Mistral выпустили небольшую модель Shieldstral размером 3B, заточенную под оценку безопасности, которая показывает эффективность на уровне моделей куда большего размера: https://mistral.ai/news/shieldstral/
Мне кажется, это один из примеров того, куда двигаются специализированные модели, которые не требуют дорогого железа и которые можно развернуть внутри своего контура.
Модель прямо напрашивается на то, чтобы на её основе запускали оценку для форумов или изданий, где появляется большое количество контента, создаваемого пользователями.
Русский язык уже в модели, так что можно пробовать использовать её для корпоративных нужд.
Я помню, как «Комсомольская правда» отказалась от пользовательских комментариев, потому что не могла их модерировать, а даже в отсутствие военных действий туда прилетали вещи, которые нарушали все возможные законы. Сейчас же вполне можно собрать политику для модели и обеспечить автоматическую проверку пользовательского контента на безопасность.
Или можно использовать для корпоративных чатов, и через эту модель проверять сообщения от ии-ботов и создать на ее основе этого дополнительную линию защиты, чтобы боты не выдали коммерческую тайну.
Хорошие возможности, которые можно крутить на железе всего за 100 000 рублей и даже дешевле.
Мне кажется, это один из примеров того, куда двигаются специализированные модели, которые не требуют дорогого железа и которые можно развернуть внутри своего контура.
Модель прямо напрашивается на то, чтобы на её основе запускали оценку для форумов или изданий, где появляется большое количество контента, создаваемого пользователями.
Русский язык уже в модели, так что можно пробовать использовать её для корпоративных нужд.
Я помню, как «Комсомольская правда» отказалась от пользовательских комментариев, потому что не могла их модерировать, а даже в отсутствие военных действий туда прилетали вещи, которые нарушали все возможные законы. Сейчас же вполне можно собрать политику для модели и обеспечить автоматическую проверку пользовательского контента на безопасность.
Или можно использовать для корпоративных чатов, и через эту модель проверять сообщения от ии-ботов и создать на ее основе этого дополнительную линию защиты, чтобы боты не выдали коммерческую тайну.
Хорошие возможности, которые можно крутить на железе всего за 100 000 рублей и даже дешевле.
Mistral AI
Introducing Shieldstral. | Mistral AI
Shieldstral introduces a 3B open-weights multimodal safety classifier that outperforms models up to 7x its size.
👍1
SDD (Spec-Driven Development) становится новым стандартом разработки в эпоху ИИ, и для тех, кто вообще в это не погружен, можно попробовать сделать легкий первый шаг через AWS Kiro. Это среда разработки со встроенными ИИ-агентами, созданная компанией Amazon Web Services на базе Code OSS (форка VS Code).
В этом инструменте сразу есть несколько режимов работы, в том числе режим планирования и спецификации, что снимает необходимость внимательно следить за тем, какие промпты пишешь, и позволяет сосредоточиться исключительно на описании задачи и результате, а потом перестроить это во вменяемые требования.
Amazon щедро выдает бесплатно 50 кредитов в месяц, что, по моим прикидкам, эквивалентно 2 долларам в V0. Этого объема токенов не хватит на то, чтобы собрать что-то интересное, но если вы потратите их на планирование и спецификацию своего проекта, то можно убить сразу двух зайцев: пощупать, как на подход к разработке через SDD смотрит одна из лучших ИТ-компаний мира, и получить спецификацию своего проекта на уровне детальной проработки — считай, задаром.
В этом инструменте сразу есть несколько режимов работы, в том числе режим планирования и спецификации, что снимает необходимость внимательно следить за тем, какие промпты пишешь, и позволяет сосредоточиться исключительно на описании задачи и результате, а потом перестроить это во вменяемые требования.
Amazon щедро выдает бесплатно 50 кредитов в месяц, что, по моим прикидкам, эквивалентно 2 долларам в V0. Этого объема токенов не хватит на то, чтобы собрать что-то интересное, но если вы потратите их на планирование и спецификацию своего проекта, то можно убить сразу двух зайцев: пощупать, как на подход к разработке через SDD смотрит одна из лучших ИТ-компаний мира, и получить спецификацию своего проекта на уровне детальной проработки — считай, задаром.
kiro.dev
Kiro: Move beyond AI coding to agentic engineering
Kiro helps developers and teams do their best work: turn prompts into executable specs, validate code correctness to find bugs unit tests miss, and build across large codebases with parallel agents that learn from every session.
👍1
This media is not supported in your browser
VIEW IN TELEGRAM
Странную штуку для себя обнаружил на этой неделе: QWEN справляется с задачей лучше, чем ChatGPT или Grok. Claude сделал неплохо, но все равно хуже.
Мне надо было сделать хитрый анимированный фон по примеру из картинки, и QWEN лучше понял задачу и быстрее сделал что-то вменяемое. Причем я не утруждал себя написанием разных промптов, а просто всем моделям давал одну и ту же задачу.
А итоговый вариант из QWEN скопировал в V0, чтобы можно было тонко настроить параметры анимации под проект и потом уже портировать код дальше.
Вот что получилось в итоге https://mercury-b-d-institut.vercel.app/back.html?visc=1&detail=2&blur=16&bands=5&ew=0.2&glow=0.7&speed=0.095&huespeed=0.045&edgeshift=0&edgesat=0.45&brightness=1.29&overlayopacity=0.05&col0=%23c7bae8&col1=%23f5c7db&col2=%23cfeccb&col3=%23b8c4ec&col4=%23f7efcc&overlay=%23ffffff&blendmode=normal
Я уверен, что все перечисленные модели в состоянии выдать похожий результат. У меня есть гипотеза, что сильно умные модели предпочитают вначале делать простые варианты в ответ на запрос пользователя, экономя таким образом ресурсы. А у QWEN такой маршрутизации нет.
Хотя, скорее всего, это просто спекулятивная догадка с моей стороны, а результат вполне может быть объяснён простой случайностью и небольшой разницей в обучении моделей.
Мне надо было сделать хитрый анимированный фон по примеру из картинки, и QWEN лучше понял задачу и быстрее сделал что-то вменяемое. Причем я не утруждал себя написанием разных промптов, а просто всем моделям давал одну и ту же задачу.
А итоговый вариант из QWEN скопировал в V0, чтобы можно было тонко настроить параметры анимации под проект и потом уже портировать код дальше.
Вот что получилось в итоге https://mercury-b-d-institut.vercel.app/back.html?visc=1&detail=2&blur=16&bands=5&ew=0.2&glow=0.7&speed=0.095&huespeed=0.045&edgeshift=0&edgesat=0.45&brightness=1.29&overlayopacity=0.05&col0=%23c7bae8&col1=%23f5c7db&col2=%23cfeccb&col3=%23b8c4ec&col4=%23f7efcc&overlay=%23ffffff&blendmode=normal
Я уверен, что все перечисленные модели в состоянии выдать похожий результат. У меня есть гипотеза, что сильно умные модели предпочитают вначале делать простые варианты в ответ на запрос пользователя, экономя таким образом ресурсы. А у QWEN такой маршрутизации нет.
Хотя, скорее всего, это просто спекулятивная догадка с моей стороны, а результат вполне может быть объяснён простой случайностью и небольшой разницей в обучении моделей.
В блоге компании Section AI, которая специализируется на корпоративном обучении в области ИИ, вышла статья https://www.sectionai.com/blog/what-should-be-in-your-ai-budget-for-2027 о том, какой корпоративный бюджет нужно заложить в 2027 году на ИИ.
Хоть этот материал рассчитан на американских предпринимателей, но в силу того, что ИИ является международным товаром, это может быть хорошим ориентиром для тех, кто занят планированием расходов на ИИ. И важно, что расчет сделан с позиции внедрения ИИ в текущую работу, трансформацию внутренних процессов, а не с расчетом создания новых продуктов. Т. е. сколько нужно тратить в нашей новой ИИ-стране чудес, чтобы оставаться на одном уровне с лидерами.
Расходы были посчитаны исходя из компании в 1000 человек.
1. Лицензии на ИИ. $480 на человека с учетом корпоративных скидок — Claude, ChatGPT Enterprise, Gemini и т. д. Но можно попробовать начать с самого дешевого тарифа, сейчас он у большинства крупнейших компаний стоит $20.
2. Затраты на токены. Наиболее недооцениваемая часть расходов на ИИ. Для специалиста интеллектуального труда — от 2000 до 5000 долларов в год (2–5% от заработной платы). Для инженера — от 10 000 до 14 000 долларов (5–7% от заработной платы). Все это с учетом высоких зарплат американских специалистов. В нашей же реальности актуальным становится подход с использованием разных моделей. И в итоге выигрышной стратегией становится микс, например, Qwen для массовых задач + Claude для сложных. При хорошей маршрутизации такой подход может дать экономию в 70–90% на токенах без потери качества.
3. Бюджет на ИИ-агентов. Агенты могут потреблять много токенов. Агенты, которые работают в связке с другими агентами, даже склонны к этому, если не контролировать расходы на токены. Но это как раз тот уровень проникновения ИИ-технологии, который может дать результат в рамках всей компании, а не просто как средство персонального перформанса.
Считается, что компания на 1000 человек к концу года запустит 20 ИИ-агентов, которые будут стоить $1500–$2000 в месяц. Соответственно, если такие агенты будут работать на более дешевых моделях, то можно тратить на них в 10–40 раз меньше средств, но тут становится важным вопрос проектирования и маршрутизации. Важно для каждой задачи выбирать ИИ соразмерно сложности задачи, и уже на этом можно сэкономить значительные средства.
4. Руководитель отдела ИИ. Для внедрения ИИ в корпоративную практику нужен человек, который будет обладать достаточными полномочиями и компетенциями, чтобы драйвить этот процесс. В США такой сотрудник обойдется от 200 000 до 400 000 долларов в год.
5. Обеспечение системной трансформации за счет обучения сотрудников, поддержки консультантов, проведения мероприятий, поддержки сотрудников-лидеров трансформации.
По оценке Section, расходы в США на ИИ-трансформацию компании из 1000 человек за год составят 6,6 миллиона долларов, или 6% от общих расходов на зарплату, что эквивалентно найму 60 новых сотрудников. Ну или увольнению 60 сотрудников (или отказу от найма новых 60 сотрудников вместо тех, кто по естественным причинам покинул компанию), чтобы покрыть эти расходы.
Если говорить о других источниках финансирования ИИ-перехода, кроме увольнений, то на первое место выходит сокращение расходов на поставщиков услуг аутсорсинга: дизайн, разработка, поддержка, исследования. Привлечение меньшего количества внешних специалистов за счет использования ИИ дает экономию, которая оправдывает расходы на ИИ.
Сейчас компании используют много SaaS-решений и часто покупают лицензии, которые им не нужны. Оптимизация этих затрат за счет отказа от тех функций, которые сейчас берёт на себя ИИ, и за счет сокращения расходов на неиспользуемые лицензии тоже послужит хорошим оправданием увеличения расходов на ИИ.
Нужно планировать расходы на ИИ и на его внедрение. Начинать можно и с малого, важнее просто наличие стратегии в этом вопросе и продуманного плана. А то придётся, как мне сейчас, упрашивать бухгалтерию оплатить подписку на ИИ вне финансовых планов. И хоть сумма там смешная, но волокиты это не уменьшает.
Хоть этот материал рассчитан на американских предпринимателей, но в силу того, что ИИ является международным товаром, это может быть хорошим ориентиром для тех, кто занят планированием расходов на ИИ. И важно, что расчет сделан с позиции внедрения ИИ в текущую работу, трансформацию внутренних процессов, а не с расчетом создания новых продуктов. Т. е. сколько нужно тратить в нашей новой ИИ-стране чудес, чтобы оставаться на одном уровне с лидерами.
Расходы были посчитаны исходя из компании в 1000 человек.
1. Лицензии на ИИ. $480 на человека с учетом корпоративных скидок — Claude, ChatGPT Enterprise, Gemini и т. д. Но можно попробовать начать с самого дешевого тарифа, сейчас он у большинства крупнейших компаний стоит $20.
2. Затраты на токены. Наиболее недооцениваемая часть расходов на ИИ. Для специалиста интеллектуального труда — от 2000 до 5000 долларов в год (2–5% от заработной платы). Для инженера — от 10 000 до 14 000 долларов (5–7% от заработной платы). Все это с учетом высоких зарплат американских специалистов. В нашей же реальности актуальным становится подход с использованием разных моделей. И в итоге выигрышной стратегией становится микс, например, Qwen для массовых задач + Claude для сложных. При хорошей маршрутизации такой подход может дать экономию в 70–90% на токенах без потери качества.
3. Бюджет на ИИ-агентов. Агенты могут потреблять много токенов. Агенты, которые работают в связке с другими агентами, даже склонны к этому, если не контролировать расходы на токены. Но это как раз тот уровень проникновения ИИ-технологии, который может дать результат в рамках всей компании, а не просто как средство персонального перформанса.
Считается, что компания на 1000 человек к концу года запустит 20 ИИ-агентов, которые будут стоить $1500–$2000 в месяц. Соответственно, если такие агенты будут работать на более дешевых моделях, то можно тратить на них в 10–40 раз меньше средств, но тут становится важным вопрос проектирования и маршрутизации. Важно для каждой задачи выбирать ИИ соразмерно сложности задачи, и уже на этом можно сэкономить значительные средства.
4. Руководитель отдела ИИ. Для внедрения ИИ в корпоративную практику нужен человек, который будет обладать достаточными полномочиями и компетенциями, чтобы драйвить этот процесс. В США такой сотрудник обойдется от 200 000 до 400 000 долларов в год.
5. Обеспечение системной трансформации за счет обучения сотрудников, поддержки консультантов, проведения мероприятий, поддержки сотрудников-лидеров трансформации.
По оценке Section, расходы в США на ИИ-трансформацию компании из 1000 человек за год составят 6,6 миллиона долларов, или 6% от общих расходов на зарплату, что эквивалентно найму 60 новых сотрудников. Ну или увольнению 60 сотрудников (или отказу от найма новых 60 сотрудников вместо тех, кто по естественным причинам покинул компанию), чтобы покрыть эти расходы.
Если говорить о других источниках финансирования ИИ-перехода, кроме увольнений, то на первое место выходит сокращение расходов на поставщиков услуг аутсорсинга: дизайн, разработка, поддержка, исследования. Привлечение меньшего количества внешних специалистов за счет использования ИИ дает экономию, которая оправдывает расходы на ИИ.
Сейчас компании используют много SaaS-решений и часто покупают лицензии, которые им не нужны. Оптимизация этих затрат за счет отказа от тех функций, которые сейчас берёт на себя ИИ, и за счет сокращения расходов на неиспользуемые лицензии тоже послужит хорошим оправданием увеличения расходов на ИИ.
Нужно планировать расходы на ИИ и на его внедрение. Начинать можно и с малого, важнее просто наличие стратегии в этом вопросе и продуманного плана. А то придётся, как мне сейчас, упрашивать бухгалтерию оплатить подписку на ИИ вне финансовых планов. И хоть сумма там смешная, но волокиты это не уменьшает.
👍1
Вы, наверное, сами чувствуете, что сейчас слово «кризис» стало тем определением, которое можно приложить практически к любому явлению. И вот, нежданно, но не удивительно, я читаю в статье про кризис vibe-кодинга применительно к дизайну https://medium.com/@WebdesignerDepot/the-vibe-coding-crisis-is-web-design-becoming-a-commodity-bb72984bdd18
Немного идеализации, но есть и здравые идеи, которые требуют рефлексии. Например, мысль о том, что ИИ повсеместно генерирует усредненный дизайн, который может быть хорошим, но не способен находить новые вызовы со стороны пользователей или предлагать инновационные решения, которых еще не было в его модели обучения.
При переходе от ручного процесса создания дизайна к ИИ мы получили быструю реализацию с готовым кодом, но усредненным значением всего.
Вайб-кодинг, в этом плане, устраняет случайность, он устраняет «неправильность», которая порой и определяет новые тенденции в дизайне.
«Чистота и профессионализм» теперь стали бесплатным товаром. Множество инструментов делают это быстрее и дешевле, чем может сделать человек. Но интуитивно ощущается, что во всем этом остается место для дизайнера, потому что он способен привнести в проект что-то авторское. Пусть даже это будут авторские ошибки.
Что еще остается в руках у человека?
Сторителлинг все еще строится человеком, потому что он базируется вокруг понимания эмоционального впечатления, которое должен оказать дизайн и повествование на посетителя. ИИ генерирует хорошие формальные тексты, но у него нет ощущения впечатления, которое они оказывают на пользователя.
Авторский стиль сейчас становится удивительно заметным. Даже не надо быть уникальным дизайнером. ИИ-генерируемые сайты так сильно бросаются в глаза из-за одинаковости подходов, что любой человеческий начинает выглядеть как глоток свежего воздуха. Это не означает, что ИИ не освоит мимикрию под человека или мы не найдем такой набор промптов, который будет создавать уникальную стилистику. Но сейчас человек, предлагающий что-то со своим чувством вкуса, кажется более ценным, чем раньше.
Становится актуальным вопрос: что стоит за дизайном? Если раньше рядовой дизайнер отвечал за оформление, а за отображение бренда в дизайне, влияние дизайна на достижение ключевых целей компании и подобные вещи отвечали дизайн-директора или кто-то из CEO, то сейчас хороший дизайнер становится таким CEO. Даже если в масштабах компании не было раньше должности с такой зоной ответственности.
Закончу цитатой из статьи: Оригинальность становится сигналом доверия. Если компания может позволить себе выглядеть «по-иному», то это показывает, что у нее есть ресурсы и таланты, чтобы быть «настоящей».
Немного идеализации, но есть и здравые идеи, которые требуют рефлексии. Например, мысль о том, что ИИ повсеместно генерирует усредненный дизайн, который может быть хорошим, но не способен находить новые вызовы со стороны пользователей или предлагать инновационные решения, которых еще не было в его модели обучения.
При переходе от ручного процесса создания дизайна к ИИ мы получили быструю реализацию с готовым кодом, но усредненным значением всего.
Вайб-кодинг, в этом плане, устраняет случайность, он устраняет «неправильность», которая порой и определяет новые тенденции в дизайне.
«Чистота и профессионализм» теперь стали бесплатным товаром. Множество инструментов делают это быстрее и дешевле, чем может сделать человек. Но интуитивно ощущается, что во всем этом остается место для дизайнера, потому что он способен привнести в проект что-то авторское. Пусть даже это будут авторские ошибки.
Что еще остается в руках у человека?
Сторителлинг все еще строится человеком, потому что он базируется вокруг понимания эмоционального впечатления, которое должен оказать дизайн и повествование на посетителя. ИИ генерирует хорошие формальные тексты, но у него нет ощущения впечатления, которое они оказывают на пользователя.
Авторский стиль сейчас становится удивительно заметным. Даже не надо быть уникальным дизайнером. ИИ-генерируемые сайты так сильно бросаются в глаза из-за одинаковости подходов, что любой человеческий начинает выглядеть как глоток свежего воздуха. Это не означает, что ИИ не освоит мимикрию под человека или мы не найдем такой набор промптов, который будет создавать уникальную стилистику. Но сейчас человек, предлагающий что-то со своим чувством вкуса, кажется более ценным, чем раньше.
Становится актуальным вопрос: что стоит за дизайном? Если раньше рядовой дизайнер отвечал за оформление, а за отображение бренда в дизайне, влияние дизайна на достижение ключевых целей компании и подобные вещи отвечали дизайн-директора или кто-то из CEO, то сейчас хороший дизайнер становится таким CEO. Даже если в масштабах компании не было раньше должности с такой зоной ответственности.
Закончу цитатой из статьи: Оригинальность становится сигналом доверия. Если компания может позволить себе выглядеть «по-иному», то это показывает, что у нее есть ресурсы и таланты, чтобы быть «настоящей».
Medium
The “Vibe Coding” Crisis: Is Web Design Becoming a Commodity?
We are entering the era of “Vibe Coding,” where AI generates the average of everything we’ve ever built, leaving the web beautiful but…
❤1
Media is too big
VIEW IN TELEGRAM
Меня увлекли эксперименты с эффектами в WebGL. Не то чтобы я делал какие-то полезные вещи для себя, скорее это наработки, которые потом можно использовать в каких-то проектах. Например, чтобы сделать эффект на странице. Пробую чистый код и разные библиотеки.
Сейчас для дизайнера проблема заключается не в том, чтобы сделать сам эффект, а в том, чтобы объяснить модели, что надо сделать. Причем отдельные вещи, такие как тайминги и детали эффектов, объяснить трудно. Поэтому я вывожу много настраиваемых параметров, чтобы посмотреть, что получается, а потом уже такие же параметры можно использовать в реальном проекте. Это точно проще, чем подбирать все вручную, хотя и выглядит диковато.
Сейчас получился скрипт с частицами, которые заполняют выделенное пространство. Это либо SVG-пространство, либо знаки из шрифтов. Последним добавил режим перемещения по области, может, потом для какой-нибудь презентации использую.
Сейчас для дизайнера проблема заключается не в том, чтобы сделать сам эффект, а в том, чтобы объяснить модели, что надо сделать. Причем отдельные вещи, такие как тайминги и детали эффектов, объяснить трудно. Поэтому я вывожу много настраиваемых параметров, чтобы посмотреть, что получается, а потом уже такие же параметры можно использовать в реальном проекте. Это точно проще, чем подбирать все вручную, хотя и выглядит диковато.
Сейчас получился скрипт с частицами, которые заполняют выделенное пространство. Это либо SVG-пространство, либо знаки из шрифтов. Последним добавил режим перемещения по области, может, потом для какой-нибудь презентации использую.
😁1
Недавно вышла статья про EPAM и результаты его ИИ-стратегии.
Тема мне близка, потому что подобную стратегию переориентации на ИИ заявляет Агима, в которой я проработал восемь лет.
В общем, с одной стороны, клиенты действительно начинают внедрять ИИ, и это создает новые заказы, но с другой — объем старых услуг сокращается быстрее, чем растут новые.
В августе EPAM снизил прогноз по росту выручки. Традиционно модель бизнеса компании построена на T&M (продаже времени сотрудников), но где-то в июле компания начала замечать, что клиенты начинают активно использовать ИИ для решения традиционных задач — тестирования, UX, разработки на JS, фронтенда — в общем-то, везде.
И при этом от внедрения ИИ клиенты ждут видимой отдачи. Они спрашивают: «Как извлечь выгоду из AI и получить положительную отдачу от инвестиций?»
«Мы видим, что наши клиенты все чаще хотят видеть обоснования целесообразности проектов, коммерческие предложения, а не просто инженерные решения, как это было в прошлом» — это слова CEO компании Балажа Фейеша.
При этом, по словам CEO, клиенты перенаправляют свои расходы на токены и графические процессоры. То есть ИИ сам становится конкурентом за бюджет и еще потом пожирает его из кармана разработчика при активном внедрении ИИ в работу.
Но всё-таки EPAM списывать еще рано. AI-native сервисы генерируют уже 11% доходов, а количество сотрудников даже чуть подросло. Да и ожидаемый оборот на одного сотрудника вырастет в этом году и будет где-то $90 000 на сотрудника в год (в 2025 году был $86 800).
На самом деле надо дождаться конца года. Если тренд на миграцию работы от подрядчика к внедряемым заказчиками ИИ стал существенно заметен только в середине лета, то разумно ожидать увидеть к концу года реальную картину.
Когда-то я скромно прогнозировал https://habr.com/ru/articles/1020600/, что в заказной разработке объем часов может уменьшиться на 42%. И если представить, что и EPAM это касается, то к концу года потери будут куда больше, чем просто снижение роста, и это можно будет увидеть по прогнозам на 2027 год.
Тема мне близка, потому что подобную стратегию переориентации на ИИ заявляет Агима, в которой я проработал восемь лет.
В общем, с одной стороны, клиенты действительно начинают внедрять ИИ, и это создает новые заказы, но с другой — объем старых услуг сокращается быстрее, чем растут новые.
В августе EPAM снизил прогноз по росту выручки. Традиционно модель бизнеса компании построена на T&M (продаже времени сотрудников), но где-то в июле компания начала замечать, что клиенты начинают активно использовать ИИ для решения традиционных задач — тестирования, UX, разработки на JS, фронтенда — в общем-то, везде.
И при этом от внедрения ИИ клиенты ждут видимой отдачи. Они спрашивают: «Как извлечь выгоду из AI и получить положительную отдачу от инвестиций?»
«Мы видим, что наши клиенты все чаще хотят видеть обоснования целесообразности проектов, коммерческие предложения, а не просто инженерные решения, как это было в прошлом» — это слова CEO компании Балажа Фейеша.
При этом, по словам CEO, клиенты перенаправляют свои расходы на токены и графические процессоры. То есть ИИ сам становится конкурентом за бюджет и еще потом пожирает его из кармана разработчика при активном внедрении ИИ в работу.
Но всё-таки EPAM списывать еще рано. AI-native сервисы генерируют уже 11% доходов, а количество сотрудников даже чуть подросло. Да и ожидаемый оборот на одного сотрудника вырастет в этом году и будет где-то $90 000 на сотрудника в год (в 2025 году был $86 800).
На самом деле надо дождаться конца года. Если тренд на миграцию работы от подрядчика к внедряемым заказчиками ИИ стал существенно заметен только в середине лета, то разумно ожидать увидеть к концу года реальную картину.
Когда-то я скромно прогнозировал https://habr.com/ru/articles/1020600/, что в заказной разработке объем часов может уменьшиться на 42%. И если представить, что и EPAM это касается, то к концу года потери будут куда больше, чем просто снижение роста, и это можно будет увидеть по прогнозам на 2027 год.
🤔1🐳1
Иногда повышение сложности регистрации может оказаться более полезным для бизнеса, чем ее упрощение. Это неочевидная идея, о которой пишут в https://www.library.hbs.edu/working-knowledge/want-people-to-commit-make-signing-up-a-little-harder.
Исследование Эшли Уилланс (Ashley V. Whillans) https://cssh.northeastern.edu/gap/wp-content/uploads/sites/62/2024/07/wp23.pdf , посвященное сложности регистрации, описывает так называемый «эффект вовлеченности» (The Buy-In Effect). Его суть противоречит классическому правилу маркетинга: «делай процесс регистрации как можно проще».
Когда регистрация полностью беспрепятственна, пользователь не чувствует ценности своего действия и легко забывает о нем. Небольшое ментальное или физическое усилие на старте заставляет человека почувствовать, что он инвестировал свои ресурсы. В результате его мозг считывает это как важное обязательство, что резко повышает вероятность реального использования сервиса в будущем.
Принцип «целенаправленного трения» (intentional friction) сейчас активно внедряется в сферах, где важно долгосрочное удержание: от корпоративных пенсионных программ до образовательных платформ.
Обратите внимание, что усложнение уменьшает количество регистраций, но повышает вовлеченность в целом в программу, в которой пользователи регистрируются. То есть надо думать не в концепции отдельных шагов и воронки (CTR), а с позиции всей активности пользователя (LTV).
Я как-то сразу вспоминаю Noom с очень длинным путем регистрации (онбординг у них на 15 минут, около 100 экранов), где в какой-то момент уже через силу продолжаешь отвечать на вопросы, потому что их очень много. Создается впечатление, что будет суперперсонализированное предложение, которое подойдет именно тебе. И взрывной рост популярности Noom и финансовая статистика говорили, что людей не отпугивала сотня вопросов. Но самое впечатляющее у Noom — это ретеншен, который через 30 дней (Retention D30) составлял 39%, что в десять раз выше среднего по области хелси-приложений.
Но, кажется, что для успешности этой стратегии нужно активно искать баланс усложнения и поддержки мотивации. Фактически усложнение должно быть нацелено на осмысление пользователем своих целей и того, зачем ему все это нужно. Простое усложнение без стратегии даст ожидаемый провал по метрикам, и не во всех ситуациях вообще эта стратегия будет работать. На это же указывала и сама автор исследования.
В общем, отличная тема. Если бы еще кому-то были нужны UX-дизайнеры, то как раз эта была бы область тонких экспериментов с ощутимой ожидаемой отдачей.
Исследование Эшли Уилланс (Ashley V. Whillans) https://cssh.northeastern.edu/gap/wp-content/uploads/sites/62/2024/07/wp23.pdf , посвященное сложности регистрации, описывает так называемый «эффект вовлеченности» (The Buy-In Effect). Его суть противоречит классическому правилу маркетинга: «делай процесс регистрации как можно проще».
Когда регистрация полностью беспрепятственна, пользователь не чувствует ценности своего действия и легко забывает о нем. Небольшое ментальное или физическое усилие на старте заставляет человека почувствовать, что он инвестировал свои ресурсы. В результате его мозг считывает это как важное обязательство, что резко повышает вероятность реального использования сервиса в будущем.
Принцип «целенаправленного трения» (intentional friction) сейчас активно внедряется в сферах, где важно долгосрочное удержание: от корпоративных пенсионных программ до образовательных платформ.
Обратите внимание, что усложнение уменьшает количество регистраций, но повышает вовлеченность в целом в программу, в которой пользователи регистрируются. То есть надо думать не в концепции отдельных шагов и воронки (CTR), а с позиции всей активности пользователя (LTV).
Я как-то сразу вспоминаю Noom с очень длинным путем регистрации (онбординг у них на 15 минут, около 100 экранов), где в какой-то момент уже через силу продолжаешь отвечать на вопросы, потому что их очень много. Создается впечатление, что будет суперперсонализированное предложение, которое подойдет именно тебе. И взрывной рост популярности Noom и финансовая статистика говорили, что людей не отпугивала сотня вопросов. Но самое впечатляющее у Noom — это ретеншен, который через 30 дней (Retention D30) составлял 39%, что в десять раз выше среднего по области хелси-приложений.
Но, кажется, что для успешности этой стратегии нужно активно искать баланс усложнения и поддержки мотивации. Фактически усложнение должно быть нацелено на осмысление пользователем своих целей и того, зачем ему все это нужно. Простое усложнение без стратегии даст ожидаемый провал по метрикам, и не во всех ситуациях вообще эта стратегия будет работать. На это же указывала и сама автор исследования.
В общем, отличная тема. Если бы еще кому-то были нужны UX-дизайнеры, то как раз эта была бы область тонких экспериментов с ощутимой ожидаемой отдачей.
Harvard Business School
Want People to Commit? Make Signing Up a Little Harder | Working Knowledge
Making products or programs slightly harder to access boosts appeal and follow-through, says research by Ashley V. Whillans.
😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Еще один эксперимент в WebGL, который уже тормозит мой старенький компьютер. Фон, конечно, получается забавным, но слишком тяжеловесным. На телефон такое не поставишь.
Еще отдельно радует возможность все такое экспериментальное свободно грузить на Vercel, и они за это даже денег не берут. Так что, если захотите притормозить свой компьютер, то вот вам: https://liquid-seven.vercel.app/
Еще отдельно радует возможность все такое экспериментальное свободно грузить на Vercel, и они за это даже денег не берут. Так что, если захотите притормозить свой компьютер, то вот вам: https://liquid-seven.vercel.app/
❤2👀2😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Хороший набор интерактивных визуализаций: https://uclab.fh-potsdam.de/unfoldables
Причём есть и ссылки на видео, и на статьи, посвящённые проектам. Мне было интересно смотреть даже проекты из 90-х, например Table Lens, потому что это не про уровень технологий, а про уровень мышления.
Причём есть и ссылки на видео, и на статьи, посвящённые проектам. Мне было интересно смотреть даже проекты из 90-х, например Table Lens, потому что это не про уровень технологий, а про уровень мышления.
👍1
Трудно поверить, что чуть меньше 4 лет назад OpenAI впервые представил релиз ChatGPT. И вот уже сейчас почти половина взрослого населения США заявляет, что пользуется чат-ботами, и при этом 24% используют их ежедневно.
Какая же часть Интернета сейчас создается с помощью ИИ? В PWC вышла статья с исследованием этой темы: https://www.pewresearch.org/data-labs/2026/08/20/how-much-of-the-internet-is-written-with-ai/
Если смотреть на контент новых веб-страниц, то уже треть создана с помощью ИИ.
Отдельно стоит сказать про детектор ИИ-контента, который использовался в исследовании. Для определения ИИ-контента использовался продукт Pangram Labs: https://www.pangram.com/blog/introducing-open-pangram.
У них очень высокий уровень детектирования ИИ-контента, который доходит до 99,6%. Причем это распространяется и на новые модели.
Я быстро проверил работу детектора на тексте из моего канала и на сгенерированном с помощью ИИ тексте на ту же тему — результат прекрасный. Для сравнения, я пробовал проверять русские эссе студентов в 2024 году, и все детекторы очень плохо работали с русским языком.
Какая же часть Интернета сейчас создается с помощью ИИ? В PWC вышла статья с исследованием этой темы: https://www.pewresearch.org/data-labs/2026/08/20/how-much-of-the-internet-is-written-with-ai/
Если смотреть на контент новых веб-страниц, то уже треть создана с помощью ИИ.
Отдельно стоит сказать про детектор ИИ-контента, который использовался в исследовании. Для определения ИИ-контента использовался продукт Pangram Labs: https://www.pangram.com/blog/introducing-open-pangram.
У них очень высокий уровень детектирования ИИ-контента, который доходит до 99,6%. Причем это распространяется и на новые модели.
Я быстро проверил работу детектора на тексте из моего канала и на сгенерированном с помощью ИИ тексте на ту же тему — результат прекрасный. Для сравнения, я пробовал проверять русские эссе студентов в 2024 году, и все детекторы очень плохо работали с русским языком.