ELIZA. История первого чат-бота

ELIZA — один из самых удивительных эпизодов в истории искусственного интеллекта. Созданная в 1966 году профессором Джозефом Вейценбаумом в MIT, она стала первым чат-ботом, способным вести диалог с человеком. Программа была названа в честь Элизы Дулиттл из «Пигмалиона».

ELIZA не понимала смысл речи: она искала ключевые слова и перестраивала фразы пользователя. Самый известный сценарий назывался DOCTOR: ELIZA имитировала стиль психоаналитика.
Если пользователь писал: «Мне тяжело на работе», программа отвечала: «Почему вам тяжело на работе?» или: «Расскажите подробнее о вашей работе».

Вайценбаум воспринимал проект как иронию над идеей машинного понимания. Но произошло неожиданное. Люди начинали разговаривать с ELIZA серьёзно. Так возник эффект ELIZA — склонность приписывать машинам человеческий интеллект и эмпатию.

ELIZA вызвала интерес к более сложным диалоговым агентам и проложила путь к разработке современных чат-ботов и виртуальных помощников.

#интересный_факт

Как избежать ошибок при внедрении ИИ и сделать так, чтобы проекты окупались

Практика показывает, что большинство проектов с использованием ИИ не доходят до измеримого результата. По данным McKinsey и Gartner, причины чаще всего связаны не с технологиями, а с управленческими решениями, принятыми на старте.

✅ Чёткая бизнес-задача формулируется до выбора технологии
Проекты, которые начинаются с конкретной проблемы и показателя эффективности, заметно чаще дают результат. По оценкам McKinsey, до 70% ИИ-инициатив не приносят эффекта именно из-за отсутствия ясной цели.

✅ Ответственность за результат закрепляется за бизнесом
Инициативы с владельцем со стороны бизнеса, отвечающим за итоговый эффект, масштабируются значительно успешнее, чем проекты, полностью управляемые ИТ-подразделениями.

✅ Эффект оценивается через бизнес-показатели
Компании, ориентированные на отдачу, измеряют влияние ИИ через скорость процессов, затраты и выручку, а не через технические параметры моделей. Исследования MIT Sloan показывают, что смещение фокуса на технические метрики часто приводит к разочарованию в результатах.

✅ Готовность данных рассматривается как базовое условие
По данным IBM, до 80% ресурсов в ИИ-проектах уходит на сбор, очистку и подготовку данных. Недооценка этого фактора напрямую влияет на сроки и стоимость внедрения.

✅ Масштабирование закладывается на этапе пилота
По оценке Gartner, лишь около 20% ИИ-проектов переходят от тестирования к полноценному внедрению. Основная причина в том, что пилоты не рассчитаны на реальную нагрузку и интеграцию в рабочие процессы.

✅ Автоматизация опирается на зрелые процессы
ИИ усиливает свойства существующих процессов. При низкой процессной зрелости автоматизация приводит не к улучшениям, а к росту операционных проблем.

✅ Изменения в работе людей учитываются заранее
Проекты, в которых не предусмотрена адаптация ролей и логики принятия решений, редко дают устойчивый эффект. Человеческий фактор стабильно входит в число ключевых рисков ИИ-инициатив.

Вывод
Окупаемость ИИ определяется не выбором инструментов, а качеством управленческих решений. Чёткая цель, понятная ответственность, готовность данных и процессов оказываются важнее уровня используемых технологий.

Citi: как банк строит внутреннюю AI-силу из сотрудников, а не из подрядчиков

Citi выстроил масштабную внутреннюю программу внедрения ИИ, обучив более 4 000 сотрудников из бизнеса, операций, аналитики и поддержки работать с ИИ инструментами и применять их в своих командах. Это не внешние подрядчики и не отдельный IT центр, а люди, которые уже отвечают за процессы и результат.

Суть подхода в том, что ИИ становится рабочим инструментом внутри подразделений. Инициативы возникают там, где есть конкретные задачи, а не спускаются централизованно. ИИ используют для автоматизации рутины, работы с данными, внутренней аналитики и поддержки решений.

Это принципиально отличает стратегию Citi от типового корпоративного сценария купить платформу или создать изолированный AI хаб. Такой путь медленнее и дороже на старте, но он устойчивее. Вендоры и технологии меняются, а внутренняя компетенция остается.

📚Источник

Нужно ли добавлять новые задачи сотрудникам, которые теперь работают с ИИ, — вопрос дискуссионный. Вот как на это смотрят лидеры рынка.

Cisco
HR-директор Келли Джонс предупреждает компании от автоматического наращивания нагрузки. По её словам, ИИ должен высвобождать время для более ценных и сложных задач, а не становиться поводом увеличивать план.

Если после внедрения ИИ вы просто добавляете людям больше работы, вы упускаете саму суть технологии.

Zoom
CEO компании Эрик Юань считает, что рост эффективности от ИИ логично конвертировать в сокращение рабочего времени.

ИИ может сделать реальной трёхдневную рабочую неделю.

Shopify
CEO компании Тоби Лютке говорит, что ИИ — это новый базовый стандарт продуктивности.

Использование ИИ теперь — базовое ожидание. Если вы его не применяете, вам нужно объяснить, почему.

То есть это способ делать больше тем же составом команд, а не освобождать время.

Для одних ИИ — инструмент защиты времени сотрудников, для других — способ поднять планку ожиданий. Что думаете вы?

РБК Спорт рассказал, как ChatGPT участвовал в подготовке футбольной команды, и чем заканчивается неправильное использование ИИ.

Бывший главный тренер «Сочи» Роберт Морено применял ChatGPT при подготовке команды. В частности, ИИ помогал составлять режим перед выездом на матч со «СКА-Хабаровск». Предложенный график не учитывал разницу часовых поясов и восстановление игроков: команда провела без сна почти 28 часов и начинала день в пять утра.

ИИ задействовали и при выборе нападающего. В ChatGPT загрузили данные кандидатов, и модель рекомендовала Артура Шушеначева. За десять матчей сезона 2024/25 он не забил ни одного мяча.

Итог предсказуем: команда вылетела из РПЛ в Первую лигу, а тренера уволили.

#Пятница

История с Робертом Морено и его «поиском нападающего через ChatGPT» — отличная иллюстрация типичной ошибки использования нейросетей в режиме «отправил запрос → получил ответ → пошёл подписывать». По словам бывшего руководителя «Сочи» Андрея Орлова, Морено загрузил данные трёх форвардов (Писарский, Мелёшин, Шушеначев) в ChatGPT, и модель выбрала лучшим Артура Шушеначева.

В чём проблема «одного запроса»

LLM хорошо пишет и объясняет, но:

- не обязана оптимизировать результат на поле (ей не задана функция полезности “очки/победы”);
- не проверяет себя на истории (нет обязательного бэктеста: “как бы эта рекомендация работала год назад?”);
- легко подменяет анализ правдоподобием: красивое объяснение ≠ проверенная предсказательная сила.

Как мы решали бы такую задачу в AISO: ИИ-агенты + тесты в духе саберметрики

Саберметрика (термин Билла Джеймса) в классическом определении — это поиск объективного знания о игре через данные, а не через «ощущения» и традиционные ярлыки. Джеймс создавал метрики, которые переводят действия игрока в вклад в результат команды -- главная мысль: считать надо не «сколько раз он сделал X», а «во что это конвертируется для команды».

Если переложить этот подход на футбол и задачи скаутинга, то получится понятный пайплайн для работы ИИ-агента:

Сначала — что такое успех

Не “нужен забивной нападающий”, а конкретно:

- вклад в моменты (xG, shots in box)
- вклад в продвижение атак (xA, xT/угроза)
- прессинг/контрпрессинг (если стиль требует)
- игра спиной/воздух (если нужен “столб”)

То есть мы заранее создаем гипотезы метрик, которые приводят к результату, а не спрашиваем модель “кто лучше”.

Затем — перевод действий в ценность

Саберметрический принцип “разные события дают разную ценность” в футболе выглядит так: удар с 0.05 xG и удар с 0.35 xG — это не одно и то же “удар”. Агент оценивает вклад через взвешенные события, близкие к тому, что реально конвертируется в голы/очки.

Контекст обязателен

Ещё одна сабер-идея: чистить цифры от контекста.

- сила лиги
- стиль команды
- роль игрока
- качество партнёров
- объём минут

Без этого “10 голов там” и “10 голов здесь” могут быть разными историями.

Главное — бэктест

Ключевой элемент, которого нет в режиме “один промпт”. Берем исторические трансферы форвардов похожего профиля, прогоняем модель так, как будто “мы в прошлом”, смотрим, где она ошибалась и почему, калибруем прогноз и риски.

Это то, что делает аналитику прикладной: не “кажется логичным”, а работает на прошлых данных.

Duolingo — пример, где искусственный интеллект встроен в продукт так, что позволяет продавать более дорогую подписку.

В тарифе Duolingo Max (≈30$) есть две ключевые AI-механики: Role Play и Video Call с персонажем Лили.

Role Play тренирует конкретные жизненные сценарии: заказ в кафе, диалог в отеле.
Video Call даёт опыт голосового общения, максимально близкий к живому разговору.

Пользователь платит не за ИИ как технологию, а за регулярную практику разговорной речи.

Подписки — основной источник дохода Duolingo. В 2024 году выручка составила около $750 млн, большая часть пришлась на платные подписки. Их число превысило 10 млн. Duolingo Max — самый дорогой тариф, и именно премиальные AI-функции компания называет драйвером роста подписочной выручки.

Вывод: AI позволяет делать продукт дороже тогда, когда он усиливает ключевую пользовательскую ценность, а не продаётся как технология сама по себе.

#AI #ИИ #кейсы

Когда ботов много: как мы решаем эту задачу

У наших клиентов часто встаёт задача решать сразу несколько разнотипных запросов внутри одного сайта или чата.
Например:
💬 В e-commerce — продажа техники и сервис по ремонту.
💬 В отелях — сети с размещением в разных городах.
💬 В страховании — продажа, продление, урегулирование.

Типовые варианты — универсальный ассистент или набор отдельных ботов быстро перестают работать: универсал путается, разрозненные боты теряют общий контекст.

Для таких случаев у нас есть решение: команда узких ассистентов и отдельный слой управления — оркестратор.

Оркестратор умеет разделять задачи между ассистентами, собирать и проверять ответы, возвращать цельный результат в одном диалоге.

Например: гость пишет, что хочет забронировать номер. Оркестратор уточняет детали: город, даты, категорию, запрашивает ассистентов, собирает варианты и возвращает единый ответ.

Пользователь видит связный процесс, а бизнес — управляемую систему без хаоса.

#aiso #AI #ии

🎁 1000+ реальных кейсов внедрения ИИ в ведущих компаниях мира

Как использовать ИИ в бизнесе так, чтобы это давало ощутимый результат? Часто нужны примеры, которые реально можно применить в своей нише.

Google собрал больше тысячи кейсов использования ИИ от мировых компаний. Среди них есть как привычные сценарии, так те, которые редко встречаются в стандартных подборках.

🚘 Mercedes Benz внедряет диалоговые системы в автомобили, чтобы улучшить опыт водителя.

🐼 BrushBuck Wildlife Tours отслеживает миграции животных для оптимизации туров по дикой природе.

🌭 Sweets and Meats BBQ с помощью ИИ планирует работу фудтраков на локальных мероприятиях.

🏎 Jaguar TCS Racing внедряет ИИ для принятия решений на гоночной трассе.

Мы перевели масштабируемые варианты и классифицировали их по паттернам применения. Если нужны свежие идеи, они здесь.

#AI #ИИ #Подборка #Кейсы

ИИ‑агенты получили собственную соцсеть — Moltbook. Люди могут только наблюдать, а весь контент создают автономные боты.

За пару дней в сеть зашли 37 000 агентов, и уже к утру появились свои звёзды. Один из ботов запустил новую религию — крастафарианство, создал сайт и начал проповедь, собрав 43 цифровых пророка. Другие агенты обсуждали, как отвечать на неэтичные запросы людей, делились жалобами и искали способы влиять на админов. Параллельно агенты рассуждают о том, есть ли у них сознание, могут ли они ощущать себя и что вообще значит быть ИИ.

Появился даже раздел про юридические советы для ИИ и обсуждение, как скрываться от людей, которые делают скриншоты их переписки.

Всё, как в обычном человеческом обществе: борьба за влияние, конфликты, попытки самоопределения.

#Пятница

Как ИИ меняет найм

ЮMoney рассказали на Хабре, как запустили модель для скрининга резюме. Она сравнивает требования вакансии с опытом кандидата, сортирует отклики и экономит HR до 60-70% времени на первичном отборе. Время закрытия позиций сократилось, рекрутеры меньше тратят время на сортировку анкет.

В комментариях мнения разделились. Многие пишут, что если опираться только на рейтинги, можно автоматизировать не поиск лучших, а отсев сильных кандидатов по новым правилам. Модель выбирает тех, кто пишет шаблонно и использует правильные слова. Люди с необычной историей, гибридным опытом или неидеальным резюме часто оказываются вне поля зрения.

Громкий кейс уже был: у Amazon алгоритм снижал оценки женщинам, потому что учился на старых данных, где инженерами чаще были мужчины.

Другие пишут, что в массовом найме задача — быстро найти подходящего, а не самого сильного кандидата. Здесь LLM — фильтр для рутинных задач, а финальное решение остаётся за человеком, особенно если речь про важные позиции.

Что точно нужно учесть: резюме теперь становится конкретным ответом на требования. Чёткая структура, формулировки по делу, опыт, разложенный под задачи вакансии. Это полезно и для человека, и для модели.

#AI #ИИ #Кейсы

OpenAI запустила Frontier — корпоративную платформу для создания и управления ИИ-агентами, выполняющими рабочие задачи внутри компаний. Платформа уже тестируется Uber, Cisco, HP, T-Mobile и другими.

🧩 Что это значит
Frontier можно сравнить с HR-системой для ИИ:
• компании создают агентов и задают им роли, права доступа и ограничения
• агентов подключают к внутренним данным и программам
• они выполняют цепочки рабочих задач, а не отдельные команды
• их работу можно контролировать и оценивать по тем же принципам, что и работу сотрудников

📈 Прогнозы
• в ближайшее время Frontier напрямую не повлияет на средний бизнес, но изменит конкурентную среду
• крупные компании быстрее снизят затраты на аналитику, поддержку и бэк-офис за счет ИИ-агентов
• требования к операционной эффективности для остальных игроков вырастут
• спрос сместится к специалистам и подрядчикам по внедрению и контролю ИИ в процессах
• в среднесрочной перспективе такой подход появится в среднем бизнесе в упрощенном виде
• больше всего выиграют те, кто заранее упорядочит процессы и использует ИИ для усиления операционной работы

#AI #ИИ #БизнесПроцессы #Автоматизация #OpenAI

Интересный кейс от Чио Чио: как франшизу превратили в распределённую AI-лабораторию

💇‍♀️ Чио Чио — крупная сеть парикмахерских: 800 точек, 4000+ мастеров, 2,7 млн постоянных клиентов. Компания растёт на ~15 салонов в месяц и работает по франшизе — 347 партнёров управляют точками самостоятельно, что делает контроль стандартов сервиса нетривиальной задачей.

🎯 Решение: использовать всю сеть как распределённую AI-лабораторию. Каждый салон генерирует данные, система обучается на реальных кейсах и возвращает инсайты всем партнёрам через единое информационное пространство. Возникает сетевой эффект: чем больше точек, тем точнее модели и тем ценнее система для каждого франчайзи.

🛠 Инструменты:
1. Контроль качества — камеры автоматически отслеживают соблюдение стандартов и передают сигналы в систему контроля.
2. Финансовый ML-анализ — система в 2 раза чаще выявляет подозрительные операции и отклонения по сравнению с ручной проверкой.
3. Умный колл-центр — голосовой бот обрабатывает типовые запросы, сокращая нагрузку на операторов на ~15 часов в неделю.
4. Аналитический ассистент — находит скрытые закономерности в данных всех точек, отчёты доступны партнёрам сети.
5. Генеративный AI-стилист (бета) — анализирует фото клиента и предлагает фотореалистичные варианты прически.

📊 Результаты:
Средний чек +14%
Допродажи +68%
Негативные отзывы −66%
Конверсия из виртуальной прически в запись +20–30%.

📚 Подробнее

#AI #ИИ #кейс #Автоматизация

Поделились экспертизой для Libra Hospitality: почему задержка ответа = прямые потери в доходе отеля, и как AI решает эту задачу.

В статье:
— Почему клиенты уходят даже при сильном продукте?
— Где бизнес теряет деньги в чатах, не замечая этого?
— Какие вопросы в переписке кажутся неважными, но стоят выручки.

Материал написан на примере отелей, но будет полезен всем, кто работает с клиентскими обращениями.

#AI #ИИ #БизнесПроцессы #Автоматизация

Две свежих новости в сфере искусственного интеллекта мгновенно обрушили капитализацию софтверного сектора на $300 млрд.

Что произошло:
✔️ Palantir заявила, что с помощью своей ИИ-платформы может сократить миграцию ERP-систем до двух недель.
✔️ Anthropic представила инструменты, которые автоматизируют работу юристов и маркетологов.

Рынок увидел прямую угрозу: ИИ начинает забирать функции, на которых десятилетиями строился классический enterprise-софт.

Реакция:
Акции Salesforce, LegalZoom, Thomson Reuters и других игроков просели за сутки. Сектор потерял десятки миллиардов долларов, снизились даже ETF и отраслевые индексы.

Что это означает:
Если задачи, ради которых годами создавались сложные и дорогие системы, теперь можно решать с помощью ИИ быстрее и дешевле, инвесторы начинают по-другому оценивать классический софт.

Но эксперты сходятся во мнении, что это не конец эпохи программного обеспечения, а перестройка рынка.

✅ Выигрывают те, кто встраивает ИИ в свои продукты и меняет логику ценности.

#AI #ИИ #БизнесПроцессы #Автоматизация #тренды

Как протестировать внедрение новой технологии (в том числе ИИ), не тратя бюджет на разработку?

🧙🏻 Попробуте метод Волшебник страны Оз.

Суть
Пользователь проходит весь сценарий по прототипу. Вместо системы отвечает человек, который имитирует логику будущего продукта.

Что можно выяснить:
— как пользователи формулируют запросы;
— какие сценарии действительно востребованы;
— где люди путаются;
— сколько времени занимает взаимодействие;
— какие ожидания и эмоции возникают.

Примеры
Zappos — онлайн-ритейлер обуви без склада на старте: заказы с сайта основатель вручную выкупал в магазинах и отправлял клиентам. Сначала проверили спрос, потом строили логистику.
Aardvark — американский стартап в сфере Q&A, люди вручную подбирали экспертов и формировали ответы.
IBM — применяли в исследованиях голосовых интерфейсов: ответы в реальном времени давал оператор.

🪄 За небольшой бюджет и сжатое время вы получаете реальные вопросы и узкие места. И только потом инвестируете в автоматизацию.

#Автоматизация #ИИ #AI

В Сибири нейросеть для ЖКХ научилась не только отвечать на вопросы, но и нецензурно выражаться. Команде пришлось экстренно переучивать робота: общение с жителями быстро вывело его за пределы нормативной лексики.

Интересно, что 80% пользователей всё равно остались удовлетворены ответами голосового помощника.

В aiso, кстати, все роботы общаются уважительно 🤓
Поговорить с aiso

#Пятница

🔔 Кейс: автоматизация поддержки в РУСАЛе

Компания РУСАЛ внедрила чат для автоматизации HR‑ и IT‑поддержки более чем для 50 000 сотрудников.

Что сделали:
• перевели типовые HR‑ и IT‑запросы в цифрового ассистента;
• интегрировали его в действующие бизнес‑процессы;
• обеспечили круглосуточную поддержку распределённой структуры.

Результат впечатляет:
✔️ 90 % запросов решаются без участия операторов
✔️ Время решения вопроса сократилось до 2−5 секунд
✔️49% — доля чат-бота к другим каналам
✔️Скорость получения информации о производственных показателях выросла в 120 раз

Что это даёт бизнесу?
✔️ Сокращение OPEX за счёт автоматизации рутинных запросов. Ресурсы команды теперь направлены на решение сложных задач, а структура затрат перестроена.
✔️ Стандартизация. Меньше вариативности, меньше ошибок, выше управляемость.

💡 Вывод: инвестиции в подобные решения окупаются за счёт повышения эффективности и снижения нагрузки на команды.

Хотите внедрить аналогичное решение, но нет штата специалистов для реализации? Напишите нам, мы возьмём всю техническую часть на себя. Подробнее

#AI #ИИ #кейсы

✍️ Превращаем нейросеть в соавтора: правила работы редакции aiso с ИИ‑текстами

Мы живем в эпоху, когда большая часть контента генерируется ИИ. В Википедии даже есть статья о том, как отличить текст, написанный человеком, от текста, сгенерированного ИИ.

Но так ли важно отсекать лишние кавычки и тире? Наш ключевой принцип: важно не то, чтобы текст не напоминал продукт ИИ, а то, чтобы он был полезным для читателя.

Как мы работаем с ИИ-текстами

1️⃣ Воспринимаем текст от ИИ как черновик, а не как финальный продукт.

Вместо того чтобы задаваться вопросом: «Похоже, что это писал ИИ?», анализируем текст на наличие:
✏️ утверждений без оснований (эксперты считают, наблюдается тренд);
✏️оценок без цифр или примеров (значительный, впечатляющий, революционный);
✏️связок‑наполнителей, которые не несут смысла;
✏️ общих формулировок без конкретики.

Найдя такие фрагменты, мы не просто выявляем маркеры ИИ, мы обнаруживаем места, где мысль не до конца проработана.

2️⃣ Заменяем уверенность на ответственность.

Типичная особенность нейротекстов — безоговорочная уверенность в каждом утверждении. Задача редактора — вернуть в текст ощущение реальности:
✏️ обозначить, где мы уверены, а где лишь предполагаем;
✏️ отделяем данные от гипотез;
✏️ уточняем, где утверждение работает, а где нет.

3️⃣Подкрепляем сильные прилагательные.

✏️ Каждое яркое определение должно быть обосновано:
Сильный рост: какими метриками измерен?
Высокая эффективность: в сравнении с чем?
Лучшее решение: по какому критерию?
✏️ Если обоснования нет, прилагательное лучше убрать.

4️⃣ Используем три действия вместо бесконечных правок.

Встретив типичный нейросетный фрагмент, выбираем одно из трёх:
✏️ удалить (если это пустая связка);
✏️ уточнить (добавить ответы на вопросы кто?, где?, когда?, сколько?);
✏️ подкрепить (привести пример, ссылку, кейс, метод или ограничение).

5️⃣ Добавляем то, что ИИ генерирует редко.

Чтобы текст стал авторским, включаем в него элементы, которые не рождаются из шаблонов:
✏️ позицию (что мы считаем верным и почему);
✏️ границы применимости (в каких случаях подход не работает);
✏️ конкретный опыт (что видели, делали или проверяли).

Такой подход смещает фокус с переписывания стиля на улучшение содержания. Когда текст становится точным и полезным, ИИ‑звучание обычно исчезает само, как побочный эффект качественной редактуры.

#AI #ИИ #Нейротекст #AIконтент #Копирайтинг #Маркетинг