Параметр, без которого ваше профессиональное развитие невозможно

Знакомое чувство: вы видите классную статью, добавляете полезное видео в «Смотреть позже», сохраняете ссылку в закладки… и никогда к этому не возвращаетесь. Мы успокаиваем себя удобным мифом: «Если возникнет проблема, я просто ее загуглю или спрошу у ИИ-агента».

Но это ловушка. Прямо сейчас в вашей профессии есть с десяток сложных нерешенных проблем, готовых ответов на которые в поиске просто нет. Вы не найдете там даже их грамотного описания. Но мы продолжаем откладывать обучение на потом, потому что нас придавило информационной плитой.

Несколько лет назад главный редактор издательства Livrezon (в котором я написал книжку) проводил курс по тому, как отслеживать важные изменения в своей профессии. Участники собирали систему подписок, чтобы ловить все главные тренды в своей сфере. Знаете, каков итог? Никто в моем окружении из этого издательства их не отслеживает. Причина до боли банальна: на это просто ни у кого нет времени.

Другая сторона проблемы: трата времени впустую. На прошлой неделе я побывал в Алматы на двух ИИ-митапах, один из которых организовал Google, к слову. Шесть больших докладов, несколько часов потраченного времени. Что нового я вынес? Упоминание технологии MCP Apps, которую сейчас по техническим причинам даже использовать толком нельзя. Часы личного времени ради одной крупицы новой, но бесполезной информации.

× × ×

Глядя на все эти залежи непрочитанного и бессмысленные траты времени на конференциях, я задаюсь тремя вопросами:

01. Почему складывается ощущение, что даже грамотные специалисты вокруг незаметно отстали от рынка на 1–2 года?
02. Почему, понимая это, люди смирились и даже не пытаются сократить разрыв?
03. Почему все наивно верят, что эти накопившиеся пробелы в знаниях можно будет «быстренько загуглить» прямо перед дедлайном?

Ответ кроется в одном-единственном параметре. Главный навык сегодня — это то, насколько быстро вы можете «выпотрошить» новый источник информации и сохранить суть в свою личную базу.

Если вы настроите немусорную, качественную систему подписок, каждый день в нее будет падать по 5–10 часов отборного видео и текстов. Ни у кого из нас нет лишнего часа, чтобы изучать это вдумчиво и линейно. Поэтому люди пугаются объема, копят непрочитанное и в итоге сдаются.

Решение не в том, чтобы искать 25-й час в сутках, а в том, чтобы радикально изменить подход к извлечению пользы.

Если часовой контент вы прорабатываете и сохраняете себе в базу дольше, чем за несколько минут — вы гарантированно отстаете.

Скорость потребления знаний — это ваш главный рычаг. Нельзя оставаться востребованным, если вы читаете и смотрите материалы «как раньше».

Для всех кто занимается разработкой связанной с AI. Во вторник буду рассказывать базу у Родиона Мостового на стриме.

Стрим: улучшение агентов через DSPy

Ну что, возобновляем сезон стримов.
Есть такая чудесная штука DSPy - инструмент этот позволяет агентов улучшать и LLM-пайплайны в автоматизированном режиме. А качество мелких LLMок с его помощью и вовсе можно улучшить в разы.

На недавнем митапе я познакомился с Николаем Сениным, который не просто активно пользуется DSPy, но и получает великолепные результаты с его помощью.
У Николая уже была готовая теоритическая преза, которую он рассказывал на недавней конференции, но поскольку инструмент непростой быстро стало ясно, что нагляднее всего будет показать его на примере реального кейса. В кач-ве кейса выбрали проект Николая - умный суммаризатор-разметчик для материалов (YouTube, книги и др), который умеет здорово размечать действительно нетривиальные и полезные идеи из текста, сервис называется Knowlume. Главное, что будет возможность заглянуть под капот сервиса - и код посмотреть и понять как там вообще все работает.

Время: вторник 21 июля 13:00 МСК (15:00 по Алматы).
Регистрация по ссылке.

А еще, открыта предварительная запись на стрим про CodeAlive и контекстные движки в четверг в 11:00 МСК (13:00 по Алматы). Полноценный анонс будет чуть позже.

@ai_driven

⭕️ Заметки из практики

(тестирую новый жанр)

По довольно банальной логике чем более высокоуровневая и стратегическая цель, тем больше на нее нужно тратить времени, тем больше нужно собирать данных и знаний.

Но когда у человека проблемы с продуктивностью или достижением этих самых целей я в 90% вижу ровно обратное. Большая часть ресурсов уходит на принятие совершенно незначительных решений.

📥 Вопрос к знатокам

Сегодня OpenAI выкатили fast режим для своего фронтира Sol-5.6. Стоит дороже, но быстрее в 2.5 раза.

Вопрос : На сколько увеличится ваша продуктивность в работе в Codex или в приложении ChatGPT при включенном fast режиме.

Ваши ответы в комменты. Правильный ответ расскажу в понедельник.

От Лос-Аламоса до Cirque du Soleil: разбор кейсов выдающихся команд

Почти два года я участвую в проекте, который начинался как любопытное исследование, а постепенно превратился в коллективную книгу о командах, способных менять мир. Сборника «десяти секретов идеального коллектива» в ней не будет.

Мы внимательно разбираем то, что уже случилось: как под сводами Лос-Аламоса физики за три года открыли атомную эпоху, как в цирке без животных Cirque du Soleil придумали новый театральный жанр, как небольшая скульптурная мастерская в Финляндии превратила обломки тюленьих костей в арт-объекты, которые обошли весь мир. В каждой истории мы ищем решения, которые можно воспроизвести в других условиях.

Сначала мы просто собирали истории. Потом поняли: без системы получится красивая, но бесполезная россыпь. Поэтому ввели правило: в выборку попадают только команды, чья работа получила признание далеко за пределами одной страны или профессиональной области.

Сейчас в нашей базе сорок подробно разобранных коллективов: от Манхэттенского проекта и Баухауса до японских анимационных студий и команд, выводивших людей в открытый космос. Мы читаем мемуары, письма, технические отчёты, дневники художников и инженеров. Из этого массива достаём то, что можно повторить в другом месте и в другое время.

Мы уже собрали больше тысячи кейсов, которые повторяются в успешных случаях: как изолировать группу и поднять концентрацию, как обходить цензуру, не ломая себе карьеру, как вовремя распасться, чтобы идея выжила, а участники не сгорели.
Следующий этап — масштаб. В бэклоге ещё шестьсот коллективов, чьи истории ждут своей очереди. Любую гипотезу, родившуюся после разбора первых сорока команд, мы проверяем на всей выборке. Так отсеиваем совпадения и оставляем закономерности. Постепенно из них складывается модель, которая показывает типичные риски и способы повлиять на результат.

Пока мы собираем модель, отдельные наблюдения публикуем в телеграм-канале «Коллективика». Там уже вышли заметки о «точках невозврата», после которых команда либо взлетает, либо распадается; о власти, которая может усиливать творчество; о ярких успехах, за которыми нередко следует резкий раскол. Скоро начнём публиковать лонгриды о том, как отдельные приёмы складываются в систему.

Если вам интересно, как устроены команды с результатами мирового масштаба, подписывайтесь. Будем и дальше разбирать их работу и публиковать приёмы, которые можно попробовать в своей команде.

⭕️ Правильный ответ: продуктивность увеличится, но ненамного.

При достаточно зрелом сетапе (харнесе), если вы запускаете хотя бы 3–4 агентов параллельно, выгода составит около 10–15%. Но никак не 150%.

Причины:

1. Скорость инференса практически не влияет на скорость ревью, планирования и промптинга. Это главное.
2. Неотработанные типы задач будут так же тормозить ваш воркфлоу, как и в обычном режиме.
3. При работе с несколькими агентами проблемы из пп. 1 и 2 масштабируются. Поэтому загружать работой ещё больше агентов не имеет смысла.

OpenAI обещает экономию десятков часов в неделю. Но это, конечно, не так.

P. S. Есть и другие, не такие хайповые параметры мультиагентной работы, которые дают на порядок бОльшую отдачу.

📁 Так как мой продукт по AI+продуктивность находится в стадии "сам делаю дофига но времени оформлять в курс нет" предлагаю ознакомиться с следующим предложением)

Ребят из AI Mindset давно знаю, постоянно тусуюсь и выступаю в их коммьюнити. Могу смело сказать что ребята делают хорошо.

Ниже описание их новой лабы.

—-

Почему ИИ так и не сделал вас продуктивнее

Знакомое чувство: вы честно пытаетесь работать эффективнее — читаете про нейросети, пробуете инструменты, собираете подборки лайфхаков, — а к вечеру ощущение, что весь день кого-то догоняли, но так и не сдвинулись.

Давайте разберем механику. Любой ИИ-инструмент помогает ровно настолько, насколько он знает именно вас: ваши задачи, решения, историю, приоритеты. А этот контекст у большинства разбросан — заметки, переписки, транскрипты созвонов, тысячи непрочитанных в Saved Messages. Каждый раз, садясь за работу, вы сначала ищете, где все бросили. Вот здесь и прячется главный убийца продуктивности — латентность. Не сложность задачи, а секунды и минуты на то, чтобы вспомнить контекст и переключиться. Пока вы их тратите, поток просто не начинается.

Дело не в том, сколько у вас инструментов, а в том, на какой контекст они опираются. Даже самый умный ассистент на неубранном рабочем столе станет еще одним источником шума.

× × ×

Ровно об этом в августе 3-недельная лаборатория Summer Lab от команды AI Mindset — про продуктивный поток в эпоху ИИ. Не про то, как настроить еще один инструмент, а про то, как собрать свою систему, которая защищает мышление и держит один рабочий мир.

Логика выстроена как русло реки — от истока к устью, шесть шагов, каждый опирается на предыдущий:

01. Контекст. Сначала аудит жизни и инвентаризация поверхностей. Вы вычищаете Saved Messages и собираете контекст-слой, из которого ИИ наконец получает ваш реальный профиль, а не обрывки.

02. Состояние. Дальше тело и вход в фокус. Поток встает только на собранный контекст: без ясной цели никакая среда не удержит внимание. Работа чередуется с восстановлением, спокойное тело дает продуктивность.

03. Агенты и делегирование. И только теперь — недельный цикл вместе с ИИ: план и ретро без вечного надзирательства. Плюс отдельный разговор про то, что вы отдаете не машинам, а людям, и на каких условиях.

× × ×

Финал: к 31 августа каждый участник выносит не конспект, а один работающий инструмент и показывает свой реальный процесс в формате before / after / next: что зависало в фоне раньше, как проходит теперь и что продолжается без вашего постоянного возвращения в инбокс.

Ведет Александр Поваляев с командой проводников-практиков, которые годами живут внутри собственных систем контекста и делегирования.
Старт 10 августа, Demo Day — 31-го.

Программа и запись

PS : Завтра хочу опубликовать свой доклад на Agentic Conf про эффективную работу с нескольими агентами. Stay tuned

⭕️ Запись моего доклада на Agentic Conf про эффективную работу с несколькими AI агентами.

Зачем это смотреть? Основное - доклад дает понятный roadmap того как совершенствовать свой AI-сетап, и в результате меньше выгорать, больше делать, и т. п.

Многие идеи из этого доклада можно неплохо реализовать с помощью хайпующего сейчас prime agent. Я даже в ответах на вопросы упоминал про RLM, технологию на которой он работает)

ЗАПИСЬ :
https://youtu.be/2hEiDR5lR-c
https://youtu.be/2hEiDR5lR-c
https://youtu.be/2hEiDR5lR-c

Лучший хак по продуктивности на данный момент

Хочу поделиться хаком, который для меня сейчас — лучшая инвестиция времени в личную продуктивность. Разумеется, при условии, что бо́льшая часть вашей работы проходит за компьютером. Если у вас Mac — реализуется буквально из коробки. Если Windows — придётся немного поискать аналог, но принцип абсолютно тот же.

× × ×

Ещё пару лет назад я мечтал о приложении, которое смотрит, чем ты занят прямо сейчас, и мягко подсказывает, что ты отвлёкся. Тогда это было сложно реализовать. Сегодня — это реальность, потому что появились мощные мультимодальные модели: они умеют «смотреть» на экран и понимать контекст того, что вы делаете.

Недавно я протестировал приложение Dayflow. Работает оно очень просто:

01. Скриншоты. Приложение делает снимок экрана каждые 10–20 секунд (можно и реже).

02. Понимание контекста. Модель отлично распознаёт, чем именно вы занимаетесь: в каком приложении работаете, к какому типу задач относится активность, когда переключаетесь на другой тип работы.

03. Карточки активностей. На выходе получаются аккуратные карточки по типам работ — наглядная картина вашего дня.

Единственное ограничение на этом этапе — оперативная память: приложение её немного «подъедает». Всё остальное работает автономно, данные с вашего компьютера никуда не уходят.

× × ×

Самое интересное начинается дальше. Что делать с этими данными?

Мой любимый сценарий — отдать скриншоты и карточки своему агенту и спросить: какие автоматизации мне стоит внедрить, чтобы повысить продуктивность? Дальше вариантов масса:

01. Автоматизации. Если у вас есть хотя бы минимальный навык, вы соберёте их сами. Если нет — попросите агента (например, того же Cloud/GPT-агента или локальную модель) собрать их за вас.

02. Аналитика отвлечений. Смотрите, на что именно и в какие моменты вы переключаетесь. Часто выясняется много неожиданного.

03. Поиск рутины. Ищете повторяющиеся операции, которые можно заскриптовать или поручить агенту.

04. Паттерны работы. Видите, как реально устроен ваш день, а не как вам кажется, что он устроен.

× × ×

Если у вас есть Mac или хотя бы какой-то локальный агент на ПК и вы ещё не попробовали этот сценарий — крайне советую сделать это в ближайшие дни. По соотношению затрат и результата это сейчас лучшая инвестиция времени в личную продуктивность из всего, что я могу предложить.

🚀 Пределы профессионализма

Как превратить черновой скрайбинг в аккуратную инфографику

Многим из нас гораздо проще думать и объяснять мысли «через руку» — рисуя схемы, стрелочки и наброски прямо во время созвонов или мозговых штурмов. Я и сам отношусь к таким людям: визуализация на ходу помогает быстро структурировать любую мысль. Но здесь всегда возникает проблема: ручные зарисовки выглядят сыро и неаккуратно. Показать такой черновик коллегам или вставить в отчет сложно, а тратить часы на перерисовку в графических редакторах нет времени.

С появлением мощных нейросетей я долго искал способ автоматизировать этот процесс и наконец нащупал удобный алгоритм, который позволяет не бросать привычку рисовать руками и при этом получать информативный результат.

01. Базовый инструмент. Достаточно взять любой недорогой планшет и открыть приложение с бесконечным холстом (их огромное количество как для Mac, так и для Windows). Во время митинга или презентации делаем скрайбинг: фиксируем ключевые тезисы и схемы прямо на холсте.

02. Разбивка на кадры. После встречи делаем скриншот холста и отправляем его агенту (я использую Codex) с задачей разбить изображение на логические блоки или отдельные кадры, после чего утверждаем разметку.

03. Перевод в инфографику. Загружаем полученные блоки в GPT image 2 — сейчас это одна из самых продвинутых моделей для работы с логическими изображениями. Просим модель перевести набросок в финальную инфографику в заданном стиле, прикрепив к промпту одно или несколько изображений-референсов.

04. Финальная итерация. Как правило, требуется 1–2 уточняющие итерации, чтобы довести визуал до нужного вида.

× × ×

В итоге мы не ломаем удобный процесс живого мышления: черновой набросок «на салфетке» превращается в приличный слайд, который сразу можно переиспользовать в работе.

Примеры прилагаю.

🚀 [Пределы профессионализма]

Вот что получилось в итоге

Гайз, кто сможет подойти - советую. Сам должен был учавствовать, но пока не срослось по возможностям.

«Агент, сделай проект. А мы пока на митап» 🤖

Возвращаемся с nullptr.talks[3] — в этот раз про AI-агентов и реальный опыт работы с ними.
Лайнап финализирован, регистрируемся на митапчик 🥳

🗓 24 сентября | 19:00

📍 MOST IT Hub, Алматы

Как управлять несколькими агентами, встроить их в разработку и довести идею до работающего продукта?
Три доклада, три спикера, один вечер:

• 🎙 Виктор Гордиенко — Senior iOS Engineer, inDrive
«Агентные процессы и оркестрация в iOS-разработке»

• 🎙 Арыстан Тельбай — Android Developer, ForteBank
«Агент, сделай проект. Не делай ошибок»

• 🎙 Павел Королёв — Android Tech Lead, QazCode
«Я навайбкодил систему для производства квизов»

📝 Регистрация
🎤 Чат мероприятия nullptr.talks (там все апдейты)

⚠️ Количество мест ограничено — лучше записаться заранее

---

📣 Канал nullptr.party
💬 Уютный чат nullptr.party

Смена интерфейса

Я давно наблюдаю одну закономерность про продуктивность: когда мы выталкиваем работу в менее «дорогие» контексты — с компьютера на телефон, с телефона в голос — продуктивность растёт. То, что раньше требовало рабочего места, теперь можно делать на ходу. И это не про «делать всё абы как», а про то, чтобы освободить тело и внимание для более интересных вещей.

В моей базе знаний накопилась огромная куча примеров, где выдающиеся личности работали со своими личными секретарями. Секретарь разбирал письма, писал под диктовку черновики книг, держал структуру дня — фактически закрывал огромный пласт задач. Сейчас эту роль частично продолжает выполнять человек, но у нас впервые появился инструмент, который эту функцию берёт на себя — и им можно управлять просто голосом.

× × ×

Сегодня в ChatGPT есть очень крутой голосовой режим. Внутри сидит неглупая модель, которая выполняет инструкции. А если вы недалеко от своего компьютера — можно подключить MCP-серверы и спавнить субагентов (это когда основной ассистент раздаёт задачи вспомогательным «работникам», каждый из которых делает свою часть). По сути, огромный объём работы можно делать на ходу: гуляешь, раскидываешь задачи, планируешь, надиктовываешь. Этот пост, кстати, родился именно так — на прогулке.

Плюсы я даже не буду перечислять подробно. Если вы хотя бы минимально ходите или ездите — всё это можно делать параллельно. А ходьба и лёгкая физическая активность сами по себе супер полезны. Цена — почти нулевая, профит — гигантский.

× × ×

Чтобы это не звучало абстрактно, вот пять работ, которые интеллектуальный работник может уверенно закрывать в голосовом режиме на ходу:

01. Разгрузка головы. Проговорить всё, что крутится в голове, и превратить поток мыслей в список задач.

02. Черновик из смутной идеи. Проговорить сырую мысль и получить черновик — поста, письма, плана созвона.

03. Принятие решения. Вслух разложить trade-offs, плюсы, минусы, риски и зафиксировать конкретный следующий шаг.

04. Декомпозиция. Разбить большую задачу на понятные next actions, которые потом либо делаешь сам, либо отдаёшь агенту.

05. Ревью собственного мышления. Посмотреть, где действуешь по инерции, где ошибаешься, что можно делегировать.

× × ×

А теперь три кейса поинтереснее — они звучат небанально, но работают неприлично хорошо:

01. Прогулочный red team. Вы озвучиваете свою идею, а ассистент системно атакует допущения и задаёт жёсткие вопросы. Многие идеи занимают место в голове годами, пока их не разберёшь вслух.

02. Симулятор рабочего дня. Вы не просто планируете завтра — вы его проживаете голосом заранее. «Где я застряну?», «в каком месте будет затык?» — и корректируете план до встречи с реальностью.

03. Агентный диспетчер на ходу. Вы идёте, формулируете задачи потоком, а ассистент превращает их в очередь для субагентов: один ищет, второй критикует, третий собирает черновик.

× × ×

И последнее. Это не обязательно должна быть прогулка. Это может быть тренировка невысокой интенсивности — например, зона 2.

Именно в этом и есть смена парадигмы: продуктивность больше не конкурирует с жизнью, а встраивается в неё физически

🚀 Пределы профессионализма

⭕️ Куда инвестировать в своем AI-сетапе?

На мой взгляд есть только два направления - контекст и эвалы.

Эвалы — это способы оценить насколько корректно работает AI-система. И собрать качественный набор эвалов под задачу не то чтобы просто.

Думаю, большинство моих читателей не очень представляет что это такое. Может быть понимать и не нужно.

Но кто сознательно начнет развиваться в этом направлении, будет получать выгоду по модели сложного процента.

Все другое выводится из этих двух переменных : флоу, агенты, скиллы, MCP, модели, и т. п.

🚀 Пределы профессионализма

Что может и не может автономный ИИ-исследователь

Современный генеративный искусственный интеллект открывает поразительную перспективу: системы, способные самостоятельно вести исследовательскую работу, появляются буквально каждый месяц в самых разных областях. Эта тенденция неизбежно будет усиливаться, и уже сейчас существует значительное число успешных реализаций. Однако лично меня интересует особое направление, которое пока остаётся вне мейнстримного внимания.

Например, в издательстве «LIVREZON» создают технологии для создания других технологий. Это звучит как тавтология, но за ней стоит вполне конкретная задача — разработка инструментальных алгоритмов, которые решают определённые классы задач и при этом работают в реальных условиях, а не только в теории. Я убеждён с очень высокой долей вероятности, что современный ИИ при правильной настройке способен выполнять все преобразования информации и знаний, которые лежат в основе технологий издательства. Иными словами, агент может в практически автономном режиме создавать работающие технологии для решения задач.

Конечно, есть границы. Если решение требует взаимодействия с людьми — сбора данных, организации встреч, построения долгосрочных отношений — автономный исследователь пока бессилен. Но всё, что связано с информационной работой, обработкой знаний и IT, агенты уже осваивают в полный рост.

Что именно подразумевается под автономным исследователем? Возьмём для примера Alpha Evolve от Google — систему, которая комбинирует генетические алгоритмы с другими методами для решения математических задач. Или знаменитый Autoresearch Андрея Карпаты, где машинное обучение замыкает полный цикл: агент читает статьи, выдвигает гипотезы, проводит эксперименты на GPU-кластерах. Пока полностью автономная работа end-to-end остаётся недостижимой идеалом, но многие рутинные и ресурсоёмкие преобразования, раньше требовавшие месяцев обучения людей, теперь выполняются быстрее и качественнее.

Почему именно агенты, а не заранее заданные последовательности действий? Потому что исследование принципиально вариативно. Иногда задача решается одним запросом и найденной статьёй, иногда требуется цепочка из двадцати-тридцати взаимозависимых шагов. Агенты справляются с такой непредсказуемостью лучше жёстких workflow, хотя и требуют постоянного контроля и оптимизации.

У меня уже есть наработки в этом направлении, включая проект Knowlume, который изначально задумывался как имплементация подобных идей, хотя со временем эволюционировал до неузнаваемости. Есть и специализированные навыки для решения узких задач — например, поиск и валидация информации, где постоянно появляются новые модели и абстракции, делающие работу всё эффективнее.

× × ×

Главное ограничение сегодняшних систем — физический мир. Если технологию нужно тестировать вне цифрового пространства, агенты пока беспомощны. Они могут написать сообщение в мессенджере, но не способны пойти на производство или поставить поведенческий эксперимент с реальными людьми.

Есть и более тонкая проблема, о которой редко задумываются — спецификация исследовательской задачи. Из коробки агенты и большие языковые модели делают это плохо, но это поправимо. Некоторые преобразования, которые в «LIVREZON» осваивают за два-три месяца обучения, крайне сложно описать словами. Недавно я оптимизировал инструкцию для определения, насколько текст описывает воспроизводимое преобразование. Система проверила пятьдесят девять вариантов промптов по десяти-пятнадцати метрикам, и лучший результат показала инструкция в двадцать одну тысячу символов. Сомневаюсь, что человек, умеющий отличать воспроизводимый текст от невоспроизводимого, смог бы настолько детально объяснить, как именно он это делает.

× × ×

Вот это — спецификация задачи — то, где автономный исследователь пока слаб, но может стать сильным, если правильно задать рамки. Именно в это я планирую углубиться в ближайшее время, делаясь находками в серии постов о том, как преобразования информации и знаний реализуются с помощью современных ИИ-технологий.

🚀 Пределы профессионализма

Что будет иметь ценность, когда ИИ проникнет везде? Часть 1

Последнее время меня часто спрашивают о будущем: что вообще будет иметь ценность, когда искусственный интеллект проникнет везде? Этот вопрос звучит всё чаще, особенно от тех, кто знает, что я работаю с ИИ и продуктами на его основе. И здесь важно сразу разделить два мира — материальный и интеллектуальный.

В материальном мире мало что изменится. Если сегодня у вас есть коммерческая площадь или запасы редкоземельных металлов, эти активы сохранят ценность и через десятилетия. Приход ИИ их не обесценит — вероятность этого крайне мала. Совсем другая история разворачивается в сфере интеллектуального труда. Здесь обесценивание уже идёт полным ходом.

То, за что раньше платили специалистам солидные гонорары, теперь делают ИИ-агенты на порядок дешевле и быстрее. Накопленные годами знания по какой-либо теме внезапно оказываются в тупике: не потому что ИИ генерирует нечто непревзойдённое по качеству, а потому что его результат «достаточно хорош» для среднего человека. И этого достаточно, чтобы клиент предпочёл автоматизированное решение вашему экспертному мнению.

В этой ситуации выживут те, кто сможет предложить ИИ то, чего у него нет. Первый фундаментальный актив — контекст, или ваши персональные данные.

Представьте себе идеального агента: сверхумного, молниеносного, способного решить любую задачу. Но вот проблема — он не знает вас и не знает вашу компанию. Он подключится, быстро сделает диагностику, соберёт текущие показатели, и на этом всё. Без глубокого понимания специфики вашего бизнеса, без истории взаимоотношений, без накопленных нюансов — решение получится формальным и часто бесполезным.

Контекст становится базой, фундаментом, на котором строится вся дальнейшая работа. Чем больше персонального контекста вы сможете предоставить модели, тем выше качество её работы — и этот принцип будет только усиливаться по мере появления новых поколений ИИ.

× × ×

Отсюда вытекает неочевидное, но критически важное следствие: весь контекст, который сейчас не сохраняется автоматически, стоит начать сохранять умышленно.

Носимые устройства, приложения для записи экрана, системы фиксации рабочих процессов — всё это становится инвестицией в будущее. Уже в течение ближайшего года инструменты для извлечения контекста из личных данных станут настолько дешёвыми и эффективными, что использование «голого» ChatGPT без этого слоя персонализации окажется явно проигрышной стратегией.

Но одного контекста мало. Во второй части разберем второй, еще более мощный инструмент.

🚀 Пределы профессионализма

Что будет иметь ценность, когда ИИ проникнет везде? Часть 2

В первой части мы разобрали, почему привычные знания обесцениваются и почему сбор персонального контекста — это база выживания. Второе ключевое направление — эвалы, или спецификации.

Они тесно связаны с контекстом, но работают иначе. Спецификация отвечает на вопрос: что значит «хорошо решить задачу»?

Возьмём пример. Появляется революционная модель, и вы просите её: «рассортируй нашу почту». Она что-то сделает — но правильно ли? Под этой простой формулировкой скрываются десятки параметров. Какие письма требуют немедленного ответа? Какие можно отложить? Как обрабатывать граничные случаи? Что делать с конфиденциальной информацией? Без детальной спецификации сколько бы интеллекта у вас ни было, вы не получите от него пользы.

В отличие от контекста, который накапливается годами, спецификации можно формализовать относительно быстро. И их ценность растёт вместе с мощностью моделей. Чем точнее у вас описана задача, тем больше вы выигрываете от каждого нового поколения ИИ: можете использовать более быстрые модели, более дешёвые модели, и — что главное — более умные модели.

Причём здесь не нужно гнаться за конкретными алгоритмами или методиками. Это погоня за уходящим поездом: подходы устаревают быстрее, чем выходят новые GPT. Но если у вас есть хорошая спецификация, приходит условная GPT-8 и сама строит оптимальный алгоритм лучше любого топового специалиста. Всё, что ей нужно — чётко поставленная задача и критерии оценки.

× × ×

Итак, перед каждым, кто занят интеллектуальным трудом, сегодня стоит выбор:

01. Продолжать как есть. В большинстве профессий через какое-то время появятся компании-агрегаторы, которые сделают то же самое в десять раз дешевле, и вы окажетесь не у дел.

02. Собрать уникальный контекст. Который невозможно воспроизвести за два-три месяца даже мотивированной команде энтузиастов. Это даёт временное преимущество, хотя и требует постоянного наращивания.

03. Формализовать свою деятельность через спецификации и эвалы. Приведу личный пример. Сейчас я прохожу профессиональный курс. Не для развития навыков — все интеллектуальные навыки сейчас подлежат автоматизации. Я там для того, чтобы извлечь спецификацию: как именно решаются задачи в этой области, по каким критериям оценивается качество, какие граничные случаи важны.

В результате получается бесконечно масштабируемая система, которая на достаточно хорошем уровне выполняет базовую интеллектуальную работу. Это даёт двойное преимущество: перед теми, у кого нет спецификации, и перед теми, кто развивал именно собственные навыки, которые быстро устаревают и дорого обходятся.

Попробуйте описать свою работу в виде спецификации или их набора. Если удастся высвободить хотя бы один день в неделю — это уже победа. Выбор за вами: масштабировать эту систему, упаковать в продукт или найти другие способы монетизации. Но если ничего не делать — вы неизбежно проиграете в конкуренции с агентами.

🚀 Пределы профессионализма

Почему я больше не работаю с джунами

Недавно я изменил свой подход к работе в командах: я больше не берусь за проекты с джунами. И речь идёт не только о новичках в IT — этот принцип применим к любой сфере, где раньше считалось нормальным растить специалистов с нуля.

Суть проста. В эпоху, когда искусственный интеллект способен выполнять задачи начального уровня, работа с неопытными сотрудниками превращается в инвестицию с отрицательной доходностью. Возьмём любую рутинную функцию джуниора — подготовку данных, первичный анализ, стандартные операции. Сегодня всё это делает агент за доли стоимости человеческого труда, причём без эмоциональных качелей, прогулов и внезапных увольнений.

Но главное преимущество ИИ не в цене, а в скорости обучения. Человеку требуются месяцы, чтобы освоить сложный навык — и это при условии, что он не заболеет, не выгорит, не решит, что мечтал совсем о другом. Агент осваивает новый инструмент за три-десять минут. Достаточно скормить ему описание, примеры, датасет — и он уже работает. Переобучение под новую модель занимает часы серверного времени и пятнадцать минут моего внимания. С людьми так не получится: даже при огромном желании мы ограничены биологией, психофизиологией, суточными ритмами.

Качество тоже не стоит на месте. Современные системы способны перебирать тысячи вариантов алгоритмов, оптимизируя решение под конкретную задачу. При этом агенты не спят, не берут отпуск, не уходят на больничный. Один настроенный экземпляр масштабируется до бесконечности по щелчку пальцев.

Конечно, есть области, где человеческая экспертиза незаменима — там, где нужен глубокий контекст, тонкое понимание специфики компании, способность задавать правильные вопросы. Но и эти навыки, в конечном счёте, можно формализовать и передать машине. Сейчас во всех моих проектах участвуют только сеньоры — люди, способные сразу принимать сложные решения, без длительного вхождения в курс дела.

× × ×

Что делать тем, кто сейчас на старте карьеры? Ответ парадоксален, но очевиден: используйте тот же ИИ, чтобы ускорить своё развитие в десятки раз. Вместо чтения десятков книг по методологии потратьте пару часов с интеллектуальным собеседником, который построит персонализированную программу под ваши пробелы.

Так вы сократите путь от джуна до сеньора с лет до месяцев и сохраните конкурентоспособность в мире, где базовые навыки стремительно дешевеют. Ваше преимущество не в том, что вы умеете делать то, что уже умеет машина, а в том, что вы умеете это делать вместе с ней, быстрее и глубже остальных.

🚀 Пределы профессионализма