ИИ-стартап запретил сотрудникам-новичкам пользоваться ИИ

Интересный кейс американского ИИ-стартапа Valon. Компания разрабатывает программное обеспечение для обслуживания ипотеки с помощью ИИ-агентов. Но большинству новых сотрудников предлагает сначала освоить работу без ИИ. Ограничение касается и опытных специалистов, которые только пришли в компанию, пишет Business Insider.

Глава Valon Эндрю Ван ввёл правило после того, как заметил: сотрудники обращались к самым дорогим моделям даже с простыми задачами. Когда он спрашивал зачем, ему отвечали, что ИИ «почти всегда прав». Вана беспокоили не только расходы, но и то, смогут ли сотрудники разобраться в своей работе и заметить ошибку модели.

Новые сотрудники смогут пользоваться ИИ, когда руководитель убедится, что они разбираются в своей работе настолько, чтобы заметить ошибку модели. Инженеров правило не касается: их код перед выпуском проверяют коллеги, поэтому результат ИИ в любом случае не остаётся без дополнительного контроля. В финансах и HR, по словам главы Valon, аналогичной процедуры проверки нет.

Руководитель ожидает, что такая стратегия приведет сокращению годовых расходов компании на токены примерно с 15–20 млн $ до 4–5 млн $.

💜 Telegram 🔴 MAX 🔴 Дзен

Нормативно-правовое регулирование стало главным препятствием для масштабирования проектов в области ИИ: на него указали 40% участников международного исследования консалтинговой компании BearingPoint. Об этом сообщает Reuters. Вторым по значимости барьером топ-менеджеры назвали интеграцию с устаревшими ИТ-системами — эту проблему отметили 34% опрошенных.

В опросе приняли участие 1050 руководителей высшего звена из 13 стран Европы, США и Китая. При этом почти три четверти компаний, внедривших ИИ, заявили о получении ощутимой финансовой отдачи за счет роста выручки или сокращения расходов.

Несмотря на положительный финансовый результат, масштабировать проекты удается единицам: лишь 13% участников смогли развернуть свои решения в полном соответствии с исходным бизнес-планом. Большинство организаций либо скорректировали первоначальные планы, либо внедрили технологии в меньшем объеме, а менее трети опрошенных смогли выйти за пределы стадии пилотов.

Здесь регулирование и интеграция связаны на практике. Чтобы ИИ работал с корпоративными данными и участвовал в принятии решений, недостаточно проверить качество ответов модели. Нужно определить, к каким данным у неё есть доступ, как фиксируются действия системы, кто проверяет результат и как он попадает в существующий процесс. Именно на этом этапе требования к управлению рисками становятся частью архитектуры внедрения, а не отдельной формальностью после запуска.

💜 Telegram 🔴 MAX 🔴 Дзен

Гонка за числом параметров в фундаментальных моделях постепенно уступает место борьбе за экономику вычислений.

В колонке для «Известий» исполнительный директор Ассоциации больших данных Алексей Нейман разбирает, почему масштабирование «в лоб» упирается в бюджеты и как меняется технологический стек.

В центре внимания — архитектура Mixture of Experts, где модель хранит сотни миллиардов параметров, но на каждый запрос активирует лишь малую часть. На примерах решений от Google, Z.ai и недавнего релиза от «Яндекса» автор показывает общий сдвиг: критичным становится не номинальный размер сети, а объем активных вычислений на один токен.

Для корпоративного сектора этот переход принципиален в сложных сценариях. В длинных цепочках и мультиагентных пайплайнах, где одна бизнес-задача требует десятков обращений к модели и внешним инструментам, разница в стоимости запроса начинает напрямую определять окупаемость внедрения. Полный разбор смены парадигмы — в первоисточнике.

💜 Telegram 🔴 MAX 🔴 Дзен

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

Главный барьер для ИИ в компании — не модели, а мышление сотрудников

На этой неделе прочитал серию постов эксперта, который изнутри ведёт трансформацию в крупном банке. Главная мысль серии совпадает с тем, что мы видим почти в каждом проекте внедрения: GenAI-революция упирается не в технологии, а в людей.

Он опирается на идею fixed и growth mindset. Человек с фиксированным мышлением «хочет знать, но не хочет узнавать». Он ищет волшебную кнопку: просит инструкцию, потом видеоурок, потом ещё один курс, и в итоге время на обучение просто заканчивается.

Самое неудобное в этих постах — признание, что такое мышление годами выращивали сами компании. Повышали за накопленную экспертизу и знание «как здесь принято». За «я не знаю» наказывали, за уверенность премировали.

ИИ этот контракт разрывает: всё стандартизированное автоматизируется, а ценными становятся умение пересобирать свои представления и готовность терпеть дискомфорт от того, что «я пока не понимаю».

Что я вижу как интегратор:

1. Две компании покупают одно и то же решение, а результаты отличаются в разы. Разница почти всегда в людях, а не в технологии.

2. Агент, которому сотрудники не доверяют и который им неинтересен, через три месяца тихо перестают использовать, и проект записывают в «неудачные».

3. Хорошо идут те внедрения, где у заказчика есть хотя бы несколько любопытных людей, которые сами разбираются в инструменте, ошибаются и учат остальных.

Есть и обратная сторона. Недавно мы писали о кейсе Valon: там новичкам запретили пользоваться ИИ, пока они не освоят работу. Противоречия нет. LLM снижает стоимость входа в любую тему почти до нуля, но проверить ответ модели может только тот, кто готов разобраться сам, а не просто получить результат.

Мне близок вывод эксперта: сеньорность теперь определяется не объёмом накопленного опыта, а готовностью его переписать.

Мы в Вебпрактик пошли дальше и сделали под эту задачу отдельный HR-продукт — TalentMind. Он с помощью ИИ анализирует интервью и уже на входе помогает найти людей с высоким потенциалом к развитию, которые органично впишутся в культуру компании. Продукт активно развивается на российском и международном рынках (talentmind.app).

Поэтому, если вы планируете внедрять ИИ, начните с вопроса не «какую модель выбрать», а «кто в команде будет с интересом с ней разбираться». А ещё лучше — заранее нанимайте таких людей.

Как у вас: сотрудники сами осваивают ИИ-инструменты или ждут, когда им всё объяснят? 👇

💜 Telegram 🔴 MAX 🔴 Дзен

2,8% против 9,8% ВВП: почему отдача от генеративного ИИ упирается в перестройку процессов

Внедрение генеративного ИИ способно добавить к российскому ВВП от 2,8% до 9,8% к 2030 году в зависимости от сценария интеграции. К такому выводу пришли аналитики Центра макроэкономических исследований «Сбера» в исследовании трансформации рынка труда и производительности.

Разница между сценариями — более чем в три раза — определяется не качеством базовых нейросетей, а глубиной их внедрения в операционную деятельность компаний:

- Первый режим (2,8% ВВП) — локальное применение: сотрудники используют ассистентов для ускорения персональной рутины, но архитектура процессов и цепочки взаимодействия не меняются. При таком подходе прирост производительности труда остается ниже 1,5% в год.

- Второй режим (до 9,8% ВВП) — процессная перестройка: компании пересобирают сквозные производственные и бизнес-процессы, передавая функции координации, валидации и выполнения задач автономным системам.

Как отмечают авторы исследования, эффект от использования генеративного ИИ упирается в границу персональной эффективности. Чтобы выйти на верхнюю планку отдачи, бизнесу необходим переход от точечных экспериментов к системной интеграции — пересмотру ролей сотрудников, подготовке закрытых корпоративных данных и объединению ИИ-агентов с существующими ИТ-контурами предприятий.

💜 Telegram 🔴 MAX 🔴 Дзен