Макроэкономический конфликт: Зарплаты против Развития.

Анализ структуры ВВП показывает тревожный тренд: доля оплаты труда вытесняет валовую прибыль экономики.
Гонка зарплат фактически "съедает" инвестиционный ресурс. Компании тратят свободные деньги не на новые станки или технологии, а просто на удержание штата.

В условиях высокой ключевой ставки и дорогих кредитов это создает ловушку: денег на развитие нет, потому что они ушли в ФОТ, а производительность не растет, потому что нет денег на развитие.

Вопрос к CFO:
Какую долю инвестиционной программы вы "порезали" в 2026 году ради индексации зарплат? И чем это аукнется в 2027-м?

PS. В комментариях положу график распределения прироста ВВП по компонентам доходов от ЦМАКП за 2 кв. 2025

#Экономика #ВВП #Инвестиции

«Новинка!» «Передовой!» «Обновлённый!»

Когда вы слышите эти слова — ваш мозг уже купился на Апелляцию к новизне. Это когнитивное искажение, при котором мы считаем что-то хорошим просто потому что оно новое. Его формула: новое = лучшее.

Мы склонны рассуждать так: компания выпустила продукт — значит учла ошибки предыдущего, убрала плохое, оставила хорошее. Прогресс же!

Компании об этом знают. И пользуются.

Новый продукт они могут выпустить ради оптимизации издержек — из более дешёвых компонентов. Или чтобы сделать преднамеренное устаревание: как разваливающиеся кабели Apple. Могут накачать водой продукт, который вам нравился, просто для объёма. Добавят больше пластика в упаковку, чтобы казалось, что всё как раньше.

Samsung давно перестал пыхтеть и придумывать, что бы ещё усовершенствовать. Просто лепит цифру текущего года в названии и добавляет пару незначительных улучшений. Компания знает, что основной мотиватор к покупке у большинства — само обновление.

Я уже устал отмахиваться от обновлений Windows и смирился. Хотя, со времён XP "прорыва" я не наблюдаю.

Это работает не только в магазинах и приложениях — целые индустрии живут за счёт вашего желания быть «в тренде».

Мода каждый сезон говорит, что носить именно сейчас. Ваши вещи не стали хуже от того, что год изменился. Камон, просто подождите 20 лет — ваши джинсы снова войдут в строй.

В бизнесе та же история с управленческими модами. Сначала всё спасал Agile, потом OKR, потом — digital transformation. Каждые несколько лет новый фреймворк, который «изменит всё». Компании платят консультантам, год внедряют, а потом тихо открывают свой нашпигованный формулами Excel.

Сейчас все носятся с нейросетями. Продукты продаются не потому что решают задачу лучше старых, а просто потому что с ИИ. Видели бенчмарки новых моделей? Когда нужно выжимать прогресс с каждым релизом, аудитория иначе не поймёт, какие вы крутые.

Правило работает не всегда. Вздувшийся чебурек из Самоката хуже свежеиспечённого. Молоко и яйца я давно беру чисто по дате, не глядя на марку — они всё равно одинаковые, зато дата это реальный показатель качества. Здесь свежее объективно лучше.

И новый продукт может быть реально лучше — но за счёт характеристик, а не маркетинга.

Простой тест: можете объяснить, чем он лучше, не ссылаясь на новизну? Если да — это прогресс. Если нет — вас поймали.

Когда слышите «новинка», «передовой», «ноу-хау», «современный» — мысленно уберите эти слова. Они не несут ничего, кроме факта новизны. В рекламе автомобилей, если убрать такую "воду", то она вообще может исчезнуть.

Новизна ≠ хорошее.

P.S. В рекрутинге то же самое: «давай новых найдём» — хотя удерживать старых дешевле.

Меня недавно опубликовали (статья 1, статья 2. доступно по подписке) в «Генеральном директоре» — большой материал про анализ данных с помощью нейросетей. Там много авторов, масса промптов под разные задачи. Хороший материал.

Но я хочу рассказать то, что за промптами не видно. Потому что промпты — это не главное.

Главное заблуждение, с которым я сталкиваюсь постоянно: нейросеть как автопилот. Дал задачу — получил аналитику. Примерно так: «проанализируй рынок труда в моём регионе» — и ждёшь готовый отчёт.

Не работает.

Я занимаюсь заказными исследованиями по рынку труда и очень много использую ИИ в работе. Вот как это выглядит на самом деле.

Шаг первый — я сам нахожу данные.
Хочу проанализировать что-то конкретное — например, динамику занятости в строительстве по УФО. Иду на сайт Росстата, нахожу нужную таблицу, выкачиваю, привожу в нормальный формат. Только после этого начинается работа с моделью.

Если попросить нейросеть сделать это за тебя — она ответит. Уверенно. Назовёт цифры. Но ты не будешь знать, откуда они. Она не пойдёт на сайт Росстата, не выкачает таблицу, не загрузит её себе в контекст и не вычислит среднее. Как мозг — она пойдёт по самому короткому пути: возьмёт то, что уже есть в её обучающих данных. Статья в СМИ, где эксперт что-то сказал. Пресс-релиз Правительства — это уже лучше. Чей-то блог — это хуже. В моей работе такое неприемлемо.

Шаг второй — я отвечаю за данные на входе.
Мусор на входе = мусор на выходе. Ещё полгода назад Gemini при загрузке CSV могла проглотить данные из середины таблицы — и весь анализ ломался. Сейчас лучше, но я всё равно всегда проверяю: правильно ли модель распознала структуру, все ли строки на месте, нет ли пропусков.

Шаг третий — интерпретирую я сам.
Модель работает на уровне среднего пользователя. Там, где я полный ноль — она отлично подходит. Но там, где я разбираюсь — она даст «базу», не больше. Она не знает, как собирается конкретная статистика, на какой выборке, какими методами. Она не скажет тебе, что опросные данные смещены из-за формулировки вопроса. Это знаешь ты.

Так в чём тогда ценность?

Ценность в том, что модель не имеет ограничений мозга на обработку больших массивов. Она подсветит то, что ты можешь не заметить, когда в голове уже не помещается. Она структурирует. Она проверяет логику. Она ускоряет работу в разы — но только если ты сам понимаешь, что делаешь.

Иными словами: твоя ценность как аналитика никуда не исчезает. Она смещается — с «найти и посчитать» на «понять и интерпретировать».

И это, на мой взгляд, хорошая новость.

Дальше расскажу про конкретные настройки, которые я использую, и почему «коллекция промптов» — это не то, что вам нужно.

Монтажник из Индии или Робот из Китая?

Эпоха "Дал денег Баю, он всё устроит" закончилась. Поток из СНГ иссякает (-6,2% за последний год), на смену приходит сложная визовая миграция.

Бизнес будет максимально оттягивать переход на автоматизацию. У нас исторически горизонт планирования — 1-2 года. Если робот окупается 3 года — проект летит в корзину.
Поэтому на ближайшие 10-15 лет наша перспектива — это не тотальная роботизация, а монтажник из Индии или швея из Вьетнама. Это дешевле CAPEX-затрат на оборудование, но сложнее операционно.

Стратегический выбор:
Вы готовы выстраивать процессы под визовых сотрудников с другим менталитетом и языком? Или все-таки рискнете инвестировать в "железо"?

PS. В комментарии положу динамику выдачи разрешений на работу (визовые работники) за 21-25 годы.

#Миграция #Автоматизация #Тренды

Недавно провёл сессию для руководителей цементной компании — 4 часа о том, что происходит на рынке труда и что с этим делать.

За день до меня перед командой выступал генеральный директор с неприятными новостями — из тех, что сейчас звучат во многих компаниях.

На следующий день выхожу я — и объясняю с точки зрения макроэкономики, почему это происходит почти во всех отраслях одновременно, когда ситуация начнёт меняться и чего ждать от рынка труда в ближайшие 1–2 года.

После сессии один участник сказал:

«Надо было вас сначала выпускать перед генеральным — вы хотя бы объяснили, почему так происходит, а не просто констатировали факт».

〰️

На прошлой неделе проект «Лучшие спикеры» назвал меня спикером февраля — крупнейшее сообщество лекторов и бизнес-тренеров России.

Воспринимаю это как повод рассказать подробнее, что именно я делаю на корпоративных сессиях.

В прикреплённом файле — презентация: форматы, темы, кейс и контакты.

Если в этом году планируете стратегическую сессию или HR-блок с внешним экспертом — напишите в личку, обсудим.

Как я на самом деле использую нейросети в работе с данными
ссылка на предыдущий пост

Про выбор модели

Я использую только платные облачные модели. Мой текущий топ: Claude Sonnet, Claude Opus, Gemini Pro. Если нужно обработать большой массив без глубоких вычислений — Gemini Flash: быстрая, дешёвая, с огромным контекстным окном.
Всё остальное не использую. GPT — потому что блокирует доступ по API без VPN. Разные дипсики и квены — неплохи для своего уровня, но я предпочитаю заплатить и быть уверенным, что задача будет выполнена на максимум из возможного.
Локальные модели пока слабые. Вернее, сильные вы на своей машине не запустите — только урезанные квантизированные версии.

Про настройки

Две вещи, которые я выставляю всегда:
Первое — reasoning на максимум. Это режим, в котором модель думает над задачей перед тем, как начать её решать. Разница ощутимая.
Второе — температура 0.1. Это настройка, которая отвечает за «случайность» ответа. На минимуме модель выдаёт наиболее предсказуемый, детерминированный результат. Если спросить одно и то же дважды — ответы будут почти идентичны. Чем выше температура, тем больше вариабельности. Для стихов — высокая. Для анализа данных — низкая.

Про контекст

Есть исследование, что на второй ответ в одном диалоге модель теряет около 20% своей мощности, на третий — около 45%. Поэтому я рестартую беседу после каждой итерации. Один расчёт — один диалог.
Если работаю над большим проектом — загружаю в модель весь контекст сразу: все данные, все вводные, всё, что есть. Это называется режим CAG. Модель лучше ориентируется, когда видит картину целиком.

Про формат данных

CSV — предпочтительный формат. Меньше риск неправильного парсинга. Числа — с точкой как разделителем, без лишних символов и пробелов.

Лайфхак: если данных немного и модель мультимодальная — иногда проще загрузить скриншот таблицы. Визуальное распознавание бывает точнее текстового парсинга. Проверяю опытным путём каждый раз.

Потому что Gemini, например, очень любит терять информацию из середины того, что в неё закидываешь — это прям прослеживается на генерации кода. Когда она тебе возвращает код, начало и конец у которого нормальные, а середина куда-то пропала. Тут я, конечно, вижу связь и с человеческим форматом мышления, мы тоже любим забывать часть информации для сохранения энергии на затратные процессы мышления, но тут же нейросеть, камон, она и сделана, чтобы таких казусов не возникало. Решается подбором другой модели под задачу.

Про промпты

Несколько инструментов, которые я использую сам:

— Роль. «Действуй как аналитик данных» — это способ сузить поиск модели до нужного контекста. Она начинает ориентироваться на аналитические паттерны, а не на всё подряд.

— Сначала скажи, как ты понял задачу. Похоже на психологический приём, когда ты пересказываешь собеседнику то, как ты воспринял информацию для того, чтобы вы были на одной волне, так как напрямую мозг в мозг мы ещё не общаемся (привет, neurolink). Так что это работает.

— Действуй пошагово и задавай вопросы, если не хватает контекста. У меня задачи почти всегда сложные, поэтому сразу сгенерированный ответ почти никогда не подходит. Лучше пусть модель спросит, чем додумает.

— И последнее, которое я добавил недавно: «Не беспокойся о моих чувствах — беспокойся о результате». Модели склонны соглашаться и приукрашивать. Это ломает аналитику.

Про промпты — главное

Я не собираю чужие промпты и не советую этого делать. Чужой промпт — это чужой контекст. Он написан под другую задачу, другие данные, другое понимание проблемы.
Лучше один раз описать свою задачу своими словами. Если задача повторяется — попросите модель самой написать под неё промпт в JSON или XML. Это займёт минуту и будет точнее любого шаблона из интернета.

В следующем посте — про прогнозы. Почему просить ИИ дать прогноз — это примерно как раскинуть карты Таро. И что с этим делать.

Кто сядет за руль? Проблема старения кадров.

Мы будем жить дольше (тренд к 76 годам). Но будем ли мы работать эффективно? Разрыв между продолжительностью жизни и продолжительностью здоровой жизни — ключевой риск.

Особенно ярко это видно на примере водителей грузового транспорта и логистики. Средний возраст водителей летит в "небеса", а приток молодежи в профессию минимален. Здоровье возрастного водителя — это прямой риск аварийности и срывов поставок.

HR-задача:
Well-being программы перестают быть "плюшкой" для айтишников. Теперь это инструмент выживания для производственных и логистических компаний. Продление трудового долголетия — единственный способ закрыть смены.

#Здоровье #Логистика #HR

Попросить ИИ дать прогноз — это как раскинуть карты Таро

Ссылка на предыдущий пост

Меня журналист попросила расписать, как проверить прогноз от нейросети. Я переспросил: «А как вообще можно проверить прогноз? Он же на то и прогноз».

Тем не менее, вопрос глубже, чем кажется. Давайте разберём.

Что такое «прогноз» от текстовой модели

Прогнозы — штука вообще не самая благодарная. Талеб со своими чёрными лебедями в чём-то прав: слишком много информации находится вне зоны анализа, а она может влиять на будущее. Пока что нет оснований верить, что нейросеть способна давать прогнозы, которые потом сбудутся. В конце концов, это не волшебный ящик.

Те модели, которыми мы пользуемся каждый день — ChatGPT, Claude, Gemini — текстовые. По сути, это инструмент предсказания следующего слова или символа на основе большого массива сказанных людьми слов. Если дать им числовой ряд и попросить продолжить, они попробуют угадать следующее значение просто по ассоциации, как продолжение знакомого текста. Без математических расчётов, учёта сезонности, статистических выбросов, структурных сдвигов.

Но есть более интересный сценарий. Вы загружаете в модель фактуру: отрасль растёт 10 лет в среднем на 5% в год, ожидания конкурентов скорее негативные, есть налоговые послабления, которые могут нарастить прибыль на 12%, по консенсус-прогнозу аналитиков инфляция 6–8%, на наш бизнес это влияет так-то. И спрашиваете: кидать деньги в оборот или на депозит?

И так ещё работает. У вас будет вполне себе логичный ответ. Но вот в чём штука: это ваши же рассуждения, только структурированные и прогнанные через известные бизнес-шаблоны. Возможно, чуть дообогащённые. Конечное звено всё равно человек — которого либо убедит такой расклад, либо нет.

Проблемы начинаются, когда вы пытаетесь текстовой моделью спрогнозировать какие-то числовые рыночные значения (какой будет ВВП/доллар/инфляция/ваша прибыль). Усугубляется, если при таком анализе у вас установлена высокая температура (а она по умолчанию такая). В таком случае каждый следующий токен (символ/буква) выбирается на основе распределения вероятностей. Чем выше температура — тем шире выборка, тем больше шансов у менее очевидных вариантов попасть в итоговый ответ. То есть, у вас буквально прогнозы могут отличаться на один и тот же запрос диаметрально противоположным образом.

А есть ли нормальные прогнозные модели?

Текстовые модели вообще не созданы для прогнозирования числовых рядов — это не их задача. Для этого существует отдельный класс инструментов: числовые модели, обученные на временных рядах. Их задача — продолжить временной ряд значений с определёнными отклонениями.

Но числовые модели с пол-пинка не запустишь. Их нужно дообучать под конкретный рынок. И здесь начинается российская специфика: такие модели неплохо работают на стабильных западных рынках. Наши реалии, когда что ни год — то кризис, выбивают их из колеи. Модель, обученная на данных 2010–2019, не знает, что такое 2022-й.

Так что делать?

Понять, каким инструментом вы пользуетесь. Текстовая модель не знает будущего — она знает прошлое. Точнее, то прошлое, на котором её обучили. Она может подсветить закономерности, выстроить логику из ваших вводных, показать, где в рассуждении дыра. Это полезно.

Но прогноз данных на основе текстовых моделей — это пальцем в небо.

Дальше — финал серии. Про то, где ИИ реально помогает, а где нет. И почему это не повод расстраиваться.

Почему мозг не справляется

Есть такая концепция — ограниченная рациональность. Когда нам нужно что-то решить, мы почти никогда не принимаем оптимальное решение. Мы принимаем удовлетворительное.

То есть, не на пятёрку — на троечку. Потому что на пятёрку нужно время, энергия, полная информация. А всего этого, как правило, нет.

У нас нет всего времени мира. Мозг постоянно что-то оптимизирует и выбрасывает. Информация устаревает быстрее, чем мы успеваем её переварить. И в этих условиях удовлетворительное решение воспринимается лучше, чем никакого. Даже если потом окажется неправильным.

Меня раньше это сильно корёбило. Когда решение оказывалось неверным — казалось, что я мог это предусмотреть. Что недоработал. Процессы страдали, я страдал вместе с ними.

Потом прочитал книжку «Принцип ставок» — её написала чемпионка мира по покеру. И всё встало на свои места. Любое решение — это вероятность наступления того или иного исхода, не абсолют. Ставка может не сыграть — и это нормально, если ты понимал риск заранее.

Почему мозг вообще так устроен? Потому что в древности сложного анализа не требовалось. Ты либо автоматически учился реагировать на события, либо они были неважны. Задачи выживания решались быстро и на автомате.

Сейчас задачи выживания в таком объёме не стоит. Можно и подумать подольше над важными решениями. Но мозгу об этом сообщить забыли. Он по-старинке считает: если это сложно — лучше принять интуитивно верное решение на автоматическом уровне.

И это, кстати, иногда работает. Когда мы принимаем решения автоматически, мы задействуем более широкий спектр неочевидных нейронных связей. Именно поэтому «эврика» приходит в душе, на прогулке, в момент когда ты вообще не думаешь о задаче.

Но в бизнесе на «эврику» рассчитывать сложно. Там нужны данные, анализ и понимание контекста. А мозг всё равно норовит срезать угол.

Именно отсюда растут все когнитивные искажения, о которых я пишу. Когда-то они помогали выжить. Просто сейчас работают против нас.

В следующем посте — как этим пользуются маркетологи и что происходит, когда та же механика включается внутри компании.

Трансформация занятости и сила HR-бренда.

Юрлица "вымирают" (ликвидаций больше, чем регистраций), а сектор ГПХ и самозанятости растет взрывообразно. Рынок становится гибким.

В этих условиях классическое "удержание" (Retention) меняет форму. Если люди легко уходят в проекты, важно, чтобы они так же легко возвращались.
Уже сейчас компании интуитивно вкладываются в HR-бренд, но дальше эта потребность будет нарастать. Если у вас нет Alumni-программ (работы с бывшими сотрудниками) — вы теряете огромный пласт лояльных кандидатов.

Бизнес-маркер:
Ваши бывшие сотрудники рекомендуют вас? Или они "сбежали"? В 2026 году "бывших" не бывает. Бывает кадровый резерв на аутсорсе.

PS. В комментарии положу инфографику значений демографии организаций (регистрация/ликвидация) за 2025 год.

#ГПХ #HRбренд #Retention

Вышел мой комментарий в 161. ru — о том, куда движется миграционная политика.

Главное, что я вижу: бизнес попал в ножницы.

С одной стороны — мигрантская рабочая сила дорожает. Патенты, НДФЛ на иждивенцев, новые сборы. Плюс часть потока уйдёт в тень, а значит — риски растут.

С другой — возможностей переложить эти риски становится меньше. Аутстаффинг как инструмент «откреститься» МВД планомерно зажимает. Последний пример — законопроект о переносе ответственности за мигранта на гендиректора генподрядчика. В строительстве, где мигрантов исторически больше всего, это удар прямой.

И слезть с мигрантской рабочей силы быстро не получится — это дорого и долго.

Вывод один: экономику этого процесса нужно считать как никогда раньше. Не «сколько стоит мигрант», а сколько стоит вся цепочка рисков, которую вы на себя берёте.

Полный материал — в комментарии по ссылке

Предыдущий пост — про то, почему мозг вообще так устроен. ссылка на пост 1

Маркетинг давно понял, что наши возможности анализа ограничены. И активно этим пользуется.

«Лучший из возможных!»

— по результатам тестирования наших других отстойных продуктов.

«Первоначальный взнос — триста рублей!»

— и пять миллионов процентов через два часа после оформления покупки.

«Из натурального мяса собственных ферм!»

— свинячьи хвосты формально тоже мясо.

Мы видим заголовок — мозг принимает удовлетворительное решение. Читать мелкий шрифт, считать реальную стоимость, гуглить состав — это энергозатратно. Проще поверить.

Это работает на потребительском рынке. Но та же самая механика включается и внутри компаний — просто там ставки выше.

Когда бизнес пытается объяснить сотрудникам, почему нельзя поднять зарплату — он часто говорит что-то вроде «надо затянуть пояса» или «сейчас сложная ситуация». Работники слышат отговорку — и реагируют соответственно: скрытым саботажем, текучестью или открытым недовольством.

Но и обратная ситуация не лучше. Когда бизнес пытается объяснить отказ глобальными факторами — «сейчас кризис», «сложная экономическая ситуация», «геополитика» — это тоже не работает. Не потому, что кризиса нет. А потому, что у сотрудника нет макроэкономического контекста, чтобы перевести эти абстрактные слова на язык своей реальности. Для него «турбулентность рынка» — это пустой звук, а вот то, что сосед на такой же должности получает больше — это факт.

Люди мыслят не макротрендами, а категориями своей жизни. И когда им дают лозунги вместо оцифрованной реальности, они додумывают худшее.

В 2017 году в European Journal of Operational Research вышла статья, где математики просчитали модели трудовых конфликтов. Они доказали: когда люди действуют в условиях ограниченной рациональности (на эмоциях, с неполной информацией), переговоры превращаются в «поиск вслепую». Прямое столкновение «работник против работодателя» математически невыгодно никому. Бизнес жестко давит по ФОТ — и теряет в производительности из-за скрытого саботажа. Работники стихийно продавливают повышение — компания режет штат.

Оба варианта — потери. Просто разные.

И это не вопрос злого умысла или некомпетентности. Это структурная проблема: у каждой стороны своя картина реальности, и обе — неполные. Данные есть, но без перевода они не работают.

В следующем посте — что с этим делать и почему внешний наблюдатель с данными здесь не роскошь, а необходимость.

Внутренняя миграция. С кем вы конкурируете на самом деле?

Собрал данные Росстата по внутренней миграции для 200+ городов России (2019–2023) в одну таблицу. Интерактивная — можно фильтровать по году и смотреть коэффициент по регионам.

👉 cv.luktrud.ru/migration (вёрстка корректнее с компьютера)

Посмотрите на разрыв. Москва и Краснодар — плюсуют на десятки тысяч ежегодно. Омск, Волгоград, Саратов — в минусе каждый год.

Тренд простой: люди едут в агломерации. Урбанизация не остановилась — она просто стала незаметной на фоне военной экономики.

Но это только карта того, куда текут люди.

Когда человек из Омска приезжает в Краснодар — он не приходит в вашу отрасль. Он выходит на локальный рынок труда и выбирает не по профессии, а по условиям.

Географическая миграция создаёт арену. Межотраслевая конкуренция — это битва на ней.

Если вы Агро-холдинг, вы не конкурируете за людей с другим Агро.
— Вы конкурируете со складом маркетплейса (где теплее и платят сразу).
— Вы конкурируете с ОПК (где бронь и зарплаты).
— Вы конкурируете с моделью самозанятости (такси/курьеры).

80% низкоквалифицированного персонала легко мигрирует из сферы в сферу. Если соседний завод запускает новый цех — он «пылесосит» кадры у ритейла и стройки в радиусе 50 км.

Вопрос к стратегии:
Вы следите за тем, какие производства планируют зайти в ваш регион — или узнаёте об этом уже после того, как люди ушли?

#РынокТруда #Миграция #Регионы

https://t.me/luktrud/116 ← ссылка на предыдущий пост

Аристотель в «Политике» (IV век до н.э.) писал: если бы челнок сам ткал, а плектр касался лиры без руки человека — не нужны были бы ни мастерам слуги, ни господам рабы. Нобелевский лауреат Роберт Шиллер показывает: нарратив о замене человека машиной — один из постоянных, повторяется с мутациями каждые 100–200 лет.

В 1930-х американские журналы рисовали «офис будущего» — ни одного человека, только кнопки и автоматика. Сейчас те же компании активно возвращают людей обратно в офисы.

Сегодня CEO ИИ-компаний соревнуются, кто назовёт более близкую дату, когда ИИ заменит людей. Горизонт при этом всегда достаточно далёкий — чтобы успели забыть, если не сбудется. Нарратив всегда преувеличивает скорость. Но направление он называет верно. Вот что я вижу в своей работе уже сейчас.

Где ИИ реально помогает

Это переводчик между человеческим и машинным. Пару лет назад я не мог написать приложение — не было ни времени, ни нужных навыков. Сейчас у меня их около десяти, написанных за вечера. Процесс не останавливается: теперь мой агент способен написать следующее без моего участия и выдать результат.

Она ускоряет работу в разы. Не как маркетинговый тезис — как личный опыт. Для подготовки тех отчётов, которые я даю клиентам ещё 2 года назад, сейчас мне потребовалось бы 3-4 бизнес-аналитика.

Где ИИ не помогает

Она не знает разницы между данными, которые считаются автоматически, и данными, которые получены через опросы.

А это принципиально разные вещи.

Опросы hh.ru или SuperJob — «стало ли сложнее искать работу», «как вы оцениваете работодателей» — выходят регулярно, потому что дают инфоповод для СМИ. Но за ними стоит маленькая выборка, добровольное участие и формулировка вопроса, которая уже задаёт направление ответа. Модель не предупредит вас об этом. Она возьмёт то, что нашла, и уверенно процитирует.

Модель знает термины и методологии. Но не знает контекст за цифрами. Почему в августе 2024 года резко поехали мигранты. Почему у нас официально 95% выпускников трудоустроены. Модель знает термины и методологии. Но не знает, где именно нужно остановиться и копнуть.

Пример. Когда говорят об инфляции — называют одну цифру. Но она делится на продуктовую и непродуктовую, по-разному давит на разные экономические классы, и люди её ощущают совершенно по-разному. Если этого не знать — можно сделать корректный вывод из некорректного основания.

Нейросеть это знает. Но только если спросить. Она не скажет сама: «Подожди, ты имеешь в виду какую инфляцию?» Вы копаете вместе с ней — но чтобы копать, нужно знать, что там вообще есть что копать. Это не написано в отчётах — это знание живёт у людей, которые работают с этими данными годами.

Она склонна соглашаться. Если давить — переобуется. Я добавил в свои промпты фразу: «Не беспокойся о моих чувствах — беспокойся о результате». Помогает, но не всегда.

Она не несёт ответственности за решение. Вы несёте.

Итог

Нарратив о замене людей машинами живёт 2500 лет. Каждый раз что-то менялось — просто не то, что предсказывали. Чем закончится этот цикл, я не знаю.

Знаю только, что сейчас ИИ делает мою работу точнее и быстрее. Этого достаточно, чтобы его использовать.


Вот и вся серия. Если было полезно — сохраните, пригодится.

Если хотите разобрать свой конкретный кейс — пишите в личку.

Это финальный пост серии. Начало — здесь, продолжение — здесь.

Сразу честно: полностью обойти ограниченную рациональность не получится. Мозг так устроен, и это не лечится.

Но можно снизить её влияние на решения.

Больше людей — больше углов зрения. Именно поэтому работают форматы мастермайндов. Не потому что там собираются умные люди, а потому что каждый из них видит одну и ту же ситуацию через свой опыт. Коллективный анализ компенсирует индивидуальные слепые пятна.

Нейросети как расширение анализа. Я сам замечаю: в аналитике нейросеть подмечает то, что я пропускаю. Не потому что она умнее — а потому что у неё нет моих когнитивных ограничений и усталости. И это уже немало.

Архитектура выбора. Если хотите, чтобы люди заботились о своём весе в вашем ресторане — дайте калораж блюд в меню. Если хотите, чтобы сотрудники копили на пенсию через НПФ — сделайте это опцией по умолчанию. Среда принятия решений влияет на сами решения. Это можно использовать во благо. Хотя, судя по доходности НПФ и размеру средних заработных плат их сотрудников — с экономической точки зрения будет не самый крутой подарок сотрудникам.

Но есть ситуации, где всего этого недостаточно. Особенно когда конфликт уже есть — между тем, что бизнес может предложить, и тем, что сотрудники считают справедливым.

Те самые математики из предыдущего поста доказали (опираясь на теорию игр и модели Джона Нэша): в условиях ограниченной рациональности оптимальный исход достигается только при участии третьей стороны. Не потому, что бизнес или работники — плохие переговорщики. А потому, что у каждой стороны своя искаженная картина реальности. Чтобы найти win-win решение, нужен внешний медиатор — поставщик объективных данных, который снимет эмоциональный накал.

Именно это я и делаю на экспертных сессиях для компаний. Привожу данные по рынку труда — реальные цифры по зарплатам, дефициту кадров, поведению конкурентов. Не «затяните пояса» и не сухая макроэкономика без перевода — а конкретный контекст: что происходит на рынке, где находится ваша компания, что делают другие в похожей ситуации.

Когда у людей есть общий контекст — разговор становится другим. Не «вы нам мало платите» против «у нас нет денег», а «вот что происходит на рынке, вот где мы находимся, вот что можно сделать».

Мозг не виноват, что работает именно так. Но решения всё равно принимать нам.

Если хотите разобрать ситуацию в вашей компании — напишите, обсудим формат экспертной сессии.

Покупай, когда дешево. Готовься, пока тихо.

Темпы роста зарплат в 2025-2026 замедляются. Бюджетный импульс ослабевает. Может показаться, что гонка закончилась.
Но знание экономических циклов говорит об обратном.

В 2028 году есть высокая вероятность того, что мы снова окажемся в жесткой гонке за кадры (демографическая яма + выход экономики на траекторию роста).
Сейчас, пока рынок относительно "остыл", — лучшее время для найма качественных управленцев и выстраивания систем.

Стратегический вывод:
Рынок падает (по активности) — "покупай" (инвестируй в команду). Знание циклов может сэкономить вам сотни миллионов рублей, которые конкуренты будут тратить в панике через 2 года.

#Прогноз2028 #Стратегия #Циклы

Сделал кое-что нестандартное.

Я занимаюсь аналитикой рынка труда — и мне давно хотелось объяснить людям, что происходит с кадровым рынком, не через скучные PDF с графиками.

Получился квест в стиле D&D.

Выбираешь персонажа — Следопыт (рекрутер), Архимаг (HRD), Полководец (CEO), Гном-Купец (собственник) и ещё четыре. Проходишь ветвящийся сценарий по своей кадровой боли. Где-то в середине — "новость из таверны": реальный демографический или экономический факт, который меняет картину.

В конце — данные по рынку труда в твоей отрасли и рекомендация что делать.

Занимает минут 5. Сценарии основаны на реальных ситуациях из практики — ИИ помог это структурировать и упаковать в квест.

https://quiz.luktrud.ru/ — который персонаж ты?