Какие инструменты конкурентного анализа нам нужны?📝
Поговорим про инструменты конкурентного анализа — от классики до тех, про которые часто забывают.
🎯 SWOT — самый популярный инструмент
⬜️ 4 квадрата: Strengths, Weaknesses, Opportunities, Threats.
Выглядит просто — и именно поэтому его так часто делают неправильно.
Типичная ошибка: люди заполняют SWOT как список добрых пожеланий:
«Сильная команда» — это не сила. Это наше видение себя.
«Высокая конкуренция» — это не угроза. Это просто факт рынка.
SWOT работает только тогда, когда каждый пункт конкретен, измерим и противопоставлен конкуренту.
☑️ Правильно: «Время внедрения нашего продукта — 2 недели, у лидера рынка — 3 месяца»
❌ Неправильно: «Быстрый onboarding»
⚔️ 5 сил Портера — дедушка, которого недооценивают
Майкл Портер придумал эту модель в 1979 году. С тех пор её включили в программу каждой бизнес-школы — и именно поэтому её перестали воспринимать серьёзно.
Зря.
Модель анализирует 5 источников давления на вашу прибыль:
1. Угроза новых игроков — насколько легко кому-то зайти на ваш рынок?
2. Рыночная власть поставщиков — могут ли они диктовать условия?
3. Рыночная власть покупателей — могут ли клиенты продавить цену?
4. Угроза субститутов — что заменит ваш продукт через 3 года?
5. Конкуренция внутри отрасли — насколько агрессивна борьба?
Кейс: в 2010-х таксопарки не беспокоились об Uber — ведь у новичка не было ни автопарка, ни лицензий. По классическому барьеру входа угрозы не было. Но субститут появился не с другой лицензией — он появился с другой бизнес-моделью. Те, кто применял Портера правильно и смотрел на 4-ю силу, это увидели заранее.
🗺️ Карта позиционирования — картинка, которая стоит тысячи слов
Берёте два ключевых параметра, важных для вашего рынка (например, цена и скорость, или качество и простота), рисуете оси и расставляете всех игроков по координатам.
Результат: мгновенно видны «незанятые зоны» — белые пятна, куда никто не пришёл.
Именно так в своё время появился Slack. Все корпоративные мессенджеры были либо сложными и функциональными, либо простыми и бесполезными. Slack занял квадрант «просто И функционально» — и за год стал единорогом.
📊 Бенчмаркинг — когда нужны не гипотезы, а цифры
Бенчмаркинг — это сравнение конкретных метрик вашего бизнеса с лучшими в классе.
Не «у них красивый сайт», а:
— Конверсия landing page: у вас 1,8%, у лидера отрасли 4,2%
— Время ответа поддержки: у вас 6 часов, норма по рынку — 2 часа
— NPS: у вас 34, у конкурента 61
Когда видишь такую таблицу — сразу понятно, над чем работать в первую очередь.
🌿 PEST(EL) — для тех, кто думает на 3 года вперёд
Пока конкуренты смотрят друг на друга, умные смотрят на горизонт.
PESTEL анализирует внешнюю среду по 6 факторам:
— Political (политика)
— Economic (экономика)
— Social (общество)
— Technological (технологии)
— Environmental (экология)
— Legal (право)
Кейс: компании, которые в 2019 году делали PESTEL и честно смотрели на фактор угрозы (рост LLM, GPT-2 уже вышел), успели переориентировать продукты до того, как ChatGPT взорвал рынок в 2022-м.
📍Как выбрать нужный инструмент?
Всё зависит от вопроса, на который вы ищете ответ:
Где мы сильны, где слабы? -> SWOT
Насколько привлекателен рынок? -> 5 сил Портера
Где незанятая ниша? -> Карта позиционирования
Где отстаём в цифрах? -> Бенчмаркинг
Что изменится на рынке через 3 года? -> PESTEL
Ошибка большинства — выбирать инструмент по принципу «что мы умеем», а не «что нам нужно знать». Главное правило: любой из этих инструментов — это не документ для презентации. Это способ задать правильный вопрос и получить ответ, который изменит решение.
Если на выходе из анализа у вас нет чёткого «мы делаем X вместо Y, потому что Z», то работу надо начать с начала.
#конкурентныйанализ #стратегия #анализрынка #SWOT #Портер #позиционирование #продуктоваястратегия #бизнесаналитика #маркетинг #управление
Поговорим про инструменты конкурентного анализа — от классики до тех, про которые часто забывают.
🎯 SWOT — самый популярный инструмент
⬜️ 4 квадрата: Strengths, Weaknesses, Opportunities, Threats.
Выглядит просто — и именно поэтому его так часто делают неправильно.
Типичная ошибка: люди заполняют SWOT как список добрых пожеланий:
«Сильная команда» — это не сила. Это наше видение себя.
«Высокая конкуренция» — это не угроза. Это просто факт рынка.
SWOT работает только тогда, когда каждый пункт конкретен, измерим и противопоставлен конкуренту.
☑️ Правильно: «Время внедрения нашего продукта — 2 недели, у лидера рынка — 3 месяца»
❌ Неправильно: «Быстрый onboarding»
⚔️ 5 сил Портера — дедушка, которого недооценивают
Майкл Портер придумал эту модель в 1979 году. С тех пор её включили в программу каждой бизнес-школы — и именно поэтому её перестали воспринимать серьёзно.
Зря.
Модель анализирует 5 источников давления на вашу прибыль:
1. Угроза новых игроков — насколько легко кому-то зайти на ваш рынок?
2. Рыночная власть поставщиков — могут ли они диктовать условия?
3. Рыночная власть покупателей — могут ли клиенты продавить цену?
4. Угроза субститутов — что заменит ваш продукт через 3 года?
5. Конкуренция внутри отрасли — насколько агрессивна борьба?
Кейс: в 2010-х таксопарки не беспокоились об Uber — ведь у новичка не было ни автопарка, ни лицензий. По классическому барьеру входа угрозы не было. Но субститут появился не с другой лицензией — он появился с другой бизнес-моделью. Те, кто применял Портера правильно и смотрел на 4-ю силу, это увидели заранее.
🗺️ Карта позиционирования — картинка, которая стоит тысячи слов
Берёте два ключевых параметра, важных для вашего рынка (например, цена и скорость, или качество и простота), рисуете оси и расставляете всех игроков по координатам.
Результат: мгновенно видны «незанятые зоны» — белые пятна, куда никто не пришёл.
Именно так в своё время появился Slack. Все корпоративные мессенджеры были либо сложными и функциональными, либо простыми и бесполезными. Slack занял квадрант «просто И функционально» — и за год стал единорогом.
📊 Бенчмаркинг — когда нужны не гипотезы, а цифры
Бенчмаркинг — это сравнение конкретных метрик вашего бизнеса с лучшими в классе.
Не «у них красивый сайт», а:
— Конверсия landing page: у вас 1,8%, у лидера отрасли 4,2%
— Время ответа поддержки: у вас 6 часов, норма по рынку — 2 часа
— NPS: у вас 34, у конкурента 61
Когда видишь такую таблицу — сразу понятно, над чем работать в первую очередь.
🌿 PEST(EL) — для тех, кто думает на 3 года вперёд
Пока конкуренты смотрят друг на друга, умные смотрят на горизонт.
PESTEL анализирует внешнюю среду по 6 факторам:
— Political (политика)
— Economic (экономика)
— Social (общество)
— Technological (технологии)
— Environmental (экология)
— Legal (право)
Кейс: компании, которые в 2019 году делали PESTEL и честно смотрели на фактор угрозы (рост LLM, GPT-2 уже вышел), успели переориентировать продукты до того, как ChatGPT взорвал рынок в 2022-м.
📍Как выбрать нужный инструмент?
Всё зависит от вопроса, на который вы ищете ответ:
Где мы сильны, где слабы? -> SWOT
Насколько привлекателен рынок? -> 5 сил Портера
Где незанятая ниша? -> Карта позиционирования
Где отстаём в цифрах? -> Бенчмаркинг
Что изменится на рынке через 3 года? -> PESTEL
Ошибка большинства — выбирать инструмент по принципу «что мы умеем», а не «что нам нужно знать». Главное правило: любой из этих инструментов — это не документ для презентации. Это способ задать правильный вопрос и получить ответ, который изменит решение.
Если на выходе из анализа у вас нет чёткого «мы делаем X вместо Y, потому что Z», то работу надо начать с начала.
#конкурентныйанализ #стратегия #анализрынка #SWOT #Портер #позиционирование #продуктоваястратегия #бизнесаналитика #маркетинг #управление
Успешный выход на рынок: что нужно знать о GTM-стратегии.🌟
По данным 35% tech-компаний называют «отсутствие спроса» причиной провала новых проектов.
Считается, что проблема в продукте. Однако, если копнуть глубже, почти всегда обнаруживается другое: спрос был — компания просто вышла к нему не с той стороны.
📍Это и есть территория GTM-стратегии: не маркетинг-плана и не «активностей по продвижению», а системы из шести связанных решений:
🔹 Кому именно вы продаёте?
«Наш продукт подходит всем»😅
Широкий таргетинг размывает продажи: каждый сегмент требует своих кейсов, своего языка. Профиль идеального клиента (ICP) — это не про демографию, а про того, кто купит быстрее, внедрит проще и принесёт больше ценности при наименьших затратах на сопровождение.
🔹Что меняется у клиента?
«Система автоматизации закупок с модулем аналитики» — это описание продукта.
«Цикл закупки с 14 до 5 дней, стоимость заявки минус 40%» — это ценностное предложение. Первое заставляет покупателя додумывать. Второе наглядно показвает, какие боли решение способно закрыть.
🔹 Через какой канал?
Не «какой канал лучше», а «какой канал соответствует нашему ICP и нашей стадии развития». Стартап с продуктом стоимостью 100 тысяч рублей в год не может позволить себе полевых продажников. Компания с продуктом за 10 миллионов не может рассчитывать только на входящий трафик.
🔹 Какая модель цены?
Здесь важно учитывать параметры клиента: сегмент, потребность, ценность решения, эластичность спроса, объем закупки, стоимость привлечения и долгосрочный потенциал. Именно на стыке этих факторов формируется цена, которая одновременно воспринимается клиентом как обоснованная и остается выгодной для бизнеса.
🔹 Как устроена воронка?
Управление воронкой — это управление информацией. Клиент должен получать нужный контент в нужный момент: на этапе осознания проблемы ему нужна аналитика и кейсы, на этапе оценки решений — сравнительные материалы и технические детали, на этапе обоснования — ROI-калькуляторы и референции.
🔹 Пилот или полный запуск?
Бесплатный пилот снижает вовлеченность клиента. Парадоксально, но платный пилот — даже символический — создает у клиента больше обязательств и мотивации к работе с результатом.
И самое важное: последовательность🤌
Компании нанимают большую команду продаж до того, как нашли воспроизводимую модель. Запускают кампании до того, как проверили ценностное предложение. Инвестируют в партнёров до того, как научились продавать напрямую.
GTM — это живая система, которая обновляется по мере обратной связи. Выигрывают не те, у кого лучший план, а те, кто быстрее учится.🌿
#стратегия #анализрынка #GTM #ICP
По данным 35% tech-компаний называют «отсутствие спроса» причиной провала новых проектов.
Считается, что проблема в продукте. Однако, если копнуть глубже, почти всегда обнаруживается другое: спрос был — компания просто вышла к нему не с той стороны.
📍Это и есть территория GTM-стратегии: не маркетинг-плана и не «активностей по продвижению», а системы из шести связанных решений:
🔹 Кому именно вы продаёте?
«Наш продукт подходит всем»
Широкий таргетинг размывает продажи: каждый сегмент требует своих кейсов, своего языка. Профиль идеального клиента (ICP) — это не про демографию, а про того, кто купит быстрее, внедрит проще и принесёт больше ценности при наименьших затратах на сопровождение.
🔹Что меняется у клиента?
«Система автоматизации закупок с модулем аналитики» — это описание продукта.
«Цикл закупки с 14 до 5 дней, стоимость заявки минус 40%» — это ценностное предложение. Первое заставляет покупателя додумывать. Второе наглядно показвает, какие боли решение способно закрыть.
🔹 Через какой канал?
Не «какой канал лучше», а «какой канал соответствует нашему ICP и нашей стадии развития». Стартап с продуктом стоимостью 100 тысяч рублей в год не может позволить себе полевых продажников. Компания с продуктом за 10 миллионов не может рассчитывать только на входящий трафик.
🔹 Какая модель цены?
Здесь важно учитывать параметры клиента: сегмент, потребность, ценность решения, эластичность спроса, объем закупки, стоимость привлечения и долгосрочный потенциал. Именно на стыке этих факторов формируется цена, которая одновременно воспринимается клиентом как обоснованная и остается выгодной для бизнеса.
🔹 Как устроена воронка?
Управление воронкой — это управление информацией. Клиент должен получать нужный контент в нужный момент: на этапе осознания проблемы ему нужна аналитика и кейсы, на этапе оценки решений — сравнительные материалы и технические детали, на этапе обоснования — ROI-калькуляторы и референции.
🔹 Пилот или полный запуск?
Бесплатный пилот снижает вовлеченность клиента. Парадоксально, но платный пилот — даже символический — создает у клиента больше обязательств и мотивации к работе с результатом.
И самое важное: последовательность🤌
Компании нанимают большую команду продаж до того, как нашли воспроизводимую модель. Запускают кампании до того, как проверили ценностное предложение. Инвестируют в партнёров до того, как научились продавать напрямую.
GTM — это живая система, которая обновляется по мере обратной связи. Выигрывают не те, у кого лучший план, а те, кто быстрее учится.🌿
#стратегия #анализрынка #GTM #ICP
Please open Telegram to view this post
VIEW IN TELEGRAM
Парадокс искусственного интеллекта в современном бизнесе😉
Ну не могли мы обойти эту тему стороной 😅
ИИ в бизнесе часто дает странный эффект: по отчетам все отлично, пилот успешный, пользователи довольны, метрики растут. А в прибыли тишина или результат сильно ниже ожиданий📉
❗️Проблема обычно не в алгоритмах: ИИ улучшает отдельные кусочки процесса, а деньги появляются только когда растет производительность всей системы.
Если заранее не определить, что считать успехом и где реальное ограничение, ИИ начнет оптимизировать только метрики, а не то, что влияет на результат.
Отсюда типовые провалы:
🔹запускают проект без экономической цели
🔹накладывают ИИ поверх неэффективных процессов или улучшают не узкое место
🔹упираются в ограничения по данным и инфраструктуре
🔹сталкиваются с сопротивлением сотрудников
Так получается рост задач при ограниченной команде, иногда проект полностью уходит в IT и теряет связь с бизнесом.
📍В данной ситуации первым делом нужно обратиться ТОС (теория ограничений).
Компанию всегда тормозит одно главное узкое место. Пока вы не ударили по нему, любые улучшения вокруг дают красивую отчетность, но слабый эффект на деньги.
Если коротко: ИИ дает деньги не там, где “красивее метрики”, а там, где мешает ограничение.
#ии #тос #автоматизация
Ну не могли мы обойти эту тему стороной 😅
ИИ в бизнесе часто дает странный эффект: по отчетам все отлично, пилот успешный, пользователи довольны, метрики растут. А в прибыли тишина или результат сильно ниже ожиданий
❗️Проблема обычно не в алгоритмах: ИИ улучшает отдельные кусочки процесса, а деньги появляются только когда растет производительность всей системы.
Если заранее не определить, что считать успехом и где реальное ограничение, ИИ начнет оптимизировать только метрики, а не то, что влияет на результат.
Отсюда типовые провалы:
🔹запускают проект без экономической цели
🔹накладывают ИИ поверх неэффективных процессов или улучшают не узкое место
🔹упираются в ограничения по данным и инфраструктуре
🔹сталкиваются с сопротивлением сотрудников
Так получается рост задач при ограниченной команде, иногда проект полностью уходит в IT и теряет связь с бизнесом.
📍В данной ситуации первым делом нужно обратиться ТОС (теория ограничений).
Компанию всегда тормозит одно главное узкое место. Пока вы не ударили по нему, любые улучшения вокруг дают красивую отчетность, но слабый эффект на деньги.
Если коротко: ИИ дает деньги не там, где “красивее метрики”, а там, где мешает ограничение.
#ии #тос #автоматизация
Please open Telegram to view this post
VIEW IN TELEGRAM
➡️ Теория ограничений ⬅️ звучит как что-то из учебника, но на деле это одна из самых практичных идей для работы и жизни.
📍Суть: почти в любой системе есть одно узкое место, которое тормозит все остальное.
Представьте бутылку: неважно, насколько широкая она снизу и сверху, воду все равно пропустит только самое узкое горлышко.🍾
Можно бесконечно нанимать людей, покупать новый софт, ускорять второстепенные процессы или проводить созвоны. Но если главный затык не найден, система быстрее не станет. В бизнесе это выглядит так:
🔻 в продажах много лидов, но отдел не успевает их обрабатывать
🔻 в разработке сильная команда, но релизы стопорятся на согласованиях
🔻на производстве все работает, кроме одного станка
🔻в личной работе ты вроде занят весь день, но главный проект стоит, потому что решения принимаются слишком медленно
🔎Теория ограничений предлагает не «улучшать все подряд», а сделать 5 шагов:
1. Найти ограничение
Что реально тормозит результат?
2. Выжать максимум из текущего ограничения
До того как вкладываться в новое, стоит понять: а мы вообще используем это место эффективно?
3. Подчинить систему ограничению
Если узкое место не успевает, нет смысла разгонять все остальное. Это только создает хаос, очереди и стресс.
4. Усилить ограничение
Автоматизировать, нанять, перераспределить, упростить, убрать лишнее.
5. Проверить, не переехало ли ограничение в другое место
Потому что после улучшений узким местом часто становится уже другой участок.
🌟Проблема часто не в том, что мы мало работаем, а в том, что мы улучшаем не то🌟
#управление #стратегия #ТОС
📍Суть: почти в любой системе есть одно узкое место, которое тормозит все остальное.
Представьте бутылку: неважно, насколько широкая она снизу и сверху, воду все равно пропустит только самое узкое горлышко.
Можно бесконечно нанимать людей, покупать новый софт, ускорять второстепенные процессы или проводить созвоны. Но если главный затык не найден, система быстрее не станет. В бизнесе это выглядит так:
🔻 в продажах много лидов, но отдел не успевает их обрабатывать
🔻 в разработке сильная команда, но релизы стопорятся на согласованиях
🔻на производстве все работает, кроме одного станка
🔻в личной работе ты вроде занят весь день, но главный проект стоит, потому что решения принимаются слишком медленно
🔎Теория ограничений предлагает не «улучшать все подряд», а сделать 5 шагов:
1. Найти ограничение
Что реально тормозит результат?
2. Выжать максимум из текущего ограничения
До того как вкладываться в новое, стоит понять: а мы вообще используем это место эффективно?
3. Подчинить систему ограничению
Если узкое место не успевает, нет смысла разгонять все остальное. Это только создает хаос, очереди и стресс.
4. Усилить ограничение
Автоматизировать, нанять, перераспределить, упростить, убрать лишнее.
5. Проверить, не переехало ли ограничение в другое место
Потому что после улучшений узким местом часто становится уже другой участок.
🌟Проблема часто не в том, что мы мало работаем, а в том, что мы улучшаем не то🌟
#управление #стратегия #ТОС
Please open Telegram to view this post
VIEW IN TELEGRAM
Где применяется теория ограничений, расскажем на примерах🔎
🏭 Производство
Представьте конвейер. Один станок работает медленнее всех — и именно он определяет скорость всей линии. ТОС говорит: не надо ускорять всё подряд. Настройте работу всего цеха под ритм этого «узкого места». Подстрахуйте его от простоев. Не закидывайте его лишними заготовками.
Итог: выпуск растёт, а новое оборудование покупать не нужно.
📋 Проекты
Частая история: каждый участник проекта закладывает себе «запас по времени» на всякий случай. В итоге все сидят на своих запасах, а проект всё равно опаздывает.
Какие бывают буферы (запасы):
🔸Проектный буфер
Это общий запас времени в конце проекта. Он нужен, чтобы защитить срок сдачи всего проекта, если какие-то задачи задержатся.
🔸Питающие буферы
Они ставятся там, где в главную цепочку проекта вливаются другие, не самые главные задачи.
если второстепенная задача задержится, она не должна сорвать главный путь проекта.
🔸Буфер ресурсов
Это не запас времени как таковой, а скорее напоминание и подготовка нужных людей или ресурсов заранее. Например, если через 3 дня нужен редкий специалист, его нельзя вспоминать в последний момент.
🎯ТОС предлагает убрать эти индивидуальные «подушки безопасности» и собрать из них общий буфер на весь проект.
📦 Склад и запасы
Большинство компаний заказывают товар по прогнозу: «Мы думаем, что продадим столько-то». А потом — либо склад забит, либо нужного товара нет.
ТОС переворачивает логику: пополняй запас по факту — продал, значит, закупи. Просто, но работает: запасы падают на 20–40%, а нужный товар оказывается в наличии гораздо чаще.
📈 Продажи
У любой воронки продаж есть этап, где «отваливается» больше всего клиентов. ТОС говорит: найди именно этот этап и чини его первым. Не надо равномерно улучшать всё — сфокусируйся на том, что тормозит сильнее всего.
🔮Общий принцип один: найди узкое место, сосредоточь на нём усилия, не распыляйся.
#ТОС #управление
🏭 Производство
Представьте конвейер. Один станок работает медленнее всех — и именно он определяет скорость всей линии. ТОС говорит: не надо ускорять всё подряд. Настройте работу всего цеха под ритм этого «узкого места». Подстрахуйте его от простоев. Не закидывайте его лишними заготовками.
Итог: выпуск растёт, а новое оборудование покупать не нужно.
📋 Проекты
Частая история: каждый участник проекта закладывает себе «запас по времени» на всякий случай. В итоге все сидят на своих запасах, а проект всё равно опаздывает.
Какие бывают буферы (запасы):
🔸Проектный буфер
Это общий запас времени в конце проекта. Он нужен, чтобы защитить срок сдачи всего проекта, если какие-то задачи задержатся.
🔸Питающие буферы
Они ставятся там, где в главную цепочку проекта вливаются другие, не самые главные задачи.
если второстепенная задача задержится, она не должна сорвать главный путь проекта.
🔸Буфер ресурсов
Это не запас времени как таковой, а скорее напоминание и подготовка нужных людей или ресурсов заранее. Например, если через 3 дня нужен редкий специалист, его нельзя вспоминать в последний момент.
🎯ТОС предлагает убрать эти индивидуальные «подушки безопасности» и собрать из них общий буфер на весь проект.
📦 Склад и запасы
Большинство компаний заказывают товар по прогнозу: «Мы думаем, что продадим столько-то». А потом — либо склад забит, либо нужного товара нет.
ТОС переворачивает логику: пополняй запас по факту — продал, значит, закупи. Просто, но работает: запасы падают на 20–40%, а нужный товар оказывается в наличии гораздо чаще.
📈 Продажи
У любой воронки продаж есть этап, где «отваливается» больше всего клиентов. ТОС говорит: найди именно этот этап и чини его первым. Не надо равномерно улучшать всё — сфокусируйся на том, что тормозит сильнее всего.
🔮Общий принцип один: найди узкое место, сосредоточь на нём усилия, не распыляйся.
#ТОС #управление
🔥1
В прошлом посте мы рассказывали про применение теории ограничений в работе и бизнесе. Сегодня попробуем адаптировать ее под обычную жизнь🪥
Шаг 1. Найти ограничение. 🔎
Честно ответьте: что именно не даёт вам сдвинуться? Не «мне нужно больше мотивации». А конкретно. «Я трачу 3 часа в день на задачи, которые мог бы отдать ассистенту». Или: «Я не начинаю проект, потому что боюсь провала».
Ограничение — это не то, что неприятно. Это то, что реально стоит на пути.🧱
Шаг 2. Выжать максимум из ограничения.
Не ломать систему, не перестраивать жизнь — а сначала использовать то, что есть. Мало времени? Не ищите лишний час — разберитесь, куда утекают текущие часы. Мало энергии? Не вставайте в 5 утра насильно — уберите то, что энергию сжирает.
Это вопрос ума, а не силы воли.💬
Шаг 3. Подчинить всё остальное ограничению.
Вот тут начинается неудобное. Если ваше узкое место — глубокая работа по 2 часа в день, то встречи, чаты и «быстренько ответить» должны подстроиться под эти два часа, а не наоборот. Жизнь вокруг ограничения, а не ограничение — между делами.🕹
Шаг 4. Расширить ограничение.
Только теперь, когда вы выжали из ситуации всё без дополнительных вложений — можно вкладываться. Нанять помощника. Пройти курс. Поменять работу. Переехать.
Это дорогие решения, и они имеют смысл только после первых трёх шагов.📍
Шаг 5. Вернуться к шагу 1.
Когда одно ограничение снято — появляется новое. Это не баг, это фича. Жизнь — это не «починить и забыть», а итерационный процесс. Каждый цикл — вы чуть быстрее, чуть свободнее, чуть ближе к тому, что важно.🔄
📍Главная ловушка — инерция. Мы привыкаем к решениям, которые были правильными вчера, и продолжаем жить по ним, когда ограничение уже сместилось.
Шаг 1. Найти ограничение. 🔎
Честно ответьте: что именно не даёт вам сдвинуться? Не «мне нужно больше мотивации». А конкретно. «Я трачу 3 часа в день на задачи, которые мог бы отдать ассистенту». Или: «Я не начинаю проект, потому что боюсь провала».
Ограничение — это не то, что неприятно. Это то, что реально стоит на пути.🧱
Шаг 2. Выжать максимум из ограничения.
Не ломать систему, не перестраивать жизнь — а сначала использовать то, что есть. Мало времени? Не ищите лишний час — разберитесь, куда утекают текущие часы. Мало энергии? Не вставайте в 5 утра насильно — уберите то, что энергию сжирает.
Это вопрос ума, а не силы воли.
Шаг 3. Подчинить всё остальное ограничению.
Вот тут начинается неудобное. Если ваше узкое место — глубокая работа по 2 часа в день, то встречи, чаты и «быстренько ответить» должны подстроиться под эти два часа, а не наоборот. Жизнь вокруг ограничения, а не ограничение — между делами.🕹
Шаг 4. Расширить ограничение.
Только теперь, когда вы выжали из ситуации всё без дополнительных вложений — можно вкладываться. Нанять помощника. Пройти курс. Поменять работу. Переехать.
Это дорогие решения, и они имеют смысл только после первых трёх шагов.📍
Шаг 5. Вернуться к шагу 1.
Когда одно ограничение снято — появляется новое. Это не баг, это фича. Жизнь — это не «починить и забыть», а итерационный процесс. Каждый цикл — вы чуть быстрее, чуть свободнее, чуть ближе к тому, что важно.🔄
📍Главная ловушка — инерция. Мы привыкаем к решениям, которые были правильными вчера, и продолжаем жить по ним, когда ограничение уже сместилось.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Почему на «оцифрованном» заводе планируют в Excel?🛠
Однажды делали проект, целью которого было выявить спрос к на IT платформу в промышленной отрасли. В процессе столкнулись с ситуацией: завод покупает дорогие датчики, подключает IoT-платформу, однако данные хранятся и анализируются в двух Excel табличках, начальник смены там же планирует производство 📝
Проблема в том, что оптимизация на производстве часто начинается не с того конца:
вендоры продают «единую платформу, которая объединит всё»🔮
На практике на заводе стоят станки разных лет, от разных производителей, с разными протоколами связи. Интегрировать их — дороже, чем сами датчики, и занимает в 2–3 раза больше времени, чем обещали в коммерческом предложении.
🤌 При этом настоящая ценность часто скрыта в другом:
завод, который раньше вообще не знал, сколько часов в месяц простаивает каждый станок, — после установки простых датчиков начинает это видеть. Без всяких нейросетей и ML-моделей. Просто данные, которых раньше не было.📊
📍И вот здесь начинается настоящая оптимизация.📈
Не с покупки технологий, а с вопроса: какое конкретное решение мы будем принимать иначе, когда у нас появятся эти данные? Что конкретно измеряется до и после?
🪄И если ответ «эффективность» и «оцифровка процессов», а не показатель с единицами измерения, то даже самый дорогой инструмент не будет работать.
#управление #стратегия #ТОС #автоматизация #производство
Однажды делали проект, целью которого было выявить спрос к на IT платформу в промышленной отрасли. В процессе столкнулись с ситуацией: завод покупает дорогие датчики, подключает IoT-платформу, однако данные хранятся и анализируются в двух Excel табличках, начальник смены там же планирует производство 📝
Проблема в том, что оптимизация на производстве часто начинается не с того конца:
вендоры продают «единую платформу, которая объединит всё»🔮
На практике на заводе стоят станки разных лет, от разных производителей, с разными протоколами связи. Интегрировать их — дороже, чем сами датчики, и занимает в 2–3 раза больше времени, чем обещали в коммерческом предложении.
завод, который раньше вообще не знал, сколько часов в месяц простаивает каждый станок, — после установки простых датчиков начинает это видеть. Без всяких нейросетей и ML-моделей. Просто данные, которых раньше не было.
📍И вот здесь начинается настоящая оптимизация.
Не с покупки технологий, а с вопроса: какое конкретное решение мы будем принимать иначе, когда у нас появятся эти данные? Что конкретно измеряется до и после?
🪄И если ответ «эффективность» и «оцифровка процессов», а не показатель с единицами измерения, то даже самый дорогой инструмент не будет работать.
#управление #стратегия #ТОС #автоматизация #производство
Please open Telegram to view this post
VIEW IN TELEGRAM
Чем ИИ может помочь аналитику?😉
ИИ используют в основном не как ускоритель работы.
➡️Он уже неплохо помогает:
разбирать тексты, искать паттерны, делать черновики SQL и Python, собирать первые гипотезы, суммировать документы, готовить основу для отчетов и презентаций.
🖇️То есть хорошо снимает часть рутины и ускоряет первый проход по задаче.
Полноценно взять на себя задачи аналитика ИИ пока не может.
📍У него нет живого контекста компании: он не знает, каким данным реально можно доверять, где метрики исторически искажены, где процесс существует только "на словах", а где вывод может быть формально красивым, но бесполезным для бизнеса.
Главная проблема даже не в том, что ИИ ошибается. А в том, что он может ошибаться очень убедительно, при этом он не несет за это никакой ответственности.
💫Поэтому сегодня самая рабочая модель: ИИ рядом с аналитиком помогает быстрее собирать, проверять и оформлять, но ответственность за смысл, выводы и решения все еще остается у человека.✨
Более детально описали пользу ML в аналитике здесь➡️ https://clck.ru/3SSBJ5
#ии #автоматизация
ИИ используют в основном не как ускоритель работы.
➡️Он уже неплохо помогает:
разбирать тексты, искать паттерны, делать черновики SQL и Python, собирать первые гипотезы, суммировать документы, готовить основу для отчетов и презентаций.
🖇️То есть хорошо снимает часть рутины и ускоряет первый проход по задаче.
Полноценно взять на себя задачи аналитика ИИ пока не может.
📍У него нет живого контекста компании: он не знает, каким данным реально можно доверять, где метрики исторически искажены, где процесс существует только "на словах", а где вывод может быть формально красивым, но бесполезным для бизнеса.
Главная проблема даже не в том, что ИИ ошибается. А в том, что он может ошибаться очень убедительно, при этом он не несет за это никакой ответственности.
💫Поэтому сегодня самая рабочая модель: ИИ рядом с аналитиком помогает быстрее собирать, проверять и оформлять, но ответственность за смысл, выводы и решения все еще остается у человека.
Более детально описали пользу ML в аналитике здесь➡️ https://clck.ru/3SSBJ5
#ии #автоматизация
Please open Telegram to view this post
VIEW IN TELEGRAM
tesstech.ru
ML в маркетинговых исследованиях: реальная польза или хайп - Tess Technology
Сегодня у нас будет урок истории 👨🏫, ведь не зная прошлого, нельзя судить о настоящем)
🌟Итак, как человечество научило машины думать и чего нам от этого ждать?
🎞 1936 год. 24-летний Алан Тьюринг описывает воображаемое устройство — «машину Тьюринга». Это просто лента с символами и набор правил, которая доказала, что одна универсальная машина может решить любую вычислимую задачу. Так появилась идея, положившая начало нашим компьютерам.
📽 Спустя 14 лет, в 1950-м, Тьюринг продолжает задаваться вопросм: «Могут ли машины мыслить?» И вместо философского спора предлагает конкретный тест — если в переписке не отличишь машину от человека, считай, мыслит.
🎥 Первые попытки:
1951 — Кристофер Стрейчи пишет первую ИИ-программу. Она играет в шашки. Не блестяще, но играет.
1956 — на конференции в Дартмуте рождается сам термин «искусственный интеллект». Учёные уверены: лет за двадцать проблему решим. Спойлер: не решили.
1966 — появляется ELIZA. Чат-бот, притворяющийся психотерапевтом. Всё, что она умела — переформулировать ваши фразы в вопросы. Но люди плакали ей в «жилетку» и верили, что их слышат.
Дальше — «зимы ИИ». Деньги кончились, обещания не сбылись, интерес угас. Дважды — в 70-х и в конце 80-х — область едва не похоронили.
📹 Пока мейнстрим разочаровывался, нейронные сети медленно эволюционировали:
в 1997-м Deep Blue обыграл Каспарова — но грубой силой, просчитывая 200 миллионов ходов в секунду. Это впечатляло, но к настоящему интеллекту имело мало отношения.
Настоящий перелом — 2012 год. Нейросеть AlexNet побеждает на конкурсе распознавания изображений с огромным отрывом.
📍Мир понимает: глубокое обучение работает.
📷 2017 — Google публикует архитектуру Transformer (статья «Attention Is All You Need»). Эта идея — механизм «внимания», позволяющий модели учитывать контекст целиком — станет основой всех современных языковых моделей.
2022–2026: гонка корпораций💰💰💰
📸 Ноябрь 2022 — ChatGPT. ИИ впервые приходит к массовому пользователю. 100 миллионов пользователей за два месяца. Мир раскололся на тех, кто в восторге, и тех, кто не понимает, что с этим делать.
А дальше.. GPT-4, Claude, Gemini, DeepSeek, Llama, Qwen. Каждые несколько месяцев — новое поколение. Модели учатся рассуждать пошагово, писать код, работать с изображениями и видео. Open-source сообщество наступает на пятки корпорациям: модели с открытым кодом показывают результаты на уровне закрытых.
Планы: что будет дальше?🔮
➡️ OpenAI ставит цель:
к сентябрю 2026 — ИИ-ассистент для исследований уровня стажёра, к 2028 — полноценный ИИ-учёный. Их фокус — автоматизация самого процесса создания ИИ.
➡️ Meta вкладывает $115–135 млрд в инфраструктуру только в 2026 году и целится в AGI к 2027-му, суперинтеллект — к 2029-му.
➡️ Anthropic прогнозирует появление ИИ с интеллектом уровня нобелевских лауреатов к концу 2026 — началу 2027 года. Они описывают это как «страну гениев в дата-центре».
➡️Исследователи из проекта AI 2027 моделируют сценарий, в котором к середине 2027 года ИИ сможет полностью автоматизировать разработку ИИ — замкнув круг, где машины улучшают сами себя.
🌟 Главные тренды: агентность (ИИ не просто отвечает, а сам выполняет задачи), мультимодальность (текст + код + изображения + видео + аудио в одной модели) и демократизация через open-source.
Эти прогнозы звучат как сюжет фантастического фильма, однако, стоит помнить, что за последние 9 лет ИИ из идеи превратился в повседневность: процесс ускорился, стоимость промедления слишком высока💸
И вот чем всё это закончится - увидим🍿
#ИИ #автоматизация #история
🌟Итак, как человечество научило машины думать и чего нам от этого ждать?
🎞 1936 год. 24-летний Алан Тьюринг описывает воображаемое устройство — «машину Тьюринга». Это просто лента с символами и набор правил, которая доказала, что одна универсальная машина может решить любую вычислимую задачу. Так появилась идея, положившая начало нашим компьютерам.
📽 Спустя 14 лет, в 1950-м, Тьюринг продолжает задаваться вопросм: «Могут ли машины мыслить?» И вместо философского спора предлагает конкретный тест — если в переписке не отличишь машину от человека, считай, мыслит.
🎥 Первые попытки:
1951 — Кристофер Стрейчи пишет первую ИИ-программу. Она играет в шашки. Не блестяще, но играет.
1956 — на конференции в Дартмуте рождается сам термин «искусственный интеллект». Учёные уверены: лет за двадцать проблему решим. Спойлер: не решили.
1966 — появляется ELIZA. Чат-бот, притворяющийся психотерапевтом. Всё, что она умела — переформулировать ваши фразы в вопросы. Но люди плакали ей в «жилетку» и верили, что их слышат.
Дальше — «зимы ИИ». Деньги кончились, обещания не сбылись, интерес угас. Дважды — в 70-х и в конце 80-х — область едва не похоронили.
📹 Пока мейнстрим разочаровывался, нейронные сети медленно эволюционировали:
в 1997-м Deep Blue обыграл Каспарова — но грубой силой, просчитывая 200 миллионов ходов в секунду. Это впечатляло, но к настоящему интеллекту имело мало отношения.
Настоящий перелом — 2012 год. Нейросеть AlexNet побеждает на конкурсе распознавания изображений с огромным отрывом.
📍Мир понимает: глубокое обучение работает.
📷 2017 — Google публикует архитектуру Transformer (статья «Attention Is All You Need»). Эта идея — механизм «внимания», позволяющий модели учитывать контекст целиком — станет основой всех современных языковых моделей.
2022–2026: гонка корпораций💰💰💰
📸 Ноябрь 2022 — ChatGPT. ИИ впервые приходит к массовому пользователю. 100 миллионов пользователей за два месяца. Мир раскололся на тех, кто в восторге, и тех, кто не понимает, что с этим делать.
А дальше.. GPT-4, Claude, Gemini, DeepSeek, Llama, Qwen. Каждые несколько месяцев — новое поколение. Модели учатся рассуждать пошагово, писать код, работать с изображениями и видео. Open-source сообщество наступает на пятки корпорациям: модели с открытым кодом показывают результаты на уровне закрытых.
Планы: что будет дальше?🔮
➡️ OpenAI ставит цель:
к сентябрю 2026 — ИИ-ассистент для исследований уровня стажёра, к 2028 — полноценный ИИ-учёный. Их фокус — автоматизация самого процесса создания ИИ.
➡️ Meta вкладывает $115–135 млрд в инфраструктуру только в 2026 году и целится в AGI к 2027-му, суперинтеллект — к 2029-му.
➡️ Anthropic прогнозирует появление ИИ с интеллектом уровня нобелевских лауреатов к концу 2026 — началу 2027 года. Они описывают это как «страну гениев в дата-центре».
➡️Исследователи из проекта AI 2027 моделируют сценарий, в котором к середине 2027 года ИИ сможет полностью автоматизировать разработку ИИ — замкнув круг, где машины улучшают сами себя.
🌟 Главные тренды: агентность (ИИ не просто отвечает, а сам выполняет задачи), мультимодальность (текст + код + изображения + видео + аудио в одной модели) и демократизация через open-source.
Эти прогнозы звучат как сюжет фантастического фильма, однако, стоит помнить, что за последние 9 лет ИИ из идеи превратился в повседневность: процесс ускорился, стоимость промедления слишком высока💸
И вот чем всё это закончится - увидим🍿
#ИИ #автоматизация #история
Как проверяют возможности ИИ📝
За развитием ИИ следят с помощью специальных тестов — они показывают, в чём именно новое поколение модели шагнуло дальше предыдущего.
🧪 GPQA Diamond — 198 вопросов по физике, химии, биологии уровня PhD. Специально написаны так, чтобы нельзя было нагуглить. Эксперты-люди решают 65%. ИИ: Gemini 3.1 Pro — 94,1%, GPT-5.2 — 93,2%, Claude Opus 4.6 — 91,3%. Машина победила.
🔢 AIME — американская математическая олимпиада, 30 задач. GPT-5.2 и Claude Opus 4.6 решают все 30 из 30. В 2023 году лучшие модели еле набирали 30–40%.
💻 SWE-bench — реальные баги из GitHub. Модель сама находит ошибку в коде и пишет фикс. Лучшие решают ~80% багов. Четыре из пяти — без участия человека.
📚 MMLU — 57 предметов от права до астрономии. Когда-то главный тест. Сейчас — решён: топ-модели набирают 90%+. Слишком лёгкий.
🎓 Humanity's Last Exam — 2 500 вопросов от тысячи экспертов на пределе человеческих знаний. Лучшие модели пока набирают ~50%. Половина «последнего экзамена» не по зубам ни одной машине.
Все тесты выше проверяют уровень знаний, но не способность мыслить логически, которая сейчас является основной разницей между человеком и машиной.
🧩 ARC-AGI — набор визуальных головоломок, созданный в 2019 году исследователем Google Франсуа Шолле. Цветные сетки со скрытым правилом: смотришь на примеры, находишь паттерн, применяешь к новой ситуации. Никаких специальных знаний — чистая логика.
Первый конкурс, 2020 год — лучший результат 20%. GPT-3 набрал 0%.
Дальше модели выросли в 50 000 раз, появились GPT-4, Claude, Gemini — а результат к 2024-му дополз лишь до 33%.
Прорыв случился в конце 2024-го: модель OpenAI o3 набрала 87,5% — но за $20 000 за задачу. Человек решает то же самое бесплатно за секунды.
🧩ARC-AGI-2:
В 2025-м вышла вторая версия — с защитой от «натаскивания» и новой метрикой: теперь считают не только точность, но и стоимость решения.
Языковые модели снова набрали 0%. Люди — 60%.
К марту 2026-го лучшие системы добрались до 85–95%, но тратят $8–13 за задачу и огромные вычислительные ресурсы.
В марте 2026-го выходит ARC-AGI-3 — впервые в интерактивном формате. Вместо статичных сеток — игровые среды, где агент должен исследовать, запоминать и планировать. Это уже тест не на «одноразовое решение», а на адаптацию в реальном времени.
📍Итог: ИИ обогнал PhD-экспертов в физике и решает олимпиады на 100%. Но проваливается на задачах, которые легко решают обычные люди — просто увидев паттерн
⬇️
У машины другой тип интеллекта: глубокие знания — да, гибкость мышления — пока нет.
Здесь можно проверить свои логические способности: https://arcprize.org/arc-agi/2/
За развитием ИИ следят с помощью специальных тестов — они показывают, в чём именно новое поколение модели шагнуло дальше предыдущего.
🧪 GPQA Diamond — 198 вопросов по физике, химии, биологии уровня PhD. Специально написаны так, чтобы нельзя было нагуглить. Эксперты-люди решают 65%. ИИ: Gemini 3.1 Pro — 94,1%, GPT-5.2 — 93,2%, Claude Opus 4.6 — 91,3%. Машина победила.
🔢 AIME — американская математическая олимпиада, 30 задач. GPT-5.2 и Claude Opus 4.6 решают все 30 из 30. В 2023 году лучшие модели еле набирали 30–40%.
💻 SWE-bench — реальные баги из GitHub. Модель сама находит ошибку в коде и пишет фикс. Лучшие решают ~80% багов. Четыре из пяти — без участия человека.
📚 MMLU — 57 предметов от права до астрономии. Когда-то главный тест. Сейчас — решён: топ-модели набирают 90%+. Слишком лёгкий.
🎓 Humanity's Last Exam — 2 500 вопросов от тысячи экспертов на пределе человеческих знаний. Лучшие модели пока набирают ~50%. Половина «последнего экзамена» не по зубам ни одной машине.
Все тесты выше проверяют уровень знаний, но не способность мыслить логически, которая сейчас является основной разницей между человеком и машиной.
🧩 ARC-AGI — набор визуальных головоломок, созданный в 2019 году исследователем Google Франсуа Шолле. Цветные сетки со скрытым правилом: смотришь на примеры, находишь паттерн, применяешь к новой ситуации. Никаких специальных знаний — чистая логика.
Первый конкурс, 2020 год — лучший результат 20%. GPT-3 набрал 0%.
Дальше модели выросли в 50 000 раз, появились GPT-4, Claude, Gemini — а результат к 2024-му дополз лишь до 33%.
Прорыв случился в конце 2024-го: модель OpenAI o3 набрала 87,5% — но за $20 000 за задачу. Человек решает то же самое бесплатно за секунды.
🧩ARC-AGI-2:
В 2025-м вышла вторая версия — с защитой от «натаскивания» и новой метрикой: теперь считают не только точность, но и стоимость решения.
Языковые модели снова набрали 0%. Люди — 60%.
К марту 2026-го лучшие системы добрались до 85–95%, но тратят $8–13 за задачу и огромные вычислительные ресурсы.
В марте 2026-го выходит ARC-AGI-3 — впервые в интерактивном формате. Вместо статичных сеток — игровые среды, где агент должен исследовать, запоминать и планировать. Это уже тест не на «одноразовое решение», а на адаптацию в реальном времени.
📍Итог: ИИ обогнал PhD-экспертов в физике и решает олимпиады на 100%. Но проваливается на задачах, которые легко решают обычные люди — просто увидев паттерн
⬇️
У машины другой тип интеллекта: глубокие знания — да, гибкость мышления — пока нет.
Здесь можно проверить свои логические способности: https://arcprize.org/arc-agi/2/
ARC Prize
ARC-AGI-2
Details about ARC-AGI-2
Что нужно преодолеть, чтобы ИИ стал ещё умнее☄️
За каждым прорывом в ИИ стоят не алгоритмы, а пять вполне обычных проблем. Вот они.
🔌 Энергия. Главный дефицит — уже не чипы, а электричество. К 2030 году дата-центры удвоят потребление до ~945 ТВт·ч. В США прогнозируют нехватку в 49 ГВт к 2028-му. Tech-гиганты тратят больше триллиона на инфраструктуру за 2025–2026 и начинают строить собственные электростанции.
🧠 Чипы и память. GPU стоят десятки тысяч долларов, а пластины нового поколения будут на 50% дороже. Высокоскоростная HBM-память — в критическом дефиците. Модель на 8 млрд параметров едва влезает в один чип. А модели только растут.
🏗️ Архитектура. Трансформеры (основа всех GPT, Claude, Gemini) подходят к потолку — удвоение длины текста учетверяет вычисления. Им на смену идут State Space Models (Mamba) с линейной сложностью, Titans от Google с тремя типами памяти и Mixture of Experts, где на запрос активируется лишь часть модели. Будущее — за гибридами.
📊 Данные. Публичный интернет как источник обучения почти исчерпан. Дальше — синтетические данные, мультимодальность (видео, аудио, изображения) и приватные корпоративные массивы.
🧪 Алгоритмы. «Больше = умнее» перестаёт работать. Последние прорывы — это рассуждение в момент ответа (модель «думает» дольше над сложным вопросом), обучение с подкреплением и нейросимволический ИИ — гибрид нейросетей и классической логики.
Гонка ИИ — это на самом деле гонка инфраструктур. Побеждает тот, кто решает земные задачи: где взять электричество, как охладить серверы и как уместить модель в память чипа.
#ИИ #автоматизация
За каждым прорывом в ИИ стоят не алгоритмы, а пять вполне обычных проблем. Вот они.
🔌 Энергия. Главный дефицит — уже не чипы, а электричество. К 2030 году дата-центры удвоят потребление до ~945 ТВт·ч. В США прогнозируют нехватку в 49 ГВт к 2028-му. Tech-гиганты тратят больше триллиона на инфраструктуру за 2025–2026 и начинают строить собственные электростанции.
🧠 Чипы и память. GPU стоят десятки тысяч долларов, а пластины нового поколения будут на 50% дороже. Высокоскоростная HBM-память — в критическом дефиците. Модель на 8 млрд параметров едва влезает в один чип. А модели только растут.
🏗️ Архитектура. Трансформеры (основа всех GPT, Claude, Gemini) подходят к потолку — удвоение длины текста учетверяет вычисления. Им на смену идут State Space Models (Mamba) с линейной сложностью, Titans от Google с тремя типами памяти и Mixture of Experts, где на запрос активируется лишь часть модели. Будущее — за гибридами.
📊 Данные. Публичный интернет как источник обучения почти исчерпан. Дальше — синтетические данные, мультимодальность (видео, аудио, изображения) и приватные корпоративные массивы.
🧪 Алгоритмы. «Больше = умнее» перестаёт работать. Последние прорывы — это рассуждение в момент ответа (модель «думает» дольше над сложным вопросом), обучение с подкреплением и нейросимволический ИИ — гибрид нейросетей и классической логики.
Гонка ИИ — это на самом деле гонка инфраструктур. Побеждает тот, кто решает земные задачи: где взять электричество, как охладить серверы и как уместить модель в память чипа.
#ИИ #автоматизация
Как ИИ может изменить бизнес модель: ML в агротехнике John Deere
🦌 John Deere — компания с почти 190-летней историей, которая сегодня конкурирует не лошадиными силами, а интеллектом на акр.
🌨See & Spray
Система с 36 камерами и ML на ходу отличает сорняки от культурных растений и опрыскивает только сорняки. Результат — до 70% меньше химикатов. Всё это работает на свёрточных нейронных сетях и процессорах NVIDIA, классифицирующих каждое растение в реальном времени. В 2025 году технология покрыла 5 миллионов акров и сэкономила 31 миллион галлонов гербицидов. А университетские исследования показали, что точечное опрыскивание даёт ещё и прибавку урожайности — растения тратят меньше энергии на борьбу с химией.
🚜Автономные тракторы и умные комбайны
Второе поколение автономного комплекта с 16 камерами и 360-градусным обзором John Deere позволяет трактору работать без оператора. Комбайны сами регулируют скорость, оценивая высоту культуры стереокамерами, и автоматически подстраивают настройки уборки, чтобы минимизировать потери зерна.
📚Подход к обучению моделей
Вместо обычных разметчиков данных John Deere привлекает агрономов с докторскими степенями — потому что иногда даже визуально отличить сорняк от культуры может только специалист. Так на раннем этапе модели, обученные зимой, перестали работать летом — команда не учла, как сильно растения меняются за сезон.
🌟Новая бизнес-модель
ML изменил не только технику, но и способ заработка. Фермеры платят по подписке — только за реально обработанные акры. В конце сезона AI генерирует каждому персональный отчёт по экономии. при этом техника Deere проходит примерно треть поверхности Земли каждый год— каждая машина одновременно работает и собирает данные для улучшения моделей.
Это один из самых убедительных кейсов того, как ML трансформирует традиционную индустрию.
🦌 John Deere — компания с почти 190-летней историей, которая сегодня конкурирует не лошадиными силами, а интеллектом на акр.
🌨See & Spray
Система с 36 камерами и ML на ходу отличает сорняки от культурных растений и опрыскивает только сорняки. Результат — до 70% меньше химикатов. Всё это работает на свёрточных нейронных сетях и процессорах NVIDIA, классифицирующих каждое растение в реальном времени. В 2025 году технология покрыла 5 миллионов акров и сэкономила 31 миллион галлонов гербицидов. А университетские исследования показали, что точечное опрыскивание даёт ещё и прибавку урожайности — растения тратят меньше энергии на борьбу с химией.
🚜Автономные тракторы и умные комбайны
Второе поколение автономного комплекта с 16 камерами и 360-градусным обзором John Deere позволяет трактору работать без оператора. Комбайны сами регулируют скорость, оценивая высоту культуры стереокамерами, и автоматически подстраивают настройки уборки, чтобы минимизировать потери зерна.
📚Подход к обучению моделей
Вместо обычных разметчиков данных John Deere привлекает агрономов с докторскими степенями — потому что иногда даже визуально отличить сорняк от культуры может только специалист. Так на раннем этапе модели, обученные зимой, перестали работать летом — команда не учла, как сильно растения меняются за сезон.
🌟Новая бизнес-модель
ML изменил не только технику, но и способ заработка. Фермеры платят по подписке — только за реально обработанные акры. В конце сезона AI генерирует каждому персональный отчёт по экономии. при этом техника Deere проходит примерно треть поверхности Земли каждый год— каждая машина одновременно работает и собирает данные для улучшения моделей.
Это один из самых убедительных кейсов того, как ML трансформирует традиционную индустрию.
⌛️В декабре 2025, во время изучения рынка платформ для проверки кода, мы столкнулись с разницей во мнениях разработчиков насчет будущей роли AI в процессе генерации кода.
🖥 Одни уже проектируют системы так, будто завтра у руля будут AI-агенты и человек нужен только для того, чтобы нажимать Enter.
💾 Другие смотрят на это спокойнее и не верят, что людей массово и быстро заменят.
После очередного бодрящего интервью в стиле «ИИ умеет вообще все» мы решили отложить восторг в сторону и разобраться, что сейчас происходит с ожиданиями людией, и к чему это может привести.
🖥 Одни уже проектируют системы так, будто завтра у руля будут AI-агенты и человек нужен только для того, чтобы нажимать Enter.
💾 Другие смотрят на это спокойнее и не верят, что людей массово и быстро заменят.
После очередного бодрящего интервью в стиле «ИИ умеет вообще все» мы решили отложить восторг в сторону и разобраться, что сейчас происходит с ожиданиями людией, и к чему это может привести.
Для начала немного экономических терминов:
🪬Теория ожиданий — это про то, как мысли о будущем начинают менять настоящее.
Представьте: люди решили, что цены скоро вырастут. Что они делают? Бегут покупать.
➡️ Бизнес видит ажиотаж — и думает: «Ага, значит, можно поднять цены».
➡️ Поставщики закладывают рост в контракты.
➡️ Работники требуют прибавку.
⬇️
И вот инфляция, которой ещё не было, — уже здесь. Не потому что что-то объективно изменилось, а потому что все в неё поверили.
😅И так работает буквально всё.
Компании ждут падения спроса — режут инвестиции и найм.
Инвесторы ждут повышения ставки — иначе смотрят на акции, облигации, кредиты.
Население ждёт ослабления рубля — бросается скупать валюту и импорт.
Экономика живёт не в настоящем. Она живёт в ожиданиях.
📍Ожидания бывают разные: инфляционные (что будет с ценами), курсовые (что будет с валютой), процентные (что будет со ставками), деловые (что будет со спросом, выручкой и инвестициями).
Самое интересное — ожидания умеют сбываться просто потому, что в них поверили.
Все ждут проблем → начинают вести себя осторожнее → спрос падает → проблемы приходят.
🏫 Именно поэтому центральные банки следят не только за самой инфляцией, но и за тем, что о ней думают люди. Иногда убедить население, что цены замедлятся, — не менее важно, чем реально их замедлить. Потому что если люди поверят — они изменят поведение. А за поведением подтянется и экономика.
#теория
🪬Теория ожиданий — это про то, как мысли о будущем начинают менять настоящее.
Представьте: люди решили, что цены скоро вырастут. Что они делают? Бегут покупать.
➡️ Бизнес видит ажиотаж — и думает: «Ага, значит, можно поднять цены».
➡️ Поставщики закладывают рост в контракты.
➡️ Работники требуют прибавку.
⬇️
И вот инфляция, которой ещё не было, — уже здесь. Не потому что что-то объективно изменилось, а потому что все в неё поверили.
😅И так работает буквально всё.
Компании ждут падения спроса — режут инвестиции и найм.
Инвесторы ждут повышения ставки — иначе смотрят на акции, облигации, кредиты.
Население ждёт ослабления рубля — бросается скупать валюту и импорт.
Экономика живёт не в настоящем. Она живёт в ожиданиях.
📍Ожидания бывают разные: инфляционные (что будет с ценами), курсовые (что будет с валютой), процентные (что будет со ставками), деловые (что будет со спросом, выручкой и инвестициями).
Самое интересное — ожидания умеют сбываться просто потому, что в них поверили.
Все ждут проблем → начинают вести себя осторожнее → спрос падает → проблемы приходят.
🏫 Именно поэтому центральные банки следят не только за самой инфляцией, но и за тем, что о ней думают люди. Иногда убедить население, что цены замедлятся, — не менее важно, чем реально их замедлить. Потому что если люди поверят — они изменят поведение. А за поведением подтянется и экономика.
#теория
🍿Почему экономические ожидания вокруг ИИ важнее самого ИИ — в краткосрочном периоде
Если честно: большинство компаний, которые сегодня инвестируют в ИИ, пока не понимают, как именно он изменит их бизнес. Но они понимают — нельзя остаться в стороне. И вот это «нельзя остаться в стороне» двигает экономику сильнее, чем сама технология.
🏗 Как это работает:
Компании ожидают, что ИИ перевернёт их отрасль → перебрасывают бюджеты в ИИ-инфраструктуру → акции Nvidia, Microsoft, Google взлетают → рост котировок подтверждает нарратив → ожидания усиливаются → в рынок заходят новые деньги.
Круг замкнулся. Ожидания подпитывают сами себя.
💰Инвесторы вложили триллионы в дата-центры, чипы, стартапы — и эти деньги создали реальную выручку у ИИ-компаний. Не потому что ИИ уже окупился для конечного бизнеса, а потому что поток капитала, запущенный ожиданиями, сам стал источником роста.
⌛️Обратная сторона: компания, которая решила «подождать и посмотреть» — тоже действует на основе ожиданий. Она ожидает, что хайп сдуется, что технология не дозрела, что можно догнать позже. И если она ошибётся — потеря конкурентного преимущества будет вполне реальной.
📍То есть в краткосрочном периоде экономику двигает не то, что ИИ умеет делать прямо сейчас, а то, что люди думают, что он будет уметь завтра.
Государства регулируют ИИ — и от тональности регуляций зависит, куда потекут инвестиции: Жёсткие ожидания по регулированию в ЕС → капитал смещается в США и Азию.
Мягкие сигналы от Саудовской Аравии и ОАЭ → туда заходят дата-центры и лаборатории. Ожидания определяют географию денег.
Если реальная отдача от ИИ догонит ожидания — мы увидим крупнейшую технологическую революцию со времён интернета. Если не догонит — dot-com 2.0.🫧
⚡️Но вот что точно: ожидания вокруг ИИ не ждут, пока технология дозреет, они уже перестроили потоки капитала, изменили стратегии корпораций, перекроили рынок труда и переписали оценки публичных компаний.
#ИИ #стратегия
Если честно: большинство компаний, которые сегодня инвестируют в ИИ, пока не понимают, как именно он изменит их бизнес. Но они понимают — нельзя остаться в стороне. И вот это «нельзя остаться в стороне» двигает экономику сильнее, чем сама технология.
🏗 Как это работает:
Компании ожидают, что ИИ перевернёт их отрасль → перебрасывают бюджеты в ИИ-инфраструктуру → акции Nvidia, Microsoft, Google взлетают → рост котировок подтверждает нарратив → ожидания усиливаются → в рынок заходят новые деньги.
Круг замкнулся. Ожидания подпитывают сами себя.
💰Инвесторы вложили триллионы в дата-центры, чипы, стартапы — и эти деньги создали реальную выручку у ИИ-компаний. Не потому что ИИ уже окупился для конечного бизнеса, а потому что поток капитала, запущенный ожиданиями, сам стал источником роста.
⌛️Обратная сторона: компания, которая решила «подождать и посмотреть» — тоже действует на основе ожиданий. Она ожидает, что хайп сдуется, что технология не дозрела, что можно догнать позже. И если она ошибётся — потеря конкурентного преимущества будет вполне реальной.
📍То есть в краткосрочном периоде экономику двигает не то, что ИИ умеет делать прямо сейчас, а то, что люди думают, что он будет уметь завтра.
Государства регулируют ИИ — и от тональности регуляций зависит, куда потекут инвестиции: Жёсткие ожидания по регулированию в ЕС → капитал смещается в США и Азию.
Мягкие сигналы от Саудовской Аравии и ОАЭ → туда заходят дата-центры и лаборатории. Ожидания определяют географию денег.
Если реальная отдача от ИИ догонит ожидания — мы увидим крупнейшую технологическую революцию со времён интернета. Если не догонит — dot-com 2.0.🫧
⚡️Но вот что точно: ожидания вокруг ИИ не ждут, пока технология дозреет, они уже перестроили потоки капитала, изменили стратегии корпораций, перекроили рынок труда и переписали оценки публичных компаний.
#ИИ #стратегия
🌍 World Happiness Report 2026 — даже счастье можно посчитать🧐
📝Вышел ежегодный доклад о счастье от Оксфорда, Gallup и ООН.
Вот как считали:
~1000 человек в каждой из 147 стран ответили на вопрос — «оцените свою жизнь от 0 до 10». Балл усреднилиза 3 года (2023–2025).
Разницу в баллах объяснили с помощью шести факторов (ВВП, соцподдержка, здоровье, свобода, щедрость, коррупция).
🏆Топ-5: Финляндия (9-й год подряд №1), Исландия, Дания, Коста-Рика (впервые в пятёрке!), Швеция.
🇷🇺 Россия на 79-м месте (было 66-е в 2025, 72-е в 2024). Балл ~5.95 при среднемировом 5.57.
Для контекста: США — 23, Китай — 65, Украина — 111.
⚡️Самая обсуждаемая тема года — соцсети. В большинстве стран молодёжь стала счастливее за 20 лет, но в англоязычных странах счастье молодых ощутимо упало — и главный подозреваемый именно соцсети.
📎 worldhappiness.report/ed/2026/
📝Вышел ежегодный доклад о счастье от Оксфорда, Gallup и ООН.
Вот как считали:
~1000 человек в каждой из 147 стран ответили на вопрос — «оцените свою жизнь от 0 до 10». Балл усреднилиза 3 года (2023–2025).
Разницу в баллах объяснили с помощью шести факторов (ВВП, соцподдержка, здоровье, свобода, щедрость, коррупция).
🏆Топ-5: Финляндия (9-й год подряд №1), Исландия, Дания, Коста-Рика (впервые в пятёрке!), Швеция.
🇷🇺 Россия на 79-м месте (было 66-е в 2025, 72-е в 2024). Балл ~5.95 при среднемировом 5.57.
Для контекста: США — 23, Китай — 65, Украина — 111.
⚡️Самая обсуждаемая тема года — соцсети. В большинстве стран молодёжь стала счастливее за 20 лет, но в англоязычных странах счастье молодых ощутимо упало — и главный подозреваемый именно соцсети.
📎 worldhappiness.report/ed/2026/
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
🧩ML-модели: простым языком
Существует четыре подхода:
🍪 Обучение с учителем
📍Как в школе: учитель показывает задачи с ответами, ученик запоминает логику и решает новые сам.
Модели дают набор данных, где результат уже известен. Например, тысячу сделок с пометкой «клиент купил» или «не купил». Модель находит закономерности и применяет их к новым клиентам.
Два варианта:
→ Нужно предсказать число (выручка, цена, температура) — это регрессия
→ Нужно предсказать категорию (купит/не купит, спам/не спам) — это классификация
Самый распространённый подход. Большинство бизнес-задач решается именно так.
🍪 Обучение без учителя
Ответов нет — модель сама ищет закономерности.
Представьте: вам дали коробку с 10 000 пуговиц и попросили рассортировать. Никто не сказал как — вы сами решаете: по цвету, размеру, форме. Модель делает то же самое с данными.
Где полезно: сегментация клиентов на группы, поиск аномалий (мошенничество, сбои), сжатие данных.
🍪 Обучение с подкреплением
Как ребёнок учится ходить. Упал — больно. Сделал шаг — хорошо. Через сотни попыток — бегает.
Модель пробует разные действия, получает награду или штраф и постепенно вырабатывает оптимальную стратегию.
В бизнесе применяют в робототехнике, рекомендательных системах, ценообразовании.
🍪 Глубокое обучение (нейросети)
Все предыдущие подходы отлично работают с таблицами и числами. Но что если данные — это фотографии, голос или текст?
Для этого нужны нейросети — модели, устроенные по мотивам работы мозга. Несколько типов:
→ CNN — «видит» картинки. Распознавание лиц, анализ медицинских снимков.
→ RNN — «понимает» последовательности. Прогноз по временным рядам, распознавание речи.
→ Трансформеры — основа ChatGPT, Claude и подобных. Работают с текстом, кодом, изображениями.
Существует четыре подхода:
📍Как в школе: учитель показывает задачи с ответами, ученик запоминает логику и решает новые сам.
Модели дают набор данных, где результат уже известен. Например, тысячу сделок с пометкой «клиент купил» или «не купил». Модель находит закономерности и применяет их к новым клиентам.
Два варианта:
→ Нужно предсказать число (выручка, цена, температура) — это регрессия
→ Нужно предсказать категорию (купит/не купит, спам/не спам) — это классификация
Самый распространённый подход. Большинство бизнес-задач решается именно так.
Ответов нет — модель сама ищет закономерности.
Представьте: вам дали коробку с 10 000 пуговиц и попросили рассортировать. Никто не сказал как — вы сами решаете: по цвету, размеру, форме. Модель делает то же самое с данными.
Где полезно: сегментация клиентов на группы, поиск аномалий (мошенничество, сбои), сжатие данных.
Как ребёнок учится ходить. Упал — больно. Сделал шаг — хорошо. Через сотни попыток — бегает.
Модель пробует разные действия, получает награду или штраф и постепенно вырабатывает оптимальную стратегию.
В бизнесе применяют в робототехнике, рекомендательных системах, ценообразовании.
Все предыдущие подходы отлично работают с таблицами и числами. Но что если данные — это фотографии, голос или текст?
Для этого нужны нейросети — модели, устроенные по мотивам работы мозга. Несколько типов:
→ CNN — «видит» картинки. Распознавание лиц, анализ медицинских снимков.
→ RNN — «понимает» последовательности. Прогноз по временным рядам, распознавание речи.
→ Трансформеры — основа ChatGPT, Claude и подобных. Работают с текстом, кодом, изображениями.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Вчера посетили Global Tech Forum 2026 🏙
Форум по цифровой трансформации — 120+ спикеров, 2500+ участников, 7 потоков. На площадке были представлены Яндекс, Сбер AI, ВТБ, Альфа-банк, КРОК, VK Tech, билайн, MTC Web Services, Ростелеком, Северсталь, РУСАЛ, Hoff Tech, М.Видео-Эльдорадо, Naumen, JUST AI, Nexign, Т1 Искусственный интеллект и десятки других компаний.
Делюсь ключевыми инсайтами:
🔹 Модель компетенций ИИ от Минцифры — сейчас в активной разработке. Параллельно готовится законодательная база, которая, со слов представителя Минцифры, будет ограничивать использование ИИ в части создания фейков и провокационного контента.
🔹 Данные не уходят в облако — организации всё активнее разворачивают внутренние модели, чтобы чувствительные данные оставались внутри периметра. Альтернатива — guardrails поверх облачных решений. Фокус смещается в сторону российских моделей.
🔹 ИИ идёт в узкую специализацию — тренд на создание нишевых чат-ботов, которые закрывают функции джуна в конкретной области: бот-бухгалтер, бот-юрист, бот для первой линии поддержки и т.д. Не универсальный ассистент, а заточенный инструмент.
🔹 Последствия для сотрудников — внедрение ИИ будет менять карьерные траектории: пересматриваются KPI, растут ожидания по объёму задач на одного специалиста, перестраиваются роли внутри команд. Про увольнения думают, но стараются про это не говорить.
🔹 Про ROI молчат — все много говорят про повышение эффективности, но конкретных цифр возврата инвестиций от внедрения ИИ по-прежнему мало. Это, пожалуй, главный разрыв между маркетинговыми обещаниями и реальностью.
В целом ощущение, что рынок находится на стадии «как это встроить в процессы, не сломав всё остальное».
🕯Вопросов пока больше, чем ответов.
Форум по цифровой трансформации — 120+ спикеров, 2500+ участников, 7 потоков. На площадке были представлены Яндекс, Сбер AI, ВТБ, Альфа-банк, КРОК, VK Tech, билайн, MTC Web Services, Ростелеком, Северсталь, РУСАЛ, Hoff Tech, М.Видео-Эльдорадо, Naumen, JUST AI, Nexign, Т1 Искусственный интеллект и десятки других компаний.
Делюсь ключевыми инсайтами:
🔹 Модель компетенций ИИ от Минцифры — сейчас в активной разработке. Параллельно готовится законодательная база, которая, со слов представителя Минцифры, будет ограничивать использование ИИ в части создания фейков и провокационного контента.
🔹 Данные не уходят в облако — организации всё активнее разворачивают внутренние модели, чтобы чувствительные данные оставались внутри периметра. Альтернатива — guardrails поверх облачных решений. Фокус смещается в сторону российских моделей.
🔹 ИИ идёт в узкую специализацию — тренд на создание нишевых чат-ботов, которые закрывают функции джуна в конкретной области: бот-бухгалтер, бот-юрист, бот для первой линии поддержки и т.д. Не универсальный ассистент, а заточенный инструмент.
🔹 Последствия для сотрудников — внедрение ИИ будет менять карьерные траектории: пересматриваются KPI, растут ожидания по объёму задач на одного специалиста, перестраиваются роли внутри команд. Про увольнения думают, но стараются про это не говорить.
🔹 Про ROI молчат — все много говорят про повышение эффективности, но конкретных цифр возврата инвестиций от внедрения ИИ по-прежнему мало. Это, пожалуй, главный разрыв между маркетинговыми обещаниями и реальностью.
В целом ощущение, что рынок находится на стадии «как это встроить в процессы, не сломав всё остальное».
🕯Вопросов пока больше, чем ответов.
👍1🔥1