upd: похоже, проблема на моей стороне и модели вроде как работают


Похоже, deepseek теперь тоже по vpn
Во всяком случае API версия
Тоже самое и с моделями в подписке zen (пакет от opencode)
Грусть

Прямо сейчас тестирую российский сервис, аналог open-router
Пока особенных нареканий нет. Канал стабильный.
С их помощью собираю SaaS-версию Цеха на qwen-3-coder
Полет нормальный. Погоняю на них недельку и вернусь с окончательным мнением

а еще, подготовил для вас сегодня очередную историю
на этот раз расскажу, как на практике, на примере одного из клиентов весь процесс работы устроен

Кстати, а много ли у меня на канале строителей и строительных компаний?
Я тут прикольную плюшку собираю, ИИ-сметчик называется
напишите мне, если тема для вас живая @askerych

От аудита к работающим агентам: как я работаю - на примере реального проекта

аудио-версия поста

В посте о работе с аутсорсинговой бух-компанией я много рассказал о создании базы знаний. Тема для меня очень привлекательная.
Экономика знаний, в принципе и базы знаний, как частное ее проявление и продукт - сильная вещь. По моему убеждению, это один из доменов, которые вообще не подвержены веяниям экономических циклов, кризисов и т.д. Своего рода "пенсионный проект".
В общем, я решил сильнее погрузиться в тему и начать пока на понятийном уровне прорабатывать понимание вопроса.
Не гарантирую, что часто буду писать на эту тему, но изучать точно. Яр, со своим OSINT-субагентом уже собирают для меня инфу по теме.

Ставим потихонечку консалтинг и Цех на поток.

Я уже рассказывал о своей услуге «Интеллект компании». Её первая версия была реализована полностью на основе моих представлений о том, как и для чего должна быть устроено база знаний. Надо сказать, что представления не были теоретическими, но и пробелов было достаточно.
Собственно эти пробелы я и решил нивелировать вчера утром и сформировать системное понимание всего ландшафта работы с базами знаний.

Для начала надо было сформировать теоретический фундамент.
Мои ИИ-агенты провели глобальный OSINT-аудит по девяти доменам. Брали и российские и мировые источники: от фундаментальной модели SECI (Нонака-Такеучи, 1995) до свежего GraphRAG от Microsoft Research (2024).

Логику подбора доменов знаний я подчинил процессу оцифровки.
Теория управления знаниями, архитектура хранения и поиска, оцифровки, причём в двух векторах: бумага → цифра и цифра → AI-читаемый формат.
Последнее критично, так как мало кто понимает, что DOCX и PDF для ИИ нечитаемы без спецконвертеров типа Docling.

Дальше: извлечение знаний из баз данных, текстов и «голов экспертов». Для этого существует 50+ инструментов (от SharePoint до Obsidian, от Pinecone до pgvector), полный разбор RAG и эмбеддингов, change management при внедрении, удержание знаний при уходе людей, российский рынок со всеми 152-ФЗ.
Итого ~150 источников, глобальный охват.

> В результате исследования я получил 17 структурированных файлов, ~120 страниц, с мастер-индексом и playbook'ом.

Playbook - это практический алгоритм из семи шагов: аудит → стратегия → архитектура → оцифровка → платформа → внедрение → поддержка.

На основе этого корпуса знаний мы с Яром пересобрали сам продукт и накатили изменения для существующих клиентов.

Параллельно, я обновил одностраничник услуги «Интеллект компании». Цены на сайте привёл к единой матрице.

Теперь у услуги есть полная методологическая база.

Почитать можно тут
https://ai09t.tech/ru/intelligence-company.html

Друзья, давно уже надо было это сделать, но никак руки не доходили. Переписал ссылку на канал. Было @AiStrata - стало @ai09t_ch, согласно актуальному названию компании. Не теряйте.

Кстати!
Давно хотел сделать ROI-калькулятор ИИ-инициатив. Проект с марта висит в отложенных. Пожалуй, выходные этому и посвящу.

Для чего нужен такой инструмент? А для того, чтобы понять какой выхлоп от внедрения ИИ может быть.

Есть простая штука, которую почти никто не делает перед запуском ИИ-пилота - сесть и посчитать, окупится он или нет.

По данным McKinsey,

87% ИИ-проектов не доходят до полноценного запуска.

И дело не в технологиях. Просто через три месяца после старта руководитель спрашивает: «что мы получили?» — а ответить нечем. Метрик не собирали, исходных показателей не снимали.

Вендоры ситуацию не улучшают. Обещают 10x, а по факту выходит в 3–5 раз меньше. Потому что цифры никто не проверял под реальный процесс заказчика.

При этом методология расчёта, по сути, простая.
Четыре переменные:
- сколько человек на процессе,
- сколько часов тратят,
- сколько стоит их час
- и какую долю работы реально отдать ИИ.
Плюс стоимость внедрения.
Всё.

В какой-то момент мы упаковали эту логику в бесплатный калькулятор на сайте. Заполнил параметры > увидел оценку экономии и срок окупаемости.
Та же формула, что и в реальном аудите.

У нас, на 17 проектах коэффициент автоматизации получился от 60% до 99,6% ручного труда, средняя окупаемость пилота - 2–4 месяца.

Если честно, любой руководитель, который знает свой процесс и его метрики, за пять минут понимает, стоит вообще заходить в автоматизацию или нет.
И для этого не нужны консультанты, продавцы и «давайте попробуем».
Просто цифры на столе.

Ссылка на калькулятор https://clck.ru/3Uxknm

Аскер Аскеров, ИИ-исследователь и архитектор AI-решений для бэк-офиса

—

Коллеги, прошу прощения. В публикации есть ошибка. McKinsey не давала цифру в 87%. Цифра была у MIT и не 87%, а 95%
MIT report: 95% of generative AI pilots at companies are failing https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
McKinsey говорили без цифр о том, что у компаний в принципе низкая зрелость к принятию и внедрению ИИ. Это я и сам наблюдаю в работе с российскими компаниями.
В дополнение - BCG отмечают, что только 5% компаний относятся к “future-built” и создают значимую ценность от ИИ в масштабе. https://www.bcg.com/press/30september2025-ai-leaders-outpace-laggards-revenue-growth-cost-savings
Прошу прощения, впредь буду внимательнее

Мы привыкли, что продаётся продукт творчества - картина, код, текст.
Но что если на конвейер поставят саму способность творить? Не картину, а умение её написать. Не код, а мышление, его породившее.

Что будет, когда творческий акт оценят, масштабируют и коммодитизируют?

Это мысленный эксперимент о том, куда идёт человек, когда его последнее неотчуждаемое становится товаром.

Слушайте в новом выпуске подкаста
https://askerych-online.mave.digital/ep-35

«Мы уже пробовали ИИ. Не взлетело». «А разве нельзя просто загрузить туда документы и общаться с ними?». «Купили подписку, но дальше текстов для соцсетей дело не пошло».

Фразы, которые я слышу от клиентов постоянно. И за ними один и тот же сценарий.

Блогеры и евангелисты создали легенду о том, что автоматизация через ИИ - это простая история - «просто отдай это ИИ», «ИИ все сделает за вас».. Ага, щучьему велению, по моему хотению.

На деле купить подписку и закинуть доки в ИИ это даже не 5% успеха. Нужно развернуть инфраструктуру, правильно прицепить базу знаний, понимать, какие задачи отдавать ИИ, а какие нет, уметь с ним работать. У меня для этого выстроена целая палитра шагов: от аудита до конкретных пилотов и агентов.

Почему «просто загрузите в чат» не работает. На практике это ломается в пяти местах.

Галлюцинации.
Модель придумывает факты, которых нет в документах. Для соцсетей это забавно, а вот для бухгалтерского отчёта или договора - катастрофа.

Контекстное окно.
Загрузили сто страниц инструкций, попросили найти ответ на конкретный вопрос. Модель прочитала первые двадцать, остальные проигнорировала. Ответила уверенно, но мимо.

Источники данных.
Нейросеть не скажет, из какого документа взят ответ. А бизнесу нужно знать: это из регламента, утверждённого в прошлом году, или из черновика трёхлетней давности?

Конфиденциальность.
Мое любимое.. Всё, что загружается в публичный чат, уходит на чужие сервера. Для внутренних документов компании это неприемлемо.

Непредсказуемость и нестабильность. На один и тот же запрос сегодня и завтра ИИ даст два разных ответа. Бизнес-процесс, который зависит от настроения модели, перестаёт быть процессом.

Я не говорю, что нейросети бесполезны. Я говорю, что чат-интерфейс - это только точка входа. А чтобы ИИ работал в бэк-офисе с повторяемым результатом, вокруг этой точки нужна конструкция.

Для того, чтобы ИИ работал на результат, он должен знать контекст компании. Понимать, какие профессиональные навыки от него требуются. Видеть, из каких источников брать информацию, а какие обходить. И отвечать не как чат-бот из интернета, а как человек, который в теме.

За этим стоит конкретная последовательность.
- Аудит процессов, чтобы понять, что вообще отдавать ИИ.
- Оцифрованная база знаний, чтобы модели было откуда брать факты, а не фантазии.
- Правильно настроенные промпты, чтобы результат был стабильным, а не разным от запроса к запросу.
- Контур безопасности, чтобы данные не покидали компанию.
- И пилоты, чтобы обкатать решение до того, как отдать его сотрудникам.

Чат - это интерфейс, взаимодействия с ИИ, решение требует построения целой архитектуры

Аскер Аскеров, ИИ-исследователь и архитектор AI-решений для бэк-офиса

Долго думал, выложить эту запись или нет, но решил, что надо.

У меня очень стойкое ощущение перемен. Довольно серьезных и судьбоносных. Ощущения буквально физические. Мне очень захотелось поделиться.

После недельного эксперимента должен признать: я был не прав.

Некоторое время назад мне задали вопрос: «чем твой Цех лучше скиллов в Claude Code?» Я пошёл искать на него ответ. В этом и была ошибка. Сам вопрос неправильный.

Цех построен на базе, в том числе Claude Code, а не в противопоставлении ему. Противопоставлять одно другому - всё равно что сравнивать цыплёнка и курицу.

Что прямо сейчас происходит в индустрии. Если верить словам Альтмана, модели упёрлись в сингулярность. Разработка уходит в агентные системы и обвязку вокруг моделей - то, что называют harness-слоем. Claude Code, Cursor, OpenCode, Codex - это прослойки между разработчиком и моделью. Провайдеры закладывают в них правильные алгоритмы: написание и проверка кода, безопасность, защита авторских прав. Сама модель теперь лишь часть системы.

Цех построен на двух вещах.
Универсальная архитектура агентных систем, не привязанная к конкретному провайдеру. В моём случае я получил её обратным инжинирингом архитектуры OSINT-агентов. И устройство Claude Code от Anthropic — после апрельской утечки мой соратник, Паша Валентов изучил, как работает система изнутри. Эти две вещи легли в основу и Цеха, и Яра Сережи Кобелева, а дальше объединились в единый продукт.

Неделю назад я переподключил Цех через VS Code к плагину Claude Code. И всё заиграло по-новому. Система обнаружила ошибки, которые я наделал своими кустарными методами. Я-таки не-разработчик)). Исправили семантическую память и поиск и теперь материалы находятся корректно. Исправили логику Python-скриптов. Много чего подтянули.
Новый Цех - это это стройная монолитная система, и я приступаю к раскатке на клиентские версии.

Следующий шаг - роутинг моделей. Ассистент сам определяет, для какой задачи какую модель использовать. Сергей на днях описал связку Claude + ChatGPT в одном терминале. Довольно любопытно вышло. Забираю себе идею отдать Claude роль стратега, ChatGPT - исполнитель, а DeepSeek - документация и отчёты. И Claude же верифицирует итоговый результат.

Важна не только harness-обвязка, но и сами модели. И важно вовремя признать, что ты был не прав.

И да, о результатах такого эксперимента напишу через пару недель.