AI должен растить Revenue per Employee
Главная метрика, которая показывает эффективность AI, — это revenue per employee (выручка на одного сотрудника).
Например, у вас до внедрения AI было 10 сотрудников, общий gross ФОТ составлял 1 млн руб. в месяц или 12 млн руб. в год.
При этом выручка, например, была 24 млн руб. в год.
Revenue per employee был 24 млн руб. в год / 10 = 2,4 млн руб. в год.
После внедрения должно стать > 2,4 млн руб. в год.
Вариант A: все текущие сотрудники активно начали использовать AI и делегировать рутину, а может, и core-функционал, и тем самым смогли обрабатывать больше клиентов, и тогда общая выручка компании выросла, без изменения ФОТ:
Новая выручка, например, 36 млн руб. в год, сотрудников все еще 10, revenue per employee = 3,6 млн руб. в год вместо 2,4.
Вариант B: теперь у вас 5 сотрудников выполняют тот же объем работы, то есть выручка все еще 24 млн руб. в год, но revenue per employee теперь = 4,8 млн руб. в год.
В обоих случаях есть маржа для увеличения реальных зарплат сотрудникам, ну типа те, кто обучился и начал использовать AI и по факту делать больше, могут получить надбавку.
Подпишись 👉🏻 @aigentto 🤖
Главная метрика, которая показывает эффективность AI, — это revenue per employee (выручка на одного сотрудника).
Например, у вас до внедрения AI было 10 сотрудников, общий gross ФОТ составлял 1 млн руб. в месяц или 12 млн руб. в год.
При этом выручка, например, была 24 млн руб. в год.
Revenue per employee был 24 млн руб. в год / 10 = 2,4 млн руб. в год.
После внедрения должно стать > 2,4 млн руб. в год.
Вариант A: все текущие сотрудники активно начали использовать AI и делегировать рутину, а может, и core-функционал, и тем самым смогли обрабатывать больше клиентов, и тогда общая выручка компании выросла, без изменения ФОТ:
Новая выручка, например, 36 млн руб. в год, сотрудников все еще 10, revenue per employee = 3,6 млн руб. в год вместо 2,4.
Вариант B: теперь у вас 5 сотрудников выполняют тот же объем работы, то есть выручка все еще 24 млн руб. в год, но revenue per employee теперь = 4,8 млн руб. в год.
В обоих случаях есть маржа для увеличения реальных зарплат сотрудникам, ну типа те, кто обучился и начал использовать AI и по факту делать больше, могут получить надбавку.
Подпишись 👉🏻 @aigentto 🤖
Злые OpenAI, Gemini и Anthropic
Недавно OpenRouter заблокировал доступ к нейронкам топ-3 для пользователей из РФ, при этом они используют разные способы вычисления, что вы из РФ.
Мы активно тестируем альтернативные нейронки, очень хорошо себя показывает minimax-m2.7, по сути, на одном из ботов OpenClaw просто переключили на неё, и все задачи, которые делал gpt-5.4, выполняются точно так же.
Попробуйте, может, вам тоже зайдёт.
Подпишись 👉🏻 @aigentto 🤖
Недавно OpenRouter заблокировал доступ к нейронкам топ-3 для пользователей из РФ, при этом они используют разные способы вычисления, что вы из РФ.
Мы активно тестируем альтернативные нейронки, очень хорошо себя показывает minimax-m2.7, по сути, на одном из ботов OpenClaw просто переключили на неё, и все задачи, которые делал gpt-5.4, выполняются точно так же.
Попробуйте, может, вам тоже зайдёт.
Подпишись 👉🏻 @aigentto 🤖
Жгите токены, не головы
Итак, Y Combinator сформулировал суть AI Native self-improving company.
Первый шаг — это тотальный сбор всех потоков коммуникаций:
- все email, внутренние и внешние
- вся переписка в messengers, включая DM
- все запросы пользователей к системам компании (в UI, БД, API)
Только тогда AI получает полную реальную картину происходящего и может делать полезные выводы.
Затем эта информация анализируется, и AI сможет принимать решения по улучшению компании буквально каждый день, а то и каждый час. Эта информация важнее всего, она является мозгом компании. Сам производимый софт и услуги — это производная, она больше не имеет ценности.
Написание софта, его поддержка теряют смысл, тем более с помощью разработчиков, AI сам, используя мозг, может писать новый софт на каждый важный случай, почти мгновенно тестируя гипотезы и раскатывая то, что сработало. То есть софт — это теперь производная, а не core entity. Core — это мозг, собирающий всю информацию.
Middle management больше не нужен, он был нужен как раз для сбора информации, но AI, подключенный ко всем источникам, делает это быстрее и точнее.
Давайте представим, как это реально работает:
Вот есть уже услуга/софт, который используют клиенты, и в нем возникает проблема, на которую жалуются клиенты.
Раньше было: кто-то должен заметить это, сообщить middle management, эту штуку должны приоритизировать, потом запланировать, потом вставить в спринт, потом сделать, потом протестить, потом задеплоить. Это может занять от недель до месяцев.
Теперь AI сам нашел эту проблему в отзывах клиентов, определил, что она значимо влияет на финансовые показатели, и сам ее починил. Все за несколько часов.
Либо AI заметил новый постоянный паттерн и решил сделать новый софт, сделал это за часы и выкатил.
Сотрудники располагаются в этом случае на краях системы и нужны для тех областей, где AI не может получить данные сам (тот самый human in the loop).
В компании фактически остаются только DRI (с полной ответственностью за результат, а не за кусочек pipeline), я эту роль называл Super Product Owners.
Важный месседж от Y Combinator — Burn Tokens, not Head count. Жгите токены, а не деньги на зарплаты. Я про это говорил в классификации организаций будущего.
Подпишись 👉🏻 @aigentto 🤖
Итак, Y Combinator сформулировал суть AI Native self-improving company.
Первый шаг — это тотальный сбор всех потоков коммуникаций:
- все email, внутренние и внешние
- вся переписка в messengers, включая DM
- все запросы пользователей к системам компании (в UI, БД, API)
Только тогда AI получает полную реальную картину происходящего и может делать полезные выводы.
Затем эта информация анализируется, и AI сможет принимать решения по улучшению компании буквально каждый день, а то и каждый час. Эта информация важнее всего, она является мозгом компании. Сам производимый софт и услуги — это производная, она больше не имеет ценности.
Написание софта, его поддержка теряют смысл, тем более с помощью разработчиков, AI сам, используя мозг, может писать новый софт на каждый важный случай, почти мгновенно тестируя гипотезы и раскатывая то, что сработало. То есть софт — это теперь производная, а не core entity. Core — это мозг, собирающий всю информацию.
Middle management больше не нужен, он был нужен как раз для сбора информации, но AI, подключенный ко всем источникам, делает это быстрее и точнее.
Давайте представим, как это реально работает:
Вот есть уже услуга/софт, который используют клиенты, и в нем возникает проблема, на которую жалуются клиенты.
Раньше было: кто-то должен заметить это, сообщить middle management, эту штуку должны приоритизировать, потом запланировать, потом вставить в спринт, потом сделать, потом протестить, потом задеплоить. Это может занять от недель до месяцев.
Теперь AI сам нашел эту проблему в отзывах клиентов, определил, что она значимо влияет на финансовые показатели, и сам ее починил. Все за несколько часов.
Либо AI заметил новый постоянный паттерн и решил сделать новый софт, сделал это за часы и выкатил.
Сотрудники располагаются в этом случае на краях системы и нужны для тех областей, где AI не может получить данные сам (тот самый human in the loop).
В компании фактически остаются только DRI (с полной ответственностью за результат, а не за кусочек pipeline), я эту роль называл Super Product Owners.
Важный месседж от Y Combinator — Burn Tokens, not Head count. Жгите токены, а не деньги на зарплаты. Я про это говорил в классификации организаций будущего.
Подпишись 👉🏻 @aigentto 🤖
Telegram
AIGENTTO
Классификация организаций будущего по эффективности
Есть знаменитая классификация цивилизаций по уровню развития Кардашёва. Суть простая, чем больше цивилизация расходует энергии, тем более она развитая:
👉 1 уровень расходует всю энергию планеты + энергия…
Есть знаменитая классификация цивилизаций по уровню развития Кардашёва. Суть простая, чем больше цивилизация расходует энергии, тем более она развитая:
👉 1 уровень расходует всю энергию планеты + энергия…
👍3
От чего зависит успех перехода на AI в компании?
Успех внедрения любой автоматизации, в том числе ИИ-автоматизации, — это всего ~20%: инструменты/технологии, но тем не менее важные 20%, это может стать ахиллесовой пятой, где все сломается.
Остальные ~80% — это процессы/внедрение/сотрудники и обязательные полные права на изменения всех трех компонентов.
В эти 80% также входит текущая культура в компании, которая может либо поддерживать изменения, либо их затягивать, это самый сложный компонент, повлиять на который быстро и гарантированно сложнее всего.
Подпишись 👉🏻 @aigentto 🤖
Успех внедрения любой автоматизации, в том числе ИИ-автоматизации, — это всего ~20%: инструменты/технологии, но тем не менее важные 20%, это может стать ахиллесовой пятой, где все сломается.
Остальные ~80% — это процессы/внедрение/сотрудники и обязательные полные права на изменения всех трех компонентов.
В эти 80% также входит текущая культура в компании, которая может либо поддерживать изменения, либо их затягивать, это самый сложный компонент, повлиять на который быстро и гарантированно сложнее всего.
Подпишись 👉🏻 @aigentto 🤖
Хороший пример использования нейросети
LLM обладает титанической способностью видеть и сравнивать огромные объёмы (по сравнению с человеком); такие кейсы в бизнесе могут дать x100, x1000. Поэтому всегда думайте не только о линейном использовании нейросети, но и о таких кейсах.
Подпишись 👉🏻 @aigentto 🤖
В лохматом 2014-м американский студент сменил пароль от своего криптокошелька и тут же его благополучно забыл. За это время стоимость хранившихся там 5 биткоинов выросла до нескольких сотен тысяч долларов.
Долгих 11 лет владелец кошелька пытался вспомнить, угадать и расшифровать пароль. Специальная утилита BTCRecover пережевала 3,5 триллиона комбинаций – и всё впустую.
В отчаянии парень слил содержимое своего старого студенческого ноутбука в Claude, дал нейросети доступ к облачным архивам, сфотографировал университетские тетради с каракулями. Он также рассказал ИИ, как обычно составляет пароли – в общем, дал весь необходимый контекст.
И тут пазл сошёлся. Claude покопался в файловых руинах и обнаружил бэкап кошелька, сделанный ещё до злополучной смены пароля. Заодно нейросеть подсветила баг в конфигурации BTCRecover, из-за которого восстановление и буксовало. В результате через несколько часов пароль был найден, и на счёт капнуло около $400 000.
LLM обладает титанической способностью видеть и сравнивать огромные объёмы (по сравнению с человеком); такие кейсы в бизнесе могут дать x100, x1000. Поэтому всегда думайте не только о линейном использовании нейросети, но и о таких кейсах.
Подпишись 👉🏻 @aigentto 🤖
🔥7
Как выбрать область для автоматизации деятельности с помощью ИИ?
Я уже писал про ROI. Но для выбора имено темы для автоматизации, нужно учесть потенциальную автоматизируемость самой темы или ее сложность, то есть по факту cost.
Есть два типа задач:
👉 Задачи с объективным критерием проверки
Результат либо работает / соответствует критерию, либо нет. Можно проверить автоматически или очень быстро вручную. Здесь ИИ даёт максимальный эффект при минимальных затратах.
Например, написание кода — код либо компилируется и работает, как ожидалось, либо нет.
👉 Задачи с субъективным критерием качества
«Хорошая ли это анкета / пост / идея?» — это всегда требует человеческой оценки. Даже если ИИ сгенерировал что-то, ты всё равно тратишь много времени на проверку, правки и итерации. Стоимость автоматизации резко растёт.
Например, написание статьи или поста — как понять, что пост или статья хороши? Здесь нет однозначного бинарного критерия оценки. Такой тип задач лучше не брать.
Самый важный вопрос при выборе темы для автоматизации:
«Насколько объективно и быстро я смогу проверить качество того, что выдаст ИИ?» Если ответ «запустил тесты — работает / не работает» или «сравнил цифры — совпадает / нет» — это зелёная зона 🍏
Если ответ «нужно читать, чувствовать и править» — это уже жёлтая или красная зона. Стоимость автоматизации сильно выше 🙅♂️
Никогда не полагайтесь на вариант: «ну сотрудники посмотрят и скажут, хорошо или нет» — это не работает ❌
Подпишись 👉🏻 @aigentto 🤖
Я уже писал про ROI. Но для выбора имено темы для автоматизации, нужно учесть потенциальную автоматизируемость самой темы или ее сложность, то есть по факту cost.
Есть два типа задач:
👉 Задачи с объективным критерием проверки
Результат либо работает / соответствует критерию, либо нет. Можно проверить автоматически или очень быстро вручную. Здесь ИИ даёт максимальный эффект при минимальных затратах.
Например, написание кода — код либо компилируется и работает, как ожидалось, либо нет.
👉 Задачи с субъективным критерием качества
«Хорошая ли это анкета / пост / идея?» — это всегда требует человеческой оценки. Даже если ИИ сгенерировал что-то, ты всё равно тратишь много времени на проверку, правки и итерации. Стоимость автоматизации резко растёт.
Например, написание статьи или поста — как понять, что пост или статья хороши? Здесь нет однозначного бинарного критерия оценки. Такой тип задач лучше не брать.
Самый важный вопрос при выборе темы для автоматизации:
«Насколько объективно и быстро я смогу проверить качество того, что выдаст ИИ?» Если ответ «запустил тесты — работает / не работает» или «сравнил цифры — совпадает / нет» — это зелёная зона 🍏
Если ответ «нужно читать, чувствовать и править» — это уже жёлтая или красная зона. Стоимость автоматизации сильно выше 🙅♂️
Никогда не полагайтесь на вариант: «ну сотрудники посмотрят и скажут, хорошо или нет» — это не работает ❌
Подпишись 👉🏻 @aigentto 🤖
Telegram
AIGENTTO
ROI по внедрению AI
Как понять, что AI вообще сработает в вашем кейсе, в вашем бизнесе? Нужно считать ROI (Return on Investment) до начала внедрения.
Например, есть задача, которая занимает ~4 часа у сотрудника, сотрудник получает ~100 000 руб., его 4 часа…
Как понять, что AI вообще сработает в вашем кейсе, в вашем бизнесе? Нужно считать ROI (Return on Investment) до начала внедрения.
Например, есть задача, которая занимает ~4 часа у сотрудника, сотрудник получает ~100 000 руб., его 4 часа…
Разработчики стали говорить: Cursor так сказал
Появилась новая проблема у команд, которые на 100% пишут код с помощью ИИ. Они на вопрос, по сути, стали отвечать: ну, мне Cursor/Claude сказал, что это так.
Это звучит так: я не знаю, но там так написано 🙂
Не отвечайте так никогда — Cursor/Claude ничего вам не может сказать, вы должны сами во всем разобраться, провести анализ, понять root cause и ответить на все вопросы.
Молоток не может вам сказать, где забивать гвоздь, AI IDE, конечно, мощнее, но суть та же: вы должны все определять и знать как разработчик.
Если действительно не знаете — скажите: я узнаю, и узнайте, вернитесь с результатом.
Иначе возникает вопрос: а зачем мне спрашивать у тебя, я сам спрошу у Cursor/Claude.
Подпишись 👉🏻 @aigentto 🤖
Появилась новая проблема у команд, которые на 100% пишут код с помощью ИИ. Они на вопрос, по сути, стали отвечать: ну, мне Cursor/Claude сказал, что это так.
Это звучит так: я не знаю, но там так написано 🙂
Не отвечайте так никогда — Cursor/Claude ничего вам не может сказать, вы должны сами во всем разобраться, провести анализ, понять root cause и ответить на все вопросы.
Молоток не может вам сказать, где забивать гвоздь, AI IDE, конечно, мощнее, но суть та же: вы должны все определять и знать как разработчик.
Если действительно не знаете — скажите: я узнаю, и узнайте, вернитесь с результатом.
Иначе возникает вопрос: а зачем мне спрашивать у тебя, я сам спрошу у Cursor/Claude.
Подпишись 👉🏻 @aigentto 🤖
👍2
Избиратели против ботов
Economist вышел с обложкой на статью про возрастающее требование избирателей затормозить/запретить ИИ. Это волна только разгоняется, по сути луддиты 21 века, но так как политики часто используют подобные недовольства масс населения, то тему точно будут раскачивать.
Конкретно это выражается уже в начале запретов строить дата‑центры; справедливости ради надо сказать, что отдельные дата‑центры действительно уже портят жизнь конкретным городам Америки.
Уже обсуждаются прочие законы: прозрачность и маркировка ИИ‑контента, запреты и ограничения deepfakes, защита рабочих мест и «разделение выгод» и т. д.
Я думаю, все, кто хочет разделения выгод, получат себя в human in the loop 😀
Подпишись 👉🏻 @aigentto 🤖
Economist вышел с обложкой на статью про возрастающее требование избирателей затормозить/запретить ИИ. Это волна только разгоняется, по сути луддиты 21 века, но так как политики часто используют подобные недовольства масс населения, то тему точно будут раскачивать.
Конкретно это выражается уже в начале запретов строить дата‑центры; справедливости ради надо сказать, что отдельные дата‑центры действительно уже портят жизнь конкретным городам Америки.
Уже обсуждаются прочие законы: прозрачность и маркировка ИИ‑контента, запреты и ограничения deepfakes, защита рабочих мест и «разделение выгод» и т. д.
Я думаю, все, кто хочет разделения выгод, получат себя в human in the loop 😀
Подпишись 👉🏻 @aigentto 🤖
Прекрасный мир B2B платежей
Погружаюсь сейчас в "прекрасный" мир B2B-платежей. Платежка между компаниями идет от часов до дней 🤯
В платеже надо указывать всякую хрень типа НДС 😀 Короче, тихий ужас. Как физ.лицр, я мог заплатить за любой сервис и через 2 секунды его поднять, а тут нет — счёт — платёж — банк — много думать — комплаенс — ещё думать — платёж — и прошло два дня 🤣
Теперь я понимаю, чем занимается бухгалтер: он генерит (автоматом) кучу бумаг, глазом сверяет, что нет ошибок, потом требует с другого первичку и просит переделать, потому что у нас НДС, а у них нет, и т.д.
Если чё, то рынок аутсорс-бухгалтерии в РФ ~552 млрд руб 🎉 И там все занимаются вот именно этим 🤣
Для примера, в Англии нет рынка бухучёта, потому что нет бухучёта 😀 Там есть только управленческий учёт (P&L, Balance Sheet, Cash flow).
Вроде уже все должны были автоматизировать (1С всякие), но нет, там куча ручной деятельности и миллионы бухгалтеров на аутсорсе.
Может, кто-то знает, почему там так всё плохо? Зачем столько бухгалтеров и ручной работы?
Подпишись 👉🏻 @aigentto 🤖
Погружаюсь сейчас в "прекрасный" мир B2B-платежей. Платежка между компаниями идет от часов до дней 🤯
В платеже надо указывать всякую хрень типа НДС 😀 Короче, тихий ужас. Как физ.лицр, я мог заплатить за любой сервис и через 2 секунды его поднять, а тут нет — счёт — платёж — банк — много думать — комплаенс — ещё думать — платёж — и прошло два дня 🤣
Теперь я понимаю, чем занимается бухгалтер: он генерит (автоматом) кучу бумаг, глазом сверяет, что нет ошибок, потом требует с другого первичку и просит переделать, потому что у нас НДС, а у них нет, и т.д.
Если чё, то рынок аутсорс-бухгалтерии в РФ ~552 млрд руб 🎉 И там все занимаются вот именно этим 🤣
Для примера, в Англии нет рынка бухучёта, потому что нет бухучёта 😀 Там есть только управленческий учёт (P&L, Balance Sheet, Cash flow).
Вроде уже все должны были автоматизировать (1С всякие), но нет, там куча ручной деятельности и миллионы бухгалтеров на аутсорсе.
Может, кто-то знает, почему там так всё плохо? Зачем столько бухгалтеров и ручной работы?
Подпишись 👉🏻 @aigentto 🤖
Никак не могу удалить Cursor IDE
Есть четыре уровня разработки с точки зрения внедрения ИИ:
1️⃣ Не использую ИИ (такие ещё есть? 😀)
2️⃣ Использую ИИ в виде чата, где спрашиваю отдельные вопросы и получаю отдельные куски кода (хочу всё знать 😎)
3️⃣ Использую AI IDE (Cursor, Claude, Codex, etc.) и пишу ~100% кода автоматически, определяя только архитектуру (я у мамки архитектор 😀)
4️⃣ Отдал всё боту типа OpenClaw (он сам мониторит логи Prod и тут же чинит баги и делает новые фичи)
Я застрял на уровне 3, и теряю время: когда уже код большой системы в Prod, то я куски логов чуть ли не руками скармливаю обратно в Cursor, потом он делает, и опять надо чуть ли не руками git pull и перезапустить. Иногда простая проблема может съесть так 2–3 часа из‑за нескольких итераций.
Умом понимаю, что единственный путь — это удалить Cursor IDE (ну или типа оставить для проектирования новых систем), и всё делать через бота, но пока ментальный барьер мной не пройден 🤷
Еще одна техническая проблема есть: если в проде X машин, то есть горизонтальное масштабирование, и надо, чтобы один бот видел и знал все. Надо как-то этих ботов объединить в рой.
Подпишись 👉🏻 @aigentto 🤖
Есть четыре уровня разработки с точки зрения внедрения ИИ:
1️⃣ Не использую ИИ (такие ещё есть? 😀)
2️⃣ Использую ИИ в виде чата, где спрашиваю отдельные вопросы и получаю отдельные куски кода (хочу всё знать 😎)
3️⃣ Использую AI IDE (Cursor, Claude, Codex, etc.) и пишу ~100% кода автоматически, определяя только архитектуру (я у мамки архитектор 😀)
4️⃣ Отдал всё боту типа OpenClaw (он сам мониторит логи Prod и тут же чинит баги и делает новые фичи)
Я застрял на уровне 3, и теряю время: когда уже код большой системы в Prod, то я куски логов чуть ли не руками скармливаю обратно в Cursor, потом он делает, и опять надо чуть ли не руками git pull и перезапустить. Иногда простая проблема может съесть так 2–3 часа из‑за нескольких итераций.
Умом понимаю, что единственный путь — это удалить Cursor IDE (ну или типа оставить для проектирования новых систем), и всё делать через бота, но пока ментальный барьер мной не пройден 🤷
Еще одна техническая проблема есть: если в проде X машин, то есть горизонтальное масштабирование, и надо, чтобы один бот видел и знал все. Надо как-то этих ботов объединить в рой.
Подпишись 👉🏻 @aigentto 🤖
RAG умер?
Сравнил RAG vs ReAct-агент на существующей компании на корпусе в 100+ документов.
Оценка: 0 — нет ответа, 1 — верный ответ, 2 — верный и более развёрнутый.
Итог: 83 vs 53 в пользу ReAct (OpenClaw).
Главные плюсы ReAct:
👉 добирает детали и шаги «что делать»;
👉 ходит на сайты (расписания, билеты, формы);
👉 даёт контакты, ссылки, уточняет контекст;
👉 лучше форматирует ответ.
Единственный минус — медленнее: лишние циклы ReAct. Но именно в этих циклах он обычно и добирает доп. инфу.
При этом надо принимать, ReAct ищет всё через grep в файлах, а RAG — в подготовленной векторной БД.
Подпишись 👉🏻 @aigentto 🤖
Сравнил RAG vs ReAct-агент на существующей компании на корпусе в 100+ документов.
Оценка: 0 — нет ответа, 1 — верный ответ, 2 — верный и более развёрнутый.
Итог: 83 vs 53 в пользу ReAct (OpenClaw).
Главные плюсы ReAct:
👉 добирает детали и шаги «что делать»;
👉 ходит на сайты (расписания, билеты, формы);
👉 даёт контакты, ссылки, уточняет контекст;
👉 лучше форматирует ответ.
Единственный минус — медленнее: лишние циклы ReAct. Но именно в этих циклах он обычно и добирает доп. инфу.
При этом надо принимать, ReAct ищет всё через grep в файлах, а RAG — в подготовленной векторной БД.
Подпишись 👉🏻 @aigentto 🤖
Время тупых и смелых пришло, остальное сделает chatGPT
Суммарная производительность всех GPU в AI-датацентрах достигла некоторой оценки FLOPS человеческого мозга. То есть AI-вычисления сейчас = мозговым вычислениям всех людей на планете.
Почему тогда мировой ВВП не вырос в два раза? Он вырос на 10–15%, что по сути 0% с учетом инфляции с 2022 года.
Раньше определенный bottleneck был в анализе/сборе данных и создании продукта. Сейчас это стоит копейки. Bottleneck сместился в область принятия решения и действия. И если помочь выбрать из 100 вариантов, сгенерированных AI, сам же AI тоже может, то вот реально действовать пока не везде.
Поэтому приходит время полностью автономных ИИ-агентов, где единственным ограничением будет бюджет, выданный агенту под мета-задачу.
Тут есть несколько проблем:
👉 Люди боятся выдать ИИ-агенту полные права на действия (я сам боюсь — а вдруг че?)
👉 Доступ к реальному миру ограничен, хотя и уже решается (роботы и meat layer)
👉 Ответственность — тут единственный вариант это ментальное списание бюджета при передаче ИИ-агенту (то есть, по сути, бизнес-ангельский подход) и страховка рисков в рельном мире.
Первое поколение ИИ продавало интеллект 🧠, второе уже начинает продавать выполнение задач ✅
Подпишись 👉🏻 @aigentto 🤖
Суммарная производительность всех GPU в AI-датацентрах достигла некоторой оценки FLOPS человеческого мозга. То есть AI-вычисления сейчас = мозговым вычислениям всех людей на планете.
Почему тогда мировой ВВП не вырос в два раза? Он вырос на 10–15%, что по сути 0% с учетом инфляции с 2022 года.
Раньше определенный bottleneck был в анализе/сборе данных и создании продукта. Сейчас это стоит копейки. Bottleneck сместился в область принятия решения и действия. И если помочь выбрать из 100 вариантов, сгенерированных AI, сам же AI тоже может, то вот реально действовать пока не везде.
Поэтому приходит время полностью автономных ИИ-агентов, где единственным ограничением будет бюджет, выданный агенту под мета-задачу.
Тут есть несколько проблем:
👉 Люди боятся выдать ИИ-агенту полные права на действия (я сам боюсь — а вдруг че?)
👉 Доступ к реальному миру ограничен, хотя и уже решается (роботы и meat layer)
👉 Ответственность — тут единственный вариант это ментальное списание бюджета при передаче ИИ-агенту (то есть, по сути, бизнес-ангельский подход) и страховка рисков в рельном мире.
Первое поколение ИИ продавало интеллект 🧠, второе уже начинает продавать выполнение задач ✅
Подпишись 👉🏻 @aigentto 🤖
Telegram
AIGENTTO
Мясной слой для ИИ-агентов
Пока Elon Musk ещё не продает массово своих роботов Optimus 3, появилась замена. Теперь любой ИИ-агент может арендовать человека для выполнения задач в реальном мире 😄
Как я вижу, спрос со стороны людей пока превышает количество…
Пока Elon Musk ещё не продает массово своих роботов Optimus 3, появилась замена. Теперь любой ИИ-агент может арендовать человека для выполнения задач в реальном мире 😄
Как я вижу, спрос со стороны людей пока превышает количество…
Один Junior делает больше, чем команда из 7 человек
Я сейчас веду несколько компаний и имею возможность сравнить.
Вот вам две крайности:
Команда 1️⃣ из 7 человек: 2 Middle Back + 1 Middle Front + 2 аналитика + 1 дизайнер + 1 Lead.
Команды 2️⃣ 1 Junior + 1 Product Owner part-time.
Команда 1️⃣ за 12 месяцев сделала 1 продукт размером ~100k LOC.
Команда 2️⃣ за 3 месяца сделала 1 продукт размером ~45k LOC.
Но самое главное: продуктом команды 1️⃣ пользуются всего 2 человека, и это по сути back из мультиагентов + простой Front для ввода данных и генерации.
А продуктом команды 2️⃣ пользуются уже 30 человек, и это очень сложная scalable-система автономных агентов.
Я к чему это пишу: это все происходит одновременно, прямо сейчас во многих компаниях.
Ключевое преимущество команды 2️⃣ — дикое количество итераций: до 30 в день выкаток (фич/фиксов) на Prod.
Product придумал — LLM все нарисовала — Junior через Cursor сделал весь Back — LLM протестила — выкатили — и повторить ~ 20 минут.
В идеале команда должна вообще состоять из Product Owner + LLM. Но Junior за 1/12 от стоимости команды 1️⃣ вполне себя очень даже окупает.
Вот и думайте 🙂
Подпишись 👉🏻 @aigentto 🤖
Я сейчас веду несколько компаний и имею возможность сравнить.
Вот вам две крайности:
Команда 1️⃣ из 7 человек: 2 Middle Back + 1 Middle Front + 2 аналитика + 1 дизайнер + 1 Lead.
Команды 2️⃣ 1 Junior + 1 Product Owner part-time.
Команда 1️⃣ за 12 месяцев сделала 1 продукт размером ~100k LOC.
Команда 2️⃣ за 3 месяца сделала 1 продукт размером ~45k LOC.
Но самое главное: продуктом команды 1️⃣ пользуются всего 2 человека, и это по сути back из мультиагентов + простой Front для ввода данных и генерации.
А продуктом команды 2️⃣ пользуются уже 30 человек, и это очень сложная scalable-система автономных агентов.
Я к чему это пишу: это все происходит одновременно, прямо сейчас во многих компаниях.
Ключевое преимущество команды 2️⃣ — дикое количество итераций: до 30 в день выкаток (фич/фиксов) на Prod.
Product придумал — LLM все нарисовала — Junior через Cursor сделал весь Back — LLM протестила — выкатили — и повторить ~ 20 минут.
В идеале команда должна вообще состоять из Product Owner + LLM. Но Junior за 1/12 от стоимости команды 1️⃣ вполне себя очень даже окупает.
Вот и думайте 🙂
Подпишись 👉🏻 @aigentto 🤖
⚡3😁1
Некогда объяснять, регистрируйся пока не поздно 🏃🏃♀️
Похоже количество серверов в мире очень ограничено, поэтому только сегодня ограниченный drop промокодов на регистрацию в DarwinClaw.
Действует только сегодня 🚨 до 23:59 МСК.
Кол-во регистраций по промокоду сильно ограничено, из-за ограничений по серверам для запуска ваших ИИ-ассистентов.
Зачем оно вам?
Если вы давно хотели, чтобы у каждого сотрудника появился свой персональный ИИ-ассистент (в духе OpenClaw), который работает прямо в Telegram, знает документы компании и соблюдает ваши правила, сейчас хороший момент.
Всё запускается в один клик 🔥
Промокод (он же инвайт-код) DARWINCLAW-AIGENTTO-500-20. Регистрируемся тут 👉 https://darwinclaw.ru/register 👈
Детали по самому сервису тут 👉 https://darwinclaw.ru/ 👈
Подпишись 👉🏻 @aigentto 🤖
Похоже количество серверов в мире очень ограничено, поэтому только сегодня ограниченный drop промокодов на регистрацию в DarwinClaw.
Действует только сегодня 🚨 до 23:59 МСК.
Кол-во регистраций по промокоду сильно ограничено, из-за ограничений по серверам для запуска ваших ИИ-ассистентов.
Зачем оно вам?
Если вы давно хотели, чтобы у каждого сотрудника появился свой персональный ИИ-ассистент (в духе OpenClaw), который работает прямо в Telegram, знает документы компании и соблюдает ваши правила, сейчас хороший момент.
Всё запускается в один клик 🔥
Промокод (он же инвайт-код) DARWINCLAW-AIGENTTO-500-20. Регистрируемся тут 👉 https://darwinclaw.ru/register 👈
Детали по самому сервису тут 👉 https://darwinclaw.ru/ 👈
Подпишись 👉🏻 @aigentto 🤖
👍3
Следующий виток эволюции ИИ — это Goal Oriented Agents
Goal-Oriented Agent получает не отдельную задачу, а:
Цель + единый бюджет + полномочия + ограничения.
Например:
Получить 10 оплаченных клиентов. Бюджет — 150 000 ₽. В бюджет входят реклама, сервисы и собственные токены агента.
Дальше агент сам:
👉 Строит карту обязательств и незакрытых контуров: кто что обещал, что должно произойти, что зависло, какой следующий шаг нужен.
👉 Проактивно выбирает действие, максимально приближающее цель.
👉 Выполняет его самостоятельно в пределах полномочий; за пределами полномочий запрашивает согласование.
👉 Каждый раз решает, выгодно ли потратить деньги на задачу (например на рекламу) или собственное мышление.
👉 Проверяет не факт выполнения действия, а достижение результата: отправленное письмо не равно ответу, запущенная реклама не равна клиенту.
👉 Продолжает цикл до достижения цели, stop-loss или исчерпания бюджета.
Важно, что такой агент может сам контактировать с кем угодно по разным каналам в пределах его полномочий.
Общий паттерн таких агентов:
✅ Не показывать данные → а изменять реальность.
✅ Не выполнять команды → а достигать цели.
✅ Не ждать вопроса → а находить незакрытые контуры.
✅ Не просто советовать → а самому выполнять разрешённый следующий шаг.
Мы будем пробовать разрабатывать таких агентов в darwinclaw.ru.
Кому интересны такие агенты, поставьте 🔥 и накидайте примеры E2E-бизнес-целей, которые вы бы поручили такому агенту, чтобы у нас были use cases для проработки 🛅
Подпишись 👉🏻 @aigentto 🤖
Goal-Oriented Agent получает не отдельную задачу, а:
Цель + единый бюджет + полномочия + ограничения.
Например:
Получить 10 оплаченных клиентов. Бюджет — 150 000 ₽. В бюджет входят реклама, сервисы и собственные токены агента.
Дальше агент сам:
👉 Строит карту обязательств и незакрытых контуров: кто что обещал, что должно произойти, что зависло, какой следующий шаг нужен.
👉 Проактивно выбирает действие, максимально приближающее цель.
👉 Выполняет его самостоятельно в пределах полномочий; за пределами полномочий запрашивает согласование.
👉 Каждый раз решает, выгодно ли потратить деньги на задачу (например на рекламу) или собственное мышление.
👉 Проверяет не факт выполнения действия, а достижение результата: отправленное письмо не равно ответу, запущенная реклама не равна клиенту.
👉 Продолжает цикл до достижения цели, stop-loss или исчерпания бюджета.
Важно, что такой агент может сам контактировать с кем угодно по разным каналам в пределах его полномочий.
Общий паттерн таких агентов:
✅ Не показывать данные → а изменять реальность.
✅ Не выполнять команды → а достигать цели.
✅ Не ждать вопроса → а находить незакрытые контуры.
✅ Не просто советовать → а самому выполнять разрешённый следующий шаг.
Мы будем пробовать разрабатывать таких агентов в darwinclaw.ru.
Кому интересны такие агенты, поставьте 🔥 и накидайте примеры E2E-бизнес-целей, которые вы бы поручили такому агенту, чтобы у нас были use cases для проработки 🛅
Подпишись 👉🏻 @aigentto 🤖
🔥2🤣1
Низы не хотят, верхи не могут
Типичная ситуация по внедрению AI, которую я вижу уже не в первой средней компании (~1 млрд руб. выручки).
Низы работают как работали, и при доступности всех инструментов не хотят ничего менять.
Ну, ходил я на работу, кодил, или анкеты делал сложные маркетинговые. Сам вручную рихтовал анкеты или вылизывал CSS. Было приятно, интересно, и зарплата шла. А тут надо что-то менять.
Верхи думают, надо чтобы люди не пострадали, а то на них же держится весь текущий бизнес, и внедряют инструменты, вместо того чтобы менять процессы и KPI.
Проходят месяцы и годы, потрачены десятки миллионов рублей, а воз и ныне там. В результате компания начинает терять в скорости и теряет часть рынка (потому что у конкурентов-то получилось) и неизбежно начинает сокращать штат.
Есть два варианта подхода к внедрению: централизованный и децентрализованный. Компания среднего размера и больше всегда выбирает централизованный, но не дожимают, не дают полномочий на внедрение.
👉 Мелким компаниям я рекомендую идти снизу вверх (децентрализованный подход), просто дайте всем сотрудникам обучение + ИИ асситента.
Подпишись 👉🏻 @aigentto 🤖
Типичная ситуация по внедрению AI, которую я вижу уже не в первой средней компании (~1 млрд руб. выручки).
Низы работают как работали, и при доступности всех инструментов не хотят ничего менять.
Ну, ходил я на работу, кодил, или анкеты делал сложные маркетинговые. Сам вручную рихтовал анкеты или вылизывал CSS. Было приятно, интересно, и зарплата шла. А тут надо что-то менять.
Верхи думают, надо чтобы люди не пострадали, а то на них же держится весь текущий бизнес, и внедряют инструменты, вместо того чтобы менять процессы и KPI.
Проходят месяцы и годы, потрачены десятки миллионов рублей, а воз и ныне там. В результате компания начинает терять в скорости и теряет часть рынка (потому что у конкурентов-то получилось) и неизбежно начинает сокращать штат.
Есть два варианта подхода к внедрению: централизованный и децентрализованный. Компания среднего размера и больше всегда выбирает централизованный, но не дожимают, не дают полномочий на внедрение.
👉 Мелким компаниям я рекомендую идти снизу вверх (децентрализованный подход), просто дайте всем сотрудникам обучение + ИИ асситента.
Подпишись 👉🏻 @aigentto 🤖
Мясной прокси 🙂
Не будьте мясным прокси, не форвардите просто то, что вам сказал ИИ, людям ❗️
Подпишись 👉🏻 @aigentto 🤖
Не будьте мясным прокси, не форвардите просто то, что вам сказал ИИ, людям ❗️
Подпишись 👉🏻 @aigentto 🤖
👍2
Что нового в https://darwinclaw.ru/ за последние пару недель?
Промик для регистрации с бонусом в 500 рублей 👉 DARWINCLAW-AIGENTTO-AUG-1-500 👈
Подпишись 👉🏻 @aigentto 🤖
Промик для регистрации с бонусом в 500 рублей 👉 DARWINCLAW-AIGENTTO-AUG-1-500 👈
Подпишись 👉🏻 @aigentto 🤖