Развитие AI-мышления: какие навыки критичны в 2026

Искусственный интеллект не может заменить человека, но может усилить того, кто умеет думать и взаимодействовать с AI-ассистентами, а именно: правильно ставить задачи; критически оценивать ответы и встраивать ИИ в рабочие процессы.

Это и есть AI-мышление – новая метакомпетенция, которая определяет эффективность специалиста в любой сфере. Но какие навыки определяет успех в данной сфере? Давайте попробуем разобраться и найти ответ на вопрос: что нужно уметь, чтобы успешно использовать ИИ в своей работе?

Продолжение читайте в Яндекс Дзене 👉 https://dzen.ru/a/acO6VZuOmC1IzqOw

Сегодня выступаю на VPROC 2026 (InterForum)!

Уже через час проведу мастер-класс по использованию ИИ в закупках для начинающих и продвинутых пользователей!

📍 Зал А
⏳11:10-12:10

Без записи, только для участников на площадке.

Разберем практику: как внедрять ИИ в закупки, автоматизировать задачи и экономить время уже сегодня. Если вы на форуме – приходите, увидимся!

Сегодня была первая оффлайн-встреча форум-группы из комьюнити Хигай.

Формат: предприниматели коммитятся собираться раз в месяц минимум год, разбирать запросы друг друга по структуре.

Ребята прилетели из Питера, Москва тоже была, почти полный состав. Забрал много идей — впереди 5ч на машине, буду прикидывать как применить к себе.

Встречались в переговорке Сбера. Доступ дают бесплатно, если крупный вклад храните. Это пока не я, но у одного из группы есть такая возможность.

Ниже видео из такой переговорки)

Сегодня с Алиной Новиковой проводили финальный урок в фокус-группе "ИИ-агенты для начинающих" и одна из участниц, бизнес ассистент в круном холдинге, рассказал, что у них на некоторые собрания в зуме вместо собственников ходят их боты :) а у вас такое бывает?)

Переход от бумаги к ПК: как меняется наше отношение ко времени?

Если посмотреть на то, как люди планируют свое время, можно заметить интересную закономерность: практически все начинают с бумаги. Блокноты, списки задач, ежедневники – все это удобно, пока вы работаете один и вся система у вас в голове, но в какой-то момент появляется команда… И здесь происходит перелом.

Проблема в том, что бумага не масштабируется:
▪️Вы не можете дать доступ;
▪️У вас не получится синхронизироваться;
▪️Нельзя видеть загрузку друг друга.

И именно в этот момент люди переходят на цифровые календари или трекеры задач.

Это очень важный момент: инструмент меняется не сам по себе – его меняет уровень сложности системы, в которой вы работаете. Сначала – бумага, затем – Google Calendar… Но, что дальше?

Сейчас мы находимся в точке перехода: календарь снова перестает справляться, но проблема теперь не в синхронизации, а с управлением сложностью. И здесь на помощь пользователям приходят AI-календари.

У меня было именно так, в начале толстые ежедневники в мягкой обложке, а потом Гугл таблицы, redmine, АтласТрекер, а сейчас свой ИИ-агент)

Я сейчас работаю над большой статьей про AI-календари и новый подход к управлению временем для одного крупного издания: разбираю, как меняется сама логика планирования и почему календарь постепенно превращается в систему управления жизнью. Как только материал выйдет – поделюсь с вами ссылкой, а пока напишите в комментариях используете ли вы календарь и если да, то какой?

AI – это для сотрудников или для руководства?

Еще год назад внедрение ИИ в компаниях выглядело как набор экспериментов: разные компании внедряли отдельные инициативы, запускали пилоты, говорили «давайте попробуем ChatGPT». Но сегодня ситуация меняется…

По данным Wharton School, около 60% компаний рассматривают или внедряют роль CAIO (Chief AI Officer) – это отдельная должность для человека, отвечающего за ИИ. И само по себе появление этой должности – уже важный сигнал, который показывает, что ИИ перестает быть инструментом на сотрудников и поднимается на уровень управления компанией.

Что это меняет? Появление CAIO – это не про «новую модную должность», а про переход от экспериментов к системе, а от отдельных кейсов – к архитектуре. Потому что с появлением CAIO появляется центр ответственности, без которого внедрение ИИ в компании становится практически невозможным (если нет ответственного лица - ИИ-инициативы просто «расползаются» по компании и не дают эффекта).

Сегодня GenAI активно используется в бизнесе для решения следующих задач:
▪️генерация и обработка контента;
▪️автоматизация клиентской поддержки;
▪️анализ данных и отчетности;
▪️помощь разработчикам;
▪️автоматизация внутренних процессов.

То Есть, ИИ уже активно встроен в интеллектуальный труд и уже вышел за границы простых экспериментов и стал частью операционной модели.

Появление роли CAIO – это маркер перехода на новую стадию, но есть важный момент. Назначить CAIO легко, а вот построить систему, в которой ИИ реально работает – сложно. Потому что искусственный интеллект сегодня – это новая среда, которая меняет процессы, роли и саму логику работы компании, а значит, выиграют здесь не те, кто быстрее сможет внедрить ассистентов, а те, кто сможет выстроить систему.

Более того, есть альтернативный подход к этой роли и соответственно её обозначение как AI BP (AI Business Partner). Потому что кажется, что CAIO может восприниматься и дрейфовать функционально в сторону CTO/CDTO, а AI BP сразу встает в позицию “что ИИ даст бизнесу”, а не в позицию “как нам внедрить ИИ”.

Получается, что главный вызов ближайших лет – это не внедрение AI, а управление AI-трансформацией.

💡Как выбрать методологию проектного управления?

Scrum, Kanban, PMBoK, гибридные модели – все это методологии проектного управления, выбор которых сегодня действительно огромный. Каждая из них обещает повысить эффективность, ускорить работу и навести порядок в процессах, но на практике часто происходит обратное. Почему? Ответ в том, что компании часто совершают одну и ту же ошибку – выбирают методологию как универсальное решение, а не как инструмент под себя. А ведь правда в том, что в мире не существует «лучшей» методологии – существует та, что будет соответствовать культуре, зрелости и задачам конкретной компании.

Почему методологии работают по-разному?

Проектное управление – это не только про процессы и инструменты. Это про людей, стиль управления, скорость принятия решений и отношение к неопределенности.
Одна и та же методология может показывать диаметрально противоположные результаты в разных компаниях. Там, где есть готовность к изменениям и высокая автономия команд, Agile работает естественно. Там, где важны контроль и предсказуемость, он начинает вызывать сопротивление.

Это происходит потому, что любая методология встроена в определенную модель мышления и управления. Если она не совпадает с реальностью компании, система начинает «отторгать» ее.

👉 Продолжение читайте в моем блоге на VC.

Карта рынка GenAI: кто и что на самом деле строит

Как сегодня выглядит рынок генеративного ИИ? Кто формирует правила игры и куда все это движется? Попробуем разобраться!

Если собрать текущие исследования, становится понятно: сегодня рынок движется уже не в направлении развития «новой технологии», а в направлении формирования полноценного технологического стека. «Мозг» всей экосистемы формируют такие компании, как OpenAI, Google DeepMind, Anthropic – именно они задают потолок возможностей — от качества генерации до reasoning, в то же время NVIDIA фактически контролирует скорость развития рынка…

И это важный сдвиг: AI сегодня – это не только софт, но и инфраструктурная гонка.

Middleware тоже стал полем для битвы. Самая жесткая конкуренция сейчас не в моделях и не в интерфейсах: фреймворки, orchestration, AI-платформы – именно они решают, сможет ли компания внедрить ИИ за 2 недели или за 9 месяцев. И здесь сейчас формируется новый рынок B2B-решений.

Куда все это движется?

Тренды развития рынка определить не сложно:
▪️От моделей → к продуктам. Если в 2023–2024 все строили модели, то сейчас выигрывают те, кто упаковывает их в решения;
▪️Коммодитизация моделей. Качество LLM выравнивается → конкурентное преимущество смещается в данные и UX;
▪️Вертикализация. ИИ «для всех» уступает место решениям для конкретных индустрий: финансы, медицина, закупки, юристы, HR;
AI как часть архитектуры. Компании переходят от «поиграли с ChatGPT» к перестройке процессов внутри бизнеса и это хороший знак;
▪️Борьба за интерфейс. Сегодня тот, кто контролирует точку входа (чат, workspace, API) – контролирует пользователя;
▪️Рост стоимости внедрения, а не снижение. Это своего рода парадокс: сами модели дешевеют, но интеграция становится дороже и сложнее.

Естественно, есть и другие не столь заметные тренды, например, развитие нового класса нейросетевых моделей, которые стараются выйти за границы лингвистических моделей и обогатить ИИ представлениями о физическом мире и образной составляющей сознания людей.

Самая большая и частая ошибка, которую я сейчас вижу в компаниях – это попытка внедрять GenAI с инструментов. Люди начинают с вопроса: какой ИИ будем использовать, а правильный вопрос: какие задачи мы решаем и какую архитектуру строим?

И если у вас нет понимания, как связаны между собой используемая модель, данные компании и внутренние процессы – то у вас точно возникнут сложности с интеграцией ИИ.

Сегодня в плюсе оказываются те, кто встраивает ИИ в операционную систему бизнеса, а не просто подключает ChatGPT, потому что это модно.

Проектное управление в госорганах и в стартапе – это два разных мира?

Если вы работали и в стартапе, и в госструктуре, то вы понимаете о чем я: это не просто разные подходы, это две разные реальности. Если предприниматели готовы пробовать и смотреть, что из этого выйдет, то государственники могут месяцами согласовывать само предложение запустить ИИ…

Эту разница подходов к работе или, если угодно, разницу корпоративных культур нужно учитывать при внедрении ИИ.

Давайте посмотрим, в чем она выражается?

Скорость vs процедуры. В стартапе решение может приниматься за 1 день, а иногда – за 10 минут. В государственных структурах все сложнее: согласование; уточнение; повторное согласование; защита концепции и только потом движение.

Это не «плохо», это просто другой формат работы.

Agile vs регламент. Стартап работает по принципу «сделали → проверили → переделали», а госорганам требуется куча документации и отчетности. Если в стартапе можно «переобуться в воздухе», то в любой госструктуре сначала нужно переписать документы.

Плоская структура vs вертикальная иерархия. В стартапе если разработчику написал CEO – тот принял к исполнению и выполнил задачу. В госоргане нужно дать поручение, определить ответственного и исполнителя, согласовать задачу, а после ее выполнения – передать наверх отчет. Поэтому здесь все процессы проходят значительно медленнее.

Вы скажете мне “Спасибо, Кэп!”) я тоже так думал, пока не стал работать с клиентом, у которого 30% команды бывшие чиновники, 30% производственники / инженеры и 30% стартаперы. Как вы понимаете, каждая треть работала в своей системе деятельности со своим способом целеполагания. Соответственно за годы работы люди выработали свою картину мира, свой вокабуляр и принципы. В итоге даже термин “проект” они понимают поразному)

О чем все это? О подходе к работе с компаниями: в стартапе ты оптимизируешь неопределенность, а в госструктуре – минимизируешь риски. И это две противоположные задачи, которые ставятся исходя из того, с какой компанией вы работаете. Кстати, какой подход ближе вам?

С кем удобнее работать: со стартапами или с государственными? Пишите в комментариях!

Есть ли у ИИ эмоции?

Интересный вопрос, на который каждый из нас и так знает ответ (правда если вы психолог или исследователь когнитивных наук, то возможно ответ для вас не так прост :) )!

Да, иногда нам кажется, что ИИ словно понимает нас, сочувствует, поддерживает, радуется... а общаться с ним даже проще, чем с некоторыми людьми!

Но давайте честно: у ИИ нет эмоций! Но это не минус, а ключ к пониманию того, как работает искусственный интеллект.

Недавно (2 апреля) Anthropic опубликовали исследование Emotion Concepts in LLMs. Эта работа на примере Claude Sonnet 4.5 очень точно объясняет, почему модели выглядят «человечными», хотя очевидно у них нет чувств и они не испытывают радость или грусть. Но дело в том, что модель кодируют шаблоны, которые мы называем эмоциями. Проще говоря, она не чувствует, но знает, как выглядит текст, который мы воспринимаем как эмоцию.

И вот здесь начинается самое интересное.

Упомянутое мною выше исследование показывает, что:

▪️ «эмоции» в ИИ — это устойчивые концепты, а не случайные слова;

▪️модель может переключаться между ними, как между режимами и она делает это не потому, что «хочет», а потому что это оптимальная стратегия взаимодействия с человеком.

Мы привыкли думать про ИИ, что это “просто алгоритм”, а на деле – это система, которая отлично моделирует поведение, связанное с чувствами в общении с нами и и делает это лучше, чем многие люди!

Хочу добавить примечание со звездочкой: эмоции с точки зрения психологии - это реактивные функции психики, на моем уровне понимания большие языковые модели учились на описаниях эмоций (т.е. на рефлексии), а не на других средствах репрезентации эмоций (невербальных). При этом нельзя путать схожие казалось бы понятия - эмоции и личностного смысла. Эмоции — это реакция на событие (сигнал), а личностный смысл — это ответ на вопрос «почему это важно для меня» (оценка).

Как понять, что мир меняется?

Слабые сигналы, которые бьют в лицо.

Хожу на саксофон. Преподаватель Филипп говорит: поставил себе локальную Gemini 4b, через дипсик собрал агента с памятью и функциями, моделирующими сознание.

После бокса. Раздевалка. Качки 50-60 лет. Один другого спрашивает — что интересного? Ответ: развлекаюсь с OpenClow, то одно ломается, то другое. Знаешь что это? Да, опенсорсная штука на базе Клода.

И ты понимаешь — ИИ теперь реально везде.

Это уже не удел узких специалистов. Массовое явление.

Причём речь не про Яндекс.Алису. Gemini-4 локально, OpenCore — это достаточно узкоспециализированные вещи.

Совпадение? Не думаю 🙂

Напоминаю: завтра в 19:00 встречаемся на офлайн-митапе Heg.ai в Москве.

Живое общение, сильный нетворкинг и новые знакомства, которые могут перерасти в проекты, партнерства и дружбу. Будет полезно и точно не скучно!

Москва, 17 апреля, 19:00
Делюсь промокодом на -10%: HEGAIMEETUP10

Если еще думаете – это хороший знак прийти 🙂

Нет правильной модели изменений для всех…

Один из самых устойчивых мифов в управлении – это миф о том, что где-то существует некий «правильный» и универсальный подход к трансформации. Но правда в том, что каждая из таких моделей как Agile, Waterfall, ADKAR, Kotter – работает, но ни одна из них не работает везде. И причина довольно простая: подход к управлению проектами внутри компании определяется не методологией,
а типом корпоративной культуры.

Сегодня хочу показать вам очень простую и понятную схему…

Любую организацию можно разместить в системе координат по двум осям:
— гибкость ↔️ стабильность
— фокус внутрь ↔️ фокус вовне

И в зависимости от того, где компания находится в этой системе, она формирует совершенно разную логику управления!

Кстати, я уже писал об этом раньше, например, о том, почему проектное управление в госструктурах и в стартапах – это два разных мира (прочитать можно тут). Но правда в том, что различия есть не только между «госом» и «стартапом» – двух одинаковых компаний просто не существует!

Более того, даже в одной и той же компании можно увидеть:

▪️жесткую иерархию и регламенты в финансах;
▪️гибкость и эксперименты в продукте;
▪️ориентацию на людей в HR;
▪️ориентацию на результат в продажах.

И если пытаться применить одну модель изменений ко всем – начинается то, что обычно называют «провалом трансформации».

Поэтому важно понимать, что в мире не существует универсальной модели трансформации для компаний, но есть контекст и корпоративная культура.

Хорошая трансформация – это не про выбор методологии. Это про способность увидеть, где вы находитесь, и не применять Agile там, где нужна диагностика, и не строить регламенты там, где нужна адаптивность.

Зачем команде трансформации критик?

«Мы наняли человека, чья работа – всем портить настроение» – звучит как шутка? Да, но на практике – это один из самых здравых управленческих шагов, которые можно представить себе в условиях AI-трансформации. Потому что именно в такие моменты компания особенно уязвима не к ошибкам, а к иллюзиям.

Любая команда, внедряющая ИИ, довольно быстро проходит одинаковый путь: сначала появляется интерес и осторожный оптимизм; затем – первые успешные кейсы, которые создают ощущение, что технология действительно способна ускорить практически все; а дальше незаметно возникает опасный сдвиг: команда начинает верить не столько в результат, сколько в сам инструмент… В этот момент из системы начинает пропадать сомнение – тот самый элемент, который удерживает решения в реальности.

Проблема усугубляется тем, что рынок ИИ сегодня перегрет. Мы живем в среде, где много демонстраций, громких заявлений и историй успеха, но крайне мало разговоров о том, где и почему решения не работают. В результате вопрос «а нам это вообще нужно?» практически не встает. У всех работает – значит, заработает и у нас, надо быстрее внедрять…

Но что произойдет если в команде появится критик, чья задача – системно сомневаться. Он не отвечает за внедрение, не заинтересован в успехе конкретного решения и равнодушен к скорости внедрения. Его зона ответственности – находить слабые места, оспаривать выводы, задавать неудобные вопросы и, при необходимости, замедлять процесс.

Продолжение читайте в моем блоге на Яндекс Дзен.

А что если ИИ принесет нам только хаос?

На днях мне написал клиент:

«Александр, привет! Ты же в этом разбираешься — подскажи. Нам нужен ИИ, который подключится ко всем нашим системам: CRM, переписке с клиентами, почте. Чтобы сам все анализировал и присылал напоминания — типа "сегодня надо отправить клиенту коммерческое предложение", — закрывал рутинный контроль и снимал нагрузку с операционки. Кто такое внедряет?»

Запрос понятный и на первый взгляд логичный. Но в нем зашит один из самых опасных мифов об AI-трансформации: «сейчас внедрим ИИ — и все процессы наладятся». Не наладятся.

ИИ не исправляет систему — он усиливает то, что в ней уже есть. Если задачи живут в хаосе, роли размыты, решения принимаются ситуативно, а процессы существуют только «в головах» сотрудников — ИИ не наведет порядок. Он увеличит число ошибок и усложнит контроль.

Разберем конкретный запрос.

Чтобы агент корректно напомнил «сегодня отправить клиенту КП», в компании уже должно быть:
— четкое понимание, на каком этапе воронки отправляется предложение;
— статус сделки, по которому это видно без звонка менеджеру;
— единый источник данных о клиенте, а не пять чатов в трех мессенджерах;
— регламент: кто и в какой момент отправляет.

Если этого нет, ИИ начнет «напоминать» хаотично — одним по пять раз, другим никогда. Операционка не разгрузится. Она станет громче.

Я не раз видел: после внедрения ИИ сначала все ускоряется, а через пару месяцев становится хуже, чем было. Почему? Раньше хаос был медленным. С ИИ он ускорился.

Поэтому главный вопрос, который почти никто не задает перед внедрением: «а мы справляемся без ИИ?» Не идеально — хоть как-то. Если ответ «нет», внедрять ИИ рано. Сначала описать процессы и навести базовый порядок — и только потом AI-трансформация.

ИИ не чинит систему. Он ее масштабирует. И одинаково хорошо масштабирует и порядок, и беспорядок. Это не страшилка — это архитектурный факт. Любая технология, которая повышает скорость системы, усиливает эффект от ее текущего состояния. Здоровая система растет. Нестабильная — разрушается быстрее.

Тот случай, когда подписчик показывает не «как надо думать», а «каким стеком это делается»

В одном из прошлых постов я использовал картинку из Gemini — мыльную, с опечатками и вёрсткой «впихнули всё, чтобы влезло». Антон Ленев в комментариях коротко объяснил, почему такие задачи давно не решаются image-моделью. Хочу разобрать его рецепт — он меняет привычную логику «сгенерируй мне картинку» и работает на мой взгляд гораздо лучше.

Главная мысль: инфографику не нужно рисовать, её нужно верстать. Image-модель выдаёт пиксели — текст, которые «похож на текст», типографика плывёт, править почти нельзя, только перегенерировать. А агент-верстальщик отдаёт HTML/CSS — текст остаётся текстом, стили меняются за секунды, правки точечные.

Пайплайн, который предложил Антон:

▪️ Frontend designer skill + agent-browser (или любой другой браузер, где агент сам видит результат).
▪️ На вход — текст или картинка-референс того, что хочется получить.
▪️Агент наверстывает первую версию.
▪️ Дальше вы итеративно правите стили как удобно — цвета, шрифты, отступы.

И второй важный ход: не впихивайте всё в один кадр. Если тезисов больше, чем помещается на одном слайде, это уже не инфографика, это каша. Антон сразу предлагает собирать не статичную картинку, а короткое видео на Remotion — это React-фреймворк, в котором видео описывается кодом: слайды, анимации, таймлайн. Каждый тезис живёт в своём кадре и не воюет за место с соседями.

По сути, мы годами заставляли image-модели делать работу вёрстки и монтажа — просто потому что они первыми оказались под рукой. Хорошо, что появились скиллы и агенты, которые возвращают эту работу туда, где ей место.

Антон, спасибо — утащил в свой рабочий процесс.

Что дают разные проекции данных?
И что это вообще такое…

Один из самых сложных моментов в работе с любыми данными – это подобрать для них «правильное представление» – ту самую диаграмму, дашборд или другую структуру, которая расставит все по местам, ведь в зависимости от того, с какой стороны мы смотрим на данные, мы буквально можем видеть разную картину.

Как работать с одним и тем же массивом информации используя разные проекции можно понять на примере инструментов вроде Canvas Explorer, при помощи которых набор данных можно развернуть сразу в несколько форматов: как Solar Map, как Mindmap или как ER-диаграмму. Формально ничего не меняется… кроме смысла, который мы из этого извлекаем. В одном режиме мы видим центр системы и силу притяжения вокруг него. В другом – логику разветвления и развитие идей. В третьем – строгую структуру, зависимости и формальные связи…

Продолжение читайте в моем блоге на Яндекс Дзен.

Познакомился с Арсением Трушиным - основателем компании «Техноаналитприбор». Компания небольшой командной делает сложные НИОКРы и высокотехнологичную продукцию, которую еще и экспортируют зарубеж (делают газоанализаторы для ГОК).

Начал с ними работать в формате командного трекинга, цель - разгрузить и систематизировать операционные процессы. Их пост ниже.