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?