Заметки - отличное место, чтобы навсегда похоронить хорошую мысль.
Недавно задумался: сколько бы подкастов ни слушал, книг ни читал и с людьми ни разговаривал - проходит время, и большая часть интересного всё равно где-то теряется. В заметки я почти не возвращаюсь, поэтому решил попробовать вести канал.
Меня зовут Дима. Я занимаюсь продуктами, развиваю студию и запускаю собственные проекты. Здесь буду писать о бизнесе, ИИ в разработке и жизни, интересных стартапах и сильных решениях. А ещё делиться собственным опытом — от Сколково и грантов до первых тестов и запусков новых продуктов. Тут можно будет пощупать первые версии наших продуктов и поучаствовать в их развитии.
Ну и хороший нетворк сам себя не построит — так что всегда рад познакомиться и поболтать.
Недавно задумался: сколько бы подкастов ни слушал, книг ни читал и с людьми ни разговаривал - проходит время, и большая часть интересного всё равно где-то теряется. В заметки я почти не возвращаюсь, поэтому решил попробовать вести канал.
Меня зовут Дима. Я занимаюсь продуктами, развиваю студию и запускаю собственные проекты. Здесь буду писать о бизнесе, ИИ в разработке и жизни, интересных стартапах и сильных решениях. А ещё делиться собственным опытом — от Сколково и грантов до первых тестов и запусков новых продуктов. Тут можно будет пощупать первые версии наших продуктов и поучаствовать в их развитии.
Ну и хороший нетворк сам себя не построит — так что всегда рад познакомиться и поболтать.
🔥3
AI-агенты уже ограничены не моделями, а процессами компаний
Недавно прочитал три свежих исследования от Google, OpenAI и Deloitte о том, как компании внедряют ИИ. У всех разный фокус, но общий вывод получился почти одинаковый.
🆎️ Deloitte опросил около 500 руководителей из компаний, которые начали тестировать агентов в бизнесе.
Среди опрошенных всего 5% считают свои процессы хорошо подготовленными к такому внедрению. При этом 74% ожидают, что в ближайшие четыре года почти половину процессов придётся перестроить вокруг ИИ.
То есть качество самих моделей, которое ещё недавно казалось главным ограничением для внедрения ИИ, сегодня даже не входит в число основных проблем. Технологии уже позволяют делать полезные для бизнеса системы, а вот компания далеко не всегда готова нормально их встроить.
🥰 У Google хорошо описан следующий шаг - переход от работы по инструкции к работе по результату. И этот тренд уже хорошо заметен всем, кто активно пользуется Claude, ChatGPT и тд.
Модели всё реже приходится подробно объяснять каждый отдельный шаг. Можно поставить задачу, дать доступ к нужным данным и инструментам, а дальше агент уже сам разберётся, где искать информацию, что сравнивать и как прийти к результату.
Например, вместо ручного сбора отчёта по продажам можно попросить разобраться, почему они просели. Агент сам посмотрит нужные метрики, сравнит их с прошлыми периодами, проверит связанные показатели и соберёт вывод.
А если задача сложнее, её можно разбить между несколькими агентами, каждый из которых отвечает за свою часть.
😺 У OpenAI получился другой интересный срез. Они проанализировали больше 800000 рабочих сообщений в ChatGPT и увидели, что около 17% всех запросов относятся к задачам другой специальности. А если убрать универсальные вещи вроде писем, календаря и саммари, доля вырастает до 43,5%.
То есть границы между ролями внутри команд уже начинают постепенно размываться.
Если раньше даже небольшой A/B-тест требовал участия продакта, аналитика и разработки на разных этапах, то сейчас часть работы с гипотезой, данными и анализом результатов продакт уже может делать сам с помощью ИИ.
Нужны ли после этого аналитик и разработчик? Конечно. ИИ всё ещё ошибается, да и попытка повесить три профессии на одного продакта вряд ли сильно повысит эффективность "команды".
Но сама работа уже меняется и однозначно пора смотреть в сторону организационных изменений.
И об этом, кажется, стоит задумываться уже сейчас. Не только выбирать модель, а глубоко разбираться, где лежат данные, как устроены процессы, какие системы связаны между собой и кто отвечает за конечный результат.
Чем понятнее эта система внутри компании, тем проще поверх неё строить реально работающие агентные процессы, где можно проследить каждый этап и не гадать, что же там делает агент.
P.S. Если у вас есть процесс, который хочется превратить в такую агентную систему, пишите. С радостью обсудим задачу и поможем внедрить такое решение в вашей компании.
Источники:
Google Cloud - AI Agent Trends 2026
Deloitte - AI agents are only the beginning
OpenAI - Work at the Frontier
Недавно прочитал три свежих исследования от Google, OpenAI и Deloitte о том, как компании внедряют ИИ. У всех разный фокус, но общий вывод получился почти одинаковый.
Главная проблема AI-агентов уже не столько в качестве моделей, сколько в неподготовленных данных, процессах и интеграциях.
Среди опрошенных всего 5% считают свои процессы хорошо подготовленными к такому внедрению. При этом 74% ожидают, что в ближайшие четыре года почти половину процессов придётся перестроить вокруг ИИ.
В топе блокеров выделяют:
72% - данные разбросаны по разным системам
70% - сложно доверять агентам и нормально ими управлять
67% - интеграция слишком дорогая и сложная
То есть качество самих моделей, которое ещё недавно казалось главным ограничением для внедрения ИИ, сегодня даже не входит в число основных проблем. Технологии уже позволяют делать полезные для бизнеса системы, а вот компания далеко не всегда готова нормально их встроить.
Модели всё реже приходится подробно объяснять каждый отдельный шаг. Можно поставить задачу, дать доступ к нужным данным и инструментам, а дальше агент уже сам разберётся, где искать информацию, что сравнивать и как прийти к результату.
Например, вместо ручного сбора отчёта по продажам можно попросить разобраться, почему они просели. Агент сам посмотрит нужные метрики, сравнит их с прошлыми периодами, проверит связанные показатели и соберёт вывод.
А если задача сложнее, её можно разбить между несколькими агентами, каждый из которых отвечает за свою часть.
То есть границы между ролями внутри команд уже начинают постепенно размываться.
Если раньше даже небольшой A/B-тест требовал участия продакта, аналитика и разработки на разных этапах, то сейчас часть работы с гипотезой, данными и анализом результатов продакт уже может делать сам с помощью ИИ.
Нужны ли после этого аналитик и разработчик? Конечно. ИИ всё ещё ошибается, да и попытка повесить три профессии на одного продакта вряд ли сильно повысит эффективность "команды".
Но сама работа уже меняется и однозначно пора смотреть в сторону организационных изменений.
Чем чище данные и понятнее процессы, тем проще встроить в них ИИ и получить от него нужный результат.
И об этом, кажется, стоит задумываться уже сейчас. Не только выбирать модель, а глубоко разбираться, где лежат данные, как устроены процессы, какие системы связаны между собой и кто отвечает за конечный результат.
Чем понятнее эта система внутри компании, тем проще поверх неё строить реально работающие агентные процессы, где можно проследить каждый этап и не гадать, что же там делает агент.
P.S. Если у вас есть процесс, который хочется превратить в такую агентную систему, пишите. С радостью обсудим задачу и поможем внедрить такое решение в вашей компании.
Источники:
Google Cloud - AI Agent Trends 2026
Deloitte - AI agents are only the beginning
OpenAI - Work at the Frontier
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Кстати про Deloitte. Их скоро заменит ИИ
Казалось бы, есть профессии, которые от ИИ защищены лучше остальных.
Например, художник. Здесь всё завязано на вкусе, насмотренности, личном опыте и способности придумывать что-то новое. Пока модели в основном перерабатывают уже известное, но вряд ли это навсегда.
Или бухгалтер. Тут нужны не только знания учёта и налогов, но и понимание конкретного бизнеса, работа с кучей источников данных, ответственность за закрытие периода и нормальная профессиональная проверка результата. С другой стороны, значительная часть процессов всё равно хорошо формализована, а правила во многом унифицированы.
Примерно так же подумали ребята из стартапа Billow AI Labs. Они решили не делать ещё один AI-инструмент для бухгалтеров, а сразу строят AI-native бухгалтерскую фирму.
Billow подключается к системам клиента и берёт на себя часть регулярной работы: сверки, закрытие периода, отчётность и работу с данными. Значительную часть этого выполняют агенты, а человек остаётся там, где нужен контроль, разбор сложных случаев и ответственность за результат.
На странице YC они прямо пишут, что хотят построить AI-native accounting firm to replace the Big Four.
Конечно, до Deloitte, EY или PwC им ещё очень далеко. Но сам подход мне кажется интересным именно потому, что здесь ИИ уже пытается заменить не отдельный инструмент или одну задачу, а часть полноценной профессиональной услуги.
И чем больше появляется таких компаний, тем меньше хочется рассуждать о профессиях, которые ИИ якобы точно никогда не затронет.
Скорее вопрос уже в том, как скоро это произойдёт и кто первый в очереди.
Billow AI Labs в Y Combinator
Казалось бы, есть профессии, которые от ИИ защищены лучше остальных.
Например, художник. Здесь всё завязано на вкусе, насмотренности, личном опыте и способности придумывать что-то новое. Пока модели в основном перерабатывают уже известное, но вряд ли это навсегда.
Или бухгалтер. Тут нужны не только знания учёта и налогов, но и понимание конкретного бизнеса, работа с кучей источников данных, ответственность за закрытие периода и нормальная профессиональная проверка результата. С другой стороны, значительная часть процессов всё равно хорошо формализована, а правила во многом унифицированы.
Примерно так же подумали ребята из стартапа Billow AI Labs. Они решили не делать ещё один AI-инструмент для бухгалтеров, а сразу строят AI-native бухгалтерскую фирму.
Billow подключается к системам клиента и берёт на себя часть регулярной работы: сверки, закрытие периода, отчётность и работу с данными. Значительную часть этого выполняют агенты, а человек остаётся там, где нужен контроль, разбор сложных случаев и ответственность за результат.
На странице YC они прямо пишут, что хотят построить AI-native accounting firm to replace the Big Four.
Конечно, до Deloitte, EY или PwC им ещё очень далеко. Но сам подход мне кажется интересным именно потому, что здесь ИИ уже пытается заменить не отдельный инструмент или одну задачу, а часть полноценной профессиональной услуги.
И чем больше появляется таких компаний, тем меньше хочется рассуждать о профессиях, которые ИИ якобы точно никогда не затронет.
Скорее вопрос уже в том, как скоро это произойдёт и кто первый в очереди.
Billow AI Labs в Y Combinator
🤔2
Forwarded from Яков и Партнёры
Когда лучше подождать с внедрением ИИ-агента: три обязательных условия готовности
Внедрение ИИ-агента имеет смысл только тогда, когда компания готова получить измеримый результат. В противном случае технология останется экспериментом, а эффект на уровне бизнеса окажется нулевым. Перед запуском необходимо проверить три обязательных условия готовности. Если хотя бы одно из них отсутствует, внедрение лучше отложить.
Первое условие — оцифрованность данных процесса. Если информация о действиях, решениях и результатах существует только в разрозненных файлах, переписке или головах сотрудников, агенту не на чем учиться и действовать. Без машиночитаемых данных система не сможет планировать, проверять результат и доводить задачу до конца.
Второе условие — наличие повторяемого сценария с четкой метрикой. Пилот должен касаться конкретного, регулярно возникающего действия, а не целой функции. Например, обработка возврата, проверка договора или маршрутизация обращения. Без измеримого показателя невозможно понять, появился ли эффект и насколько он значим.
Третье условие — наличие куратора на уровне CEO-1. У проекта должен быть владелец, который отвечает за изменение процессов, ролей и KPI. Без такого куратора агент остается «игрушкой» ИТ-подразделения и не встраивается в реальную работу. Только при выполнении всех трех условий можно рассчитывать на переход от локального ускорения к системному результату.
Внедрение ИИ-агента имеет смысл только тогда, когда компания готова получить измеримый результат. В противном случае технология останется экспериментом, а эффект на уровне бизнеса окажется нулевым. Перед запуском необходимо проверить три обязательных условия готовности. Если хотя бы одно из них отсутствует, внедрение лучше отложить.
Первое условие — оцифрованность данных процесса. Если информация о действиях, решениях и результатах существует только в разрозненных файлах, переписке или головах сотрудников, агенту не на чем учиться и действовать. Без машиночитаемых данных система не сможет планировать, проверять результат и доводить задачу до конца.
Второе условие — наличие повторяемого сценария с четкой метрикой. Пилот должен касаться конкретного, регулярно возникающего действия, а не целой функции. Например, обработка возврата, проверка договора или маршрутизация обращения. Без измеримого показателя невозможно понять, появился ли эффект и насколько он значим.
Третье условие — наличие куратора на уровне CEO-1. У проекта должен быть владелец, который отвечает за изменение процессов, ролей и KPI. Без такого куратора агент остается «игрушкой» ИТ-подразделения и не встраивается в реальную работу. Только при выполнении всех трех условий можно рассчитывать на переход от локального ускорения к системному результату.
ИИ будет хорош во всём. Даже в видеомонтаже
На выходных решил сделать пару маркетинговых видео для нашей студии. Сам монтажом особо никогда не занимался, а после ухода Sora генеративное видео как будто окончательно ушло на второй план - слишком дорого и слишком плохо контролируется.
Первый ролик прикреплю как точку старта, второй уже продовый v1 и пойдёт на лендинг. Между ними примерно день работы, в основном фоновые поиск и обработка референсов, подготовка материалов и итерации (успел 5 таких видео сделать).
Да, хороший видеоредактор сделал бы лучше. Где-то аккуратнее анимация, где-то приятнее переход, где-то просто посмотрит и скажет, что это нейрослоп. Но здесь всё полностью контролируется ИИ и собирается кодом, поэтому результат можно спокойно переиспользовать, дорабатывать и при желании превратить в отдельный продукт. Никаких примерных генераций и несоответствий стилей, по сути это видеосъём уже проделанной работы.
Недавно в подкасте глава Growth в Anthropic (Claude) Amol Avasare сказал
Такой прирост звучит очень смело, но почти каждый месяц появляются задачи, которые ещё недавно я бы даже не подумал отдавать ИИ. Пару лет назад я бы просто отдал такой ролик монтажёру и заплатил за него тысяч 15-20. Сейчас могу фоново решать задачки, параллельно занимаясь основными делами или отдыхом. А что будет ещё через пару лет...
Могу отправить пайплайн работы - напишите в личку или в комментах.
Lenny’s Podcast с Amol Avasare из Anthropic
На выходных решил сделать пару маркетинговых видео для нашей студии. Сам монтажом особо никогда не занимался, а после ухода Sora генеративное видео как будто окончательно ушло на второй план - слишком дорого и слишком плохо контролируется.
Первый ролик прикреплю как точку старта, второй уже продовый v1 и пойдёт на лендинг. Между ними примерно день работы, в основном фоновые поиск и обработка референсов, подготовка материалов и итерации (успел 5 таких видео сделать).
Да, хороший видеоредактор сделал бы лучше. Где-то аккуратнее анимация, где-то приятнее переход, где-то просто посмотрит и скажет, что это нейрослоп. Но здесь всё полностью контролируется ИИ и собирается кодом, поэтому результат можно спокойно переиспользовать, дорабатывать и при желании превратить в отдельный продукт. Никаких примерных генераций и несоответствий стилей, по сути это видеосъём уже проделанной работы.
Недавно в подкасте глава Growth в Anthropic (Claude) Amol Avasare сказал
The product value that we will deliver in two years time is probably like a thousand X what it is today
Такой прирост звучит очень смело, но почти каждый месяц появляются задачи, которые ещё недавно я бы даже не подумал отдавать ИИ. Пару лет назад я бы просто отдал такой ролик монтажёру и заплатил за него тысяч 15-20. Сейчас могу фоново решать задачки, параллельно занимаясь основными делами или отдыхом. А что будет ещё через пару лет...
Могу отправить пайплайн работы - напишите в личку или в комментах.
Lenny’s Podcast с Amol Avasare из Anthropic
🤔1
Как собрать BPMN-процесс за пару минут?
С командой решили сделать сервис, который сильно упрощает описание бизнес-процессов.
По моему опыту, главная проблема здесь обычно не в BPMN и не в инструментах. Просто никто не хочет этим заниматься. У людей и так хватает своей работы, а просьба подробно описать процесс и помочь собрать схему редко вызывает восторг. В итоге всё растягивается, люди начинают думать «а какого хрена я вообще должен делать чужую работу», а процесс сбора и уточнений может длиться месяцами.
При этом без нормального понимания процессов сложно что-то автоматизировать, внедрять ИИ и вообще находить места, где компания теряет время и деньги.
Поэтому решили автоматизировать сам сбор и описание процессов. Сотрудник может просто рассказать, как устроена его работа — текстом, голосом или прикрепив существующие регламенты и инструкции. Дальше ассистент сам задаёт вопросы, уточняет детали, помогает докопаться до сути и параллельно собирает BPMN-схему. От команды нужно только подключиться и обычным человеческим языком рассказать, кто что делает.
В общем, теперь ИИ автоматизирует даже подготовку к автоматизации. Осталось только внедрить сами инновации.
Следите за апдейтами - скоро будет раздавать бесплатный доступ на тестирование :)
С командой решили сделать сервис, который сильно упрощает описание бизнес-процессов.
По моему опыту, главная проблема здесь обычно не в BPMN и не в инструментах. Просто никто не хочет этим заниматься. У людей и так хватает своей работы, а просьба подробно описать процесс и помочь собрать схему редко вызывает восторг. В итоге всё растягивается, люди начинают думать «а какого хрена я вообще должен делать чужую работу», а процесс сбора и уточнений может длиться месяцами.
При этом без нормального понимания процессов сложно что-то автоматизировать, внедрять ИИ и вообще находить места, где компания теряет время и деньги.
Поэтому решили автоматизировать сам сбор и описание процессов. Сотрудник может просто рассказать, как устроена его работа — текстом, голосом или прикрепив существующие регламенты и инструкции. Дальше ассистент сам задаёт вопросы, уточняет детали, помогает докопаться до сути и параллельно собирает BPMN-схему. От команды нужно только подключиться и обычным человеческим языком рассказать, кто что делает.
В общем, теперь ИИ автоматизирует даже подготовку к автоматизации. Осталось только внедрить сами инновации.
Следите за апдейтами - скоро будет раздавать бесплатный доступ на тестирование :)
Персональное обучение наконец-то можно масштабировать
Александра Македонского несколько лет лично обучал Аристотель. И в этом смысле за две тысячи лет идеальная модель образования не особенно изменилась. Хороший преподаватель знает конкретного ученика, понимает, что тот уже умеет, где у него пробелы и когда стоит задержаться на теме, а когда можно идти дальше.
Проблема всегда была не в качестве такого подхода, а в его цене. Один преподаватель физически не может одновременно заниматься с тысячей учеников, поэтому образование пришлось масштабировать. Появились общие программы, лекции, учебники, а затем и онлайн-курсы, где один раз записанный материал можно показать миллионам.
Мы получили дешёвый доступ к знаниям, но потеряли значительную часть персонализации.
ChatGPT начал понемногу возвращать её обратно. Уже сейчас можно попросить объяснить тему на вашем уровне, проверить знания или составить программу обучения. Правда, управление процессом всё ещё во многом остаётся на вас - нужно самому понимать, что спрашивать, куда двигаться дальше и где у вас вообще есть пробелы.
И вот здесь мне понравился Wondering - стартап из Y Combinator, который делает что-то вроде Duolingo для изучения чего угодно.
Вы выбираете тему и цель, а сервис собирает персональную программу из коротких трёхминутных уроков, визуальных материалов и упражнений, учитывая ваш уровень и то, насколько глубоко вы хотите погрузиться. То есть это уже не просто чат, к которому нужно постоянно приходить с новым вопросом, а попытка отдать ИИ ещё и саму организацию обучения.
И самое интересное здесь, как мне кажется, даже не то, что Wondering умеет сейчас, а куда такую модель можно довести. Следующим шагом вполне может стать полноценный урок в реальном времени, где с преподавателем можно разговаривать голосом, задавать вопросы по ходу и получать объяснение сразу в нужной форме. А если добавить к этому нормальные экзамены, после которых программа сама перестраивается дальше, разница между онлайн-курсом и личным преподавателем станет уже гораздо менее очевидной.
Wondering
Александра Македонского несколько лет лично обучал Аристотель. И в этом смысле за две тысячи лет идеальная модель образования не особенно изменилась. Хороший преподаватель знает конкретного ученика, понимает, что тот уже умеет, где у него пробелы и когда стоит задержаться на теме, а когда можно идти дальше.
Проблема всегда была не в качестве такого подхода, а в его цене. Один преподаватель физически не может одновременно заниматься с тысячей учеников, поэтому образование пришлось масштабировать. Появились общие программы, лекции, учебники, а затем и онлайн-курсы, где один раз записанный материал можно показать миллионам.
Мы получили дешёвый доступ к знаниям, но потеряли значительную часть персонализации.
ChatGPT начал понемногу возвращать её обратно. Уже сейчас можно попросить объяснить тему на вашем уровне, проверить знания или составить программу обучения. Правда, управление процессом всё ещё во многом остаётся на вас - нужно самому понимать, что спрашивать, куда двигаться дальше и где у вас вообще есть пробелы.
И вот здесь мне понравился Wondering - стартап из Y Combinator, который делает что-то вроде Duolingo для изучения чего угодно.
Вы выбираете тему и цель, а сервис собирает персональную программу из коротких трёхминутных уроков, визуальных материалов и упражнений, учитывая ваш уровень и то, насколько глубоко вы хотите погрузиться. То есть это уже не просто чат, к которому нужно постоянно приходить с новым вопросом, а попытка отдать ИИ ещё и саму организацию обучения.
И самое интересное здесь, как мне кажется, даже не то, что Wondering умеет сейчас, а куда такую модель можно довести. Следующим шагом вполне может стать полноценный урок в реальном времени, где с преподавателем можно разговаривать голосом, задавать вопросы по ходу и получать объяснение сразу в нужной форме. А если добавить к этому нормальные экзамены, после которых программа сама перестраивается дальше, разница между онлайн-курсом и личным преподавателем станет уже гораздо менее очевидной.
Wondering
🤔2