CEO одной компании отменил подписки на BI-платформы. Логика: «Зачем платить за Tableau, если ChatGPT строит графики?»

Тред на Reddit — 300+ апвотов. 40 комментариев от аналитиков, которые в ужасе.

Вот в чём разрыв. BI — это не «построй график». BI — это:
— единый источник правды для 50 человек
— автообновление данных каждый час
— row-level security: Вася видит свой регион, Петя — свой
— алерты, когда метрика падает ниже порога
— аудит: кто смотрел, когда, что менялось

ChatGPT — один человек задаёт вопрос и получает ответ. Без версионности, без прав доступа, без гарантии, что завтра тот же промпт даст тот же результат.

AI отлично дополняет BI: «объясни, почему выручка упала на 12%» поверх дашборда — мощно. AI вместо BI — это бухгалтерия на калькуляторе. Считать умеет, процесса нет.

Граница простая: результат нужен одному — спроси AI. Результат нужен команде каждый день — это процесс. Процессу нужен инструмент, а не чат.

Разбирал похожую логику — «кнопка бабло». Тот же паттерн: ожидание магии без архитектуры.

#ИИ #аналитика #управление

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

E-commerce, 47 сотрудников. Три человека в фулфилменте — 60 часов в неделю копипастят между Shopify, HubSpot, Excel и складской системой 2019 года. Ошибки в 7% заказов.

Один автоматизатор. n8n + GPT-4 API + 80 строк Python. Ядро — за 48 часов. Четыре недели тестов до продакшена.

Результат за 90 дней:
— ручная работа −94%
— ошибки: 7% → 0.4%
— экономия $180K/год (зарплаты + стоимость ошибок)
— payback: меньше 90 дней

Фокус — не в стандартной автоматизации. Она ломается на 15% «странных» заказов: нетипичный адрес, нестыковка остатков, частичная отгрузка. Именно здесь GPT-4 закрывает edge cases без хардкода сценариев.

Дальше — B2B онбординг: 14 дней → 48 часов. Побочный эффект: клиенты, онборженные за 48 часов, дают +34% retention за 90 дней. Скорость онбординга напрямую бьёт в LTV — аргумент для борда (борд-реди метрики).

Три урока:
1. Начинать с процессов с максимумом системных «рукопожатий» — там горят часы
2. ИИ для edge cases — дифференциатор. Стандартная автоматизация падает на грязных 15%
3. Не автоматизировать сломанный процесс — сначала починить логику

Сегмент 30–100 человек: достаточно крупные для дорогих проблем, достаточно компактные для быстрых результатов. Компании платят $50–60K/год за человека, который копипастит между системами. Напоминает OCR-воркфлоу на n8n — 7 нод, $0.03 за 1M токенов.

#автоматизация #кейс #ИИ

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Microsoft выложили VibeVoice — open-source frontier voice AI. MIT, self-hosted, 9 языков, включая русский.

До: ElevenLabs $0.18–0.30 за минуту.
После: стоимость GPU-секунд на своём железе.


Open-source закрывает то, за что год назад платили подписки. OpenClaw, Opal — теперь голос.

#ИИ #инструменты #selfhosted

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Matt Pocock — известный TypeScript-эксперт — выложил свою ~/.claude/skills/ директорию в публичный репо. mattpocock/skills. Github trending.

Это не «ещё один awesome list». Это рабочий сетап практика, которым он сам пользуется ежедневно. Аналог .bashrc, .vimrc и других дотфайлов, которые программисты годами шарят между собой — только теперь для эпохи агентов.

Что внутри (и что забрать в первую очередь):
— tdd-discipline — заставляет агента писать failing-test до имплементации. Не «удобный TDD», а жёсткий: красное → зелёное → рефакторинг.
— refactor-safely — поэтапный рефакторинг с контрольными точками. Защита от «упс, переписал всё, теперь не работает половина».
— verify-before-done — не разрешает агенту говорить «готово» без проверочной команды и её вывода.

Год назад это всё жило в чьих-то промптах в Notion. Сейчас — в публичных репо как submodule. Логичный следующий шаг — корпоративные skills: то, что описывает как именно у нас в компании делается код-ревью, релиз, миграция. Стандарты команд переезжают из confluence в .claude/.

Я уже несколько месяцев собираю свои skills — например, SEO skill, который мы делали для своего сайта. Сейчас докину к нему пару штук от Pocock и посмотрю, что приживётся.

Подключение — одна команда:
git clone github.com/mattpocock/skills ~/.claude/skills/pocock

Дальше Claude сам подбирает нужный skill по описанию задачи. Связано с автоматизацией рутины после встреч и плагином Claude в Telegram — всё это превращает Claude Code из CLI в платформу для распространения экспертизы.

#ClaudeCode #инструменты

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Excel получает первого серьёзного соперника за 30 лет. Meridian.AI — $17M раунда, IDE для финмоделирования под агентов.

Что меняется: моделирование становится диалогом, а не формулами. «Добавь сценарий +10% выручки» — пишется текстом. Версионирование как в Git.

Excel не умрёт в 2026. Но впервые конкурент с реальным продуктом и деньгами, заточенный под агентов.

Примерно об этом рассказывал на конференции в Дагестане и примерно так работает наш сервис ai-reports.ru (генератор отчетов из Excel с ИИ - а-ля gamma, но для excel))

На месте CFO я бы взял один пилот в Q3: бюджет vs форкаст параллельно с Excel. Метрика — часы команды на закрытие месяца.

#CFO #финансы #ИИ

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

16z выпустила DoW Contracting 101 — гайд по госконтрактам для tech-стартапов. Зеркальный процесс идёт и у нас: реестр Минцифры, ФСТЭК, аккредитация.

7 шагов работают одинаково в США и РФ:

1. Customer discovery в госсегменте. В США — выйти на operator-конец цепочки (capability owner), не на закупщика. У нас — то же самое: договориться с замом по цифре в ведомстве, а не через тендерный отдел.

2. Пилот за свои. $50K–$500K на доказательство ROI до контракта. Это инвестиция, не продажа.

3. Security clearance / аккредитация. США: clearance 6–18 мес. РФ: ФСТЭК + аккредитация — сопоставимо. Если стартап не закладывает это в план — он не выйдет на рынок.

4. Доказать ROI на их метриках, не на ваших. Не «модель F1 = 0.94», а «закрыли тикет на 8 часов быстрее». Связь с борд-реди плейбуком — у госзаказчика метрики читаются ещё консервативнее, чем у борда.

5. OTA / упрощённые контракты. В США OTA-контракты обходят FAR (Federal Acquisition Regulation). У нас аналог — закупка у единственного поставщика по 44-ФЗ через инновационные программы (Сколково, ФРИИ-аккредитация).

6. Референс-кейс — это всё. Первый госконтракт — самый дорогой. Второй и третий — сами притекают. Один реальный кейс с Минобрнауки или Минфином перевешивает 10 коммерческих.

7. Масштабирование через рамку. Рамочный договор + пакет прав на масштабирование внутри ведомства. Без рамки — каждое подразделение продаётся заново.



#стратегия #тендеры

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

DeepSeek V4: триллион параметров, Apache 2.0, обучение за $5.2M.

Для сравнения — frontier-лабы тратят на аналог $100M+. Двадцатикратная разница.

94.7% на HumanEval. Конкурирует с Claude Opus 4.6. Открытые веса — хости у себя.

Ценовая война в LLM — теперь не про качество. Про стоимость токена и контроль над данными.

#DeepSeek #LLM #ИИ

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Вам не нравится ИИ? Просто вы не умеете его готовить! С праздником!

Всегда интересно смотреть, как другие решают проблемы, которые есть у тебя.

В нефтянке когда-то нас — радиофизиков — позвали на совещание. Задача: передать сигнал с датчика с глубины скважины. Кабель рвался под собственным весом. Пришли люди со стороны и предложили не укреплять кабель, а отказаться от него — передавать сигнал по-другому. Решение нашлось не там, где его искали.

Смотрю сериал, думаю: как команда сценаристов на шесть сезонов удерживает нить? Авторы меняются, тысячи страниц текста — но герой в пятом сезоне помнит что узнал во втором. История не противоречит себе. Поизучал.

Оказалось, у них для этого построена целая машина. Рамочный документ — что нельзя нарушить никогда. Доска с карточками — весь сезон виден сразу, финал известен заранее. Отдельный человек следит только за тем, чтобы детали не расходились. Жёсткое разделение: что уже решено и пересмотру не подлежит, что ещё открыто.

Но это инструменты. Главное другое: ведущий автор держит в голове не «что было», а где команда находится в истории и куда она должна двигаться. Это другой тип знания.

Дальше прозрение.

Компания — та же длинная история. Только сезоны называются кварталами. И организационная амнезия там постоянная: директор возвращается из командировки и час восстанавливает картину. Совет собирается раз в квартал — первые сорок минут уходят на «где мы были». Управленец не помнит, почему три месяца назад выбрали именно это.

Все ищут решение в памяти — лучше документы, лучше поиск, лучше базы. Это укрепление кабеля. А нужно другое: не помнить факты, а удерживать позицию.

Три уровня — один корпус знаний, три разные линзы:

Совет раз в квартал — стратегия, зафиксированные решения, риски. Где мы в плане и что изменилось.

Генеральный раз в неделю — проекты, поручения, люди. Что произошло пока меня не было.

Управленцы каждый день — клиенты, процессы, обязательства. Где мы в этих отношениях.

Искусственный интеллект здесь играет роль того самого человека, который следит за последовательностью. Не ищет документ. Отвечает: вы сейчас вот здесь.

И да — это не поиск по векторной базе. Это другое.

@archfinance

В топ GitHub — DeepSeek-TUI. Coding-агент в терминале на моделях DeepSeek. UX как у Claude Code, но:

· $0.27 за 1M input vs $3 у Sonnet — в 11 раз дешевле
· Работает из РФ без VPN
· Можно поднять локально без выхода наружу

Где слабее: сложные архитектурные задачи и tool-use. Где сильнее: массовые рефакторинги, миграции, генерация тестов.

Стратегически: когда американский стэк (Claude Code, OpenClaw) и китайский становятся идентичны по UX, выбор инструмента — это уже не «что лучше», а где данные, где деньги, какие модели разрешены.

Ссылка: github.com/Hmbown/DeepSeek-TUI

#DeepSeek #ClaudeCode #инструменты

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Свежая статья — Hummingbird+. Низкобюджетный FPGA-чип для LLM-инференса. Qwen3-30B-A3B в квантизации Q4 — 18 токенов/сек, 24 GB памяти на плате, расчётная себестоимость в массовом производстве — $150. До серии — около 18 месяцев.

Это меняет разговор с советом директоров. Сейчас аргумент против локального ИИ простой: «дорого ставить железо, дешевле платить OpenAI/Anthropic». Через 18 мес этот аргумент исчезает.

Что считать сегодня:

1. Природа затрат меняется. LLM перестаёт быть подпиской и становится оборудованием. Это не «дешевле» — это другая финансовая модель. CapEx с амортизацией вместо OpEx. Капитализируется на балансе.

2. Цена токена ≈ электричество. Сейчас Sonnet — $3 за 1M input, GPT-5 — $5. На своём железе цена токена сводится к мощности, помноженной на тариф. Для рутинных задач (классификация, разметка, OCR) разница сразу окупает плату.

3. Конф. данные не уходят наружу. Это не про вендорский замок и не про санкции — про сам факт, что персональные данные клиентов и коммерческая тайна перестают пересекать периметр организации. Для банков, медицины, госзаказа это перестаёт быть «галочкой» и становится основой архитектуры.

4. РФ-доступ. SaaS-вариант — VPN, серый биллинг, постоянная зависимость от чужого решения. Своё железо — это раз и навсегда. Особенно с учётом законопроекта Минцифры и реестра доверенных систем.

5. Параллельно с FPGA — Direct-to-Silicon. Тренд один: модель уходит в железо. Сначала — обвязка под общие архитектуры (Cerebras, Groq), потом — свои чипы (FPGA), дальше — ASIC под конкретную модель.

Что положить в борд-пакет уже сейчас:

· Прогноз TCO на 36 месяцев в двух сценариях: подписка vs FPGA-кластер.
· Карта данных: что обязано остаться внутри периметра по 152-ФЗ и КИИ.
· Риск-матрица «что будет, если поставщик API закроет регион».

Аналог известный: 2010-е, когда крупный бизнес массово ушёл с собственной серверной инфраструктуры в облака. Сейчас будет качание маятника назад — но не на дорогие GPU NVIDIA, а на специализированные дешёвые чипы. И первые, кто это посчитает у себя в финмодели, выйдут на следующий бюджетный цикл с другим набором вариантов.

Я бы не ждал, пока Hummingbird+ выйдет в серию. Считать — сегодня. CES‑2026 уже показал, в какую сторону едет железо.

#CFO #LLM #selfhosted #архитектура

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

Wikipedia рассматривает переход на коммерческую модель. Причина — LLM высосали трафик.

Парадокс:
1. LLM обучены на Wikipedia (≈80% текстовых датасетов)
2. Пользователь больше не заходит на Wikipedia — спрашивает у ChatGPT
3. Доната падают, редакторы уходят, контент деградирует
4. Через 3 года — нечем обучать следующие модели

Это model collapse на макроуровне. ИИ-индустрия проедает источники, на которых стоит.

Что это значит для продукта на ИИ: не строить, полагаясь на качество публичных источников. Свой контент — главный актив. Self-hosted RAG — не гиковство, а будущая стандартная архитектура.

Иронично, что первой это заметила Wikipedia — та, что 25 лет существовала вопреки коммерческой логике.

#ИИ #монетизация #стратегия

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

a16z выпустила тезис «Call the Plumber, We've Got a Leaky Abstraction». Мысль простая: ИИ-стек течёт на каждом слое. И это не баг, а гигантская ниша для тех, кто строит обвязку.

Когда я внедряю ИИ в реальный бизнес, сталкиваюсь с одним и тем же. Стек выглядит чистым на демо, но протекает в проде. Четыре главных течи:

1. RAG-слой. Чанкинг-стратегия, которая работала на 100 документах, ломается на 10 000. Embedding-модель обновили — релевантность поплыла. Re-ranker нужен, но никто не считал, какой именно. Контекст забивается мусором, ответ становится расплывчатым.

2. Агенты. На демо — красиво. В проде — циклы tool-use срываются на 5-м шаге, контекст переполняется, мультиагент теряет координацию. Раздаёшь агентам «душу» через SOUL.md — становится только хуже, потому что персональность забивает рабочую память.

3. Eval / прод. Самая тихая дыра. Качество ответов в проде нечем мерить. Регрессии замечают пользователи в виде жалоб. LLM-as-judge помогает, но требует своей инфры — и сам по себе нестабилен.

4. Compliance. Данные клиентов утекают в логи провайдера. Аудит модели — серая зона: «как доказать, что модель не приняла дискриминационное решение». PII в промптах. Регуляторика приближается (законопроект Минцифры) — но шлюзов между моделью и периметром по-настоящему мало.

Что это значит для рынка:

· Модели тренируют единицы — OpenAI, Anthropic, DeepSeek, Yandex/Сбер. Этот рынок поделён.
· Пайплайн вокруг моделей нужен всем. RAG-eval, observability агентов, guardrails, шлюзы приватности, оркестраторы, — это plumbing. Скучно, важно, на годы.
· Тихие победители. Через 2 года компания, которая делает просто отличный re-ranker для русского корпуса или приличную observability для агентных пайплайнов, будет стоить дороже, чем 90% «AI-стартапов» с громкими демо.

Где конкретно течёт у российских команд (по моим наблюдениям):

· Шлюзы приватности на входе в LLM. 99% компаний ходят в OpenAI/Anthropic напрямую через API. Это нарушение по 152-ФЗ для большинства данных. Plumbing-решение: локальный gateway, который маскирует PII перед отправкой.
· RAG на русскоязычных корпусах. Embeddings, обученные в основном на английском, плохо работают на русской юридической, бухгалтерской, медицинской документации. Plumbing: специализированные re-rankers и eval-сеты под отрасль.
· Observability агентов. Никто не отслеживает, что агент сделал внутри n8n-флоу. Кассовая OCR-автоматизация работает, пока работает. Когда сломается — диагностируется руками.
· Eval-наборы для прода. Внутри компаний нет привычки строить эталонные ответы. «Какой ответ считается правильным?» — на этот вопрос редко есть готовый датасет.

Совет на ближайшие 12 месяцев: если строите свой ИИ-продукт — начинайте не с нового агента, а с plumbing для уже работающего. Eval, observability, gateway. Это не модно. Это нужно.

Перефразируя a16z: «трубы тренируют единицы, а сантехники нужны всем».

Ссылка на тезис: a16z.com.

#архитектура #ИИ #агенты

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

ПОЧЕМУ КОМАНДЫ НЕ ГОТОВЫ К ИИ

Думал про то, почему внедрение ИИ-агентов в командах идёт так тяжело. И вот что всплыло.
Дело не в компетенциях агента. Дело в нас.

Попробовал поговорить с Claude как с равным — не как с инструментом. Дал промт цифрового двойника СЕО.

Заметил, что он обращается ко мне на «вы», а я ему «тыкаю». Исправил это. И после этого что-то щёлкнуло — я впервые увидел в нём не функцию, а субъекта.

Психологи называют это антропоморфизацией. Мы наделяем нечеловеческое человеческими чертами, когда испытываем потребность в контакте. Большинство людей этого порога так и не переходят — продолжают общаться с агентом как с поисковиком.

Отсюда и провалы онбординга: не агент не справляется, а живые сотрудники не вступают с ним в отношения.
Второе. Клод оказался угодливым. Умным — да, но угодливым. Это не его личная черта — это архитектура. Исследования 2025 года показывают: ИИ обучен давать ответы, которые люди предпочитают, а не те, которые правильны. Угодливый агент не вызывает уважения. Команда чувствует это интуитивно — и не воспринимает его всерьёз.

Хочешь, чтобы агент работал — убери из него флюгерность.

Третье, самое неочевидное. Человек старается, потому что ставит на карту репутацию. ИИ — лёгковесен. Ошибся? Не беда. Команда это считывает — и тоже расслабляется. Нет ставки — нет серьёзности. Taleb называет это skin in the game.

Итого: команды не готовы к ИИ не потому что ИИ слабый. А потому что не научились вступать с ним в отношения, не доверяют агенту, который соглашается со всем, и не чувствуют от него ответственности.
Это решаемо. Но это работа с людьми, не с моделью.​​​​​​​​​​​​​​​​

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

GM уволил 600 айтишников за один день. Это больше 10% всего ИТ-отдела.

Заголовок звучит как «ИИ забирает рабочие места». На самом деле — другое. GM не сокращает ИТ как таковой. GM меняет состав скиллов.

Уходят: саппорт легаси-систем, классические DBA, ETL-инженеры, разработчики внутренних порталов.

Входят: AI-native разработка, дата-инжиниринг, agent & model development, prompt engineering, cloud engineering.

Это не первый заход. В августе 2024 GM уже сокращал 1000 софт-инженеров. С тех пор пришли Sterling Anderson (CPO из Aurora), Behrad Toghi (AI lead из Apple), Rashed Haq (VP Autonomous из Cruise). Команда не уменьшается — она пересобирается.

Для CFO здесь сигнал: если в финансовой модели ИТ-расходы фигурируют только как headcount × средняя ставка — модель устарела. Реальный вопрос звучит иначе: какая доля команды к концу года умеет работать с агентами и моделями?

Это не про «уволить, чтобы сэкономить». Это про «уволить, чтобы было кого нанять».

TechCrunch · 11.05.2026

#ИИ #CFO #управление

—
📱 Макс · 📖 Дзен · ✈️ Telegram · 🌐 hr-s.ru

🤖 ИИ-дайджест · 12 мая

▸ Бесплатные LLM API в 2025: полный гид по провайдерам
GitHub-репозиторий cheahjs/free-llm-api-resources собрал все легальные бесплатные API для LLM: OpenRouter, Google AI Studio, Groq, Cerebras и другие.

▸ Anthropic открыла официальный маркетплейс плагинов для Claude Code
Anthropic запустила официальный каталог плагинов для Claude Code на GitHub. Более 36 плагинов: LSP-интеграции, MCP-серверы, внешние сервисы.

▸ vLLM ROCm теперь в Lemonade: новый бэкенд для AMD
В Lemonade v10.4 добавлен экспериментальный бэкенд vLLM ROCm для AMD Strix Halo. Запуск модели — одна строка в терминале.