Кто говорит первым — тот ошибается?
О том, как порядок обсуждения влияет на качество решений
В книге Venture Mindset Илья Стребулаев описывает любопытную практику из мира венчурных инвестиций: при обсуждении инвест. проектов на встречах команды сначала высказываются младшие участники, а партнеры — только в конце.
Причина проста: чтобы не фреймить обсуждение своей позицией и не подавлять мнение других. Когда начальник говорит первым, риск велик — обсуждение быстро превращается в обсуждение его идеи. Когда — последним, появляется пространство для альтернативных точек зрения, свежих идей и более точного понимания рисков.
Похожий подход используется в некоторых странах во флоте: при оценке сложных ситуаций сначала высказывается младший по званию, а капитан — в конце. Так снижается эффект авторитета, выявляются неочевидные угрозы, а командные решения становятся более качественными.
Этот принцип важен и в корпоративном управлении. Особенно — в условиях неопределенности, где решения не лежат на поверхности. Если обсуждение идет сверху вниз — мы рискуем потерять важные сигналы. Люди ниже по иерархии чаще находятся ближе к проблеме. Но если они слышат «финальное мнение» в начале — их голоса становятся эхом, а не источником данных.
На одной стратегической сессии я предложил простое правило: первыми говорят те, кто ближе к задаче. Последними — те, кто принимает решение. В итоге появились три неожиданных риска и две идеи, которые иначе просто не прозвучали бы. Да, обсуждение заняло дольше. Но решение оказалось точнее. А значит — дешевле в реализации.
Порядок обсуждения — это не формальность. Это инструмент мышления. Хотим ли мы услышать новые идеи? Или просто быстрее согласовать старые?
О том, как порядок обсуждения влияет на качество решений
В книге Venture Mindset Илья Стребулаев описывает любопытную практику из мира венчурных инвестиций: при обсуждении инвест. проектов на встречах команды сначала высказываются младшие участники, а партнеры — только в конце.
Причина проста: чтобы не фреймить обсуждение своей позицией и не подавлять мнение других. Когда начальник говорит первым, риск велик — обсуждение быстро превращается в обсуждение его идеи. Когда — последним, появляется пространство для альтернативных точек зрения, свежих идей и более точного понимания рисков.
Похожий подход используется в некоторых странах во флоте: при оценке сложных ситуаций сначала высказывается младший по званию, а капитан — в конце. Так снижается эффект авторитета, выявляются неочевидные угрозы, а командные решения становятся более качественными.
Этот принцип важен и в корпоративном управлении. Особенно — в условиях неопределенности, где решения не лежат на поверхности. Если обсуждение идет сверху вниз — мы рискуем потерять важные сигналы. Люди ниже по иерархии чаще находятся ближе к проблеме. Но если они слышат «финальное мнение» в начале — их голоса становятся эхом, а не источником данных.
На одной стратегической сессии я предложил простое правило: первыми говорят те, кто ближе к задаче. Последними — те, кто принимает решение. В итоге появились три неожиданных риска и две идеи, которые иначе просто не прозвучали бы. Да, обсуждение заняло дольше. Но решение оказалось точнее. А значит — дешевле в реализации.
Порядок обсуждения — это не формальность. Это инструмент мышления. Хотим ли мы услышать новые идеи? Или просто быстрее согласовать старые?
👍4
Как собрать своего AI-ассистента — по методике HBR
В Harvard Business Review вышел полезный материал о том, как собрать собственного AI-ассистента — без кода и с понятной практической пользой. Я прочитал и хочу поделиться с теми, кто регулярно работает с AI и хочет перейти на следующий уровень.
Автор статьи, Александра Самуэль, описывает проблему, знакомую многим: когда вы часто используете ChatGPT или аналогичные платформы, вы тратите массу времени на одно и то же — загружаете повторяющиеся файлы, формулируете похожие запросы, поясняете контекст. Всё это снижает эффективность.
Решение — собрать собственного ассистента: в ChatGPT это называется Custom GPT, в Claude — Project, у Google Gemini — Gem. Такой ассистент помнит контекст: инструкции, цели, тон, примеры, типовые форматы. Он может быть настроен под ваш стиль, задачи и область — и запускаться как самостоятельный рабочий инструмент.
HBR выделяет 4 типа, где это особенно эффективно:
1. Коммуникации и контент — например, помощник для написания постов, рассылок, презентаций.
2. Справка и поддержка — например, внутренний FAQ по IT-системам или условиям контрактов.
3. Проектное управление — бот, который помогает приоритизировать задачи и извлекать action items из встреч.
4. Стратегическое мышление и коучинг — ассистент, который играет роль "внутреннего оппонента" и помогает отрабатывать сценарии.
Важно, что всё это можно собрать за 15–30 минут, без технических знаний. Ключевое — четко сформулировать:
- кто ваш ассистент и какую задачу он решает;
- как он должен отвечать (тон, формат, примеры);
- какие файлы и вводные ему нужно «знать».
>> Один из полезных советов: можно начать с обычной сессии чата, собрать удачные промпты и обратную связь — а потом попросить сам AI оформить это в инструкцию для ассистента.
Лично мне близка идея делить ассистентов по функциям, а не собирать универсального: один — для стратегии, другой — для персонального челленджа, третий — для работы с контентом.
Если вы часто используете AI, рекомендую прочитать оригинал статьи в HBR (ссылка - в первом комментарии). Или просто попробовать собрать своего первого ассистента — пользы будет больше, чем от десятка случайных промптов.
В Harvard Business Review вышел полезный материал о том, как собрать собственного AI-ассистента — без кода и с понятной практической пользой. Я прочитал и хочу поделиться с теми, кто регулярно работает с AI и хочет перейти на следующий уровень.
Автор статьи, Александра Самуэль, описывает проблему, знакомую многим: когда вы часто используете ChatGPT или аналогичные платформы, вы тратите массу времени на одно и то же — загружаете повторяющиеся файлы, формулируете похожие запросы, поясняете контекст. Всё это снижает эффективность.
Решение — собрать собственного ассистента: в ChatGPT это называется Custom GPT, в Claude — Project, у Google Gemini — Gem. Такой ассистент помнит контекст: инструкции, цели, тон, примеры, типовые форматы. Он может быть настроен под ваш стиль, задачи и область — и запускаться как самостоятельный рабочий инструмент.
HBR выделяет 4 типа, где это особенно эффективно:
1. Коммуникации и контент — например, помощник для написания постов, рассылок, презентаций.
2. Справка и поддержка — например, внутренний FAQ по IT-системам или условиям контрактов.
3. Проектное управление — бот, который помогает приоритизировать задачи и извлекать action items из встреч.
4. Стратегическое мышление и коучинг — ассистент, который играет роль "внутреннего оппонента" и помогает отрабатывать сценарии.
Важно, что всё это можно собрать за 15–30 минут, без технических знаний. Ключевое — четко сформулировать:
- кто ваш ассистент и какую задачу он решает;
- как он должен отвечать (тон, формат, примеры);
- какие файлы и вводные ему нужно «знать».
>> Один из полезных советов: можно начать с обычной сессии чата, собрать удачные промпты и обратную связь — а потом попросить сам AI оформить это в инструкцию для ассистента.
Лично мне близка идея делить ассистентов по функциям, а не собирать универсального: один — для стратегии, другой — для персонального челленджа, третий — для работы с контентом.
Если вы часто используете AI, рекомендую прочитать оригинал статьи в HBR (ссылка - в первом комментарии). Или просто попробовать собрать своего первого ассистента — пользы будет больше, чем от десятка случайных промптов.
🔥4
Метод светофора: как обсуждать статусы так, чтобы не терять время
Во многих компаниях встречи-статусы превращаются в рутину: оунер каждого проекта рассказывает о всех своих задачах, 80% времени уходит на "раздел" «у нас всё по плану», а настоящие проблемы остаются между строк — или переносятся на «отдельно обсудим». В итоге — много встреч, мало решений.
Метод светофора — один из самых простых и полезных способов навести порядок в таких обсуждениях. Он требует от каждой команды (или владельца задачи) ответить на простой вопрос: статус — зелёный, жёлтый или красный?
— Зелёный — всё по плану, отклонений нет.
— Жёлтый — есть риски или отклонения, но они пока управляемы.
— Красный — существенные отклонения от плана, нужна помощь или решение.
Ключ — не просто в классификации. А в фокусе внимания. Зелёные проекты не обсуждаются. Это экономит до 70% времени. Весь фокус — на жёлтых и красных: где зреет проблема, где нужна помощь, где можно прямо сейчас - на встрече со всеми нужными стейкхолдерами - принять корректирующее действие.
Важно: встреча — не «отчёт», а площадка для синхронизации и совместного решения. Команды не просто делятся статусами, а слушают друг друга, ищут взаимные блокеры, договариваются. А, если надо, просят руководителя прямо на встрече принять необходимое решение. Это решать проблемы прямо на месте — избегать лишних встреч и повысить шансы все сделать в срок.
Чтобы метод работал, нужно:
— договориться о понятных критериях «цвета»;
— создать безопасную среду, где «жёлтый» — не повод для защиты, а сигнал для помощи;
— встроить это в регулярный ритм (еженедельно / раз в две недели), но с обязательным итогом: какие действия, какие договорённости, какие изменения в приоритетах.
Метод светофора — простой способ вытащить реальные проблемы на стол. Без лишних слов. Без лишних встреч. Без иллюзии контроля. Только то, что требует внимания — и только тогда, когда можно что-то поменять.
В будущих постах поделюсь о том, как этот инструмент использую и как его настроить.
Во многих компаниях встречи-статусы превращаются в рутину: оунер каждого проекта рассказывает о всех своих задачах, 80% времени уходит на "раздел" «у нас всё по плану», а настоящие проблемы остаются между строк — или переносятся на «отдельно обсудим». В итоге — много встреч, мало решений.
Метод светофора — один из самых простых и полезных способов навести порядок в таких обсуждениях. Он требует от каждой команды (или владельца задачи) ответить на простой вопрос: статус — зелёный, жёлтый или красный?
— Зелёный — всё по плану, отклонений нет.
— Жёлтый — есть риски или отклонения, но они пока управляемы.
— Красный — существенные отклонения от плана, нужна помощь или решение.
Ключ — не просто в классификации. А в фокусе внимания. Зелёные проекты не обсуждаются. Это экономит до 70% времени. Весь фокус — на жёлтых и красных: где зреет проблема, где нужна помощь, где можно прямо сейчас - на встрече со всеми нужными стейкхолдерами - принять корректирующее действие.
Важно: встреча — не «отчёт», а площадка для синхронизации и совместного решения. Команды не просто делятся статусами, а слушают друг друга, ищут взаимные блокеры, договариваются. А, если надо, просят руководителя прямо на встрече принять необходимое решение. Это решать проблемы прямо на месте — избегать лишних встреч и повысить шансы все сделать в срок.
Чтобы метод работал, нужно:
— договориться о понятных критериях «цвета»;
— создать безопасную среду, где «жёлтый» — не повод для защиты, а сигнал для помощи;
— встроить это в регулярный ритм (еженедельно / раз в две недели), но с обязательным итогом: какие действия, какие договорённости, какие изменения в приоритетах.
Метод светофора — простой способ вытащить реальные проблемы на стол. Без лишних слов. Без лишних встреч. Без иллюзии контроля. Только то, что требует внимания — и только тогда, когда можно что-то поменять.
В будущих постах поделюсь о том, как этот инструмент использую и как его настроить.
👍10🔥1
ИИ-агенты и исчезновение интерфейса — что ждет SaaS в ближайшие годы
Сегодня ИИ ассоциируется в основном с чатами, генерацией контента и возможностью создавать фотографии, как в Midjourney, или видео по текстовому описанию — например, когда за 10 секунд можно получить ролик в стиле Pixar.
Но это лишь видимая часть. Куда важнее — то, как меняется сама архитектура взаимодействия человека и технологии.
SaaS-продукты последние 20 лет строились на фундаментальной предпосылке: «пользователь сам работает в интерфейсе». Вокруг этого — и UI, и обучение, и монетизация. Но ИИ-агенты меняют правила.
В ближайшие 2-3 года ИИ-продукты значимо поменяют ландшафт SaaS индустрии, пройдя три фазы эволюции:
Фаза 1 — ИИ как ассистент (сейчас). ИИ делает привычные нам SaaS продукты удобнее: подсказывает, генерирует, ускоряет. Внутри компаний — оптимизм: ИИ усиливает наши текущие продукты.
Фаза 2 — ИИ-агенты как операторы (12-18 месяцев). ИИ начинают использовать ПО за человека: запускать рекламные кампании, собирать отчеты, обновлять базы. Пользователь «дерижирует» агентом в привычном интерфейсе SaaS продукта. Экспертиза уходит из продукта и становится частью агента. Производительность сотрудника растет многократно.
Фаза 3 — исчезновение интерфейсов (3+ лет). Задачи решаются ИИ-агентами напрямую через обращения к базам данных по API (в обход интерфейсов) и без участия человека. Например: «Собери и отправь мне подборку билетов на концерт и забронируй отель рядом» — и агент отдает готовый результат. UI становится ненужной для ИИ-агента «обёрткой».
Для SaaS продуктов это означает слом базовой логики. Ценность, которая раньше была зашита в связке «интерфейс + функциональность + экспертиза», станет доступной через универсальных агентов и дешёвую кастомизацию. Стоимость MVP будет стремиться к нулю, а роль продукта сместится к развитию API и совместимости с агентами.
Satya Nadella называет это «новым уровнем абстракции». Greg Isenberg — «смертью интерфейса». А по сути — это пересборка всей цепочки создания и доставки бизнес-ценности.
>> А вы задумывались — как в долгосрочной перспективе будут выглядеть и развиваться ваши продукты?
Сегодня ИИ ассоциируется в основном с чатами, генерацией контента и возможностью создавать фотографии, как в Midjourney, или видео по текстовому описанию — например, когда за 10 секунд можно получить ролик в стиле Pixar.
Но это лишь видимая часть. Куда важнее — то, как меняется сама архитектура взаимодействия человека и технологии.
SaaS-продукты последние 20 лет строились на фундаментальной предпосылке: «пользователь сам работает в интерфейсе». Вокруг этого — и UI, и обучение, и монетизация. Но ИИ-агенты меняют правила.
В ближайшие 2-3 года ИИ-продукты значимо поменяют ландшафт SaaS индустрии, пройдя три фазы эволюции:
Фаза 1 — ИИ как ассистент (сейчас). ИИ делает привычные нам SaaS продукты удобнее: подсказывает, генерирует, ускоряет. Внутри компаний — оптимизм: ИИ усиливает наши текущие продукты.
Фаза 2 — ИИ-агенты как операторы (12-18 месяцев). ИИ начинают использовать ПО за человека: запускать рекламные кампании, собирать отчеты, обновлять базы. Пользователь «дерижирует» агентом в привычном интерфейсе SaaS продукта. Экспертиза уходит из продукта и становится частью агента. Производительность сотрудника растет многократно.
Фаза 3 — исчезновение интерфейсов (3+ лет). Задачи решаются ИИ-агентами напрямую через обращения к базам данных по API (в обход интерфейсов) и без участия человека. Например: «Собери и отправь мне подборку билетов на концерт и забронируй отель рядом» — и агент отдает готовый результат. UI становится ненужной для ИИ-агента «обёрткой».
Для SaaS продуктов это означает слом базовой логики. Ценность, которая раньше была зашита в связке «интерфейс + функциональность + экспертиза», станет доступной через универсальных агентов и дешёвую кастомизацию. Стоимость MVP будет стремиться к нулю, а роль продукта сместится к развитию API и совместимости с агентами.
Satya Nadella называет это «новым уровнем абстракции». Greg Isenberg — «смертью интерфейса». А по сути — это пересборка всей цепочки создания и доставки бизнес-ценности.
>> А вы задумывались — как в долгосрочной перспективе будут выглядеть и развиваться ваши продукты?
👍10🔥4❤1
Соковнин | Первый принцип
ИИ-агенты и исчезновение интерфейса — что ждет SaaS в ближайшие годы Сегодня ИИ ассоциируется в основном с чатами, генерацией контента и возможностью создавать фотографии, как в Midjourney, или видео по текстовому описанию — например, когда за 10 секунд можно…
В продолжение предыдущего поста — пример ИИ-агента второй фазы (агенты как операторы) на ранней стадии развития.
Китайский Manus умеет планировать путешествия, проводить глубокий финансовый анализ, делать презы, кодить и много чего ещё.
Продуктово это надстройка над моделями Claude и Qwen.
Под капотом — ансамбль агентов:
— Сначала агент-планировщик анализирует запрос от пользователя и разбивает на подзадачи;
— Далее 29 суб-агентов (доменные эксперты) решают назначенные им подзадачи;
— В конце агент-исполнитель собирает результаты работы всех суб-агентов и выдает финальный результат пользователю.
По GAIA тесту (на умение ассистентов логически мыслить, выполнять мультимодальные задачи, браузить и пр.) он обгоняет модели от OpenAI (86,5 vs 72 балла) и уже близко подобрался к способностям человека (92 балла).
По ссылке — подробный разбор с картинками от Y Combinator, а также плюсами и минусами продукта.
Китайский Manus умеет планировать путешествия, проводить глубокий финансовый анализ, делать презы, кодить и много чего ещё.
Продуктово это надстройка над моделями Claude и Qwen.
Под капотом — ансамбль агентов:
— Сначала агент-планировщик анализирует запрос от пользователя и разбивает на подзадачи;
— Далее 29 суб-агентов (доменные эксперты) решают назначенные им подзадачи;
— В конце агент-исполнитель собирает результаты работы всех суб-агентов и выдает финальный результат пользователю.
По GAIA тесту (на умение ассистентов логически мыслить, выполнять мультимодальные задачи, браузить и пр.) он обгоняет модели от OpenAI (86,5 vs 72 балла) и уже близко подобрался к способностям человека (92 балла).
По ссылке — подробный разбор с картинками от Y Combinator, а также плюсами и минусами продукта.
YouTube
The Next Breakthrough In AI Agents Is Here
In recent months, AI agents have gone from experimental to increasingly useful, with platforms like DeepSeek and OpenAI's Deep Research redefining what’s possible. Now, a new contender has entered the field—Manus, a general purpose AI agent that’s managed…
🔥3
Про Thinking time — как подход к решению нетривиальных задач
Сейчас я в процессе смены места работы. И — что очень необычно для моего образа жизни — появилось время немного замедлится и подумать о важных вещах, на которые не хватает времени в обычной рабочей суете.
Уже удалось поработать над личной долгосрочной стратегией, подумать и немного переосмыслить свой карьерный трек, попрокачивать навыки в сложных коммуникациях в бизнесе. Запустить Тг канал наконец)
Когда нужно решить важный вопрос, у которого нет быстрого и единственно верного ответа, я использую фреймворк Thinking time.
Это практика регулярного специально выделенного времени только для размышлений — без отвлечений, задач, встреч и экрана. Это пауза для мозга, чтобы осознанно анализировать, принимать решения, находить нестандартные решения или просто “разгрузить” мозги.
Регулярность практики может быть разной и зависит от потребности. Можно выделять один день в квартал «на уединиться и подумать», находить пару часов ежемесячно или ставить себе в календарь слоты по 30 минут 2-3 раза в неделю.
Как подготовиться?
— Список вопросов / проблем для проработки — важно подготовить их заранее, чтобы сразу приступить к задаче в отведенное на нее время;
— График — полезно заранее забукать слоты в календаре, чтобы собраться силами и морально настроиться на упражнение. В идеале выделять время, когда вам лучше всего думается. Для меня — это утро;
— Обстановка — выбрать для уединения место, где будет удобно расположиться с компьютером или листом бумаги, и вас не будут отвлекать (например, переговорка или кафе).
Как работает?
1. Выбираем один вопрос или проблему для проработки на один временной слот;
2. Ставим режим «Не беспокоить» на все девайсы;
3. Фокусируемся на размышлениях о проблеме и цели, которую хотим достичь. Записываем все, что приходит в голову, и структурируем;
4. В конце пишем один вывод (я бегу от проблемы Х) и / или экшн поинт с конкретными образом результата и дедлайном;
5. Двигаемся итеративно.
На разные типы задач требуются разное количество времени и сил.
Как результат, благодаря фокусировке удается посмотреть на проблему с другого угла, раскопать новые инсайты и определиться с тем, что делать и какой первый шаг.
А какие ещё способы для решения нетривиальных задач вы используете?
Сейчас я в процессе смены места работы. И — что очень необычно для моего образа жизни — появилось время немного замедлится и подумать о важных вещах, на которые не хватает времени в обычной рабочей суете.
Уже удалось поработать над личной долгосрочной стратегией, подумать и немного переосмыслить свой карьерный трек, попрокачивать навыки в сложных коммуникациях в бизнесе. Запустить Тг канал наконец)
Когда нужно решить важный вопрос, у которого нет быстрого и единственно верного ответа, я использую фреймворк Thinking time.
Это практика регулярного специально выделенного времени только для размышлений — без отвлечений, задач, встреч и экрана. Это пауза для мозга, чтобы осознанно анализировать, принимать решения, находить нестандартные решения или просто “разгрузить” мозги.
Регулярность практики может быть разной и зависит от потребности. Можно выделять один день в квартал «на уединиться и подумать», находить пару часов ежемесячно или ставить себе в календарь слоты по 30 минут 2-3 раза в неделю.
Как подготовиться?
— Список вопросов / проблем для проработки — важно подготовить их заранее, чтобы сразу приступить к задаче в отведенное на нее время;
— График — полезно заранее забукать слоты в календаре, чтобы собраться силами и морально настроиться на упражнение. В идеале выделять время, когда вам лучше всего думается. Для меня — это утро;
— Обстановка — выбрать для уединения место, где будет удобно расположиться с компьютером или листом бумаги, и вас не будут отвлекать (например, переговорка или кафе).
Как работает?
1. Выбираем один вопрос или проблему для проработки на один временной слот;
2. Ставим режим «Не беспокоить» на все девайсы;
3. Фокусируемся на размышлениях о проблеме и цели, которую хотим достичь. Записываем все, что приходит в голову, и структурируем;
4. В конце пишем один вывод (я бегу от проблемы Х) и / или экшн поинт с конкретными образом результата и дедлайном;
5. Двигаемся итеративно.
На разные типы задач требуются разное количество времени и сил.
Как результат, благодаря фокусировке удается посмотреть на проблему с другого угла, раскопать новые инсайты и определиться с тем, что делать и какой первый шаг.
А какие ещё способы для решения нетривиальных задач вы используете?
👍12🔥3
Follow-up про thinking time
После прошлого поста несколько человек вернулись ко мне с сомнениями, а работает ли thinking time на практике?
Посыл примерно такой: Звучит все классно, но велик шанс что от запланированного слота отвлекут срочные дела. А отложить их волевым решением — это по сути проигнорировать.
Отличное замечание! — В середине рабочего дня лично у меня никогда не получалось начать thinking time вовремя или вообще его провести.
Либо отвлекают срочные дела, либо требуется много времени на переключение контекста и остатка слота не хватает на полноценное обдумывание.
Я сделал защиту от дурака. Слоты thinking time получают в моем календаре VIP места 😎. Ставлю их только на утро — первой задачей (старт в 8-9 утра) и "до" тех встреч, которые уже запланированы.
Для меня это работает по нескольким причинам:
— с утра чистые мозги — "до" слота меня ничего не может отвлечь, тк он первый;
— капасити ментальных сил еще не потрачено — есть достаточно энергии позаниматься мысленным хэвилифтингом;
— я не переживаю, что игнорирую какую-то важную задачу, тк изнально это время в календаре было свободно.
В общем всячески призываю поставить тестовый слот в календарь — поварить наедине с собой важную задачу, которая никак не сдвигается с места.
Рекомендации “how to” - см. предыдущий пост.
После прошлого поста несколько человек вернулись ко мне с сомнениями, а работает ли thinking time на практике?
Посыл примерно такой: Звучит все классно, но велик шанс что от запланированного слота отвлекут срочные дела. А отложить их волевым решением — это по сути проигнорировать.
Отличное замечание! — В середине рабочего дня лично у меня никогда не получалось начать thinking time вовремя или вообще его провести.
Либо отвлекают срочные дела, либо требуется много времени на переключение контекста и остатка слота не хватает на полноценное обдумывание.
Я сделал защиту от дурака. Слоты thinking time получают в моем календаре VIP места 😎. Ставлю их только на утро — первой задачей (старт в 8-9 утра) и "до" тех встреч, которые уже запланированы.
Для меня это работает по нескольким причинам:
— с утра чистые мозги — "до" слота меня ничего не может отвлечь, тк он первый;
— капасити ментальных сил еще не потрачено — есть достаточно энергии позаниматься мысленным хэвилифтингом;
— я не переживаю, что игнорирую какую-то важную задачу, тк изнально это время в календаре было свободно.
В общем всячески призываю поставить тестовый слот в календарь — поварить наедине с собой важную задачу, которая никак не сдвигается с места.
Рекомендации “how to” - см. предыдущий пост.
Telegram
Соковнин: первый принцип
Про Thinking time — как подход к решению нетривиальных задач
Сейчас я в процессе смены места работы. И — что очень необычно для моего образа жизни — появилось время немного замедлится и подумать о важных вещах, на которые не хватает времени в обычной рабочей…
Сейчас я в процессе смены места работы. И — что очень необычно для моего образа жизни — появилось время немного замедлится и подумать о важных вещах, на которые не хватает времени в обычной рабочей…
👍10
Про практическое применение ИИ в бизнесе, ч.1
По итогам недавнего исследования McKinsey выявился любопытный факт — сотрудники младшего и среднего звеньев используют ИИ в 3 раза чаще, чем C-level лидеры. Подытоживают исследование весьма радикально — топ-менеджмент сегодня является главным барьером для внедрения ИИ в бизнес.
Руководителей высшего звена тоже можно понять — вокруг ИИ много хайпа. Предлагаемые им большие проекты по внедрению ИИ стоят дорого, а кратный рост КПД организации не всегда достижим => их рентабельность под вопросом.
Не говоря уже про качество данных, критичное для моделей. Уровень data governance в бизнесах зачастую хромает — привести данные в порядок стоит денег и времени.
Что делать в этой ситуации? Каковы могут быть первые реальные шаги для внедрения ИИ в day-to-day бизнес?
На днях OpenAI опубликовали статью Identifying and scaling AI use cases. Ниже — пара тезисов из нее, от которых можно оттолкнуться, если перед вами стоит вопрос, как бизнесу жить в эпоху ИИ.
Тезис 1. ИИ — это не про хайп и не про стартапы внутри корпораций.
Это про то, как обычные сотрудники решают обычные задачи быстрее и лучше. Проблема в том, что часто компании начинают с дорогих, сложных инициатив — вместо того чтобы дать людям инструмент в руки и разрешить им экспериментировать.
Тезис 2. Сложные кейсы — тормозят. Простые — работают.
Создание внутренних GPT-ассистентов звучит красиво, но внедряется долго и требует ресурсов. Куда практичнее — начать с инициатив снизу: когда сотрудники сами находят, где AI снимает рутину и помогает в принятии решений.
В каких типах задач, по мнению OpenAI, ИИ уже сегодня дает реальную ценность?
1. Рутина:
— делать суммари встреч;
— искать паттерны в Excel;
— помогать готовить сложные документы;
— автоматизировать ответы на частые вопросы.
Это «невидимые» задачи, на которые уходит до 30% времени в офисе. ИИ экономит время сотрудников и помогает фокусироваться на более важном.
2. Расширение спектра навыков:
ИИ помогает выйти за пределы своей роли:
— руководителю — сделать подготовить аналитику рынка для бизнес-кейса;
— продакт-менеджеру — сделать дизайн-прототип новой фичи;
— маркетологу — проанализировать данные и построить нужные графики из таблиц данных.
Это снижает зависимость между командами и ускоряет time-to-market.
3. Работа в условиях неопределенности:
Бывает проекты буксуют, потому что «непонятно, с чего начать». ИИ помогает разложить проблему на составные части, накидать идеи или побрэйнштормить, предложить альтернативные варианты. «Подумать об ChatGPT» (не скопипастить первый ответ) особенно полезно, когда выработать бизнес-решение надо оперативно.
Напоследок — самый простой промт для любого сотрудника, чтобы начать применять ChatGPT или его аналоги в работе:
А какими еще юзкейсами из повседневной рабочей практики вы можете поделиться?
PS: ссылка на исследование McKinsey - в первом комметарии.
По итогам недавнего исследования McKinsey выявился любопытный факт — сотрудники младшего и среднего звеньев используют ИИ в 3 раза чаще, чем C-level лидеры. Подытоживают исследование весьма радикально — топ-менеджмент сегодня является главным барьером для внедрения ИИ в бизнес.
Руководителей высшего звена тоже можно понять — вокруг ИИ много хайпа. Предлагаемые им большие проекты по внедрению ИИ стоят дорого, а кратный рост КПД организации не всегда достижим => их рентабельность под вопросом.
Не говоря уже про качество данных, критичное для моделей. Уровень data governance в бизнесах зачастую хромает — привести данные в порядок стоит денег и времени.
Что делать в этой ситуации? Каковы могут быть первые реальные шаги для внедрения ИИ в day-to-day бизнес?
На днях OpenAI опубликовали статью Identifying and scaling AI use cases. Ниже — пара тезисов из нее, от которых можно оттолкнуться, если перед вами стоит вопрос, как бизнесу жить в эпоху ИИ.
Тезис 1. ИИ — это не про хайп и не про стартапы внутри корпораций.
Это про то, как обычные сотрудники решают обычные задачи быстрее и лучше. Проблема в том, что часто компании начинают с дорогих, сложных инициатив — вместо того чтобы дать людям инструмент в руки и разрешить им экспериментировать.
Тезис 2. Сложные кейсы — тормозят. Простые — работают.
Создание внутренних GPT-ассистентов звучит красиво, но внедряется долго и требует ресурсов. Куда практичнее — начать с инициатив снизу: когда сотрудники сами находят, где AI снимает рутину и помогает в принятии решений.
В каких типах задач, по мнению OpenAI, ИИ уже сегодня дает реальную ценность?
1. Рутина:
— делать суммари встреч;
— искать паттерны в Excel;
— помогать готовить сложные документы;
— автоматизировать ответы на частые вопросы.
Это «невидимые» задачи, на которые уходит до 30% времени в офисе. ИИ экономит время сотрудников и помогает фокусироваться на более важном.
2. Расширение спектра навыков:
ИИ помогает выйти за пределы своей роли:
— руководителю — сделать подготовить аналитику рынка для бизнес-кейса;
— продакт-менеджеру — сделать дизайн-прототип новой фичи;
— маркетологу — проанализировать данные и построить нужные графики из таблиц данных.
Это снижает зависимость между командами и ускоряет time-to-market.
3. Работа в условиях неопределенности:
Бывает проекты буксуют, потому что «непонятно, с чего начать». ИИ помогает разложить проблему на составные части, накидать идеи или побрэйнштормить, предложить альтернативные варианты. «Подумать об ChatGPT» (не скопипастить первый ответ) особенно полезно, когда выработать бизнес-решение надо оперативно.
Напоследок — самый простой промт для любого сотрудника, чтобы начать применять ChatGPT или его аналоги в работе:
Я работаю [роль] в [компания]. Недавно мы начали внедрять [название ИИ инструмента] в работу. Какие задачи ИИ может помочь решать для моей роли?
А какими еще юзкейсами из повседневной рабочей практики вы можете поделиться?
PS: ссылка на исследование McKinsey - в первом комметарии.
Про практическое применение ИИ в бизнесе, ч.2: базовые сценарии
Как писал в прошлом посте, по данным McKinsey, именно топ-менеджмент — главный барьер для внедрения ИИ: они используют его в 3 раза реже, чем сотрудники на среднем уровне.
OpenAI проанализировали 600+ внедрений у своих клиентов и выделили 6 универсальных механик применения ИИ. Они применимы к любой функции компании — от разработки до продаж — и помогают решать задачи на всех этапах: от генерации идей до автоматизации процессов.
Вот эти базовые механики и конкретные кейсы на примере команды маркетинга и продаж:
1. Идеи и стратегия: брейншторм, go-to-market план, проверка презентаций => больше сильных идей для старта;
2. Исследования: новые ниши, специфика аудитории, конкуренты => больше инсайтов для роста;
3. Программирование: SQL-запросы без аналитиков => больше данных для принятия решений;
4. Анализ данных: тренды, закономерности, отчеты из выгрузок => инсайты без Excel и Python;
5. Создание контента: тексты кампаний, email, лендинги, адаптация под каналы и ЦА => рост конверсии;
6. Автоматизация: отчеты, дайджесты, сводки => меньше рутины, больше фокуса на ценности.
Вывод?
Кейсов применения ИИ уже много, но чаще всего они появляются снизу и несистемно. Чтобы их стало больше, стоит начать не с инструментов, а с принципов: какие задачи ИИ помогает решать и как это связано с ролью команды.
Когда появляется понимание — появляются и кейсы. А дальше задача лидера — собрать, структурировать и масштабировать.
Как писал в прошлом посте, по данным McKinsey, именно топ-менеджмент — главный барьер для внедрения ИИ: они используют его в 3 раза реже, чем сотрудники на среднем уровне.
OpenAI проанализировали 600+ внедрений у своих клиентов и выделили 6 универсальных механик применения ИИ. Они применимы к любой функции компании — от разработки до продаж — и помогают решать задачи на всех этапах: от генерации идей до автоматизации процессов.
Вот эти базовые механики и конкретные кейсы на примере команды маркетинга и продаж:
1. Идеи и стратегия: брейншторм, go-to-market план, проверка презентаций => больше сильных идей для старта;
2. Исследования: новые ниши, специфика аудитории, конкуренты => больше инсайтов для роста;
3. Программирование: SQL-запросы без аналитиков => больше данных для принятия решений;
4. Анализ данных: тренды, закономерности, отчеты из выгрузок => инсайты без Excel и Python;
5. Создание контента: тексты кампаний, email, лендинги, адаптация под каналы и ЦА => рост конверсии;
6. Автоматизация: отчеты, дайджесты, сводки => меньше рутины, больше фокуса на ценности.
Вывод?
Кейсов применения ИИ уже много, но чаще всего они появляются снизу и несистемно. Чтобы их стало больше, стоит начать не с инструментов, а с принципов: какие задачи ИИ помогает решать и как это связано с ролью команды.
Когда появляется понимание — появляются и кейсы. А дальше задача лидера — собрать, структурировать и масштабировать.
Экспертиментирую с форматами. На этот раз — дайджест публикаций по конкретной тематике.
Первый принцип | Срез недели №1
Тема: Как технологии меняют нашу действительность
1. WIRED — Stumbling and Overheating, Most Humanoid Robots Fail to Finish Half-Marathon in Beijing
В Пекине шесть гуманоидных роботов прошли дистанцию полумарафона — 21 км. Не полностью самостоятельно, но на глазах у тысяч зрителей. Это пока не спорт, но уже дальше чем просто лаборатория.
>> Идея: роботы скоро начнут становиться частью повседневной жизни, а не только средствами для производства.
https://www.wired.com/story/beijing-half-marathon-humanoid-robots/
2. Scientific American — This Impossible New Color Is So Rare That Only Five People Have Seen It
Учёные нашли новый цвет, который невозможно увидеть без лазерной коррекции зрения — «невообразимо насыщенный синевато-зелёный». Это не иллюзия, а физически новый спектр восприятия.
>> Идея: границы нашего восприятия могут быть подвижны благодаря технологиям
https://www.scientificamerican.com/article/researchers-discover-new-color-thats-impossible-to-see-without-lasering-your
3. MIT Sloan — Will AI Disrupt Your Business? Key Questions to Ask
AI влияет не только на процессы, но и на бизнес-модель: меняет ценностное предложение продукта, каналы, издержки. В статье — полезный список вопросов, которые стоит задать до запуска любого AI-проекта.
>> Идея: внедрение AI — не проект, а проверка текущей бизнес-модели на устойчивость.
https://sloanreview.mit.edu/article/will-ai-disrupt-your-business-key-questions-to-ask/
👉 Как вам такой формат?
Первый принцип | Срез недели №1
Тема: Как технологии меняют нашу действительность
1. WIRED — Stumbling and Overheating, Most Humanoid Robots Fail to Finish Half-Marathon in Beijing
В Пекине шесть гуманоидных роботов прошли дистанцию полумарафона — 21 км. Не полностью самостоятельно, но на глазах у тысяч зрителей. Это пока не спорт, но уже дальше чем просто лаборатория.
>> Идея: роботы скоро начнут становиться частью повседневной жизни, а не только средствами для производства.
https://www.wired.com/story/beijing-half-marathon-humanoid-robots/
2. Scientific American — This Impossible New Color Is So Rare That Only Five People Have Seen It
Учёные нашли новый цвет, который невозможно увидеть без лазерной коррекции зрения — «невообразимо насыщенный синевато-зелёный». Это не иллюзия, а физически новый спектр восприятия.
>> Идея: границы нашего восприятия могут быть подвижны благодаря технологиям
https://www.scientificamerican.com/article/researchers-discover-new-color-thats-impossible-to-see-without-lasering-your
3. MIT Sloan — Will AI Disrupt Your Business? Key Questions to Ask
AI влияет не только на процессы, но и на бизнес-модель: меняет ценностное предложение продукта, каналы, издержки. В статье — полезный список вопросов, которые стоит задать до запуска любого AI-проекта.
>> Идея: внедрение AI — не проект, а проверка текущей бизнес-модели на устойчивость.
https://sloanreview.mit.edu/article/will-ai-disrupt-your-business-key-questions-to-ask/
👉 Как вам такой формат?
🔥2
Вчера был на встрече клуба выпускников в АНД. Обсуждали стратегию бизнеса в турбулентные времена — стоит ли продолжать в рамках стратегического цикла мыслить горизонтами 3-5 лет или лучше сузить горизонт планирования до более короткого?
В панели своим опытом делились фаундеры Qiwi и Strategic Partners, президент Naumen и ex-CEO Робокассы.
Инсайты:
1. Важна не сама стратегия (финальный артефакт), а сам процесс работы над ней. Он позволяет команде задуматься о том, какой бизнес мы строим, почему и куда в итоге хотим прийти;
2. Готовя стратегию на 3-5 лет, мы не высекаем план в камне. Особенно в текущей ситуации стратегию важно обновлять не реже одного раза в год;
3. «План Б» и альтернативный сценарий — это две разные вещи. «План Б» — это что будешь делать, если «План А» не сработал. А альтернативный сценарий — это про то, как действовать при разных внешних обстоятельствах (например, при ключевой ставке 21% или в случае ее понижения);
4. Цикл подготовки / обновления стратегии благодаря ИИ сильно сократился (речь про профессиональные команды стратегов). Если раньше на создание хорошей стратегии уходили 3 месяца (включая сбор данных, аналитику и работу над документом), то сейчас этот процесс занимает 1 месяц — без потери качества;
5. Стратегическая функция с появлением ИИ будет эволюционировать. Если раньше в большой компании требовалась команда аналитиков и менеджеров по стратегии, то с появлением ИИ тредозтраты кратно сокращаются. При этом важно, что лидировать функцию должен стратег с хорошим опытом, тк ИИ без правильных инструкций качественную стратегию сегодня собрать не может.
Спасибо команде АНД за крутое мероприятие!
В панели своим опытом делились фаундеры Qiwi и Strategic Partners, президент Naumen и ex-CEO Робокассы.
Инсайты:
1. Важна не сама стратегия (финальный артефакт), а сам процесс работы над ней. Он позволяет команде задуматься о том, какой бизнес мы строим, почему и куда в итоге хотим прийти;
2. Готовя стратегию на 3-5 лет, мы не высекаем план в камне. Особенно в текущей ситуации стратегию важно обновлять не реже одного раза в год;
3. «План Б» и альтернативный сценарий — это две разные вещи. «План Б» — это что будешь делать, если «План А» не сработал. А альтернативный сценарий — это про то, как действовать при разных внешних обстоятельствах (например, при ключевой ставке 21% или в случае ее понижения);
4. Цикл подготовки / обновления стратегии благодаря ИИ сильно сократился (речь про профессиональные команды стратегов). Если раньше на создание хорошей стратегии уходили 3 месяца (включая сбор данных, аналитику и работу над документом), то сейчас этот процесс занимает 1 месяц — без потери качества;
5. Стратегическая функция с появлением ИИ будет эволюционировать. Если раньше в большой компании требовалась команда аналитиков и менеджеров по стратегии, то с появлением ИИ тредозтраты кратно сокращаются. При этом важно, что лидировать функцию должен стратег с хорошим опытом, тк ИИ без правильных инструкций качественную стратегию сегодня собрать не может.
Спасибо команде АНД за крутое мероприятие!
👍10
Четыре сценария развития экономики России — как с ними работать?
Один из самых частых вопросов сегодня: «А как вообще что-то планировать, если каждую неделю все меняется?»
Александр Идрисов, основатель Strategy Partners, после встречи АНД поделился четырьмя свежими сценариями для экономики России в 2025-2026: «Оттепель», «Холодный мир», «Крепость в осаде» и «Идеальный шторм».
Это не прогнозы, а спектр вариантов будущего, к которым с точки зрения стратегии можно готовиться уже сейчас.
От чего зависят сценарии?
Четыре фактора:
— Геополитика: деэскалация или эскалация
— Глобальная экономика: рост или рецессия
— Санкции: смягчение или усиление
— Нефть: от $85 до $50 за баррель
Консенсус-прогноз на 2025-2026: ВВП -1.5…-2.5%, инфляция ~10%, ставка ЦБ ~19%, курс ~120 руб./$.
Как использовать сценарии в стратегии?
1. Не пытаться угадать «правильный».
Сценарии — не для предсказаний, а для расширения горизонта.
Спросите: «Если этот сценарий реализуется — что это значит для нашего бизнеса?»
2. Сделать стресс-тест текущей стратегии.
Прогнать ключевые ее элементы через 4 сценария:
— Как изменится спрос?
— Выдержат ли цепочки поставок?
— Что с юнит-экономикой при ставке 20% и курсе 130?
— Где уязвимости?
3. Разделить инициативы на два типа:
— «Делать в любом случае» — полезны при любом сценарии (операционная эффективность, объем ликвидности, развитие команды);
— «Сценарно-специфичные» — активируются при конкретных сценариях.
Например: Оттепель — масштабируемся быстро; Шторм — сокращаем издержки и переупаковываем цепочку.
4. Следить за триггерами, которые активируют тот или иной сценарий:
— Цены на нефть
— Курс рубля
— Санкционная риторика
— Ставка ЦБ
— Статус переговоров
Итог: сценарии не отвечают на вопрос «что будет». Они помогают задать главный вопрос: «Что мы будем делать, если это произойдёт?»
Если интересно изучить сценарии подробнее — оригинальные материалы в первом комментарии.
Один из самых частых вопросов сегодня: «А как вообще что-то планировать, если каждую неделю все меняется?»
Александр Идрисов, основатель Strategy Partners, после встречи АНД поделился четырьмя свежими сценариями для экономики России в 2025-2026: «Оттепель», «Холодный мир», «Крепость в осаде» и «Идеальный шторм».
Это не прогнозы, а спектр вариантов будущего, к которым с точки зрения стратегии можно готовиться уже сейчас.
От чего зависят сценарии?
Четыре фактора:
— Геополитика: деэскалация или эскалация
— Глобальная экономика: рост или рецессия
— Санкции: смягчение или усиление
— Нефть: от $85 до $50 за баррель
Консенсус-прогноз на 2025-2026: ВВП -1.5…-2.5%, инфляция ~10%, ставка ЦБ ~19%, курс ~120 руб./$.
Как использовать сценарии в стратегии?
1. Не пытаться угадать «правильный».
Сценарии — не для предсказаний, а для расширения горизонта.
Спросите: «Если этот сценарий реализуется — что это значит для нашего бизнеса?»
2. Сделать стресс-тест текущей стратегии.
Прогнать ключевые ее элементы через 4 сценария:
— Как изменится спрос?
— Выдержат ли цепочки поставок?
— Что с юнит-экономикой при ставке 20% и курсе 130?
— Где уязвимости?
3. Разделить инициативы на два типа:
— «Делать в любом случае» — полезны при любом сценарии (операционная эффективность, объем ликвидности, развитие команды);
— «Сценарно-специфичные» — активируются при конкретных сценариях.
Например: Оттепель — масштабируемся быстро; Шторм — сокращаем издержки и переупаковываем цепочку.
4. Следить за триггерами, которые активируют тот или иной сценарий:
— Цены на нефть
— Курс рубля
— Санкционная риторика
— Ставка ЦБ
— Статус переговоров
Итог: сценарии не отвечают на вопрос «что будет». Они помогают задать главный вопрос: «Что мы будем делать, если это произойдёт?»
Если интересно изучить сценарии подробнее — оригинальные материалы в первом комментарии.
👍4⚡2❤2
Про метод первого принципа, ч.2: в продуктовой работе
В одном из постов рассуждал, что такое мышление по методу первого принципа. Теперь пример из практики.
В продуктовых командах часто можно услышать:
— У Яндекса/Авито это уже реализовано — нам тоже надо;
— У нас есть гипотеза — сделаем MVP;
— Клиенты просят эту фичу — добавим;
Но вопрос не в том, делает ли кто-то еще. А почему они это делают? И что стоит за этим решением?
Мышление по методу первого принципа помогает пересобрать ключевые элементы работы: гипотезы, приоритизацию, MVP и ценность для пользователя.
Вот как это выглядит на практике:
1. Убираем «у конкурентов работает». Вместо копирования — разбор задачи:
— Какую проблему решает фича?
— Почему она возникла?
— Какая причина стоит за поведением пользователя?
2. Перепроверяем гипотезу. Гипотеза — это всего лишь мнение в красивой упаковке.
— Какие допущения мы делаем?
— Каковы наиболее рискованные предложения и как их проверить до запуска?
— Что реально влияет на метрику?
3. Пересобираем MVP
Не «обрезанный продукт», а критический путь для решения конкретной задачи пользователя, без лишнего.
4. Приоритизация через причинно-следственные связи — не по RICE или HiPPO, а вопросы:
— В чем корневая причина падения метрик?
— Что даст реальный рост, а не косметику?
Пример:
Команда спорила о кастомном отчете, который хотел клиент.
- Аналитик спросил: «Что пользователь хочет понять?»
- Ответ: «Сверить эффективность размещения». Решение — не в отчете, а в push-уведомлении и подсказке. Разработка заняла 1 день вместо 3 недель.
Мышление по методу первого принципа — не про «думать дольше». А про думать точнее. И создавать продукт, который решает суть, а не копирует форму.
В одном из постов рассуждал, что такое мышление по методу первого принципа. Теперь пример из практики.
В продуктовых командах часто можно услышать:
— У Яндекса/Авито это уже реализовано — нам тоже надо;
— У нас есть гипотеза — сделаем MVP;
— Клиенты просят эту фичу — добавим;
Но вопрос не в том, делает ли кто-то еще. А почему они это делают? И что стоит за этим решением?
Мышление по методу первого принципа помогает пересобрать ключевые элементы работы: гипотезы, приоритизацию, MVP и ценность для пользователя.
Вот как это выглядит на практике:
1. Убираем «у конкурентов работает». Вместо копирования — разбор задачи:
— Какую проблему решает фича?
— Почему она возникла?
— Какая причина стоит за поведением пользователя?
2. Перепроверяем гипотезу. Гипотеза — это всего лишь мнение в красивой упаковке.
— Какие допущения мы делаем?
— Каковы наиболее рискованные предложения и как их проверить до запуска?
— Что реально влияет на метрику?
3. Пересобираем MVP
Не «обрезанный продукт», а критический путь для решения конкретной задачи пользователя, без лишнего.
4. Приоритизация через причинно-следственные связи — не по RICE или HiPPO, а вопросы:
— В чем корневая причина падения метрик?
— Что даст реальный рост, а не косметику?
Пример:
Команда спорила о кастомном отчете, который хотел клиент.
- Аналитик спросил: «Что пользователь хочет понять?»
- Ответ: «Сверить эффективность размещения». Решение — не в отчете, а в push-уведомлении и подсказке. Разработка заняла 1 день вместо 3 недель.
Мышление по методу первого принципа — не про «думать дольше». А про думать точнее. И создавать продукт, который решает суть, а не копирует форму.
👍3🔥3
ИИ и совет директоров: как управлять, а не догонять
ИИ больше не "тема CTO". Это зона ответственности совета директоров.
Deloitte выпустил дорожную карту по стратегическому управлению ИИ. Главный посыл — ИИ нужно не просто внедрять, а системно управлять им на уровне СД.
Ключевые тезисы:
— Стратегия: ИИ должен быть частью корпоративной стратегии. СД оценивает риски, темпы внедрения, вовлечённость внешних подрядчиков, метрики успеха;
— Риски: от галюцинаций моделей до утечек интеллектуальной собственности и этических вопросов. Риски "неиспользования" тоже есть — потеря конкурентного преимущества;
— Управление: кто в совете отвечает за ИИ? Нужен ли ИИ-комитет? Как часто ИИ на повестке?
— Результаты: критерий оценки эффективности внедрения ИИ — это ROI, эффективность процессов и влияние на ключевые цели. Но нужны контроль над метриками и регулярная отчётность;
— Люди: стратегия ИИ = стратегия талантов. Апскилл, найм, лидерство, этика — всё в фокусе;
— Корпоративная культура: важны не только следование требованиям законодательства, но и соблюдение этических рамок при внедрении ИИ. Совет должен отслеживать, как ИИ влияет на ценности и репутацию компании.
Оригинал Deloitte AI Governance Roadmap — в первом комментарии
ИИ больше не "тема CTO". Это зона ответственности совета директоров.
Deloitte выпустил дорожную карту по стратегическому управлению ИИ. Главный посыл — ИИ нужно не просто внедрять, а системно управлять им на уровне СД.
Ключевые тезисы:
— Стратегия: ИИ должен быть частью корпоративной стратегии. СД оценивает риски, темпы внедрения, вовлечённость внешних подрядчиков, метрики успеха;
— Риски: от галюцинаций моделей до утечек интеллектуальной собственности и этических вопросов. Риски "неиспользования" тоже есть — потеря конкурентного преимущества;
— Управление: кто в совете отвечает за ИИ? Нужен ли ИИ-комитет? Как часто ИИ на повестке?
— Результаты: критерий оценки эффективности внедрения ИИ — это ROI, эффективность процессов и влияние на ключевые цели. Но нужны контроль над метриками и регулярная отчётность;
— Люди: стратегия ИИ = стратегия талантов. Апскилл, найм, лидерство, этика — всё в фокусе;
— Корпоративная культура: важны не только следование требованиям законодательства, но и соблюдение этических рамок при внедрении ИИ. Совет должен отслеживать, как ИИ влияет на ценности и репутацию компании.
Оригинал Deloitte AI Governance Roadmap — в первом комментарии
👍3
Про принцип SDR (единственная решающая причина).
Вчера из интервью Rahul Vohra, CEO Superhuman, узнал о подходе к принятию качественных решений, с которым ранее не сталкивался — Single Decisive Reason (единственная решающая причина).
Суть подхода: если вы приводите сразу несколько аргументов, скорее всего, пытаетесь уговорить самого себя. Очевидные, устойчивые к ошибке решения, не требуют больше одной значимой причины.
Пример из практики: Есть спорная ситуация и два лагеря — сторонники и противники принятия решения. У каждой из них есть «сильные» аргументы и обе уверены в своей правоте.
В такой ситуации нередко побеждает не бизнес-логика, а тот, кто говорит громче или обладает большим политическим весом.
Как с помощью SDR выбрать наилучшее для бизнеса решение, если обе стороны звучат убедительно?
Шаг 1. Выделить все «за» и «против» принятия спорного решения.
В примере Superhuman обсуждалось — продолжать ручной онбординг клиентов или наконец автоматизировать этот процесс? У каждой стороны было множество «важных» аргументов (детали — см. статью).
Шаг 2. Категоризировать все причины «за» и «против», игнорируя абсолютное количество плюсов и минусов.
В случае Superhuman получилось четыре категории:
1. Стоимость реализации;
2. Опыт пользователя (CX);
3. Сложность реализации;
4. Развитие продукта.
Шаг 3. Приоритизировать категории, а не аргументы.
Задаём вопрос: какая категория важнее всего для бизнеса прямо сейчас? Это и есть SDR (единственная решающая причина). У Superhuman приоритетом был крутой CX — команда не была готова жертвовать крутым пользовательским опытом ради других выгод.
Итог: прямая коммуникация SDR при принятии решений помогает Superhuman обеспечивать согласованность действий и держать фокус команд на важном.
>> SDR — это способ вырезать шум и принять стратегическое решение, когда аргументы звучат одинаково веско.
NB: это не серебряная пуля, а один из инструментов в чемоданчике руководителя.
Вчера из интервью Rahul Vohra, CEO Superhuman, узнал о подходе к принятию качественных решений, с которым ранее не сталкивался — Single Decisive Reason (единственная решающая причина).
Суть подхода: если вы приводите сразу несколько аргументов, скорее всего, пытаетесь уговорить самого себя. Очевидные, устойчивые к ошибке решения, не требуют больше одной значимой причины.
Пример из практики: Есть спорная ситуация и два лагеря — сторонники и противники принятия решения. У каждой из них есть «сильные» аргументы и обе уверены в своей правоте.
В такой ситуации нередко побеждает не бизнес-логика, а тот, кто говорит громче или обладает большим политическим весом.
Как с помощью SDR выбрать наилучшее для бизнеса решение, если обе стороны звучат убедительно?
Шаг 1. Выделить все «за» и «против» принятия спорного решения.
В примере Superhuman обсуждалось — продолжать ручной онбординг клиентов или наконец автоматизировать этот процесс? У каждой стороны было множество «важных» аргументов (детали — см. статью).
Шаг 2. Категоризировать все причины «за» и «против», игнорируя абсолютное количество плюсов и минусов.
В случае Superhuman получилось четыре категории:
1. Стоимость реализации;
2. Опыт пользователя (CX);
3. Сложность реализации;
4. Развитие продукта.
Шаг 3. Приоритизировать категории, а не аргументы.
Задаём вопрос: какая категория важнее всего для бизнеса прямо сейчас? Это и есть SDR (единственная решающая причина). У Superhuman приоритетом был крутой CX — команда не была готова жертвовать крутым пользовательским опытом ради других выгод.
Итог: прямая коммуникация SDR при принятии решений помогает Superhuman обеспечивать согласованность действий и держать фокус команд на важном.
>> SDR — это способ вырезать шум и принять стратегическое решение, когда аргументы звучат одинаково веско.
NB: это не серебряная пуля, а один из инструментов в чемоданчике руководителя.
👍9
Как продактам развивать свой скиллсет в эпоху ИИ?
В апреле CEO Shopify Тоби Лютке объявил, что использование ИИ «на уровне рефлексов» стало базовым ожиданием от сотрудников. А при найме нового сотрудника нужно обосновать, почему задачу невозможно решить только с ИИ.
Обращаю на статью внимание не потому, что ИИ «снова на волне» и про это модно написать.
Дело в другом. Сегодня продакт-менеджеры действительно могут кратно ускорять выполнение многих задач, если грамотно работают в паре с ИИ:
— собирать и систематизировать инсайты, выдвигать и прорабатывать гипотезы на этапе дискавери;
— быстро составлять ТЗ для разработки и дизайнеров или вообще собирать прототип самостоятельно, сократив time-to-market (пример с Tilda, make, airtable и пр.);
— анализировать данные и оперативно готовить отчеты для ЛПР.
Во всем этом нужно обязательно прокачиваться — становится очевидно, что это уже must have. Хотя бы для того, чтобы быстрее тушить пожары, разруливать влеты и меньше тратить время на рутину.
Вопрос в другом — как правильно распорядиться тем временем, которое при правильной сноровке ИИ поможет высвободить?
В режиме «пожар-mode» у продактов часто на второй или третий план уходят задачи долгосрочного развития продукта и проработки бизнес-стратегии. Это понятно. Но именно здесь появляется ключевое окно возможностей.
ИИ дает продактам не только немного дополнительного воздуха в течение дня, но и шанс на карьерный level-up. Появляется ресурс, чтобы задуматься не только о закрытии квартальных целей, но и о более сложных вопросах:
Как мой продукт будет выглядеть через три года? Как он поможет расти бизнесу?
Как уже писал, ИИ может взять на себя и часть «ручной» работы по подготовке стратегии. Но для этого ему нужен старший напарник — человек с прокачанным стратегическим мышлением, способный направить и собрать результат в работающую систему.
И здесь амбициозные продакт-менеджеры получают все карты в руки.
Ответ на вопрос «что для этого делать» — оставлю для другого поста.
В апреле CEO Shopify Тоби Лютке объявил, что использование ИИ «на уровне рефлексов» стало базовым ожиданием от сотрудников. А при найме нового сотрудника нужно обосновать, почему задачу невозможно решить только с ИИ.
Обращаю на статью внимание не потому, что ИИ «снова на волне» и про это модно написать.
Дело в другом. Сегодня продакт-менеджеры действительно могут кратно ускорять выполнение многих задач, если грамотно работают в паре с ИИ:
— собирать и систематизировать инсайты, выдвигать и прорабатывать гипотезы на этапе дискавери;
— быстро составлять ТЗ для разработки и дизайнеров или вообще собирать прототип самостоятельно, сократив time-to-market (пример с Tilda, make, airtable и пр.);
— анализировать данные и оперативно готовить отчеты для ЛПР.
Во всем этом нужно обязательно прокачиваться — становится очевидно, что это уже must have. Хотя бы для того, чтобы быстрее тушить пожары, разруливать влеты и меньше тратить время на рутину.
Вопрос в другом — как правильно распорядиться тем временем, которое при правильной сноровке ИИ поможет высвободить?
В режиме «пожар-mode» у продактов часто на второй или третий план уходят задачи долгосрочного развития продукта и проработки бизнес-стратегии. Это понятно. Но именно здесь появляется ключевое окно возможностей.
ИИ дает продактам не только немного дополнительного воздуха в течение дня, но и шанс на карьерный level-up. Появляется ресурс, чтобы задуматься не только о закрытии квартальных целей, но и о более сложных вопросах:
Как мой продукт будет выглядеть через три года? Как он поможет расти бизнесу?
Как уже писал, ИИ может взять на себя и часть «ручной» работы по подготовке стратегии. Но для этого ему нужен старший напарник — человек с прокачанным стратегическим мышлением, способный направить и собрать результат в работающую систему.
И здесь амбициозные продакт-менеджеры получают все карты в руки.
Ответ на вопрос «что для этого делать» — оставлю для другого поста.
The Verge
Shopify CEO says no new hires without proof AI can’t do the job
Tobi Lütke shared a memo outlining the expectation.
👍6
Продолжая разговор о важности долгосрочного мышления, хочется вспомнить фразу Джеффа Безоса, фаундера Amazon, которую он сказал много лет назад:
Про что он?
О том, что настоящие результаты бизнеса — не отражение текущих усилий, а следствие решений, принятых задолго до момента Х.
Три года назад команда инвестировала время, ресурсы и внимание во что-то, что тогда не выглядело как «успех», но соответствовало долгосрочным целям. Тогда это мог быть спорный выбор, неочевидная ставка, работа «в долгую».
Сегодня — это готовый результат, который все видят. Но видят только верхушку айсберга.
Как начать думать на долгосрочную перспективу?
— Сдвинуть фокус: перестать оценивать успех исключительно по текущим метрикам и годовым целям. Можно добавить в цели квартала «forward-looking KPI» — чтобы быть готовым к следующему витку роста.
— Завести в бэклоге «неприоритетные» сегодня гипотезы, которые могут стать основой кратного роста через 2-3 года — стараться делать пилоты или R&D-проекты, которые отрывают от «кормушки квартала».
— Регулярно задавать себе вопросы: что станет нормой в отрасли через несколько лет? где мы рискуем оказаться не готовы? что сейчас кажется неважным, но может изменить рынок? позволит ли текущая архитектура продукта нам быстро расти будущем?
— Не ждать разрешения «сверху» — стратегическое мышление не привязано к годовым или квартальным целями или к должности. Это про системную работу сегодня с прицелом на будущее.
«Когда у меня удачный квартальный отчёт, люди говорят: “Поздравляю!” — я отвечаю “спасибо”, но на самом деле думаю: этот результат был заложен нами три года назад».
Про что он?
О том, что настоящие результаты бизнеса — не отражение текущих усилий, а следствие решений, принятых задолго до момента Х.
Три года назад команда инвестировала время, ресурсы и внимание во что-то, что тогда не выглядело как «успех», но соответствовало долгосрочным целям. Тогда это мог быть спорный выбор, неочевидная ставка, работа «в долгую».
Сегодня — это готовый результат, который все видят. Но видят только верхушку айсберга.
Как начать думать на долгосрочную перспективу?
— Сдвинуть фокус: перестать оценивать успех исключительно по текущим метрикам и годовым целям. Можно добавить в цели квартала «forward-looking KPI» — чтобы быть готовым к следующему витку роста.
— Завести в бэклоге «неприоритетные» сегодня гипотезы, которые могут стать основой кратного роста через 2-3 года — стараться делать пилоты или R&D-проекты, которые отрывают от «кормушки квартала».
— Регулярно задавать себе вопросы: что станет нормой в отрасли через несколько лет? где мы рискуем оказаться не готовы? что сейчас кажется неважным, но может изменить рынок? позволит ли текущая архитектура продукта нам быстро расти будущем?
— Не ждать разрешения «сверху» — стратегическое мышление не привязано к годовым или квартальным целями или к должности. Это про системную работу сегодня с прицелом на будущее.
👍4
Повышение квалификации в эпоху ИИ — это не про «курсы по Python», а про стратегию выживания бизнеса.
В свежем отчете Pearson показали интересную цифру: в ближайшие пару лет разработчики высвободят до 6 часов в неделю за счет автоматизации — и смогут вложить их в более ценные задачи.
Круто? — Да. Но посмотрим глубже.
Это не про программистов. Это про всех.
ИИ и автоматизация будут постепенно убирают рутину у всех ролей — продавцов, маркетологов, логистов, бухгалтеров и т.д. Перед компаниями становится новый вопрос:
А что будут делать люди, когда «механический труд» уйдёт?
— принимать решения
— коммуницировать
— мыслить стратегически
— работать с неопределенностью
Иными словами — развивать то, чему почти не учили в корпоративных системах обучения.
Где системный провал?
Большинство программ повышения квалификации сегодня — это тактический апгрейд скиллов по любой теме: финансы, управление продуктом, продажи и т.д.
Но если вы управляете бизнесом — у вас другая задача: перестроить всю архитектуру развития людей под ландшафт, где человек + ИИ = основная модель работы.
Что можно делать уже сейчас:
1. Сделать ревизию корпоративного обучения.
Не просто «какие курсы», а чему мы на самом деле учим. Есть ли там работа с ИИ, критическое мышление, коммуникация в гибридной среде?
2. Применить продуктовый подход к развитию талантов.
Вместо формальных LMS — кастомные треки под задачи бизнеса и роли. Прямо как продукт: исследование, гипотезы, метрики, итерации.
3. Если вы в СД — задать темп.
Запросить от СЕО план по переосмыслению стратегий обучения. С конкретными KPI: % времени, высвобожденного от рутины, % сотрудников, освоивших работу с ИИ-инструментами и т.д.
4. Инвестировать не только в харды.
ИИ будет дописывать код и собирать отчёты. А вот вести переговоры, адаптироваться, вдохновлять команду — останется за человеком.
Автоматизация — это не про сокращения. Это про трансформацию ролей.
Руководителям важно сегодня не просто пережить ИИ волну, а глубже понять, что за ней стоит, и научиться использовать ее как рычаг роста.
Как? — Через продуманную стратегию развития людей.
Обучение больше не вспомогательная функция. Оно должно вытекать из логики того, как будет меняться бизнес под влиянием ИИ, и кто именно будет его локомотивом в будущем.
В свежем отчете Pearson показали интересную цифру: в ближайшие пару лет разработчики высвободят до 6 часов в неделю за счет автоматизации — и смогут вложить их в более ценные задачи.
Круто? — Да. Но посмотрим глубже.
Это не про программистов. Это про всех.
ИИ и автоматизация будут постепенно убирают рутину у всех ролей — продавцов, маркетологов, логистов, бухгалтеров и т.д. Перед компаниями становится новый вопрос:
А что будут делать люди, когда «механический труд» уйдёт?
— принимать решения
— коммуницировать
— мыслить стратегически
— работать с неопределенностью
Иными словами — развивать то, чему почти не учили в корпоративных системах обучения.
Где системный провал?
Большинство программ повышения квалификации сегодня — это тактический апгрейд скиллов по любой теме: финансы, управление продуктом, продажи и т.д.
Но если вы управляете бизнесом — у вас другая задача: перестроить всю архитектуру развития людей под ландшафт, где человек + ИИ = основная модель работы.
Что можно делать уже сейчас:
1. Сделать ревизию корпоративного обучения.
Не просто «какие курсы», а чему мы на самом деле учим. Есть ли там работа с ИИ, критическое мышление, коммуникация в гибридной среде?
2. Применить продуктовый подход к развитию талантов.
Вместо формальных LMS — кастомные треки под задачи бизнеса и роли. Прямо как продукт: исследование, гипотезы, метрики, итерации.
3. Если вы в СД — задать темп.
Запросить от СЕО план по переосмыслению стратегий обучения. С конкретными KPI: % времени, высвобожденного от рутины, % сотрудников, освоивших работу с ИИ-инструментами и т.д.
4. Инвестировать не только в харды.
ИИ будет дописывать код и собирать отчёты. А вот вести переговоры, адаптироваться, вдохновлять команду — останется за человеком.
Автоматизация — это не про сокращения. Это про трансформацию ролей.
Руководителям важно сегодня не просто пережить ИИ волну, а глубже понять, что за ней стоит, и научиться использовать ее как рычаг роста.
Как? — Через продуманную стратегию развития людей.
Обучение больше не вспомогательная функция. Оно должно вытекать из логики того, как будет меняться бизнес под влиянием ИИ, и кто именно будет его локомотивом в будущем.
👍4👌2
Какой следующий шаг после LLM? — взгляд Яна ЛеКуна
Ян ЛеКун, один из пионеров глубокого обучения, считает, что ключевые прорывы на основе LLM моделей (больших языковых моделей) уже свершились — ждать новых от них не стоит.
Во что он верит?
– модели, которые понимают физический мир (а не только текст),
– умеют планировать и рассуждать,
– обладают постоянной памятью,
– и строят внутреннюю модель реальности, как человек или животное.
Текущие языковые модели делают вид, что рассуждают, просто перебирая токены. ЛеКун считает это тупиковым подходом:
Он видит будущее (AGI и вот это все) за JPA архитектурой (Joint Predictive Architecture), над которой сейчас работает.
Остальное пересказывать не буду. Если тема близка — вот полная версия его интервью на конференции NVIDIA для просмотра на выходных.
Ян ЛеКун, один из пионеров глубокого обучения, считает, что ключевые прорывы на основе LLM моделей (больших языковых моделей) уже свершились — ждать новых от них не стоит.
«LLM — это зрелая технология, которая уже в руках продуктовых команд и улучшается на уровне инкрементов. Больше данных, больше вычислений, чуть лучше результат. Но это уже не фундаментальная наука».
Во что он верит?
– модели, которые понимают физический мир (а не только текст),
– умеют планировать и рассуждать,
– обладают постоянной памятью,
– и строят внутреннюю модель реальности, как человек или животное.
Текущие языковые модели делают вид, что рассуждают, просто перебирая токены. ЛеКун считает это тупиковым подходом:
«Мы не мыслим в токенах. Мы мыслим в абстрактных представлениях».
Он видит будущее (AGI и вот это все) за JPA архитектурой (Joint Predictive Architecture), над которой сейчас работает.
Остальное пересказывать не буду. Если тема близка — вот полная версия его интервью на конференции NVIDIA для просмотра на выходных.
YouTube
Frontiers of AI and Computing: A Conversation With Yann LeCun and Bill Dally | NVIDIA GTC 2025
As artificial intelligence continues to reshape the world, the intersection of deep learning and high performance computing becomes increasingly crucial. This talk brings together Yann LeCun, a pioneer in deep learning and the chief AI scientist at Meta,…
👍7
Какой следующий шаг после LLM? ч.2 — Как на это смотрят выходцы из Google DeepMind
В прошлом посте я писал о взгляде Яна ЛеКуна: LLM — зрелая технология, и ждать от неё новых прорывов не стоит. Он верит в агентов, которые умеют планировать, взаимодействовать с миром и строить собственную модель реальности.
С этим взглядом перекликается новая статья Welcome to the Era of Experience Дэвида Сильвера и Ричарда Саттона — основателей и идеологов современного reinforcement learning. Они называют следующий этап в развитии ИИ эрой опыта.
Важно понимать: это уже не языковые модели в привычном смысле.
Это следующий класс систем — не LLM, а агенты, которые живут в "среде", а не в диалоге. Они не просто генерируют ответы, а действуют, наблюдают, учатся и адаптируются.
Сегодняшние модели вроде GPT выросли на сгенерированных людьми данных — текстах, диалогах, коде. Они умеют имитировать мышление, давать советы, писать эссе. Но есть потолок: такие модели не выходят за пределы того, чему их научили люди.
В науке, математике, инженерии — там, где нужны открытия, а не повторение — они упираются в стену.
Что дальше?
ИИ-агенты, которые учатся не из данных, а из взаимодействия с миром. Они не просто отвечают на вопрос, а живут в потоке опыта. Действуют, получают обратную связь от среды, корректируют поведение.
Как AlphaZero научился играть в шахматы не по партиям гроссмейстеров, а через самообучение. Или как AlphaProof решал олимпиадные задачи, создавая 100 млн собственных доказательств.
Что это значит для бизнеса (в будущем)?
1. Ценность — не в токенах, а в последствиях. Главное не как агент “думает”, а как он действует и к чему это приводит;
2. Метрики ИИ-продуктов станут другими: важна не точность ответа, а вклад в долгосрочную цель (здоровье, обучение, рост выручки);
3. Изменится и сам UX: агент будет не просто отвечать на команды, а сам наблюдать за действиями пользователя, адаптироваться и учиться — как персональный ассистент, который становится полезнее с каждым днём;
4. Data flywheel превращается в experience flywheel: действие => результат => адаптация => новое действие.
Следующий шаг — это ИИ, который не просто “отвечает”, а сам ставит цели, действует и учится на своих ошибках.
В прошлом посте я писал о взгляде Яна ЛеКуна: LLM — зрелая технология, и ждать от неё новых прорывов не стоит. Он верит в агентов, которые умеют планировать, взаимодействовать с миром и строить собственную модель реальности.
С этим взглядом перекликается новая статья Welcome to the Era of Experience Дэвида Сильвера и Ричарда Саттона — основателей и идеологов современного reinforcement learning. Они называют следующий этап в развитии ИИ эрой опыта.
Важно понимать: это уже не языковые модели в привычном смысле.
Это следующий класс систем — не LLM, а агенты, которые живут в "среде", а не в диалоге. Они не просто генерируют ответы, а действуют, наблюдают, учатся и адаптируются.
Сегодняшние модели вроде GPT выросли на сгенерированных людьми данных — текстах, диалогах, коде. Они умеют имитировать мышление, давать советы, писать эссе. Но есть потолок: такие модели не выходят за пределы того, чему их научили люди.
В науке, математике, инженерии — там, где нужны открытия, а не повторение — они упираются в стену.
Что дальше?
ИИ-агенты, которые учатся не из данных, а из взаимодействия с миром. Они не просто отвечают на вопрос, а живут в потоке опыта. Действуют, получают обратную связь от среды, корректируют поведение.
Как AlphaZero научился играть в шахматы не по партиям гроссмейстеров, а через самообучение. Или как AlphaProof решал олимпиадные задачи, создавая 100 млн собственных доказательств.
Что это значит для бизнеса (в будущем)?
1. Ценность — не в токенах, а в последствиях. Главное не как агент “думает”, а как он действует и к чему это приводит;
2. Метрики ИИ-продуктов станут другими: важна не точность ответа, а вклад в долгосрочную цель (здоровье, обучение, рост выручки);
3. Изменится и сам UX: агент будет не просто отвечать на команды, а сам наблюдать за действиями пользователя, адаптироваться и учиться — как персональный ассистент, который становится полезнее с каждым днём;
4. Data flywheel превращается в experience flywheel: действие => результат => адаптация => новое действие.
Следующий шаг — это ИИ, который не просто “отвечает”, а сам ставит цели, действует и учится на своих ошибках.
👍2🔥1
Стратегия: думать от будущего, а не от текущих задач
Многие компании строят стратегии с горизонтом 1–2 года — «от сегодняшнего дня». Это дает ощущение реалистичности: понятно, с чем имеем дело, можно «протянуть траекторию» на немного вперед. И нестабильная рыночная ситуация тоже как-будто бы к этому нас подталкивает.
Но в этом подходе есть ловушка:
Вы не меняете траекторию развития бизнеса, вы ее продлеваете. И часто — в рамках уже существующих ограничений, культуры, команды и даже привычек. Это тактическое планирование, упакованное в формат стратегии.
Наверняка вы слышали про фреймворк Thinking backwards. Сначала — задаете желаемую точку через 3–5 лет: где хотим быть, какие показатели, как выглядим в глазах клиентов, как работает бизнес.
Затем — «отматываете» назад: какие шаги и условия к этому ведут? что мешает? как устранить барьеры?
Его активно применяют в Амазон. А в России одними из самых крутых его практиков являются Авито. Я работал по нему не один год и продолжаю системно применять и по сей день. Хочу поделиться личным опытом — в чем вижу его ценность для достижения по-настоящему прорывных результатов для бизнеса.
Такой подход требует большей честности и управленческой смелости. Потому что он не принимает текущее положение как данность. Он заставляет задать неудобные вопросы:
— А достаточно ли амбициозна наша цель?
— А позволяет ли текущая модель туда дойти?
— Что надо менять в подходах, процессах, команде, чтобы вообще был шанс туда попасть?
В чем отличие действий при этом подходе?
— Вы начинаете не с идей, а с желаемого будущего — и формулируете очень конкретные критерии успеха;
— Вместо календарного плана — строите карту изменений (в бизнес-модели, команде, клиентах);
— Роли в команде определяются не «по людям», а по задачам будущего;
— Вы сразу закладываете зоны риска и гипотезы, которые нужно будет валидировать;
— Отдельный фокус — что нужно начать делать уже сейчас, чтобы через 2 года были нужные ресурсы и компетенции.
Что это дает бизнесу:
— Стратегия становится ориентированной на качественный сдвиг, а не на поддержание текущей позиции;
— Легче выделить действительно ключевые инициативы — и сократить размытость фокуса;
— Выход из состояния «реактивного менеджмента» в проактивную трансформацию;
— Появляется пространство для долгосрочных партнерств и инвестиций, которые не укладываются в 12 месяцев — но и дают реальный рывок.
Thinking backwards — это не про «мечты на 5 лет». Это про навык строить траекторию туда, где бизнесу действительно стоит оказаться. И именно с этого я начинаю стратегические сессии с клиентами.
Многие компании строят стратегии с горизонтом 1–2 года — «от сегодняшнего дня». Это дает ощущение реалистичности: понятно, с чем имеем дело, можно «протянуть траекторию» на немного вперед. И нестабильная рыночная ситуация тоже как-будто бы к этому нас подталкивает.
Но в этом подходе есть ловушка:
Вы не меняете траекторию развития бизнеса, вы ее продлеваете. И часто — в рамках уже существующих ограничений, культуры, команды и даже привычек. Это тактическое планирование, упакованное в формат стратегии.
Наверняка вы слышали про фреймворк Thinking backwards. Сначала — задаете желаемую точку через 3–5 лет: где хотим быть, какие показатели, как выглядим в глазах клиентов, как работает бизнес.
Затем — «отматываете» назад: какие шаги и условия к этому ведут? что мешает? как устранить барьеры?
Его активно применяют в Амазон. А в России одними из самых крутых его практиков являются Авито. Я работал по нему не один год и продолжаю системно применять и по сей день. Хочу поделиться личным опытом — в чем вижу его ценность для достижения по-настоящему прорывных результатов для бизнеса.
Такой подход требует большей честности и управленческой смелости. Потому что он не принимает текущее положение как данность. Он заставляет задать неудобные вопросы:
— А достаточно ли амбициозна наша цель?
— А позволяет ли текущая модель туда дойти?
— Что надо менять в подходах, процессах, команде, чтобы вообще был шанс туда попасть?
В чем отличие действий при этом подходе?
— Вы начинаете не с идей, а с желаемого будущего — и формулируете очень конкретные критерии успеха;
— Вместо календарного плана — строите карту изменений (в бизнес-модели, команде, клиентах);
— Роли в команде определяются не «по людям», а по задачам будущего;
— Вы сразу закладываете зоны риска и гипотезы, которые нужно будет валидировать;
— Отдельный фокус — что нужно начать делать уже сейчас, чтобы через 2 года были нужные ресурсы и компетенции.
Что это дает бизнесу:
— Стратегия становится ориентированной на качественный сдвиг, а не на поддержание текущей позиции;
— Легче выделить действительно ключевые инициативы — и сократить размытость фокуса;
— Выход из состояния «реактивного менеджмента» в проактивную трансформацию;
— Появляется пространство для долгосрочных партнерств и инвестиций, которые не укладываются в 12 месяцев — но и дают реальный рывок.
Thinking backwards — это не про «мечты на 5 лет». Это про навык строить траекторию туда, где бизнесу действительно стоит оказаться. И именно с этого я начинаю стратегические сессии с клиентами.
👍7🔥3💩1