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

Как ИИ обострил проблемы труда — и дал инструмент против них

Искусственный интеллект изменил нашу работу двояким образом. С одной стороны, он многократно усилил хронические проблемы современного труда: мы стали ещё реже отвлекаться на полноценный отдых, ещё хуже справляться с многозадачностью, ещё глубже утонули в потоке прерываний. С другой стороны — и это парадокс, который стоит осознать, — тот же инструментарий ИИ открывает принципиально новые способы борьбы с этими пороками. Уже сейчас, например, можно вести непрерывную самодиагностику с помощью систем вроде Dayflow, превращая рефлексию из редкого ритуала в повседневную практику.

Но есть и другой фронт работы — проблема переключений. Речь идёт не о смене эмоциональных состояний, а о болезненном скачке между разными проектами. Мой рабочий стол наглядно иллюстрирует эту дилемму: огромный монитор, шесть окон одновременно, в каждом — свой агент, своя задача, своё течение мысли. Глаз цепляется то за одно, то за другое, и мы неизбежно сталкиваемся с проблемой переключений.

Выход, однако, существует — и он кроется в самой природе контекста. Когда агент завершает работу, он обычно выдаёт краткое резюме: что сделано, какой результат. Но этого хронически мало. Мы не видим ограничений, в которых двигались, не понимаем следующие потенциальные шаги, не удерживаем в голове главную цель всей операции. Хуже того — весь этот полуосознанный контекст невозможно перенести в другой чат, в другую систему. Он испаряется, и приходится начинать сначала.

Здесь на помощь приходит простое, но элегантное решение. За считанные минуты можно собрать инструмент, который я назвал Context Capsule: он архивирует не только результат, но и обстановку работы — ограничения, намерения, открытые вопросы. Достаточно прописать правила в Agents.md, чтобы этот контекст надёжно сохранялся и мгновенно восстанавливался при возвращении к задаче.

× × ×

С таким подходом переключение перестаёт быть пропастью, в которую утекает энергия. Контекст подхватывается за секунды, и многозадачность — уже не проклятие, а управляемый режим работы.

🚀 Пределы профессионализма

Sofle и будущее клавиатур для управления агентами

История манипуляторов для работы с компьютером началась ещё в лаборатории Дугласа Энгельбарта, и с тех пор человечество придумало удивительное множество устройств ввода. Я сам пользуюсь одним из таких экспериментальных решений — раздельной сплит-клавиатурой Sofle, которая выбивается из привычных стандартов, но открывает неожиданные возможности.

Сегодня, в эпоху многоагентных систем, тема специализированных манипуляторов вновь выходит на первый план. OpenAI уже выпустила собственную клавиатуру в партнёрстве с аппаратной компанией, за ней последовали другие вендоры. На рынке появляются так называемые клавиатуры для вайб-кодинга — устройства с резко урезанным количеством клавиш, где приоритет отдан голосовому вводу и управлению несколькими ИИ-агентами одновременно.

Но нужна ли для этого отдельная клавиатура? Я убеждён, что нет — при условии, что у вас уже есть качественная программируемая. В моих ближайших планах — перепрошивка собственной для оптимизации работы с агентами: быстрое переключение активных моделей, настройка уровней рассуждений, интеграция с голосовым вводом. Всё это достижимо без покупки специализированного железа.

Что касается голосового управления, которое многие возводят в ранг главного интерфейса будущего — здесь стоит проявить осторожность. Опытный пользователь клавиатуры способен выполнить пять-десять операций в секунду, и это не преувеличение. Голосом та же последовательность потребует нескольких секунд произнесения, плюс задержка на распознавание, плюс отсутствие потоковости. Речь, конечно, не идёт о диктовке объёмных задач — здесь голос незаменим, но для точного быстрого взаимодействия с системой он пока уступает проверенным механическим решениям.

× × ×

Я планирую провести открытую лекцию со своим видением будущего интерфейсов. Если тема интересна, поделитесь этим в комментариях.

🚀 Пределы профессионализма

Идеальный выбор за 15 минут: граница Парето и ИИ

Каждый из нас регулярно сталкивается с муками выбора. Будь то монитор, рабочий ноутбук, приложение для заметок или общая стратегия развития проекта, мы тонем в десятках вариантов и характеристик. Сравнить их в голове почти невозможно, и мы либо тратим дни на обзоры, либо покупаем наугад.

Современные языковые модели из коробки отлично понимают мощные абстрактные концепции. Одна из таких концепций — граница Парето.

Я сам узнал этот экономический термин из бенчмарков нейросетей, где эффективность моделей оценивают именно по границе Парето в соотношении интеллекта и стоимости. И я подумал: а почему бы не применить эту же математическую абстракцию вообще к любому повседневному или рабочему выбору?

× × ×

Как работает отбор по границе Парето

В основе подхода лежит простая логика: найти решения, которые представляют собой наилучшие возможные компромиссы по заданным параметрам. Решение лежит на границе Парето, если ни один из его параметров нельзя улучшить, не ухудшив при этом хотя бы один другой. Все остальные варианты за пределами этой границы заведомо неоптимальны, потому что их можно полностью перекрыть другим вариантом без каких-либо потерь.

Вот пошаговый процесс, как я это реализовал с помощью ИИ:

01. Определение личных критериев. Для каждого человека важны свои параметры: кому-то критична скорость, а у кого-то есть неограниченный бюджет или запас времени. Чтобы понять свои истинные приоритеты, я натравил ИИ-агента на свою базу заметок в Obsidian. Модель проанализировала контекст и выдала отсортированный список параметров, из которых я выбрал топ-5 ключевых.
02. Построение многомерного пространства. По этим пяти параметрам агент собирает пул кандидатов и распределяет их в пространстве характеристик.
03. Отсечение неоптимального. ИИ убирает все решения, которые не лежат на границе Парето. Из десятков хаотичных вариантов на руках остается буквально 4–5 чистых компромиссов.

× × ×

Недавно мне нужно было выбрать монитор. Для меня важны были диагональ и разрешение, а вот скорость отклика не имела никакого значения, так как я не играю в игры.

Вместо многочасового чтения форумов система выдала мне около пяти граничных решений. Самый дешевый вариант был рискованным китайским ноунеймом, а следующим оказался монитор с уникальным соотношением цены и качества для моих задач. Забавно, что он позиционировался как геймерский и имел кучу лишних для меня опций, но по моим ключевым параметрам находился ровно на границе Парето. Я потратил на весь выбор всего 10–15 минут.

Точно так же я позже подобрал оконный менеджер, которым успешно пользуюсь сейчас. Такую логику можно легко упаковать в готовый ИИ-навык, усилив его хорошей поисковой системой по товарам или технологиям.

× × ×

Важно то, что ИИ позволяет переложить математику сложных компромиссов на алгоритм, оставив человеку только финальное решение. Вместо бесконечного перебора сотен позиций вы сразу выбираете из нескольких безупречно выверенных альтернатив.

🚀 Пределы профессионализма

Джуны и нейросети: почему старые правила найма больше не работают

Тема джунов и обучения оказалась одной из самых спорных на канале. После прошлого поста мне прилетело много комментариев и странных интерпретаций. Поэтому хочу разложить свою позицию максимально четко и без иллюзий.

Главный упрек звучит так: вы предлагаете выставить всех начинающих специалистов на мороз. Конечно же нет. Во-первых, далеко не все джуны заняты исключительно интеллектуальным трудом. Во-вторых, скорость внедрения технологий в разных сферах сильно отличается, и многим бизнесам до сих пор выгодно нанимать новичков.

Но в моих собственных проектах ситуация выглядит иначе. Раньше работала понятная бизнес-модель: берем джуна, помещаем его в выстроенную технологическую цепочку и даем понятные задачи по инструкциям. Сегодня в этой цепочке джун становится лишним звеном. Любую хорошо описанную технологию и функцию я лично могу закрыть с помощью ИИ быстрее и дешевле. Да, не все пока умеют так настраивать процессы, но в рамках моих проектов это уже факт. Я не отрицаю, что это порождает серьезные социальные вопросы, но с точки зрения эффективности выбор очевиден.

Показательный пример от лидеров рынка

Буквально на днях вышла публикация от компании Anthropic — людей, которые понимают в автоматизации интеллектуального труда лучше большинства в мире. Их прогноз прост: уже через год они перестанут нанимать джунов, а через два года начинающих специалистов в компании не останется вовсе. При этом общий найм разработчиков растет, но планка входа смещается стремительно. Это не чья-то прихоть, а объективный рыночный тренд.

× × ×

Как выживать джунам в новых условиях

Отсюда вытекает мой второй тезис: учиться теперь нужно в разы быстрее, и делать это стоит с помощью тех же нейросетей.

Ускорять обучение можно и без всякого ИИ — в методологии хватает рабочих практик. Беда в том, что большинство людей о них даже не слышали, а максимальное интеллектуальное усилие в жизни прикладывали разве что при подготовке к ЕГЭ. Но если соединить правильный подход с возможностями нейросетей, скорость освоения профессии вырастает кратно.

ИИ может мгновенно сгенерировать практический задачник из любого сложного материала или плавно погрузить вас в незнакомую тему с учетом вашего текущего контекста и уровня. Главное — задать верную методологию.

× × ×

Рынок бесповоротно изменился, и закрывать на это глаза бессмысленно. Выигрывают те специалисты, которые не спорят с реальностью, а используют искусственный интеллект, чтобы учиться быстрее рынка и сразу давать результат взрослого уровня.

🚀 Пределы профессионализма