А что внутри зарплатной вилки
В прошлом посте мы разобрались с грейдами – должности разного уровня должны иметь разные вилки оплаты. Но тут возникает следующий вопрос. А что вообще должно лежать внутри этой вилки?
В своей практике я обычно строю доход сотрудника из четырёх частей: постоянной, переменной, премии и бонуса. У каждой из них совершенно разная экономическая природа.
1. Постоянная часть. Это оклад плюс обязательные и индивидуальные надбавки. Например, доплаты, предусмотренные законодательством. Или доплата за квалификацию, образование, редкую компетенцию.
Смысл постоянной части очень простой – это цена того, что данный человек работает у вас, а не у кого-нибудь другого.
Чернорабочего без квалификации заменить сравнительно легко. Хорошего технолога – уже сложнее. А сильного топ-менеджера иногда приходится искать годами, потому что под вывеской «эффективный менеджер» рынок регулярно предлагает удивительные образцы корпоративной фауны. Поэтому с ростом грейда постоянная часть обычно растёт.
2. Переменная часть. Это плата за количество произведённого результата. Сделал десять единиц результата, каждая стоит X – получил 10X. По сути, старая добрая выработка, только применять её можно далеко не только у станка.
Если результат нельзя нормально измерить, иногда проще платить за рабочее время. И тогда не надо читать молодой сотруднице лекцию о нравственности за то, что она легла спать около двух и опоздала утром на пятнадцать минут. Во-первых, совершенно не ваше дело, около скольких партнёров ей стоит ложиться. Во-вторых, если оплачивается время, она просто не заработала эти пятнадцать минут. Экономика обычно работает лучше воспитательной работы.
3. Премия. Премия тоже привязана к результату, но уже не столько к его количеству, сколько к качеству. Сделать много – переменная часть. Сделать хорошо – премия.
И вот здесь компании особенно любят построить маленький филиал ада – придумать 37 KPI, коэффициенты, веса, корректировки, три вида депремирования и Excel, который понимает только человек, уволившийся два года назад.
Не надо! Если сотрудник не способен заранее понять, за что именно он получит премию, система мотивации перестаёт мотивировать. И премия вовсе не обязана выплачиваться каждый месяц. Это не замаскированная часть оклада.
4. Бонус. Это уже плата не за обычный результат работы, а за достижение чего-то существенного. Особенно важен бонус для руководителей. Я вообще считаю, что у хорошего топ-менеджера значительная часть совокупного дохода должна формироваться именно бонусами. Например, 30–40% дохода за период в два-четыре года.
Почему бонус не сделать просто, как «процент от прибыли»? Потому что разделить прибыль – это разделить риски бизнеса. Работник на это не подписывался.
А вот стратегическая цель – другое дело.
Есть стратегия. Есть цели. Есть люди, которые получили полномочия и ответственность за достижение каждой из них.
Построил новое производство. Вывел продукт на рынок. Снизил себестоимость на заданную величину. Создал работающую региональную сеть. Провёл трансформацию. Достиг цели – владельцы бизнеса платят бонус. Столько, на сколько они ощущают ценность данного достижения для себя.
Вся эта конструкция хорошо ложится на грейды. Внизу организации результат возникает быстро, а значит, и деньги можно считать хоть еженедельно.
Чем выше грейд, тем меньше смысла в оплате за текущую выработку и тем больше становится постоянная часть.
А у топов основной переменный доход должен уходить в длинный горизонт – иногда несколько лет. Потому что хороший руководитель высокого уровня производит не ежедневные действия. Он производит изменение бизнеса. И таки да, это очень дорого строит.
В результате зарплатная вилка перестаёт быть просто диапазоном «от столько до столько». Она становится конструкцией:
– за присутствие нужного человека – постоянная часть;
– за объём результата – переменная;
– за качество – премия;
– за серьёзное достижение – бонус.
И тогда деньги наконец начинают отвечать на простой вопрос, за что именно мы сейчас платим?
Хорошей вам зарплаты!
#менеджмент #управление #оплататруда
В прошлом посте мы разобрались с грейдами – должности разного уровня должны иметь разные вилки оплаты. Но тут возникает следующий вопрос. А что вообще должно лежать внутри этой вилки?
В своей практике я обычно строю доход сотрудника из четырёх частей: постоянной, переменной, премии и бонуса. У каждой из них совершенно разная экономическая природа.
1. Постоянная часть. Это оклад плюс обязательные и индивидуальные надбавки. Например, доплаты, предусмотренные законодательством. Или доплата за квалификацию, образование, редкую компетенцию.
Смысл постоянной части очень простой – это цена того, что данный человек работает у вас, а не у кого-нибудь другого.
Чернорабочего без квалификации заменить сравнительно легко. Хорошего технолога – уже сложнее. А сильного топ-менеджера иногда приходится искать годами, потому что под вывеской «эффективный менеджер» рынок регулярно предлагает удивительные образцы корпоративной фауны. Поэтому с ростом грейда постоянная часть обычно растёт.
2. Переменная часть. Это плата за количество произведённого результата. Сделал десять единиц результата, каждая стоит X – получил 10X. По сути, старая добрая выработка, только применять её можно далеко не только у станка.
Если результат нельзя нормально измерить, иногда проще платить за рабочее время. И тогда не надо читать молодой сотруднице лекцию о нравственности за то, что она легла спать около двух и опоздала утром на пятнадцать минут. Во-первых, совершенно не ваше дело, около скольких партнёров ей стоит ложиться. Во-вторых, если оплачивается время, она просто не заработала эти пятнадцать минут. Экономика обычно работает лучше воспитательной работы.
3. Премия. Премия тоже привязана к результату, но уже не столько к его количеству, сколько к качеству. Сделать много – переменная часть. Сделать хорошо – премия.
И вот здесь компании особенно любят построить маленький филиал ада – придумать 37 KPI, коэффициенты, веса, корректировки, три вида депремирования и Excel, который понимает только человек, уволившийся два года назад.
Не надо! Если сотрудник не способен заранее понять, за что именно он получит премию, система мотивации перестаёт мотивировать. И премия вовсе не обязана выплачиваться каждый месяц. Это не замаскированная часть оклада.
4. Бонус. Это уже плата не за обычный результат работы, а за достижение чего-то существенного. Особенно важен бонус для руководителей. Я вообще считаю, что у хорошего топ-менеджера значительная часть совокупного дохода должна формироваться именно бонусами. Например, 30–40% дохода за период в два-четыре года.
Почему бонус не сделать просто, как «процент от прибыли»? Потому что разделить прибыль – это разделить риски бизнеса. Работник на это не подписывался.
А вот стратегическая цель – другое дело.
Есть стратегия. Есть цели. Есть люди, которые получили полномочия и ответственность за достижение каждой из них.
Построил новое производство. Вывел продукт на рынок. Снизил себестоимость на заданную величину. Создал работающую региональную сеть. Провёл трансформацию. Достиг цели – владельцы бизнеса платят бонус. Столько, на сколько они ощущают ценность данного достижения для себя.
Вся эта конструкция хорошо ложится на грейды. Внизу организации результат возникает быстро, а значит, и деньги можно считать хоть еженедельно.
Чем выше грейд, тем меньше смысла в оплате за текущую выработку и тем больше становится постоянная часть.
А у топов основной переменный доход должен уходить в длинный горизонт – иногда несколько лет. Потому что хороший руководитель высокого уровня производит не ежедневные действия. Он производит изменение бизнеса. И таки да, это очень дорого строит.
В результате зарплатная вилка перестаёт быть просто диапазоном «от столько до столько». Она становится конструкцией:
– за присутствие нужного человека – постоянная часть;
– за объём результата – переменная;
– за качество – премия;
– за серьёзное достижение – бонус.
И тогда деньги наконец начинают отвечать на простой вопрос, за что именно мы сейчас платим?
Хорошей вам зарплаты!
#менеджмент #управление #оплататруда
🔥5👍3
Пробить дно легко. Потолок – гораздо труднее
Пятница хороша для лёгких размышлений, и сегодня поговорим об одной неприятной вещи, о которую редко упоминают в разговорах о карьере. Почти у каждого человека есть потолок. Профессиональный. Управленческий. Иногда интеллектуальный. Иногда просто потолок масштаба задач, которые он способен держать в голове.
До какого-то момента всё идёт прекрасно. Ты растёшь, учишься на ошибках, берёшь более сложные задачи. Получаешь больше ответственности. Руководишь сначала пятью людьми, потом двадцатью, потом сотней. И привыкаешь к очень удобной мысли – если не получается, то надо просто сильнее стараться, лучше подстраиваться, гибче адаптироваться.
Во многих случаях это действительно работает. Но не всегда. Можно быть великолепным руководителем компании в 200 человек и совершенно посредственным руководителем компании в 5000 сотрудников.
Можно быть отличным инженером и однажды обнаружить, что следующий уровень требует уже не большего количества знаний, а другого типа мышления.
Можно быть прекрасным предпринимателем на этапе запуска бизнеса и довольно слабым руководителем зрелой организации.
Это не обязательно означает поражение. Просто задача изменилась быстрее, чем ты. Проблема начинается тогда, когда человек отказывается это признать. И начинает применять единственный инструмент, который всю жизнь приносил результат – ещё больше работать.
Ещё один час. Ещё одна встреча. Ещё один отчёт. Ещё один курс. Ещё немного поднажать...
Голова уже гудит от столкновения с потолком, но человек уверен, что следующий разбег точно поможет. Иногда помогает. А иногда потолок вообще не предназначен для пробивания. Иногда нужно остановиться и честно сказать самому себе: «вот здесь я действительно хорош. А дальше – уже нет». Для этого требуется гораздо больше интеллекта и мужества, чем для очередного карьерного рывка. Особенно если всю жизнь тебя учили, что остановиться – значит сдаться.
С возрастом эта история становится ещё печальнее. После пятидесяти особенно нелепо продолжать доказывать миру, что ты способен работать так же, как в тридцать.
Допустим, способен. Ну и зачем? Если твоё основное конкурентное преимущество всё ещё состоит в том, что ты можешь сидеть в офисе по четырнадцать часов, возникает неприятный вопрос, а куда делись предыдущие годы опыта?
С возрастом профессиональная ценность должна всё меньше создаваться количеством часов, и всё больше способностью за двадцать минут увидеть то, что молодой, умный и очень энергичный человек будет три дня исследовать, насилуя в хвост и в гриву флагмана от OpenAI, строить с помощью Anthropic модель в Excel и раскрашивать ее в стиле позднего импрессионизма. Опыт вообще должен экономить усилия. Иначе это просто большой стаж. К слову сказать, никому не нужный...
Но и это ещё не всё. После пятидесяти пяти опыт продолжает работать, а скорость, гибкость и точность мышления постепенно начинают дрейф к деменции. Биологию трудно уговорить сделать исключение лично для тебя.
Самая неприятная часть в том, что сам ты можешь этого долго не замечать. Особенно если все вокруг – друзья, близкие и пенсионный фонд, – убеждают тебя, что ты по-прежнему «в форме».
Возраст требует не большого самомнения, а большего количества внешних ограничителей, возражений и права окружающих сказать «выдыхай, это уже плохое решение».
Печалька. 🤷🏼♂️
А вы, молодые, не хихикайте! До двадцати пяти ваш мозг ещё заканчивает сборку, опыта почти нет – вам просто пока нечем обнаружить собственный потолок. 🙂
Но то, что его не видно, не означает, что его нет! Пока просто запомните, что такая проблема существует, и вам придется в будущем делать свой выбор.
Есть профессии, где потолок приходится пробивать. Есть ситуации, где его надо обходить. Но иногда самая разумная карьера – остановиться на уровне, где ты действительно силён, и перестать изображать из себя супергероя вселенной Marvel.
Потому что пробить дно действительно легко. Иногда для этого достаточно просто продолжать биться головой в потолок.
Хороших вам выходных!
#менеджмент #управление #карьера #пятничное
Пятница хороша для лёгких размышлений, и сегодня поговорим об одной неприятной вещи, о которую редко упоминают в разговорах о карьере. Почти у каждого человека есть потолок. Профессиональный. Управленческий. Иногда интеллектуальный. Иногда просто потолок масштаба задач, которые он способен держать в голове.
До какого-то момента всё идёт прекрасно. Ты растёшь, учишься на ошибках, берёшь более сложные задачи. Получаешь больше ответственности. Руководишь сначала пятью людьми, потом двадцатью, потом сотней. И привыкаешь к очень удобной мысли – если не получается, то надо просто сильнее стараться, лучше подстраиваться, гибче адаптироваться.
Во многих случаях это действительно работает. Но не всегда. Можно быть великолепным руководителем компании в 200 человек и совершенно посредственным руководителем компании в 5000 сотрудников.
Можно быть отличным инженером и однажды обнаружить, что следующий уровень требует уже не большего количества знаний, а другого типа мышления.
Можно быть прекрасным предпринимателем на этапе запуска бизнеса и довольно слабым руководителем зрелой организации.
Это не обязательно означает поражение. Просто задача изменилась быстрее, чем ты. Проблема начинается тогда, когда человек отказывается это признать. И начинает применять единственный инструмент, который всю жизнь приносил результат – ещё больше работать.
Ещё один час. Ещё одна встреча. Ещё один отчёт. Ещё один курс. Ещё немного поднажать...
Голова уже гудит от столкновения с потолком, но человек уверен, что следующий разбег точно поможет. Иногда помогает. А иногда потолок вообще не предназначен для пробивания. Иногда нужно остановиться и честно сказать самому себе: «вот здесь я действительно хорош. А дальше – уже нет». Для этого требуется гораздо больше интеллекта и мужества, чем для очередного карьерного рывка. Особенно если всю жизнь тебя учили, что остановиться – значит сдаться.
С возрастом эта история становится ещё печальнее. После пятидесяти особенно нелепо продолжать доказывать миру, что ты способен работать так же, как в тридцать.
Допустим, способен. Ну и зачем? Если твоё основное конкурентное преимущество всё ещё состоит в том, что ты можешь сидеть в офисе по четырнадцать часов, возникает неприятный вопрос, а куда делись предыдущие годы опыта?
С возрастом профессиональная ценность должна всё меньше создаваться количеством часов, и всё больше способностью за двадцать минут увидеть то, что молодой, умный и очень энергичный человек будет три дня исследовать, насилуя в хвост и в гриву флагмана от OpenAI, строить с помощью Anthropic модель в Excel и раскрашивать ее в стиле позднего импрессионизма. Опыт вообще должен экономить усилия. Иначе это просто большой стаж. К слову сказать, никому не нужный...
Но и это ещё не всё. После пятидесяти пяти опыт продолжает работать, а скорость, гибкость и точность мышления постепенно начинают дрейф к деменции. Биологию трудно уговорить сделать исключение лично для тебя.
Самая неприятная часть в том, что сам ты можешь этого долго не замечать. Особенно если все вокруг – друзья, близкие и пенсионный фонд, – убеждают тебя, что ты по-прежнему «в форме».
Возраст требует не большого самомнения, а большего количества внешних ограничителей, возражений и права окружающих сказать «выдыхай, это уже плохое решение».
Печалька. 🤷🏼♂️
А вы, молодые, не хихикайте! До двадцати пяти ваш мозг ещё заканчивает сборку, опыта почти нет – вам просто пока нечем обнаружить собственный потолок. 🙂
Но то, что его не видно, не означает, что его нет! Пока просто запомните, что такая проблема существует, и вам придется в будущем делать свой выбор.
Есть профессии, где потолок приходится пробивать. Есть ситуации, где его надо обходить. Но иногда самая разумная карьера – остановиться на уровне, где ты действительно силён, и перестать изображать из себя супергероя вселенной Marvel.
Потому что пробить дно действительно легко. Иногда для этого достаточно просто продолжать биться головой в потолок.
Хороших вам выходных!
#менеджмент #управление #карьера #пятничное
🔥10👍4🤝3😭1
В комментариях к прошлому посту возникла странная, хотя вполне понятная подмена вопроса. Я писал о том, как меняется один и тот же человек с возрастом. А обсуждать начали, может ли конкретный человек в 55 или 65 быть умнее коллеги в 30.
Конечно может! И нет никакого противоречия.
Сначала – объективная реальность. Вообще, к шестидесяти примерно у каждого тринадцатого человека уже можно обнаружить не просто нормальное возрастное снижение когнитивных способностей, а клинически определяемое нарушение. Да, деменция – не нормальная и не неизбежная часть старения. Если очень грубо свести результаты крупных исследований по деменции, порядок величин такой:
– около 55 лет – доли процента;
– 60 –около 1%;
– 65 – 1-2%;
– 70 – около 3%;
– 80 –10–15%;
– после 90 — уже порядка 30–40%.
Конкретные цифры зависят от страны, пола и методики исследования.
Но деменция – не единственная возможная проблема. Вероятность всех клинических когнитивных нарушений резко растёт с возрастом. Более того, лёгкие когнитивные нарушения встречаются заметно чаще клинических. В обзоре American Academy of Neurology:
– 6,7% в 60–64 года,
– 8,4% в 65–69,
– 10,1% в 70–74;
– 25,2% в 80–84.
Хороший индикатор серьёзности проблемы – Китай. Там когнитивное старение стало задачей национального масштаба. В конце 2024 года принят план борьбы с деменцией до 2030 года – от массового когнитивного скрининга до отдельных государственных программ исследований, новых препаратов, биотехнологий, Big Data и AI. Причина понятна – Китай стремительно стареет и одновременно сокращается. К 2100 году население страны уменьшится примерно до 633 млн человек. Причём возрастная структура радикально сдвинется в сторону старших возрастов.
Но самое интересное начинается гораздо раньше клиники. Десятилетнее исследование одних и тех же людей показало снижение памяти, логического мышления, фонематической и семантической беглости обнаружилось уже в группе 45–49 лет. Другие исследования показали ещё более неприятную вещь – уровень некоторых когнитивных способностей начинают статистически значимо снижаться уже в 20-30 лет.
Что страдает особенно заметно? Скорость обработки информации, рабочая память, когнитивная гибкость. При этом словарь, знания, профессиональные схемы и накопленный опыт сохраняются гораздо дольше и иногда продолжают расти.
И вот здесь начинается самое важное для управления. С возрастом меняется не только «мощность процессора», но и режим поиска решения. Исследования показывают смещение от поиска новых решений к использованию уже известных моделей, правил и опыта.
Это не означает, что человек перестаёт придумывать новое. Просто его стартовая позиция всё чаще – «я уже видел что-то похожее».
Например, я ловлю себя на том, что на знакомую управленческую проблему почти мгновенно достаю из памяти готовую конструкцию – симптом, причина, следствие, решение (ложная победа), подводные камни, правильное/практичное решение. Обычно это преимущество. Но именно поэтому приходится отдельно спрашивать себя, а что здесь НЕ похоже на прошлый случай?
Или молодой коллега предлагает идею, которую я уже видел и знаю, чем это закончилось. Первая реакция – это не работает. А правильная вторая – а условия точно те же?
Поэтому аргумент «а вот мне 55, и я думаю лучше молодых» плох ровно так же, как если генеральный директор заменяет своими продуктовыми предпочтениями фокус-группу. Как наблюдение – интересно. Статистически – ничто.
Моя фраза «медленный дрейф в сторону деменции» была, конечно, фигурой речи. Но как говорят в Одессе, в каждой шутке есть доля шутки. Смысл был вовсе не в том, чтобы мериться с молодыми. Смысл практический – чем старше и опытнее ты становишься, тем нужнее вокруг тебя люди, для которых обоснованное «ты ошибаешься» – нормальная рабочая реплика.
И тем важнее собственная процедура самопроверки – не перепутал ли я опыт с истиной, узнавание – с пониманием, а уверенность – с доказательством? Помните пост про уверенность?
Опыт – прекрасный усилитель интеллекта. До тех пор, пока не становится его автопилотом. Именно это я хотел донести.
#менеджмент
Конечно может! И нет никакого противоречия.
Сначала – объективная реальность. Вообще, к шестидесяти примерно у каждого тринадцатого человека уже можно обнаружить не просто нормальное возрастное снижение когнитивных способностей, а клинически определяемое нарушение. Да, деменция – не нормальная и не неизбежная часть старения. Если очень грубо свести результаты крупных исследований по деменции, порядок величин такой:
– около 55 лет – доли процента;
– 60 –около 1%;
– 65 – 1-2%;
– 70 – около 3%;
– 80 –10–15%;
– после 90 — уже порядка 30–40%.
Конкретные цифры зависят от страны, пола и методики исследования.
Но деменция – не единственная возможная проблема. Вероятность всех клинических когнитивных нарушений резко растёт с возрастом. Более того, лёгкие когнитивные нарушения встречаются заметно чаще клинических. В обзоре American Academy of Neurology:
– 6,7% в 60–64 года,
– 8,4% в 65–69,
– 10,1% в 70–74;
– 25,2% в 80–84.
Хороший индикатор серьёзности проблемы – Китай. Там когнитивное старение стало задачей национального масштаба. В конце 2024 года принят план борьбы с деменцией до 2030 года – от массового когнитивного скрининга до отдельных государственных программ исследований, новых препаратов, биотехнологий, Big Data и AI. Причина понятна – Китай стремительно стареет и одновременно сокращается. К 2100 году население страны уменьшится примерно до 633 млн человек. Причём возрастная структура радикально сдвинется в сторону старших возрастов.
Но самое интересное начинается гораздо раньше клиники. Десятилетнее исследование одних и тех же людей показало снижение памяти, логического мышления, фонематической и семантической беглости обнаружилось уже в группе 45–49 лет. Другие исследования показали ещё более неприятную вещь – уровень некоторых когнитивных способностей начинают статистически значимо снижаться уже в 20-30 лет.
Что страдает особенно заметно? Скорость обработки информации, рабочая память, когнитивная гибкость. При этом словарь, знания, профессиональные схемы и накопленный опыт сохраняются гораздо дольше и иногда продолжают расти.
И вот здесь начинается самое важное для управления. С возрастом меняется не только «мощность процессора», но и режим поиска решения. Исследования показывают смещение от поиска новых решений к использованию уже известных моделей, правил и опыта.
Это не означает, что человек перестаёт придумывать новое. Просто его стартовая позиция всё чаще – «я уже видел что-то похожее».
Например, я ловлю себя на том, что на знакомую управленческую проблему почти мгновенно достаю из памяти готовую конструкцию – симптом, причина, следствие, решение (ложная победа), подводные камни, правильное/практичное решение. Обычно это преимущество. Но именно поэтому приходится отдельно спрашивать себя, а что здесь НЕ похоже на прошлый случай?
Или молодой коллега предлагает идею, которую я уже видел и знаю, чем это закончилось. Первая реакция – это не работает. А правильная вторая – а условия точно те же?
Поэтому аргумент «а вот мне 55, и я думаю лучше молодых» плох ровно так же, как если генеральный директор заменяет своими продуктовыми предпочтениями фокус-группу. Как наблюдение – интересно. Статистически – ничто.
Моя фраза «медленный дрейф в сторону деменции» была, конечно, фигурой речи. Но как говорят в Одессе, в каждой шутке есть доля шутки. Смысл был вовсе не в том, чтобы мериться с молодыми. Смысл практический – чем старше и опытнее ты становишься, тем нужнее вокруг тебя люди, для которых обоснованное «ты ошибаешься» – нормальная рабочая реплика.
И тем важнее собственная процедура самопроверки – не перепутал ли я опыт с истиной, узнавание – с пониманием, а уверенность – с доказательством? Помните пост про уверенность?
Опыт – прекрасный усилитель интеллекта. До тех пор, пока не становится его автопилотом. Именно это я хотел донести.
#менеджмент
🔥8👍4❤2
Процессы и заработная плата
Ранее я предложил вам использовать систему оплаты труда, состоящую из четырех частей – постоянную, переменную, премию и бонус. А теперь я хочу показать кое-что интересное – почему эта конструкция особенно хорошо работает там, где компания управляется через процессы, а не через должностные шаманские танцы с бубном.
В процессной системе есть очень удобная вещь – результат работы существует отдельно от человека. Есть процесс, у него есть вход, выход, производительность, качество и цели. Поэтому деньги можно привязать не к впечатлению начальника, а к тому, что реально произошло.
Переменная часть здесь ложится почти идеально на валовый результат процесса. Сколько обработано заказов. Сколько произведено единиц. Сколько закрыто обращений. Сколько выполнено доставок. Сколько договоров прошло через процесс. Всё имеет свой тариф. Как говорили Стругацкие, вал по плану, план по валу!
Но не обязательно платить буквально «по штукам», но сама база понятна – есть объём результата, который можно посчитать. Если результат создаёт команда, считать можно процесс или участок, а не устраивать индивидуальные соревнования внутри конвейера. Причём считать лучше именно результат процесса, а не количество совершённых телодвижений. Потому что сто писем, двадцать совещаний и героические восемнадцать часов в офисе ещё не означают, что компания получила хоть что-нибудь полезное.
Дальше появляется премия. Она отвечает на другой вопрос – а результат был нормальным? Можно обработать тысячу заявок и половину вернуть на переделку. Можно выпустить рекордный объём продукции и потом долго сплрить с отделом рекламаций. Производительность без качества иногда всего лишь позволяет быстрее производить проблемы.
Поэтому премия привязывается к качественным показателям процесса – соответствию стандартам, уровню ошибок, возвратов, удовлетворённости клиента, соблюдению требуемых параметров результата, налоговых штрафов. То есть переменная часть говорит «сколько», премия – «насколько хорошо».
А бонус вообще живёт в другом пространстве – в пространстве долгосрочных целей. Не текущая выработка, не качество сегодняшней операции, а существенное изменение системы. Это уже не эксплуатация процесса – это его развитие или изменение.
В результате возникает очень чистая конструкция. Постоянная часть оплачивает наличие нужного ресурса. Переменная – валовый результат процесса. Премия – качество этого результата. Бонус – достижение целей по изменению бизнеса.
И тут обычно возникает возражение: «а у нас так не получится». У нас юрист сегодня делает одно, завтра другое. Экономист обслуживает пять руководителей. HR занимается всем понемногу. Как тут измерить результат?
Никак! Но проблема здесь не в системе оплаты труда. Проблема в том, что работа распределена плохо.
В классической функциональной системе сотрудник часто принадлежит функции, но не имеет закреплённого за собой результата процесса. Поэтому начинается персонализация управления – кто кому помог, кто сколько старался, кто «тащит», кто хорошо выглядит на совещании. Чем хуже определён результат, тем больше в оценке человека политики, субъективности и управленческого фольклора.
Процессная система производительнее не потому, что в ней нарисовано больше квадратиков и стрелочек. А потому, что она позволяет ответить на простой вопрос: какой результат должен произвести именно этот участок работы?
Когда ответ есть, система оплаты становится почти очевидной. А когда ответа нет, то никакие адские многоэтажные KPI-конструкции её не спасут. Они просто аккуратно измерят организационный бардак.
#менеджмент #управление #оплататруда #бизнеспроцессы
Ранее я предложил вам использовать систему оплаты труда, состоящую из четырех частей – постоянную, переменную, премию и бонус. А теперь я хочу показать кое-что интересное – почему эта конструкция особенно хорошо работает там, где компания управляется через процессы, а не через должностные шаманские танцы с бубном.
В процессной системе есть очень удобная вещь – результат работы существует отдельно от человека. Есть процесс, у него есть вход, выход, производительность, качество и цели. Поэтому деньги можно привязать не к впечатлению начальника, а к тому, что реально произошло.
Переменная часть здесь ложится почти идеально на валовый результат процесса. Сколько обработано заказов. Сколько произведено единиц. Сколько закрыто обращений. Сколько выполнено доставок. Сколько договоров прошло через процесс. Всё имеет свой тариф. Как говорили Стругацкие, вал по плану, план по валу!
Но не обязательно платить буквально «по штукам», но сама база понятна – есть объём результата, который можно посчитать. Если результат создаёт команда, считать можно процесс или участок, а не устраивать индивидуальные соревнования внутри конвейера. Причём считать лучше именно результат процесса, а не количество совершённых телодвижений. Потому что сто писем, двадцать совещаний и героические восемнадцать часов в офисе ещё не означают, что компания получила хоть что-нибудь полезное.
Дальше появляется премия. Она отвечает на другой вопрос – а результат был нормальным? Можно обработать тысячу заявок и половину вернуть на переделку. Можно выпустить рекордный объём продукции и потом долго сплрить с отделом рекламаций. Производительность без качества иногда всего лишь позволяет быстрее производить проблемы.
Поэтому премия привязывается к качественным показателям процесса – соответствию стандартам, уровню ошибок, возвратов, удовлетворённости клиента, соблюдению требуемых параметров результата, налоговых штрафов. То есть переменная часть говорит «сколько», премия – «насколько хорошо».
А бонус вообще живёт в другом пространстве – в пространстве долгосрочных целей. Не текущая выработка, не качество сегодняшней операции, а существенное изменение системы. Это уже не эксплуатация процесса – это его развитие или изменение.
В результате возникает очень чистая конструкция. Постоянная часть оплачивает наличие нужного ресурса. Переменная – валовый результат процесса. Премия – качество этого результата. Бонус – достижение целей по изменению бизнеса.
И тут обычно возникает возражение: «а у нас так не получится». У нас юрист сегодня делает одно, завтра другое. Экономист обслуживает пять руководителей. HR занимается всем понемногу. Как тут измерить результат?
Никак! Но проблема здесь не в системе оплаты труда. Проблема в том, что работа распределена плохо.
В классической функциональной системе сотрудник часто принадлежит функции, но не имеет закреплённого за собой результата процесса. Поэтому начинается персонализация управления – кто кому помог, кто сколько старался, кто «тащит», кто хорошо выглядит на совещании. Чем хуже определён результат, тем больше в оценке человека политики, субъективности и управленческого фольклора.
Процессная система производительнее не потому, что в ней нарисовано больше квадратиков и стрелочек. А потому, что она позволяет ответить на простой вопрос: какой результат должен произвести именно этот участок работы?
Когда ответ есть, система оплаты становится почти очевидной. А когда ответа нет, то никакие адские многоэтажные KPI-конструкции её не спасут. Они просто аккуратно измерят организационный бардак.
#менеджмент #управление #оплататруда #бизнеспроцессы
👍7🔥4❤1
Кто здесь думает, а кто вычисляет
Пару дней назад попалась занятная статья. «ИИ не думает, не учится и не понимает». Авторы рассуждают о том, что мы слишком легко переносим человеческие слова «думать», «понимать», «учиться» на машины.
С лингвистической точки зрения всё красиво. С технической – ребята слегка опоздали на поезд.
Главная проблема подобных рассуждений в том, что они всё ещё обсуждают ИИ примерно образца «большая языковая модель, обученная на огромном корпусе текстов и предсказывающая следующий токен». Но отрасль давно уже уехала дальше.
Современные модели всё чаще обучаются не только на данных, но и на опыте решения задач. Они пробуют стратегии, получают результат, обнаруживают ошибки, меняют стратегию, используют reinforcement learning, self-play, автоматическую проверку результатов, память и накопленный опыт. Уже существуют экспериментальные системы, которые извлекают обобщаемый опыт из собственных успешных и неудачных действий и используют его для последующего улучшения модели. И вот здесь начинается самое интересное.
Нам говорят: модель не думает – она вычисляет. Прекрасно. А что, собственно, делаетю человеческий мозг?
Нейрон получает сигналы от других нейронов, изменяет своё состояние, передаёт сигнал дальше. Огромная динамическая сеть перестраивается под воздействием опыта, формирует устойчивые представления, прогнозирует последствия и выбирает действия.
Конечно, мозг и transformer устроены совершенно по-разному. И хотя у них есть много общего, было бы глупо утверждать обратное. Но из того, что мы знаем физический механизм процесса, совершенно не следует, что процесс нельзя назвать мышлением. Иначе можно сказать, что человек тоже не думает, а вычисляет – у него просто происходят электрохимические реакции.
Вторая проблема ещё забавнее. Мы пытаемся дать окончательное философское определение технологии, которая меняется быстрее, чем успевают выходить статьи о ней. Пока я пишу этот текст, где-нибудь в OpenAI, Google DeepMind, Anthropic, китайской лаборатории или университетской группе кто-нибудь наверняка прикручивает очередной механизм памяти, самообучения, планирования, взаимодействия со средой или накопления опыта. Да и я сам грешен этим – на этой неделе «чистил» механизм забывания памяти.
Не обязательно именно это приведёт нас к AGI. И никто сегодня толком не знает, какая комбинация архитектур и методов к нему приведёт. Но направление движения видно довольно хорошо: от системы, которая воспроизводит усвоенные закономерности, – к системе, которая действует, получает обратную связь, накапливает опыт и меняет своё дальнейшее поведение.
А спорить, можно ли назвать это «мышлением», становится всё больше вопросом определения слова, а не возможностей системы.
Одним словом, появится AGI, вот тогда и посмотрим, кто из нас думает, а кто просто вычисляет.
Хороших вам выходных!
#пятничное #AI #искусственныйинтеллект
Пару дней назад попалась занятная статья. «ИИ не думает, не учится и не понимает». Авторы рассуждают о том, что мы слишком легко переносим человеческие слова «думать», «понимать», «учиться» на машины.
С лингвистической точки зрения всё красиво. С технической – ребята слегка опоздали на поезд.
Главная проблема подобных рассуждений в том, что они всё ещё обсуждают ИИ примерно образца «большая языковая модель, обученная на огромном корпусе текстов и предсказывающая следующий токен». Но отрасль давно уже уехала дальше.
Современные модели всё чаще обучаются не только на данных, но и на опыте решения задач. Они пробуют стратегии, получают результат, обнаруживают ошибки, меняют стратегию, используют reinforcement learning, self-play, автоматическую проверку результатов, память и накопленный опыт. Уже существуют экспериментальные системы, которые извлекают обобщаемый опыт из собственных успешных и неудачных действий и используют его для последующего улучшения модели. И вот здесь начинается самое интересное.
Нам говорят: модель не думает – она вычисляет. Прекрасно. А что, собственно, делаетю человеческий мозг?
Нейрон получает сигналы от других нейронов, изменяет своё состояние, передаёт сигнал дальше. Огромная динамическая сеть перестраивается под воздействием опыта, формирует устойчивые представления, прогнозирует последствия и выбирает действия.
Конечно, мозг и transformer устроены совершенно по-разному. И хотя у них есть много общего, было бы глупо утверждать обратное. Но из того, что мы знаем физический механизм процесса, совершенно не следует, что процесс нельзя назвать мышлением. Иначе можно сказать, что человек тоже не думает, а вычисляет – у него просто происходят электрохимические реакции.
Вторая проблема ещё забавнее. Мы пытаемся дать окончательное философское определение технологии, которая меняется быстрее, чем успевают выходить статьи о ней. Пока я пишу этот текст, где-нибудь в OpenAI, Google DeepMind, Anthropic, китайской лаборатории или университетской группе кто-нибудь наверняка прикручивает очередной механизм памяти, самообучения, планирования, взаимодействия со средой или накопления опыта. Да и я сам грешен этим – на этой неделе «чистил» механизм забывания памяти.
Не обязательно именно это приведёт нас к AGI. И никто сегодня толком не знает, какая комбинация архитектур и методов к нему приведёт. Но направление движения видно довольно хорошо: от системы, которая воспроизводит усвоенные закономерности, – к системе, которая действует, получает обратную связь, накапливает опыт и меняет своё дальнейшее поведение.
А спорить, можно ли назвать это «мышлением», становится всё больше вопросом определения слова, а не возможностей системы.
Одним словом, появится AGI, вот тогда и посмотрим, кто из нас думает, а кто просто вычисляет.
Хороших вам выходных!
#пятничное #AI #искусственныйинтеллект
🔥4👍2😁2
Ближайшие пару недель здесь, скорее всего, будет тихо. Я занят, времени мало, да и особого желания что-то писать сейчас тоже нет.
А пока предлагаю небольшую инвентаризацию. Напишите в комментариях, что вам вообще интересно читать в рамках тематики этого канала. Какие темы стоит продолжать, что разбирать подробнее, о чём я пока вообще не писал.
Ну а если окажется, что особо ничего не интересно – тоже полезный результат. Значит, пора перестать впустую тратить время – и моё, и ваше. 🙂
А пока предлагаю небольшую инвентаризацию. Напишите в комментариях, что вам вообще интересно читать в рамках тематики этого канала. Какие темы стоит продолжать, что разбирать подробнее, о чём я пока вообще не писал.
Ну а если окажется, что особо ничего не интересно – тоже полезный результат. Значит, пора перестать впустую тратить время – и моё, и ваше. 🙂
🏆9
Обещал не беспокоить, но в соседнем паблике люди стали спорить о дилемме двух морковок. Какую морковку лучше применять для мотивации персонала – ту, что сзади работника (стимул) или ту, что спереди (приманка)
Позволил себе поделиться своим мнением на этот счёт. А потом решил выложить его и сюда, пока есть 15 минут свободного времени.
Давайте честно! Лучший мотиватор – страх. Да, звучит нехорошо. Зато работает на все 146%!
Homo вообще довольно плохо приспособлен к красивым мотивационным теориям. Зато прекрасно понимает две вещи – что он может потерять и что он может получить.
История в этом смысле проводила эксперименты, которые сегодня ни один HR-директор не согласует. ГУЛАГ, например, убедительно демонстрировал, что перспектива дожить до следующего дня способна заставить человека выполнять почти невозможное. Причём не только махать киркой. В шарашках под вполне реальной угрозой создавали двигатели, самолёты, радиосистемы и бог знает что ещё.
Это, разумеется, не руководство по управлению персоналом. У современного бизнеса просто нет такого инструментария. И, наверное, слава богу, что нет.
Поэтому приходится работать с гуманной версией той же биологии.
У человека есть четыре базовых мотивационных состояния:
– получить что-то сейчас;
– получить что-то потом;
– не потерять что-то сейчас;
– не потерять что-то потом.
Причём они неравноценны. Потеря обычно переживается сильнее приобретения. Например, риск проигрыша оценивается равносильным вероятности выигрыша как 2:1. Близкое сильнее далёкого. Конкретное сильнее абстрактного.
«Через три года ты, возможно, станешь директором» – слабый стимул.
«Если закроешь этот проект – в следующем месяце получишь бонус» – уже лучше.
«Если продолжишь заваливать сроки – потеряешь проект, премию и право выбирать следующие задачи» – совсем просто, понятно, легко запомнить.
Но здесь и появляется закон Йеркса-Додсона. Немного давления повышает производительность. Слишком много – превращает человека сначала в идиота, а потом в саботажника.
Поэтому хороший руководитель не выбирает между «морковкой спереди» и «морковкой сзади». Он настраивает натяжение поводка.
Для сильного специалиста достаточно риска потерять автономию, интересную задачу, репутацию или будущую возможность. Для слабого зачастую нужны значительно более близкие и материальные последствия. И наоборот, сильному специалисту имеет смысл обещать большую, но отложенную награду, слабому – маленькую, зато завтра.
Практический приём очень простой.Для каждой роли ответьте на четыре вопроса:
– что человек реально боится потерять сегодня;
что он боится потерять завтра;
– что он хочет получить сегодня;
– что он хочет получить завтра.
А потом стройте систему мотивации из этих четырёх кирпичей.
Потому что мотивировать человека тем, что нравится вам – бессмысленно. Нужно мотивировать его тем, что имеет значение для его собственной обезьяны внутри.
🤷🏼♂️
Позволил себе поделиться своим мнением на этот счёт. А потом решил выложить его и сюда, пока есть 15 минут свободного времени.
Давайте честно! Лучший мотиватор – страх. Да, звучит нехорошо. Зато работает на все 146%!
Homo вообще довольно плохо приспособлен к красивым мотивационным теориям. Зато прекрасно понимает две вещи – что он может потерять и что он может получить.
История в этом смысле проводила эксперименты, которые сегодня ни один HR-директор не согласует. ГУЛАГ, например, убедительно демонстрировал, что перспектива дожить до следующего дня способна заставить человека выполнять почти невозможное. Причём не только махать киркой. В шарашках под вполне реальной угрозой создавали двигатели, самолёты, радиосистемы и бог знает что ещё.
Это, разумеется, не руководство по управлению персоналом. У современного бизнеса просто нет такого инструментария. И, наверное, слава богу, что нет.
Поэтому приходится работать с гуманной версией той же биологии.
У человека есть четыре базовых мотивационных состояния:
– получить что-то сейчас;
– получить что-то потом;
– не потерять что-то сейчас;
– не потерять что-то потом.
Причём они неравноценны. Потеря обычно переживается сильнее приобретения. Например, риск проигрыша оценивается равносильным вероятности выигрыша как 2:1. Близкое сильнее далёкого. Конкретное сильнее абстрактного.
«Через три года ты, возможно, станешь директором» – слабый стимул.
«Если закроешь этот проект – в следующем месяце получишь бонус» – уже лучше.
«Если продолжишь заваливать сроки – потеряешь проект, премию и право выбирать следующие задачи» – совсем просто, понятно, легко запомнить.
Но здесь и появляется закон Йеркса-Додсона. Немного давления повышает производительность. Слишком много – превращает человека сначала в идиота, а потом в саботажника.
Поэтому хороший руководитель не выбирает между «морковкой спереди» и «морковкой сзади». Он настраивает натяжение поводка.
Для сильного специалиста достаточно риска потерять автономию, интересную задачу, репутацию или будущую возможность. Для слабого зачастую нужны значительно более близкие и материальные последствия. И наоборот, сильному специалисту имеет смысл обещать большую, но отложенную награду, слабому – маленькую, зато завтра.
Практический приём очень простой.Для каждой роли ответьте на четыре вопроса:
– что человек реально боится потерять сегодня;
что он боится потерять завтра;
– что он хочет получить сегодня;
– что он хочет получить завтра.
А потом стройте систему мотивации из этих четырёх кирпичей.
Потому что мотивировать человека тем, что нравится вам – бессмысленно. Нужно мотивировать его тем, что имеет значение для его собственной обезьяны внутри.
🤷🏼♂️
👍10🔥7
Добро пожаловать в эру AGI
Похоже, дождались. 3 сентября OpenAI представила GPT-6 Astra. Можно, конечно, ещё лет десять спорить о правильном определении Artificial General Intelligence. Академические споры вообще обладают замечательным свойством переживать предмет спора. А можно посмотреть, что произошло на практике.
Astra умеет не просто отвечать на вопросы. Она работает с компьютером, браузером и программами, пишет код, проводит исследования, создаёт документы, таблицы и презентации и выполняет длинные последовательности действий от постановки задачи до результата.
Но особенно интересно посмотреть на тесты. На FrontierMath Tier 4 – одном из самых сложных математических бенчмарков для ИИ – Astra получила 98%. Причём OpenAI сообщает, что модель уже участвовала в решении давно стоявших нерешенными математических задач. В новом тесте Astra дали 68 реально открытых задач Эрдёша, и она самостоятельно решила 2. Остальные актуальные модели, как и математики-люди, не решили ни одной.
На тесте, специально придуманном для проверки способности модели разбираться в совершенно новых задачах, а не воспроизводить заученные шаблоны Astra фактически достигла человеческого уровня – 99,9%.
На тесте кибербезопасности – 100%. Astra стала первой моделью OpenAI, достигшей уровня Critical по кибервозможностям. При наличии инструментов она способна самостоятельно находить ранее неизвестные уязвимости и разрабатывать способы их эксплуатации без человека, ведущего её за руку на каждом шаге.
И вот здесь я бы поставил флажок. AGI совершенно не обязано однажды утром проснуться, посмотреть на человечество и сказать: «Доброе утро, кожаные мешки! Расслабились?!». Это вообще голливудская постановка вопроса.
Гораздо важнее другое – насколько широк класс задач, которые машина способна понять, освоить и выполнить самостоятельно.
Раньше мы спрашивали, может ли ИИ написать текст? Код? Провести анализ? Найти ошибку? Решить математическую задачу?
Теперь вопрос постепенно меняется – что именно из интеллектуальной работы человека ему ещё нельзя поручить? И это принципиально другая эпоха.
Astra не стала каким-то электронным божеством. Она всё ещё может ошибаться, не обладает телом и зависит от предоставленных ей инструментов и доступа к реальному миру. Но посмотрите на направление движения! Модель уже решает математические задачи переднего края науки, практически закрывает тест на способность осваивать незнакомые задачи, самостоятельно работает с компьютером и способна выполнять многошаговую профессиональную работу от начала до конца.
Мы довольно долго ждали AGI в образе искусственного человека. А оно, похоже, пришло совсем в другом виде – как универсальный интеллектуальный работник, которому можно дать цель, инструменты и уйти заниматься своими делами.
Добро пожаловать в эру AGI.
Плохая новость состоит в том, что большинство компаний к этому совершенно не готовы. Хорошая – большинство их конкурентов тоже.
#искусственныйинтеллект
Похоже, дождались. 3 сентября OpenAI представила GPT-6 Astra. Можно, конечно, ещё лет десять спорить о правильном определении Artificial General Intelligence. Академические споры вообще обладают замечательным свойством переживать предмет спора. А можно посмотреть, что произошло на практике.
Astra умеет не просто отвечать на вопросы. Она работает с компьютером, браузером и программами, пишет код, проводит исследования, создаёт документы, таблицы и презентации и выполняет длинные последовательности действий от постановки задачи до результата.
Но особенно интересно посмотреть на тесты. На FrontierMath Tier 4 – одном из самых сложных математических бенчмарков для ИИ – Astra получила 98%. Причём OpenAI сообщает, что модель уже участвовала в решении давно стоявших нерешенными математических задач. В новом тесте Astra дали 68 реально открытых задач Эрдёша, и она самостоятельно решила 2. Остальные актуальные модели, как и математики-люди, не решили ни одной.
На тесте, специально придуманном для проверки способности модели разбираться в совершенно новых задачах, а не воспроизводить заученные шаблоны Astra фактически достигла человеческого уровня – 99,9%.
На тесте кибербезопасности – 100%. Astra стала первой моделью OpenAI, достигшей уровня Critical по кибервозможностям. При наличии инструментов она способна самостоятельно находить ранее неизвестные уязвимости и разрабатывать способы их эксплуатации без человека, ведущего её за руку на каждом шаге.
И вот здесь я бы поставил флажок. AGI совершенно не обязано однажды утром проснуться, посмотреть на человечество и сказать: «Доброе утро, кожаные мешки! Расслабились?!». Это вообще голливудская постановка вопроса.
Гораздо важнее другое – насколько широк класс задач, которые машина способна понять, освоить и выполнить самостоятельно.
Раньше мы спрашивали, может ли ИИ написать текст? Код? Провести анализ? Найти ошибку? Решить математическую задачу?
Теперь вопрос постепенно меняется – что именно из интеллектуальной работы человека ему ещё нельзя поручить? И это принципиально другая эпоха.
Astra не стала каким-то электронным божеством. Она всё ещё может ошибаться, не обладает телом и зависит от предоставленных ей инструментов и доступа к реальному миру. Но посмотрите на направление движения! Модель уже решает математические задачи переднего края науки, практически закрывает тест на способность осваивать незнакомые задачи, самостоятельно работает с компьютером и способна выполнять многошаговую профессиональную работу от начала до конца.
Мы довольно долго ждали AGI в образе искусственного человека. А оно, похоже, пришло совсем в другом виде – как универсальный интеллектуальный работник, которому можно дать цель, инструменты и уйти заниматься своими делами.
Добро пожаловать в эру AGI.
Плохая новость состоит в том, что большинство компаний к этому совершенно не готовы. Хорошая – большинство их конкурентов тоже.
#искусственныйинтеллект
👍7🔥4
Со следующей недели возвращаюсь к регулярным постам.
Извиняюсь за паузу – последние недели получились слишком плотными – высокая загрузка плюс некоторое количество технических приключений, без которых, видимо, жизнь была бы слишком простой 🙂
Ближайшая тема на несколько постов: «Где живёт мой ИИ?»
Саму идею я честно стащил у Никиты Юнева. Его канал, кстати, искренне рекомендую – там хватает мыслей, которые хочется утащить себе и потом долго «об них думать».
Поговорим о том, где вообще находится современный ИИ – в модели, в приложении, в памяти, в инструментах, в контексте – или уже давно не в каком-то одном месте.
Со следующей недели начинаем.
Извиняюсь за паузу – последние недели получились слишком плотными – высокая загрузка плюс некоторое количество технических приключений, без которых, видимо, жизнь была бы слишком простой 🙂
Ближайшая тема на несколько постов: «Где живёт мой ИИ?»
Саму идею я честно стащил у Никиты Юнева. Его канал, кстати, искренне рекомендую – там хватает мыслей, которые хочется утащить себе и потом долго «об них думать».
Поговорим о том, где вообще находится современный ИИ – в модели, в приложении, в памяти, в инструментах, в контексте – или уже давно не в каком-то одном месте.
Со следующей недели начинаем.
👍12🔥4❤2❤🔥2
Где живёт мой ИИ
Часть 1. Что-то типа введения.
Когда разговор заходит о корпоративном ИИ, он почти неизбежно очень быстро сваливается к моделям. GPT, Claude, Gemini, Llama, модели китайских товарищей.
Какая умнее? Какая быстрее? Какая дешевле? У какой больше контекст?
Конечно, это важные вопросы. Но, на мой взгляд, мы начинаем немного не с того конца. «Голая» LLM – большая языковая модель – сама по себе ещё не цифровой работник (Digital Worker). Это примерно так же, как очень хороший процессор – ещё не компьютер.
Представим нового сотрудника. Он может быть исключительно умным. Но если он не знает, чем сейчас занимается компания, не помнит предыдущие договорённости, не имеет доступа к рабочим данным, не знает своих полномочий и правил, не умеет пользоваться корпоративными системами и не понимает, каким должен быть хороший результат, то одного интеллекта будет ему точно будет маловато.
С ИИ примерно та же история. LLM-модель даёт нам интеллектуальную способность – понять текст, что-то сопоставить, рассуждать, построить гипотезу, написать документ. Но работа – это гораздо больше.
Её нужно получить, понять, поместить в контекст, разбить на действия. Где-то вызвать модель, где-то обычный алгоритм, где-то корпоративную систему, а иногда передать решение человеку. Полученный результат нужно проверить, при необходимости исправить и только потом признать работу законченной.
Для этого вокруг модели появляется Execution Layer – слой исполнения. Он отвечает уже не за разговор с ИИ, а за выполнение работы – последовательность действий, инструменты, маршрутизацию, проверки, повторные попытки, эскалации и восстановление после ошибок или банальнойэ перезагрузки сервера после обновлений системы.
Но и этого недостаточно. Работнику нужны знания, нужна память, нужно понимание ситуации, в которой он действует. С другой стороны, освоенные способы выполнения задач должны формировать его собственный опыт.
Это уже Cognitive Layer – когнитивный слой. Особенно важна здесь Persistent Cognition — способность помнить и накапливать опыт. Модель умеет рассуждать во время конкретного запуска, но профессиональный интеллект работника не должен исчезать вместе с окончанием выполнения задания. Знания, опыт, освоенные процедуры и полезные выводы должны жить дольше отдельного prompt или одной сессии.
Отсюда следует довольно важная мысль:
Workflow – ещё не Digital Worker.
Последовательность шагов (workflow) описывает, как движется работа. Но цифровому работнику нужны ещё способности, контекст, знания, память, полномочия, контроль результата и возможность накапливать профессиональный опыт – саморазвиваться.
Именно вокруг этой идеи мы строим Cortex Suite. Не как оболочку вокруг одной LLM и не как конструктор «агентов». Мы рассматриваем эту систему как AI Worker Platform – платформу для построения цифровых работников, в которой отдельно существуют механизмы исполнения, когнитивные механизмы и механизмы управления. Это и есть то место, где живёт мой ИИ.
Поэтому вопрос, а какую модель вы используете, конечно, имеет смысл. Но мне всё чаще кажется гораздо интереснее и правильнее задать другой вопрос – а где и как эта модель живёт, когда ей действительно приходится работать? Об этом и будет этот цикл.
А в следующий раз мы попробуем разобраться, почему даже очень сильная модель, помещённая в плохую рабочую среду, способна выглядеть удивительно глупо.
#ии #искусственныйинтеллект #цифровойработник
Часть 1. Что-то типа введения.
Когда разговор заходит о корпоративном ИИ, он почти неизбежно очень быстро сваливается к моделям. GPT, Claude, Gemini, Llama, модели китайских товарищей.
Какая умнее? Какая быстрее? Какая дешевле? У какой больше контекст?
Конечно, это важные вопросы. Но, на мой взгляд, мы начинаем немного не с того конца. «Голая» LLM – большая языковая модель – сама по себе ещё не цифровой работник (Digital Worker). Это примерно так же, как очень хороший процессор – ещё не компьютер.
Представим нового сотрудника. Он может быть исключительно умным. Но если он не знает, чем сейчас занимается компания, не помнит предыдущие договорённости, не имеет доступа к рабочим данным, не знает своих полномочий и правил, не умеет пользоваться корпоративными системами и не понимает, каким должен быть хороший результат, то одного интеллекта будет ему точно будет маловато.
С ИИ примерно та же история. LLM-модель даёт нам интеллектуальную способность – понять текст, что-то сопоставить, рассуждать, построить гипотезу, написать документ. Но работа – это гораздо больше.
Её нужно получить, понять, поместить в контекст, разбить на действия. Где-то вызвать модель, где-то обычный алгоритм, где-то корпоративную систему, а иногда передать решение человеку. Полученный результат нужно проверить, при необходимости исправить и только потом признать работу законченной.
Для этого вокруг модели появляется Execution Layer – слой исполнения. Он отвечает уже не за разговор с ИИ, а за выполнение работы – последовательность действий, инструменты, маршрутизацию, проверки, повторные попытки, эскалации и восстановление после ошибок или банальнойэ перезагрузки сервера после обновлений системы.
Но и этого недостаточно. Работнику нужны знания, нужна память, нужно понимание ситуации, в которой он действует. С другой стороны, освоенные способы выполнения задач должны формировать его собственный опыт.
Это уже Cognitive Layer – когнитивный слой. Особенно важна здесь Persistent Cognition — способность помнить и накапливать опыт. Модель умеет рассуждать во время конкретного запуска, но профессиональный интеллект работника не должен исчезать вместе с окончанием выполнения задания. Знания, опыт, освоенные процедуры и полезные выводы должны жить дольше отдельного prompt или одной сессии.
Отсюда следует довольно важная мысль:
Workflow – ещё не Digital Worker.
Последовательность шагов (workflow) описывает, как движется работа. Но цифровому работнику нужны ещё способности, контекст, знания, память, полномочия, контроль результата и возможность накапливать профессиональный опыт – саморазвиваться.
Именно вокруг этой идеи мы строим Cortex Suite. Не как оболочку вокруг одной LLM и не как конструктор «агентов». Мы рассматриваем эту систему как AI Worker Platform – платформу для построения цифровых работников, в которой отдельно существуют механизмы исполнения, когнитивные механизмы и механизмы управления. Это и есть то место, где живёт мой ИИ.
Поэтому вопрос, а какую модель вы используете, конечно, имеет смысл. Но мне всё чаще кажется гораздо интереснее и правильнее задать другой вопрос – а где и как эта модель живёт, когда ей действительно приходится работать? Об этом и будет этот цикл.
А в следующий раз мы попробуем разобраться, почему даже очень сильная модель, помещённая в плохую рабочую среду, способна выглядеть удивительно глупо.
#ии #искусственныйинтеллект #цифровойработник
🔥11👍8
Где живёт мой ИИ
Часть 2. Почему умная модель работает глупо
В прошлом посте я написал, что большая языковая модель сама по себе ещё не цифровой работник. Попробуем теперь разобраться почему.
Возьмём очень сильную модель и дадим ей простую рабочую задачу – подготовь ответ клиенту по поводу задержки поставки.
На первый взгляд всё прекрасно. Модель умеет писать лучше половины человечества. Но прежде чем что-то отвечать, неплохо бы узнать хотя бы несколько вещей.
Мы покупаем или продаем? Какой клиент? Что с ним происходило раньше? О какой поставке речь? Что ему уже обещали? Задержка с чьей стороны? Почему она возникла? Что говорит договор?
И даже если модель прекрасно понимает русский язык, ответов на эти вопросы внутри модели нет. Она может только догадаться. А для корпоративной работы догадка – довольно скверный источник данных.
Поэтому первое, что требуется цифровому работнику, – это Context – контекст текущей работы.
Это не гигантский prompt со всем, что удалось найти. А именно те данные, которые необходимы для выполнения этой конкретной задачи. Но контекста тоже мало.
Во время работы появляются промежуточные результаты – что уже выяснили, какие решения приняли, какие действия выполнили, чего ещё ждём. Это State – состояние работы.
Если контекст отвечает на вопрос, что мне сейчас нужно знать, то состояние – это где мы сейчас находимся?
Теперь допустим, всё необходимое известно. Но работнику всё равно придётся что-то сделать. Например, посмотреть заказ, проверить остатки, найти договор, получить историю переписки из CRM, рассчитать новую дату, отправить письмо.
Для этого нужны Capabilities – способности выполнять действия – инструменты, корпоративные системы, алгоритмы, сервисы и другие доступные исполнители, в том числе люди
Но и здесь работа ещё не закончена. Ок, модель написала письмо. Красивое. Можно отправлять? Не факт.
В нём может быть неверная дата, необоснованное обещание, формулировка, нарушающая правила компании или модель могла просто не выполнить часть задачи.
Поэтому результат нужно проверить. И здесь появляется ещё один слой – Control Layer – слой управления. Он определяет правила, полномочия, проверки, ограничения и условия, при которых работу можно считать выполненной.
Если обнаружено исключение – ошибка или несоответствие, – система должна выполнить эскалацию – передать запрос человеку.
Получается довольно забавная картина. Модель по-прежнему очень важна. Но качество цифрового работника определяется уже не только тем, насколько хорошо модель умеет рассуждать. Ещё важнее что она получила на входе, что система помнит, какие действия ей доступны, что ей разрешено и главное – как проверяется результат и что происходит, если что-то пошло не так.
Именно поэтому мне не очень нравится вопрос, какую LLM выбрать для компании. Он слишком рано и не в том месте ставит точку. Правильнее сначала спросить, а как должна быть устроена система работы, внутри которой LLM будет выполнять свою часть?
В Cortex Suite мы исходим именно из этого. Модель – важный исполнитель. Иногда главный, хоть и не всегда. Но она – это не вся система, это лишь верхушка айсберга.
Более того, следующий шаг ещё интереснее. Разные части одной и той же работы вообще не обязаны выполняться одной и той же моделью.
Но об этом – в следующий раз
#ии #искусственныйинтеллект #цифровойработник
Часть 2. Почему умная модель работает глупо
В прошлом посте я написал, что большая языковая модель сама по себе ещё не цифровой работник. Попробуем теперь разобраться почему.
Возьмём очень сильную модель и дадим ей простую рабочую задачу – подготовь ответ клиенту по поводу задержки поставки.
На первый взгляд всё прекрасно. Модель умеет писать лучше половины человечества. Но прежде чем что-то отвечать, неплохо бы узнать хотя бы несколько вещей.
Мы покупаем или продаем? Какой клиент? Что с ним происходило раньше? О какой поставке речь? Что ему уже обещали? Задержка с чьей стороны? Почему она возникла? Что говорит договор?
И даже если модель прекрасно понимает русский язык, ответов на эти вопросы внутри модели нет. Она может только догадаться. А для корпоративной работы догадка – довольно скверный источник данных.
Поэтому первое, что требуется цифровому работнику, – это Context – контекст текущей работы.
Это не гигантский prompt со всем, что удалось найти. А именно те данные, которые необходимы для выполнения этой конкретной задачи. Но контекста тоже мало.
Во время работы появляются промежуточные результаты – что уже выяснили, какие решения приняли, какие действия выполнили, чего ещё ждём. Это State – состояние работы.
Если контекст отвечает на вопрос, что мне сейчас нужно знать, то состояние – это где мы сейчас находимся?
Теперь допустим, всё необходимое известно. Но работнику всё равно придётся что-то сделать. Например, посмотреть заказ, проверить остатки, найти договор, получить историю переписки из CRM, рассчитать новую дату, отправить письмо.
Для этого нужны Capabilities – способности выполнять действия – инструменты, корпоративные системы, алгоритмы, сервисы и другие доступные исполнители, в том числе люди
Но и здесь работа ещё не закончена. Ок, модель написала письмо. Красивое. Можно отправлять? Не факт.
В нём может быть неверная дата, необоснованное обещание, формулировка, нарушающая правила компании или модель могла просто не выполнить часть задачи.
Поэтому результат нужно проверить. И здесь появляется ещё один слой – Control Layer – слой управления. Он определяет правила, полномочия, проверки, ограничения и условия, при которых работу можно считать выполненной.
Если обнаружено исключение – ошибка или несоответствие, – система должна выполнить эскалацию – передать запрос человеку.
Получается довольно забавная картина. Модель по-прежнему очень важна. Но качество цифрового работника определяется уже не только тем, насколько хорошо модель умеет рассуждать. Ещё важнее что она получила на входе, что система помнит, какие действия ей доступны, что ей разрешено и главное – как проверяется результат и что происходит, если что-то пошло не так.
Именно поэтому мне не очень нравится вопрос, какую LLM выбрать для компании. Он слишком рано и не в том месте ставит точку. Правильнее сначала спросить, а как должна быть устроена система работы, внутри которой LLM будет выполнять свою часть?
В Cortex Suite мы исходим именно из этого. Модель – важный исполнитель. Иногда главный, хоть и не всегда. Но она – это не вся система, это лишь верхушка айсберга.
Более того, следующий шаг ещё интереснее. Разные части одной и той же работы вообще не обязаны выполняться одной и той же моделью.
Но об этом – в следующий раз
#ии #искусственныйинтеллект #цифровойработник
🔥7👍4❤1
Где живёт мой ИИ
Часть 3. Цифровой работник – это не одна модель.
Есть ещё одна привычка, от которой, на мой взгляд, стоит постепенно отказываться. Мы часто говорим: «наш ИИ работает на такой-то модели».
Как будто цифровому работнику обязательно нужно выбрать один мозг – и дальше использовать его для всего.
Но человек ведь тоже не решает каждую рабочую задачу одинаковым способом. Посчитать НДС проще калькулятором, чем устраивать совещание. Хотя, конечно, можно и так, просто дольше. Да и собственный мозг мы далеко не для каждой операции переводим в режим глубоких размышлений. И с ИИ примерно так же.
Вернёмся к нашему примеру с задержкой поставки. Работник получил сообщение клиента. Сначала нужно понять, что это вообще за сообщение: вопрос, претензия, просьба, уточнение? Для такой классификации совершенно не обязательно запускать самую сильную модель и ждать полминуты результат её глубоких размышлений.
Дальше нужно извлечь из текста номер заказа, название клиента, дату или другие сущности. Это опять простая, хорошо ограниченная задача.
Затем возникает уже другой вопрос – почему поставка задерживается и что теперь разумно сделать? Вот здесь может потребоваться анализ договора, истории поставок, текущего состояния заказа, обязательств компании и нескольких возможных вариантов действий. Для этого шага сильная модель вполне оправдана.
Потом нужно рассчитать новую дату доставки. Если существует формальный алгоритм – здесь вообще не нужна LLM. Например, задачу составления расписаний лучше поручать не модели, а коду.
Затем подготовить письмо клиенту. Для этого может понадобиться ещё одна модель.
После этого проверить, что в письме нет запрещённых обещаний, все обязательные данные присутствуют, а указанная дата совпадает с расчётом. Часть этих проверок снова можно выполнить маленькой быстрой моделью, а часть обычным кодом.
Получается, что один цифровой работник в рамках одной задачи может использовать:
– небольшие быстрые модели, например, для классификации;
– средние модели, например, для извлечения данных;
– сильные reasoning-модели для сложного решения;
– специализированные модели, например, для обработки изображений, видео или аудио;
– детерминированный алгоритм для расчёта;
– обычный код для части проверок.
А иногда один из шагов вообще должен выполнить человек.
В Cortex Suite такая исполняемая операция представлена Primitive – примитивом. Это базовый строительный элемент цифрового работника. Примитивы могут использовать модель, выполнять алгоритм, обращаться к сервису или реализовывать служебную логику исполнения. Здесь архитектурный принцип довольно простой – способ исполнения определяется на уровне конкретной операции, а не процесса целиком.
Это и есть workflow-first approach – сначала проектируется сама работа – её логика, этапы, условия переходов, проверки и результат. И только потом эта логика реализуется средствами платформы – примитивами, за которыми могут стоять модели, сложные алгоритмы или простой код, логические операции, когнитивные механизмы и даже действия человека.
У такого подхода есть довольно практичное следствие – не нужно выбирать между качеством и стоимостью всей системы. Дорогой интеллект можно использовать там, где действительно требуется сложное рассуждение. Рутинные операции оставить маленьким моделям, а там, где задача полностью формализована, можно не использовать генеративный ИИ вообще.
В Cortex Suite способ исполнения задаётся на уровне конкретной операции. Поэтому один цифровой работник может использовать несколько моделей, нескольких провайдеров и вообще разные механизмы исполнения. Следующий естественный шаг – выбирать модель динамически, в зависимости от сложности конкретной задачи. Но это отдельная история.
А для начала достаточно одной мысли – не нужно выбирать модель для цифрового работника. Нужно выбирать правильный интеллект для правильной операции. А чтобы сделать это осмысленно, системе сначала придётся понять ещё одну вещь – что именно пользователь сейчас сказал и чего он от неё хочет?
С этого начнём следующий пост.
#цифровойработник #ии #искусственныйинтеллект
Часть 3. Цифровой работник – это не одна модель.
Есть ещё одна привычка, от которой, на мой взгляд, стоит постепенно отказываться. Мы часто говорим: «наш ИИ работает на такой-то модели».
Как будто цифровому работнику обязательно нужно выбрать один мозг – и дальше использовать его для всего.
Но человек ведь тоже не решает каждую рабочую задачу одинаковым способом. Посчитать НДС проще калькулятором, чем устраивать совещание. Хотя, конечно, можно и так, просто дольше. Да и собственный мозг мы далеко не для каждой операции переводим в режим глубоких размышлений. И с ИИ примерно так же.
Вернёмся к нашему примеру с задержкой поставки. Работник получил сообщение клиента. Сначала нужно понять, что это вообще за сообщение: вопрос, претензия, просьба, уточнение? Для такой классификации совершенно не обязательно запускать самую сильную модель и ждать полминуты результат её глубоких размышлений.
Дальше нужно извлечь из текста номер заказа, название клиента, дату или другие сущности. Это опять простая, хорошо ограниченная задача.
Затем возникает уже другой вопрос – почему поставка задерживается и что теперь разумно сделать? Вот здесь может потребоваться анализ договора, истории поставок, текущего состояния заказа, обязательств компании и нескольких возможных вариантов действий. Для этого шага сильная модель вполне оправдана.
Потом нужно рассчитать новую дату доставки. Если существует формальный алгоритм – здесь вообще не нужна LLM. Например, задачу составления расписаний лучше поручать не модели, а коду.
Затем подготовить письмо клиенту. Для этого может понадобиться ещё одна модель.
После этого проверить, что в письме нет запрещённых обещаний, все обязательные данные присутствуют, а указанная дата совпадает с расчётом. Часть этих проверок снова можно выполнить маленькой быстрой моделью, а часть обычным кодом.
Получается, что один цифровой работник в рамках одной задачи может использовать:
– небольшие быстрые модели, например, для классификации;
– средние модели, например, для извлечения данных;
– сильные reasoning-модели для сложного решения;
– специализированные модели, например, для обработки изображений, видео или аудио;
– детерминированный алгоритм для расчёта;
– обычный код для части проверок.
А иногда один из шагов вообще должен выполнить человек.
В Cortex Suite такая исполняемая операция представлена Primitive – примитивом. Это базовый строительный элемент цифрового работника. Примитивы могут использовать модель, выполнять алгоритм, обращаться к сервису или реализовывать служебную логику исполнения. Здесь архитектурный принцип довольно простой – способ исполнения определяется на уровне конкретной операции, а не процесса целиком.
Это и есть workflow-first approach – сначала проектируется сама работа – её логика, этапы, условия переходов, проверки и результат. И только потом эта логика реализуется средствами платформы – примитивами, за которыми могут стоять модели, сложные алгоритмы или простой код, логические операции, когнитивные механизмы и даже действия человека.
У такого подхода есть довольно практичное следствие – не нужно выбирать между качеством и стоимостью всей системы. Дорогой интеллект можно использовать там, где действительно требуется сложное рассуждение. Рутинные операции оставить маленьким моделям, а там, где задача полностью формализована, можно не использовать генеративный ИИ вообще.
В Cortex Suite способ исполнения задаётся на уровне конкретной операции. Поэтому один цифровой работник может использовать несколько моделей, нескольких провайдеров и вообще разные механизмы исполнения. Следующий естественный шаг – выбирать модель динамически, в зависимости от сложности конкретной задачи. Но это отдельная история.
А для начала достаточно одной мысли – не нужно выбирать модель для цифрового работника. Нужно выбирать правильный интеллект для правильной операции. А чтобы сделать это осмысленно, системе сначала придётся понять ещё одну вещь – что именно пользователь сейчас сказал и чего он от неё хочет?
С этого начнём следующий пост.
#цифровойработник #ии #искусственныйинтеллект
🔥3👍2❤1