для работы своих дата-центров и компенсации углеродного следа.
Внедрение возобновляемых источников энергии — ожидаемый шаг для крупных игроков с большими IT-инфраструктурами. Но даже при наличии масштабных инвестиций основной вызов остаётся на уровне процессов: как интегрировать альтернативную энергетику в текущие операционные модели без сбоев и дополнительных рисков для бизнеса.
Часто такие инициативы воспринимаются как разовая закупка или маркетинговый проект. На деле критично выстроить постоянный мониторинг энергопотребления, адаптацию под нестабильные поставки, пересмотр SLA для ИТ и инженерных служб. Без системного управления энергией и рисками новая технология становится просто дополнительной статьёй расходов, а не инструментом оптимизации.
📌 Вывод:
Инвестиции в «зелёную» энергетику работают только при включении в сквозные процессы управления и ответственности за инфраструктуру — иначе эффект сводится к PR и отчетности.
Источник: https://techcrunch.com/2025/10/31/meta-bought-1-gw-of-solar-this-week/
Meta заключила три контракта на покупку 1 ГВт солнечной энергии в США. Компания планирует использовать эти мощности для работы своих дата-центров и компенсации углеродного следа.
Внедрение возобновляемых источников энергии — ожидаемый шаг для крупных игроков с большими IT-инфраструктурами. Но даже при наличии масштабных инвестиций основной вызов остаётся на уровне процессов: как интегрировать альтернативную энергетику в текущие операционные модели без сбоев и дополнительных рисков для бизнеса.
Часто такие инициативы воспринимаются как разовая закупка или маркетинговый проект. На деле критично выстроить постоянный мониторинг энергопотребления, адаптацию под нестабильные поставки, пересмотр SLA для ИТ и инженерных служб. Без системного управления энергией и рисками новая технология становится просто дополнительной статьёй расходов, а не инструментом оптимизации.
📌 Вывод:
Инвестиции в «зелёную» энергетику работают только при включении в сквозные процессы управления и ответственности за инфраструктуру — иначе эффект сводится к PR и отчетности.
Источник: https://techcrunch.com/2025/10/31/meta-bought-1-gw-of-solar-this-week/
TechCrunch
Meta bought 1 GW of solar this week | TechCrunch
The social media company inked three deals in the U.S. to power its data centers and offset its carbon footprint.
25 млн долларов на «AI для фармы» — инвестиции не спасают от организационных ошибок
AI-стартап Converge Bio привлек $25 млн в раунде серии А. Среди инвесторов — Bessemer, а также топ-менеджеры Meta, OpenAI и Wiz. Компания планирует ускорить поиск новых лекарств за счет алгоритмов.
Фармацевтические компании часто сталкиваются с тем, что внедрение AI не интегрируется в существующие процессы. Результаты алгоритмов остаются на уровне прототипов, потому что не встроены в цепочку принятия решений. Проблемы управления — отсутствие прозрачных ролей, слабая обратная связь между IT и R&D, невыстроенные процессы проверки гипотез — быстро сводят на нет эффект от технологий.
Большинство подобных внедрений не учитывает реальную нагрузку на команды и не меняет регламенты. AI-решения начинают работать в вакууме, а не в системе, где ответственность и результат распределены между подразделениями. В итоге деньги и ресурсы тратятся на автоматизацию частных задач, а не на перестройку бизнес-процессов.
📌 Вывод:
Эффективность AI-инструментов в фарме определяется не размером инвестиций, а тем, насколько глубоко технология встроена в управленческую архитектуру компании.
Источник: https://techcrunch.com/2026/01/13/ai-drug-discovery-startup-converge-bio-pulls-in-25m-from-bessemer-and-execs-from-meta-openai-and-wiz/
AI-стартап Converge Bio привлек $25 млн в раунде серии А. Среди инвесторов — Bessemer, а также топ-менеджеры Meta, OpenAI и Wiz. Компания планирует ускорить поиск новых лекарств за счет алгоритмов.
Фармацевтические компании часто сталкиваются с тем, что внедрение AI не интегрируется в существующие процессы. Результаты алгоритмов остаются на уровне прототипов, потому что не встроены в цепочку принятия решений. Проблемы управления — отсутствие прозрачных ролей, слабая обратная связь между IT и R&D, невыстроенные процессы проверки гипотез — быстро сводят на нет эффект от технологий.
Большинство подобных внедрений не учитывает реальную нагрузку на команды и не меняет регламенты. AI-решения начинают работать в вакууме, а не в системе, где ответственность и результат распределены между подразделениями. В итоге деньги и ресурсы тратятся на автоматизацию частных задач, а не на перестройку бизнес-процессов.
📌 Вывод:
Эффективность AI-инструментов в фарме определяется не размером инвестиций, а тем, насколько глубоко технология встроена в управленческую архитектуру компании.
Источник: https://techcrunch.com/2026/01/13/ai-drug-discovery-startup-converge-bio-pulls-in-25m-from-bessemer-and-execs-from-meta-openai-and-wiz/
TechCrunch
Converge Bio raises $25M, backed by Bessemer and execs from Meta, OpenAI, Wiz | TechCrunch
AI drug discovery startup Converge Bio raised $25 million in a Series A led by Bessemer Venture Partners, with additional backing from executives at Meta, OpenAI, and Wiz.
Почему бизнес теряет продажи прямо сейчас
(и часто даже не понимает этого)
Если посмотреть на обсуждения предпринимателей в Telegram-чатах, на профильных форумах и в комментариях под видео про продажи, повторяются одни и те же жалобы.
Это не частные случаи. Это системные проблемы бизнеса.
Разберём основные.
🔷 Заявки обрабатываются слишком медленно
Классическая ситуация:
клиент написал вечером — ответ получил утром.
За это время он уже:
• написал конкурентам • нашёл другое решение • просто потерял интерес
📌 Фактически компания теряет клиента ещё до разговора с менеджером.
🔷 Лиды просто теряются
Это одна из самых недооценённых проблем.
Часть заявок:
• остаётся в мессенджерах • забывается в почте • не попадает в CRM • не получает обратного звонка
На практике это означает:
📌 часть потенциальных продаж вообще никто не обрабатывает.
🔷 CRM есть, но она не работает
Многие компании уже внедрили CRM.
Но в реальности:
• менеджеры не заполняют карточки • задачи не ставятся • этапы сделки не ведутся
CRM превращается в дорогую записную книжку, а не инструмент управления продажами.
🔷 Менеджеры не делают системных продаж
Типичная картина:
менеджер ждёт входящую заявку.
Но не:
• ищет новых клиентов • не делает холодные контакты • не ведёт регулярный follow-up
📌 В результате отдел продаж становится реактивным, а не активным.
🔷 Слишком высокая зависимость от людей
Продажи во многих компаниях держатся на одном-двух сотрудниках.
Если человек:
• уволился • заболел • потерял мотивацию
воронка продаж начинает проседать почти мгновенно.
Что это означает на практике
Большинство компаний теряет:
➡️ часть заявок ➡️ скорость обработки лидов ➡️ контроль над продажами ➡️ повторные касания с клиентами
И самое важное:
📌 эти потери редко видно напрямую в отчётах.
Они проявляются только в одном показателе — в недополученной выручке.
📌 Сейчас мы как раз занимаемся разработкой решений в Nexorium, которые помогают автоматизировать обработку заявок, системно работать с лидами и снижать зависимость продаж от человеческого фактора.
Отдельно расскажу об этих инструментах в следующих публикациях.
(и часто даже не понимает этого)
Если посмотреть на обсуждения предпринимателей в Telegram-чатах, на профильных форумах и в комментариях под видео про продажи, повторяются одни и те же жалобы.
Это не частные случаи. Это системные проблемы бизнеса.
Разберём основные.
🔷 Заявки обрабатываются слишком медленно
Классическая ситуация:
клиент написал вечером — ответ получил утром.
За это время он уже:
• написал конкурентам • нашёл другое решение • просто потерял интерес
📌 Фактически компания теряет клиента ещё до разговора с менеджером.
🔷 Лиды просто теряются
Это одна из самых недооценённых проблем.
Часть заявок:
• остаётся в мессенджерах • забывается в почте • не попадает в CRM • не получает обратного звонка
На практике это означает:
📌 часть потенциальных продаж вообще никто не обрабатывает.
🔷 CRM есть, но она не работает
Многие компании уже внедрили CRM.
Но в реальности:
• менеджеры не заполняют карточки • задачи не ставятся • этапы сделки не ведутся
CRM превращается в дорогую записную книжку, а не инструмент управления продажами.
🔷 Менеджеры не делают системных продаж
Типичная картина:
менеджер ждёт входящую заявку.
Но не:
• ищет новых клиентов • не делает холодные контакты • не ведёт регулярный follow-up
📌 В результате отдел продаж становится реактивным, а не активным.
🔷 Слишком высокая зависимость от людей
Продажи во многих компаниях держатся на одном-двух сотрудниках.
Если человек:
• уволился • заболел • потерял мотивацию
воронка продаж начинает проседать почти мгновенно.
Что это означает на практике
Большинство компаний теряет:
➡️ часть заявок ➡️ скорость обработки лидов ➡️ контроль над продажами ➡️ повторные касания с клиентами
И самое важное:
📌 эти потери редко видно напрямую в отчётах.
Они проявляются только в одном показателе — в недополученной выручке.
📌 Сейчас мы как раз занимаемся разработкой решений в Nexorium, которые помогают автоматизировать обработку заявок, системно работать с лидами и снижать зависимость продаж от человеческого фактора.
Отдельно расскажу об этих инструментах в следующих публикациях.
