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