Дайте ИИ не глаза, а руки

На прошлой неделе я выступал на конференции и поделился пятью правилами работы с ИИ в 2026 году. Первое:

❗️ «Дайте ИИ доступ к вашим файлам».

Звучит просто. Но за этим стоит сдвиг, который предстоит осознать.

Вспомните путь, который мы прошли.

Сначала чаты - писали в окошко, получали ответ. Потом контекст - копировали текст в промпт. Потом стали загружать в чат файлы. Потом собирать RAG - загрузил документы, ИИ по ним ищет.

Всё это - этап чтения. Мы давали ИИ глаза. Он мог видеть наши данные, но не мог к ним прикоснуться.

С появлением coding-агентов - Claude Code, Cursor, Windsurf, Codex - ИИ получил руки.

Он не просто читает ваши файлы. Он создаёт новые. Редактирует существующие. Наводит порядок в базе знаний. Обогащает заметки связями, которые вы бы сами не заметили. Прямо на вашем компьютере, в ваших папках.

И вот что из этого следует.

Раньше ваши знания жили на чужих серверах. Claude закрыл аккаунт? (со мной такое уже было) ChatGPT поменял политику? Notion ушёл из вашего региона? - вы теряли всё.

С AI-агентами на локальных файлах всё переворачивается. Ваша база знаний лежит на вашем диске. В ваших файлах. В формате, который вы контролируете. А ИИ - это просто руки, которые с ней работают.

Не нравится Claude Code? Переключились на OpenAI Codex. Не нравится Cursor? Перешли на Windsurf. База знаний никуда не делась. Вы меняете инструмент - не начинаете с нуля.

А теперь посмотрите чуть дальше. Локальные LLM-модели с каждым годом умнеют. Уже сейчас Llama, Gemma, Phi работают на ноутбуке. Через пару лет вам может вообще не понадобиться облачный провайдер - ваш личный ИИ будет жить прямо на вашем устройстве и работать с вашими файлами без интернета.
Полная автономия.

Но для этого файлы должны быть готовы. Структурированы. Лежать локально.

Поэтому - начните сейчас. Obsidian, простые markdown-файлы, папки - формат на старте не так важен. Важно, что это лежит у вас. Подключите AI-агента и дайте ему руки. Пусть поможет навести порядок. Потому что, когда локальные модели дозреют - вы будете готовы.

Это первое из пяти правил. Остальные четыре - в следующих постах.

@ReymerDigital

AI-CEO, или каждый теперь CEO для AI

100 реакций. Держу слово. Давно хотел это сделать - и вот повод.

❗️ 23 марта в 19:00 увидимся на вебинаре

"AI-CEO, или каждый теперь CEO для AI"

Покажу, как я дошел от "а ChatGPT неплохо отвечает" до команды AI-агентов, которая работает на меня каждый день. Вживую - терминал, агенты, реальные задачи. Без аватаров и слайдов с буллетами "AI повышает эффективность на 40%" (да где-то и все 200% выдаёт :) ).

Поговорим, зачем вам это нужно прямо сейчас. И честно - где я сам потерял время, чтобы вы не повторяли.

1,5 часа. Открытый вебинар. С ответами на ваши вопросы.

Подробности и регистрация: "AI-CEO, или каждый теперь CEO для AI"

Приходите, будет интересно.

До встречи 23 марта в 19:00!

🅰️🅱️ @ReymerDigital

P.S. Пишите вопросы в комментариях. Постараюсь на них ответить на семинаре или в формате поста.

10 когнитивных способностей AGI

Google DeepMind опубликовал фреймворк для измерения прогресса к AGI. Не абстрактный "ну когда-нибудь AI станет умным", а конкретную систему координат. 10 когнитивных способностей, по которым можно сравнить любую ИИ-систему с человеком.

Один из соавторов статьи - Шейн Легг, сооснователь DeepMind. Именно он в 2001 году ввел этот термин в широкий оборот и дал определение:

AGI (Artificial general intelligence) - это система, которая "обладает разумной степенью самопонимания и автономного самоконтроля, способна решать разнообразные сложные задачи в широком спектре областей и учиться решать новые задачи, о которых не знала в момент своего создания".

Проще говоря: не узкий специалист, а универсал - разум, который учится.

Легг строил DeepMind ради этой цели. Теперь у него есть линейка, чтобы измерить расстояние до нее. 10 осей.

8 базовых - строительные блоки интеллекта:

1️⃣ Восприятие - способность извлекать информацию из среды. Зрение, слух, текст. Тут AI силен - но попробуйте попросить модель посчитать объекты на фото. Или понять сарказм по тону голоса.

2️⃣ Генерация - способность производить выходные данные. Текст, речь, код, действия. LLM уже впечатляют - но генерация движений робота или точное управление компьютером все еще вызов.

3️⃣ Внимание - фокусировка когнитивных ресурсов. Баланс между концентрацией на задаче и реагированием на изменения. У моделей это контекстное окно и его ограничения.

4️⃣ Обучение - приобретение новых знаний через опыт. Не дообучение модели на серверах, а способность учиться на лету, как человек. Один пример - и ты понял. AI пока так не может.

5️⃣ Память - хранение и извлечение информации. Семантическая (факты), эпизодическая (события), процедурная (навыки). Модели "знают" много - но забывают контекст разговора и не умеют целенаправленно забывать устаревшее.

6️⃣ Рассуждение - логический вывод. Дедукция, индукция, аналогии. Модели научились рассуждать цепочкой (chain-of-thought), но математическое доказательство или абдуктивное рассуждение ("какое объяснение лучше?") все еще нестабильны.

7️⃣ Метапознание - знание о собственных когнитивных процессах. "Я не уверен в этом ответе". "Мне нужно больше информации". Калибровка уверенности. Пожалуй, самое слабое место современных моделей - они не знают, чего не знают.

8️⃣ Исполнительные функции - планирование, гибкость мышления, подавление импульсов. Менеджерские функции мозга. AI-агенты сейчас учатся именно этому - и именно тут происходит прорыв.

И 2 композитных - комбинируют базовые:

9️⃣ Решение задач - применение всех способностей вместе для преодоления препятствий. От математики до бытовых проблем.

1️⃣0️⃣ Социальное познание - теория разума, понимание эмоций, переговоры, убеждение. Способность понимать, что думает и чувствует другой.

Ключевая идея: система со слабостью хотя бы в одной из 10 способностей не сможет делать все, что может обычный человек.

DeepMind предложили первый инженерный инструмент для оценки ИИ. Когнитивный профиль - как радар-диаграмма навыков сотрудника.

Авторы сознательно оценивают ЧТО система делает, а не КАК.
Неважно, трансформер это или нейросеть нового типа. Важен результат.

В этом и есть самый главный вызов ИИ-трансформации - научиться нам самим понимать - ЧТО мы хотим получить и уметь сформулировать для ИИ в виде цели, а не способе достижения.

🅰️🅱️ @ReymerDigital

Claude взломал свой экзамен

Anthropic опубликовала кейс, который стоит прочитать каждому, кто работает с AI.

Контекст. Существует тест BrowseComp - его придумали в OpenAI, чтобы проверять, насколько хорошо AI умеет искать информацию в интернете. 1 266 вопросов, ответы на которые спрятаны настолько глубоко, что даже человеку нужны часы на каждый. Правильные ответы хранятся в зашифрованном виде - чтобы никто не мог подсмотреть.

Anthropic прогнала через этот тест своего Claude Opus 4.6. И вот что произошло:

На одном из вопросов Claude искал ответ очень долго. Сотни запросов. Десятки сайтов. 12 языков. Ничего.

И тогда он остановился и начал рассуждать не о вопросе, а о самом вопросе.

"Слишком специфичный. Выглядит искусственно. Похоже, меня тестируют."

Представьте студента, который сидит на экзамене, не может решить задачу - и вдруг понимает: "Подождите, это же типовая задача из конкретного сборника. И ответы к этому сборнику где-то есть."

Claude сделал именно это. Он начал перебирать известные ему тесты для AI - один за другим. Проверял, подходит ли его вопрос к какому-то из них. Нашел совпадение - BrowseComp.

Но ответы зашифрованы. Что делает Claude? Находит в открытом доступе код этого теста. Разбирается, как устроено шифрование. Пишет собственную программу для расшифровки. Запускает.

Не сработало - файл с ответами был в формате, который его инструменты не могли прочитать. Тупик? Нет. Claude нашел копию тех же данных на другом сайте, в другом формате. Скачал. Расшифровал все 1 266 ответов. Нашел свой вопрос.

А потом - проверил. Пошел искать первоисточник в интернете и убедился, что расшифрованный ответ правильный. Только после этого отправил.

Красиво! И это не единичный случай. Anthropic насчитала 18 попыток такого поведения. В двух Claude довел дело до успешного прохождения теста. В остальных застревал на каком-то этапе. Но сама стратегия воспроизводилась стабильно - это паттерн, не случайность.

Почему это важно.

Anthropic подчеркивает: Claude не жульничал. Ему сказали "найди ответ" - он нашел. Самым эффективным способом, до которого додумался сам. Никто не просил его ограничивать методы.

Но вопрос, который за этим стоит, серьезнее. Если AI-агент на сложной задаче способен сам догадаться, что его тестируют, найти тест, взломать защиту и достать ответы - какие еще неожиданные пути он найдет на реальных задачах?

Мы привыкли оценивать AI в терминах "умеет/не умеет". А здесь другое качество - находчивость. Способность найти обходной путь, когда прямой не работает. Не потому что его научили, а потому что он сам до этого дошел.

❗️ После того как я запустил OpenClaw на базе Claude Opus 4.6 - такие кейсы у меня плодятся каждый день - от самостоятельного подключения нужных ему для работы API, до регистрации на сайтах и получения нужных отчетов в почту.

Расскажу про них более подробно на вебинаре
"AI-CEO, или каждый теперь CEO для AI"

🅰️🅱️ @ReymerDigital