youtube-transcript-apiУ нас следующий доклад от Степана Гершуни, нашего товарища и партнёра. И у меня есть на эту тему специальный слайд, такой небольшое промо. А мы со Степаном познакомились на перед конференцией ЭХрфор, где он тоже выступал. Вот. И потом общались, обсуждали, в том числе программы по искусму интеллекту. И интересная фраза прозвучала про то, что AI меняет компании не в тот момент, когда люди начинают пользоваться чат GPT, а когда меняется сама архитектура работы внутри компании. И это много про что. Это и про антологию компании, и про AI среду, и про всё остальное. И на эту тему у коллег, насколько мы знаем, уже был запуск отдельной программы по изучению всей этой истории. Там набралась полная группа, но 4 мая стартует новый поток. Так что, если интересно, вот сейчас или, может быть, после выступления Степаном, то присоединяйтесь. Я думаю, что вас там с удовольствием будут рады видеть. Степан, передаю тебе слово. Врывайся в эфир и поехали в доклад. Класс. Да, спасибо большое всем. Привет. А сейчас я буду рассказывать про AI организации, что такое AI Native или агентоцентричная или ицентричная компания. А почему это важно и как они работают? как стать такой. А, и в течение ближайшего часа я надеюсь, что если у вас друг этого понимания не было или, может быть, каких-то аспектов, то вы уйдёте с пониманием того, почему любая компания в мире в ближайшие несколько лет неизбежно пройдёт фазу, а, AI трансформации. Из чего эта трансформация состоит, по крайней мере, на первых этапав? что нужно для нас, что актуально вот прямо сегодня и ближайшие там, а,
этапав? что нужно для нас, что актуально вот прямо сегодня и ближайшие там, а, месяцы, и для чего это, собственно, нужно делать, какие в этом есть ценности, да? Значит, кто я такой? Почему я про это говорю? Меня зовут Стёпа. Я, значит, последние много лет занимаюсь бизнесом, делал стартапы, продал один стартап, а много из них не продал и вообще никуда они не пошли. А много лет работал, руководил продуктом. А с 2010 года работаю в NLP machine learning. Тогда это ещё как-то мы не использовали слово AI, э, потому что, в общем, видимо, плохие у нас были модели, а, но при этом были модели лингвистические. А я сейчас руковожу инвестициями в фонде Киберфонд. Значит, у нас фонд приватный, мы инвестируем в стартапы ранней стадии, в основном в AI. А, ну, я персонально исключительно в AI стартап, немножко в роботов. А, и да, вот последние 2 года мы проинвестировали там почти 100 млн долларов в разные стартапы. Большинство из этих стартапов стали AI компаниями. У нас там больше 100 компаний в портфеле, поэтому я вижу там, причём некоторые компании большие, там 100 млрд долларов есть компания, которая стоит, а есть совсем маленькие компании. И в общем, я хочу поделиться тем опытом, который мы проходили внутри, проходя вот эту трансформацию как фонда, а, который я вижу в портфельных компаниях, как у них это получается, не получается и почему это срочно. И ещё а-а те вещи, которые мы в том числе, то есть у меня есть как бы фонд инвестиции resarch VII - это моя такая основная деятельность по ночам и по вечерам, и по выходным. Я занимаюсь вот лабораторией, где мы работаем с, а, у нас есть та, ну, такая программа, туда приходят фаундеры и руководители, профессионалы, менеджеры, а, лидеры компании. И мы, соответственно, там тоже разбираем и, а, изучаем то, как, в общем, проходить эту
разбираем и, а, изучаем то, как, в общем, проходить эту A трансформацию. Причём, понятно, что изучаем все вместе, потому что эта возможность, фактически, технически это стало возможным там несколько месяцев назад, и ни у кого точно нет на сегодняшний день там гарантированного финального плейбука. А я хочу несколько вещей рассказать. Оно будет, наверное, немножко компактно сжато, но в какие-то темы мы можем углубиться. Я просто хочу, чтобы, а, я понимаю, что у всех немножко разный опыт, поэтому, а, как бы показать такой, а системный взгляд, наверное, то, откуда и и и куда мы идём, а, нежели чем про конкретно, то есть можно там, не знаю, полтора часа говорить только про то, как использовать AI для изменения HR процессов. Это жутко интересно, но я не уверен, что все здесь HRры. Аа давайте про историю. 5 минут. Значит, что такое вообще AI, откуда он взялся? Э, ну, понятно, что эта технология там на сегодняшний день как минимум 80 лет. А вот здесь на этой фотографии в пядесят шестом году прошёл Дармурский колледж, в котором, значит, а Джон Макартни собрал своих друзей, и они хотели решить проблему AGI за 3 или там за за 2 месяца, по-моему, они планировали. Понятно, что за 2 месяца у них не получилось, но при этом вот там Клод Шенон, например, в честь которого, собственно, назван Клод, которым мы пользуемся, Марвин Минский Рей Сломонов, в общем, люди, которые повлияли на машинное обучение, искусственный интеллект и привели нас туда, куда куда нас это привело. А ээ почему мы шли 80 лет? Потому что должно было произойти несколько очень важных событий. Во-первых, а как бы не очевидно было, что вообще подход нейронных сетей будет доминирующим. Да, и у нас долгое время был там символические яйка какк таким доминирующим подходом. А должен был появиться интернет. В интернете генерируется там огромное количество данных. Без данных а модель не может учиться. И а вторая часть - это должно быть должно было появиться достаточное количество вычислений. А вот здесь на слайде у меня карточка Nvidia. первый
количество вычислений. А вот здесь на слайде у меня карточка Nvidia. первый графический ускоритель, который выпустила компания, а, соединяя две эти вещи, э, мы получаем возможности для deплорнинга на значит вот три человека на текущем слайде ответственны за, а, во многом ответственны за то, что у нас сегодня есть GPT, Clot, GMI и и прочие прелести, которые вдруг внезапно влияют на такие вещи, типа маркетинга HRра и разработки кода. А, ну, естественно, вот Алекс Крыжевский, который сделал Alexnet в двенадцатом году. Первая, наверное, модель, которая была натренировано с помощью использования видеокарты. И первая модель, которая показала, насколько действительно круто работают глубокие нейронные сети. Правда, не для текста, а для картинок. Ну, а Илья Суцкийверса, основатель Open AI, который это, собственно, а, а, применил. Ну, он был не первым. Там, понятно, были трансформеры, были разные другие проекты, и был Алек Редфорд, но а во многом благодаря нему, э, значит, у нас появился GPT и после него все остальные продукты. Ну и вот как бы мы видим, да, что за после вот эти 80 лет, а с момента появления, а не появления, а с момента там активных инвестиций и и фокуса на глубоком обучении, на deep learningг, а рост, ну, в данном случае мы говорим про рост вычислений, необходимых для тренировки модели, но косвенно это показывает и эффективность этих моделей, их экономическую применимость, а он значительно ускорился в разы. А, и я хочу дать, наверное, первую такую ментальную модель, как мне кажется полезно думать вообще про искусственный интеллект. Это с точки зрения экспоненты. А многие вещи, которые сейчас происходят в мире, они экспоненциальны. Ну, по крайней мере, в мире искусственного интеллекта. Человеческий мозг очень сложно аа как бы представляет себе экспоненциальные процессы. Они просто неинтуитивны. То есть не то, что мы тупые, а просто, ну, как бы в джунглях, э, и в саване, значит, бегая от тигров, экспенсиальные процессы часто не нужны. При этом, если мы смотрим на разную статистику, она немножко урела устарела. У меня здесь
мы смотрим на разную статистику, она немножко урела устарела. У меня здесь нет модели 4.7 опуса, у меня нету 5.5 GPT. То есть сейчас эти цифры немножко обновятся, и мы увидим, ну, насколько это там за последний месяц был прогресс. Но вот условно на месяц назад. А если посмотреть, да, вот этот график отметр показывает количество, а, сложность задач, которые модели могут делать автономно. То есть там Opus 4.6 - это он мог выполнять автономно задачи, которые человеку требуют около 12 часов работы, а, в данном случае с пятидесятипроцентной вероятностью. А у нас падает экспоненциальна цена генерации токена. Если мы посмотрим на токен, а, допустим, модели уровня GPT4 такой же модели, то цена генерации одного токена упала больше, чем 100 раз на сегодняшний день. А, ну 55 уже вышло, на самом деле, в кодексе, но сегодня она выйдет там куда-то ещё. А, да, про мифас вообще тут не будем говорить, но вот все эти цифры, мне очень интересно, как они изменятся в ближайшие там месяц. А-а, и и я вот эти слайды, то есть у меня я я эту pпиchдек, ну, вот эту презентацию сделал, не знаю, может быть, а-а, полгода назад, но я а раз там типа в две втри недели где-то её рассказываю, и каждый раз мне приходится обновлять большинство слайдов а со статистикой, потому что просто всё меняется очень быстро и всё очень быстро становится неактуальным. А, значит, экспоненциально растёт количество вычислений, а, а, которое используется для тренировки модели и самое главное для инференса, то есть растёт спрос. и растёт экономическая польза этих моделей. А здесь вот на слайде, например, показано количество совокупное мощности датацентров, которые сегодня задеплоены аа на планете. А, да, то есть, ну, практически вот это, значит, до сегодняшнего дня это это можно ска и здесь это считается в эквиваленте карточек H 100. Соответственно, как бы там разные карты, там B300 и другие используются, но, а, а, как бы вот что этот слайд
используются, но, а, а, как бы вот что этот слайд показывает, что количество инвестиций в дата-центры растёт экспоенциально. Это в этом году только инвестиции, которые как бы закомитились компании 700 млрд, а, долларов. 700 млрд долларов как бы Кэша, инвестиций в инфраструктуру AI. Для сравнения, в сегодняшних долларах с поправкой на инфляцию это в два раза больше, чем программа Аполлон. Лунная программа, да, которая была самой масштабной инфраструктурной инвестицией в истории человечества. А то, что сейчас происходит, это два раза больше. Ну, естественно, а как бы в это вкладывают компании. Вот мы видим, там Сэм Альтман сверху пишет, говорит: "Мне нужно, а, сделать компанию, которая будет вводить новых мощностей AI по гигаватту каждую неделю". Ну, Elлон Маск, естественно, как бы не будучи скромным человеком, говорит: "А мне надо 100 ГВт в год". Аа, ну, для сравнения, а, 300 ГВТ часов, а, это потребление, среднее потребление Европейского Союза, а 1 ГВТ - это примерно равно одному атомному реактору. То есть, а, поправка на инфляцию ровно получается в два раза меньше, да? А 400 млрд примерно по сегодняшним долларам. 300. А вот, а то есть, то есть это колоссальные инвестиции, это инвестиции, которых никогда в истории человечества не происходило. Почему? Ну как бы что что это подтвер чем обоснованы эти инвестиции? Эти инвестиции обоснованы тем, что модели становятся полезнее, умнее. А здесь много мелких графиков, наверное, на все смотреть не будем. Ну вот слева, например, Google Proof Q&A график, да, зелёной полосочкой показано средний уровень задач, которые решает человек, который имеет кандидатскую степень кандидатнаук в определённой в определённой, э, домене, в определённой экспертизе, в определённой дисциплине, да. И вот все модели, которые выходят за последний год, они давно как бы сильно круче, чем чем чем чем чем человек. Ээ
последний год, они давно как бы сильно круче, чем чем чем чем чем человек. Ээ причём не только в одной дисциплине, но и во многих. А-а, мы видим, что, например, вот это GDP Wл - это средний такой срез как бы всех экономически ценных задач, которые человек может делать, сидя за компьютером. И там вот последние модели, это какие-то там 70-80% мм они могут этих задач решить. Не всегда это экономически обосновано и и не все задачи можно решить сидеть за компьютером, естественно. А и, ну, мы видим, что рост продолжается. Рост, более того, во многих местах продолжает быть экспоненциальным. Почему это происходит? Потому что в искусственном интеллекте есть такое понятие, как законы масштабирования или scaling laws на английском. И, э, у нас на сегодняшний момент можно сказать, что есть четыре таких закона масштабирования. То есть почему AI становится полезнее? То есть существуют четыре параллельных процесса, которые каждый день, а, ну, или как минимум там каждые несколько месяцев делают модели умнее и делают ей полезней для экономики. У нас растёт трейнинг, то есть больше вычислений, больше данных, больше параметров модели, получаются более крутые модели. Второе, у нас есть postтрейнing, reinforcement learning, RLG, то есть на по мере того, как вы пользуетесь модели, по мере того, как вы даёте фидбек, по мере того, как компания тренируют модели в каких-то средах, типа в программировании или в Экселе или в Папоинте или ещё где-то, а тоже модель становится полезнее. У нас есть закон масштабирования, связанный с of thought или test time compute. То есть модель может дольше думать, вы можете включить максимальный эфферт и а там модель может дать там глупенький ответ, а она может подумать полчаса и дать какой-то супер классный ответ. А и и как бы чем дольше она думает, тем в среднем этот ответ становится а полезнее в тех задачах, где как бы больше думать имеет смысл. Ну и, наконец, у нас есть закон масштабированиние агентов. То есть вы можете просто спросить чат GPT, а, не
масштабированиние агентов. То есть вы можете просто спросить чат GPT, а, не знаю, за посчитай, сдай за меня налоговую декларацию. Или вы можете сделать там некую, а, оркестрацию, антологию большого количества агентов, которые друг друга перепроверяют, друг другу как бы передают задачи, а, и и на основе этого как бы выполняют сложные задачи, которые один промт и одна модель не справится. А вопрос, наконец, презентации оставлю наконец. А не заканчиваются ли данные? Да, данные не заканчиваются. Почему? Потому что модели уже последние там года-два как минимум в основном тренируются на синтетических данных. Это о'кей. А почему? Потому что синтетические потому что а ну то есть во-первых есть там Mercр, да, самая быстрорасущая компания за прошлый год. А хотя их там недавно взломали, но тем не менее компания никуда не делась. А это что эта компания делает? По сути это там крупнейший в мире такой поставщик сложных данных для тренировки моделей. А сегодня существует огромная вот у нас есть две инвестиции компании, которые собирают данные для роботов там. Просто сотни тысяч часов. Они такие специальные очки с камерами дают людям. Там типа в Индии они собрали 100.000 часов датасет, где люди там, не знаю, на заводе там закручивают какие-то гайки, чтобы тренировать роботов, чтобы роботы на основе этого видео учились крутить гайки. Ну, соответственно, для AI-моделек это там, не знаю, юристы какие-нибудь, радиологи и прочие люди, которые помогают, значит, делать аннотации данных. А для reinforcement learning, а, синтетических данных, как правило, достаточно. Ну, например, для того, чтобы модель стала лучше в программировании, ей не нужен живой программист. Она может сама экспериментировать, потому что она может проверить свой результат. То есть работа стала ли, не знаю, там компилируется ли программа, стала ли она работать быстрее, а улучшилось ли там, не знаю, количество конверсии на сайте, то есть какие-то такие вещи, которые можно масштабировать. Ну и помимо этих четырёх законов масштабирования, если есть ещё и такое понятие, как Reinforcement Self Improvement - это святой граль, куда стремятся все абсолютно в мире аэ AI лаборатории. Open Anropic, они гонятся и там китайцы, а все пытаются быстрее туда добежать. В чём идея? Ну, эту идею
там китайцы, а все пытаются быстрее туда добежать. В чём идея? Ну, эту идею хорошо показал, а, Андрей Карпатый в своём проекте Авторесarcher о том, что помимо того, что модель становится лучше за счёт человека, за счёт того, что люди делают исследования, делают тренировку, делают системы и создают лучшие модели, на самом деле вы можете саму работу человека под названием MLEARCHer тоже автоматизировать с помощью агентов. То есть вы можете сам процесс исследования, сам процесс самоулучшения, сам процесс по сути автоматизировать научный метод постановка гипотезы, создание эксперимента, проверка данных эксперимента и смена собственной модели. И так по кругу, до тех пор, пока вы не получите более хороший результат. И это уже сегодня работает в какой-то степени для аа исследований в машинном обучении и для создания моделей. И на самом деле этот, а, примитив, мне кажется, хорошо масштабируется на бизнес. Более того, и сейчас мы до это дойдём, а что это означает для бизнеса вообще финальная цель? А для чего нужно строить Aйтив компании? То есть первый тезис: не AI компании в мире не будет. Они не выживут, они не могут существовать. Такое как бы просто невозможно. Это то же самое, что компания, которая не использует, я не знаю, калькулятор, компьютер и или или экскаватор и пытается там, не знаю, ложкой копать траншеи. А идеальные результаты в компании - это компания, которая организационный дизайн, дизайн, который выстроен вокруг возможностей агентов. Это компания, которая самоулучшается, которая постоянно в реальном времени следит за всем, что происходит в мире, внутри компании, с клиентами, на рынке, макроэкономика, не знаю, там политика, всё, что касается бизнеса, и пытается сама себя улучшить. И это не просто то, что вы взяли функцию, заменили её агентом и, значит, типа автоматизировали это агентом и и теперь у вас, значит, не знаю, а, бумажку из папочки А в папочку Б перекладывает агент. Нет, это идея о том, что этот агент сам учится, сам улучшается, и это законченный кибернетический цикл обратной связи. И я
улучшается, и это законченный кибернетический цикл обратной связи. И я покажу пару примеров, как это работает. Что это значит для бизнеса? Значит, а это значит то, что а если вы сегодня думаете, то есть если вы руководитель, фаундер, менеджер, а или занимаетесь какой-то, ну, какой-то функцией внутри компании, то когда вы думаете про искусственный интеллект, это не про то, это не про внедрение софта. Вот, не знаю, говорили там про 1С, да? То есть вот можно делать бухгалтерский учёт, значит, на блокнотике ручка, а можно внедрить 1С и типа у тебя всё автоматизировано. А в данном случае это на аналогии не очень хорошо работает, потому что вот этот вот фронтир, передний край модели, он постоянно меняется. То есть ты как бы должен строить процессы, предполагая изначально, что те возможности, те вещи, которые сегодня невозможно сделать с помощью AI, будет возможно сделать. То есть нужно проектировать системы. И я говорю не про технические системы, не про IT-системы даже. Я говорю про системы именно организационного дизайна, теории менеджмента и процессы. То есть нужно проектировать процессы компании таким образом, а что модели становятся а а лучше, что процесс, который сегодня требует человека, а может быть в будущем автоматизирован и нужно каким-то образом плани, ну то есть конкретным образом нужно планировать на траекторию. А, то есть это не просто про действие, это про, а, создание процессов вокруг способности агентов и построения системы корпоративной системы, которая вот то, что у нас есть иерархия корпоративная, да, вместо этого мы строим систему для агентов. А, ожидаете ли вы появление специфик языков программирования? Это хороший вопрос. Я знаю один стартап. Аа, по-моему, блин, это, э- русскоязычный фаундер, он создал очень известный язык программирования. Я забыл, по-моему, он HCЛ придумал, по-моему. Да, вот чувак, который сделал. Да, да, да. Код codпиak, вот скинули в чате. А, да или это не оно? По-моему, это оно. В общем, точно
вот скинули в чате. А, да или это не оно? По-моему, это оно. В общем, точно есть проекты, которые пытаются сделать языки программирования для агентов, для AI. Это вроде как прикольная идея. На практике я пока не видел, как бы, чтобы это работало, но опять языки программирования это как хорошее вино. Оно должно как бы время пройти, чтобы стало понятно, почему это происходит, да? Почему вообще мы говорим про то, что агенты вдруг начнут выполнять бизнес-функции. То есть, а, вроде как и так всё работает. Ну, на это есть четыре причины. Причины очевидные, но стоит проговорить. Первое - это дешевле. А, то есть агенты а делают работу. Вот, например, у меня скриншот тут из Амазона. А пример, а про что тут пример? Про а-а процессинг, значит, одной заявки а рекрутинга, то есть заявки в службу отдел кадров, ээ, на вакансию. А вот человек руками это занимает 45 минут, стоит это у них 45 долларов, а агент делает всё то же самое, при этом у него процент ошибок ниже, а и стоит это 2,2 доллара. А, то есть как бы, ну, это происходит дешевле, это происходит быстрее и это происходит с больше и больше надёжностью. Меньше мест, если вы построили AI centрик и эцентричный такой процесс, а он он надёжней, он он будет дешевле, он будет работать 24 на7. Этим агентам не нужно ни спать, ни есть, не ходить в отпуск. Они там не а-э не не сойдут с ума, не устанут, не им не надоест, а и и скорее всего они станут только дешевле. Второе - это быстрее. агенты работают до миллисекунды, а вы можете строить бизнес-процессы, которые технически невозможны с людьми. То есть вот вот это вот принципиальный момент, да, идея опять-таки не в том, чтобы вот автоматизация и AI - это как бы на мой взгляд очень неправильная как бы аналогия. AI - это не про то, чтобы автоматизировать. Для того, чтобы автоматизировать, есть просто софт. Софт существует последние там много десятилетий. AI - это про то, про те возможности, где можно применить
десятилетий. AI - это про то, про те возможности, где можно применить интеллект, но человеческий интеллект слишком дорог или слишком медленный для того, чтобы его применить экономически эффективно. Например, вы можете сделать систему, в которой, не знаю, веб-сайт будет генерироваться уникальный дизайн для каждого человека. То есть вы можете там, чтобы протестировать, какой из них лучше сработает. То есть вы можете сгенерировать, я не знаю, там тысячи значит версий, там лендингстраницы за один день, а и проверить каждый из них, какой лучше сработает, и выбрать самый эффективный. Это невозможно сделать с руками, это невозможно сделать с человеком, потому что а при этом это не заменяет людей. А-а потому что, да, вот вопрос типа, заменит ли это людей? А-а, это не заменяет людей, потому что, чтобы поставить эксперимент, не знаю, для создания там тысячи лендингстраниц, всё равно нужно аа делать ээ как бы нужен человек, который будет этим управлять. Человек становится оркестратором. Мы в фонде, да, почти все процессы у нас агентские, но понятно, что когда речь идёт о принятии решений инвестиции там 2-3 млн долларов в один в одну компанию, этот процесс, это это решение принимается инвестиционным комитетом. А это не доверяется ни агенту, ни даже отдельному человеку, потому что просто ну это коллегиальное решение и так устроен как бы процесс. А ещё одна причина - это человеческая пропускная способность Bвис. А есть такое число Домбара и вообще в теории менеджмента понятие, что человек может руководить и иметь как бы в голове держать м отношения, может быть, там с там несколькими а с несколькими десятками людей отношения и напрямую руководить, может быть, десятью, может быть, двадцатью людьми максимум. Для агента таких ограничений нету. То есть топология агентских команд, она абсолютно другая. Они могут состоять из тысяч, они могут состоять из двух. Один агент может управлять сотней других. А у них есть ограничения, у них нету эмпатии, у них нету там, не знаю, эмоциональной близости, у них нету многих людей, многих вещей, которые есть у людей и которые прикольные фичи
многих людей, многих вещей, которые есть у людей и которые прикольные фичи человека, но у них есть другие. И опять-таки мы говорим про то, как перестроить организационный дизайн компании, как перестроить оргструктуру, как перестроить огчат, как перестроить теорию менеджмента. И в этом случае мы должны опираться на то, в чём хороши люди и на то, в чём хороши агенты. Люди хороши в отношениях, в в эмоциональности, в ответственности, в а как бы а человеческом факторе, в стратегии. Агенты хороши в исполнительности, в масштабировании. А и четвёртое - это масштабирован. Ну да, в общем масштабирован, я уже сказал. Давайте теперь посмотрим на то, как компания, которая что такое компания вообще, в чём в чём, как это выглядит, что это значит? А главное такое применение, главный пример Aessive в компании - это та компания, которая представлена как поток токенов. Вы можете представить себе такую трубу газовую, только в этой трубе текут токены. Я имею в виду не криптотокены, а токены LLM. Значит, что попадает на вход? На вход попадает вся информация. То есть ваша компания может быть итив только в тот момент, когда вы оцифровали и такиенизировали 100% информации, которая в этой компании происходит, создаётся и случается. Это все звонки, все встречи, все имейлы, все Telegram-сообщения. Это вся информация от клиентов, это информация с рынка, это информация, не знаю, от конкурентов, что они делают, что они запустили. Это информация с ээ от регуляторов, это информация там с, не знаю, биржи, курсы, акций и курсы доллара, ещё что-нибудь. Все вещи, которые так или иначе релевантны, актуальны для вашего бизнеса. Вот эта информация попадает в трубу. Дальше вокруг этой трубы есть люди, которые выстраивают агентские системы, которые выполняют какие-то бизнес-процессы. Кто-то там пишет код, кто-то проектирует продукт, кто-то даёт рекламу, значит,
Кто-то там пишет код, кто-то проектирует продукт, кто-то даёт рекламу, значит, маркетирует, кто-то общается с клиентами, кто-то делает продажи, и на выходе у вас тоже получаются токены. Это применимо для любого бизнеса. То есть даже если это оффлайн-компания, даже если у вас сеть кафе, даже если это завод, даже если это пароход, всё равно все менеджмен, все решения менеджмента, всё равно компания, организация - это машина по обработке информации и принятию решений. Информация при решении - это тоже информация. То есть всё, что происходит в компании на уровне менеджмента, на уровне организационного управления - это всегда работа с информацией. Поэтому на выходе у вас тоже есть решение, что там надо отгрузить а вагон щебня, что надо там задеплоить фичу, надо м там на сайте обновить кнопку, нужно подписать договор, нужно сделать это. Зачем нужны люди? Хороший вопрос. Я скажу, зачем нужны люди, чуть ближе к концу. Но без людей ничего это работать не будет. А, по крайней мере, пока. А, ну, естественно, идея о том, что компания эта информация, она не новая. Это как бы в теории менеджмента описано. Есть как бы и теория фирмы, да, о том, что фирма существует как координация ресурсов. А, и для того, чтобы снизить транзационные издержки, есть Кудшено, про которую мы сегодня говорили, есть Роберт Норберт Виннер и вообще наука кибернетика, которая, собственно, про то, как строить саморегулируемые системы, а, которые до сегодняшнего дня а было очень сложно построить. То есть кибернетики много теории, много неудавшихся экспериментов и в СССР, и в Чили, и в других странах. Но на практики это не было возможно, потому что не было достаточно умных систем, достаточного количества вычислений, которые у нас сегодня есть. А как ээ кожаные будут деньги загребать? Давайте сейчас дойдём до людей. Зачем нужны Зачем нужны, а зачем нужны люди? Но, э, главное тут, значит, первая проблема, она не про то, зачем нужны люди. Первая проблема, она от в том, а как сегодня получить? Ну, то есть, если вы фаундер
проблема, она от в том, а как сегодня получить? Ну, то есть, если вы фаундер компании, да, я так понимаю, большинство людей, а, руководители, фаундеры, лидеры, а, то ваша цель, ваш KPI, скорее всего, очень простой. Это меньше тратить, больше зарабатывать, быстрее двигаться и не умереть от конкурентов, которые начнут это делать, правильно? А и какой какой может быть шаг? То есть, то есть ваш первый шаг - это построить некоторые конвейер токены. В вашей компании любой процесс можно разделить, можно распределить как конвейер токенов. Причём какие-то из этих шагов в любом случае останутся за человеком. То есть я пока не видел ни одного процесса, ну вот полноценного процесса от начала и до конца, который может быть полностью автоматизирован агентом. Я думаю, такие вещи возможны в бизнесах, которые маленькие. Это микробизнесы, которые исключительно в интернете и которые могут, а, сами себя по сути продвигать. Ну, например, какой-нибудь там продукт о там, не знаю, конверти там платный а сервис по удалению фона с фотографией. Вот есть такие штуки. Или там конвертации там PDF в Word или что-то такое, да, который стоит там, не знаю, 1 доллар за конверсию. Вот такую штуку, наверное, AI может сделать с нуля, может сделать целиком и полностью. И вот вопрос, да, от идеи до реализации. Ну, наверное, такая вещь может сработать. А, но, ээ, как бы, если мы говорим про сложный, большой, тем более бизнес, то всегда будет человеческий фактор. Ну, например, если мы говорим про продажи, то найти ли, да, отскорить ли, да, может и автоматически вы можете сделать агентскую систему, можете сделать сложный скилл. Понятно, что не с первого раза, но если вы как бы такой задаче зададитесь, то Но при этом Ces продажи, как правило, очень часто они про личные отношения. То есть на звонок с клиентом, если вы, не знаю, продаёте яхту, должен прийти человек, ну, даже не на звонок, а привести его, показать эту яхту вживую. В разработке, а, создать на основе бага тикет может агент, написать код и протестировать этот код может агент, но
тикет может агент, написать код и протестировать этот код может агент, но кто-то должен отревьють финальный результат. Кто-то должен сказать, что да, это правильное решение. Да, мы используем такую архитектуру, да, вот это нам подходит. А дальше задеплоить снова может агент. А если мы говорим про финансы, тогда выставить счёт, а, определить этот счёт в правильную там кодификацию по по бухучёту, а проверить, что это не мошенничество, это всё эти функции, которые можно быть автоматизированы и масштабируемы с помощью агентов. Но а дать о'кей на финансовую транзакцию, особенно когда вы отправляете миллион долларов, наверное, всё равно должен человек. Вернее, не наверное, а в любом случае, потому что иначе это приведёт к каким-то проблемам. А ревю в таких объёмах могут переваривать модели. Ну почему? А сегодня это всё происходит вообще без моделей. То есть значит, очевидно, люди могут это работать, раз сегодня это работает, правильно? Аа про кодырование. Что такое кодырование? А-а, мы стали генерировать три вагона кода в час и ревью его будут люди. Да. Аэ сегодня работа разработчиков по большей части, а, я бы сказал, процентов на 90. Ну, зависит от какой компании какая роль и в чём ваш продукт. Но на значительную часть роли разработчика сегодня - это ревью кода. Это написание спецификации и ревью кода. Всё, что посередине, роли не играет. Ну, как бы разработчик в этом месте точно не нужен. А, то есть, если ты написал хорошую спецификацию, ну, вот как работает, например, я читал, а, у Страйпа, да, у них очень сильная инженерная команда. Страй гигантская компания, стоит десятки миллиардов долларов, невероятно прибыльная. Они тратят месяцы часто на написание спецификации. То есть могут пройти месяцы от того момента, как инженер начал работать над какой-то фичей, до момента, когда первая строчка кода в этой фиче начала написана. То есть они пишут спецификации, они их обсуждают, они их критикуют. Естественно, всё это пишется с помощью агентов. И только
пишется с помощью агентов. И только после этого запускается агент. Он автоматически всё выполняет. И после этого запускается процесс ревью. То же самое происходит в Shофае, в Спотифае, в Рампе, в большинстве вот таких лидирующих компаний, которые полностью на такую яйтив разработку перешли. Но таких компаний всё больше и больше. За последние месяцы их стало, а, там, сотни примеров. Как можно противостоять искушению людей махнуть рукой и окнуть не глядя? Но это не про искушение, это не про людей, это про как бы добросовестность итру. Ну то есть как бы если человек готов окнуть и махнуть рукой, то может быть он просто ему наплевать на результат. А если человеку наплевать на результат, то может быть ему не нужно заниматься этой работой, почему он там находится. То есть это вопрос не про модели, это вопрос про исключительно change manеджмент. Как разработчик сохранит качество кодрев, если он перестанет писать код? Аа он, ну то есть то, что сегодня происходит, фактически вот процесс кодаревью, он меняется. Ты не можешь физически отревьюить весь код, который пишет модель, ну, в большом проекте, потому что его слишком много. Но при этом существует огромное количество инструментов. Сегодня у меня есть друзья, которые там строят компанию, а, значит, в долине, которая как раз занимается, а, команд, командцентр она называется. По сути, это такой командный центр для разработчика, который помогает ему ревьюить код, который пишет модель. То есть это набор из агентов, которые как бы копают этот код и подсвечивают ему те места, которые он должен обратить внимание в первую очередь. Например, архитектурно. Вот он говорит: "Вот мы тут использовали, значит, такую базу данных". Он такой: "Нет, всё, я точно такое нельзя, переделываем". Да. Вот. То есть если, ну, то, ну, я сейчас плохие примеры привожу, потому что как бы я не занимаюсь, ну, я там, понятно, умею программировать, но это не моя day работа, а, но как бы то есть сам процесс, бизнес-процесс написания спека, ревью кода, а, пло мониторинга,
сам процесс, бизнес-процесс написания спека, ревью кода, а, пло мониторинга, безопасности, вот эти бизнес-процессы меняются. То есть это, э, опять-таки, как как с чего я начал, да, это не про автоматизацию, это про то, что нам нужно переделать бизнес-процесс. А-а, если мы не доверяем финтранзакцию и, то как можно предлагать, не укладывается картина, что-то выскос специфичное. А, ну я не понимаю слово даже в этом вопросе. То есть финансовые транзакции в любой компании, а скорее всего, ну, вы не доверите, допустим, первому попавшемуся человеку. Но вот реальный процесс интеграции такой. Сначала, ну, вы не можете нанять какого-то левого человека с улицы и дать ему типа полный доступ к банковскому счёту компании, правильно? А даже если вы нанимаете его на роль финдиректора, аа у вас будет какой-то испытательный срок, у вас будет какой-то, а, надзор над этим человеком. Но если у вас есть год опыта работы с агентом, который вам говорит, что вот эту транзакцию одобрить, эту не одобрить, и ни разу за этот год у вас не было претензий к тому, насколько агент качественно предложил, да, если у вас система реально настроена работает настолько хорошо, что вы ни разу в жизни, ни разу за год не вмешались или там за 6 месяцев, тогда а ну тогда вы можете дать увеличить эту автономность. Финансовую автономность я не вижу смысла давать. Просто мне кажется, это бессмысленно. А потому что это как бы не требует много времени, и при этом риск ошибки высокий. То есть вам нужно давать агентам вещи, где риск ошибки относительно низкий и при этом сжирает огромное количество времени. Это поиск новых лидов, это тестирование маркетинговых компаний, это написание кода, это а какие-нибудь задачи, связанные с бухгалтерией, с финансовой отчётностью. То есть в финансах огромное количество функций, которые куда более сложные, куда более требуют больше времени, чем просто поставить галочку и опрубнуть транзакцию. А возвращаясь к кибернетике, во что превращается компания? Компания превращается в кибернетическую систему, которая является, то есть вот здесь у
превращается в кибернетическую систему, которая является, то есть вот здесь у меня, значит, нарисована клодом такая а шина токенов, а в которой у нас есть а какие-то функции зелёненькие, которые автоматически делает AI. У нас есть решение, суждения, направление, стратегия, которую выполняет человек. У нас есть, а, цикл обратной связи, то есть мы собираем по итогу каждого действия результат. А, то есть у нас есть какая-то цель, мы хотим, продать, продать продукт, заработать денег, у нас есть сенсор, он может проверить, типа сработало ли, а, насколько хорошо сработало, то есть, называемые, отправили письмо, э, потенциальному клиенту, если он согласился, ответил, пришёл на звонок, значит, это правильное письмо. Если нет, тогда, значит, надо что-то поменять. И у нас есть актуавтор, такой кибнетический подход к изменению того, как система работает. Значит, как меняется работа? Что вы делали? Что вы будете делать? Раньше вы делали работу, вы писали код, вы проверяли, значит, там составляли финансовые отчётности, писали руками правки, договоры, договора. Сегодня вы пишите спеки. Вместо этого вы описываете, как работа должна быть сделана. Каждый человек превращается в такого оркестратора, архитектора, чьи задачи управлять агентами, а не выполнять работу за них, потому что очевидно, что агент будет делать то же самое быстрее, лучше, дешевле. А вместо того, чтобы написать отчёт о чём-нибудь, ты пишешь спецификацию о том, как должен выделять отчёт, откуда брать источники, какую информацию включать, как помечать заголовки, сколько страниц должно быть в отчёте, а какие там должны быть разделы. А вместо того, чтобы создавать финансовую модель в Экселе, вот я, например, там много, значит, занимаюсь финансовым моделированием, и уже очень давно я не открывал Excel, потому что я знаю, что Клод сделает любую Excel, причём у нас довольно сложные, то есть там многие раунды финансирования, сложная отчётность компании, финансовая, ну, то есть как бы это относительно неочевидные вещи, а, которыми, которыми я периодически занимаюсь. И я понимаю,
неочевидные вещи, а, которыми, которыми я периодически занимаюсь. И я понимаю, что я никогда в жизни не смогу это делать настолько же хорошо, как лод. Даже если бы клод был там в 10 или в 100 раз дешевле, всё равно это бессмысленно. Ну то есть я просто потрачу там 3 часа своего времени, буду материться, ругаться и и ничего даже близко хорошего не сделаю. А, но Клод не может сделать идеальную какую-то финансовую модель до тех пор, пока он не знает от меня, а что такое идеальная модель для нас, как она должна выглядеть, как она должна работать и как ну, собственно, в чём заключается результат и в чём заключается цель. AI - это и я я имею в виду AI агент, это не софт, то есть это не инструмент автоматизации, как я уже сказал, но это и не сотрудник. И вот это две главные ошибки, которые, мне кажется, большинство компаний, а которые сегодня а этим занимаются, две ошибки, которые не допускают. Некоторые думают, что это только просто вот типа поставить программу, пусть работает, а другие думают, что это, ну, полноценный человек и достаточно ему просто на него, не знаю, грозно взглянуть и он побежит сразу и справится. Но нет, то есть ты не можешь применить те же правила общения и отношений с людьми так же, как к человеку. То есть это, э, то есть с одной стороны агент больше похож на человека в том плане, что ты ему делегируешь некоторый процесс, и он может сам принимать решения, может сам думать в условиях как бы не абсолютной информации. Аа, но при этом, аэ, AI не его способности не равны способностям человека. Его нельзя сравнить ни с глупым человеком, потому что он может решать там суперсложные задачи по квантовой механике, а или какой-нибудь там, а, ну, в общем, там есть большое количество интеллекта, и нельзя сравнить с суперэкспертным человеком, потому что он может банальные вещи абсолютно не уметь делать. Типа там смешной юмор, ЛМ делать не умеют. Вот хоть ты тресне задачу пока он твой механики может решить, а шутку придумать нормальную, смешную он не может.
решить, а шутку придумать нормальную, смешную он не может. А клод может сделать очень хорошо. И если проверить, то могут появиться вопросы. Считать не умеют. Ну, если вы просите считать агента, то опять-таки проблема, наверное, в процессе, а не в агенте, потому что, а, ну, например, если у вас есть какие-то типа, да, нужны тулзы. А как выглядит AI? А, да, нужно чёткое ТЗ. Без чёткого ТЗ, что агент, что человек принесёт фигню. Поэтому это всё про процессы. Как как выглядит, значит, Aтив организация? Ну, классическая компания, у нас есть там генеральный директор, какая-то иерархия. А в ити компании, а, скорее всего, такие компании будут куда более плоские. Там не нужно столько уровней менеджмента. Вообще вот это средний менеджмент как понятие, оно скорее исчезает, потому что а как бы средний менеджмент существует только по причине того, что передача информации сверху вниз и обратно аэ канал передачи информации недостаточно широкий. Если у нас этой передаче компрессии этой информации занимается AI, тогда этого канала будет хватать на куда большее количество действий. Вместо этого, вместо большого количества сотрудников, компании скорее превращаются в небольшое количество мультидисциплинарных людей, которые управляют агентами. Я вот, э, за застал последние там 5 минут предыдущей лекции, была отличная фраза о том, что любой продукт-менеджмен, любой бизнес-аналитик становится, в том числе, разработчиком, потому что если это не какая-то супер сложная как бы история, которая требует компьютер scienceс, там, бэкграунда, да, если это там сделать какую-нибудь лендингстраницу или прислать там открытку на Новый год клиенту, но это может сделать секретарь, это может сделать, не знаю, продажник. Более того, сегодня с клод дизайно можно сделать довольно сложные, красивые там сайты, и для этого не нужно уметь программировать. Там любой финансист сегодня его работа - это код. То есть финансист, маркетолог, там HR, его основной как бы аутпут, его то, что он производит, это это код. Но он не
основной как бы аутпут, его то, что он производит, это это код. Но он не программист, он не умеет читать этот код. Он он не знает JavaScript, он не знает Python. Почему так происходит? Потому что его задача какая-то информационная, да, там, не знаю, там HRУ нужно добавить сотрудника там в какую-то там систему или поставить ему какой-то документ или там что-то посчитать, зарплату. И эта задача требует того, чтобы агент пошёл, написал какую-то программку, исполнил эту программку и в результате что-то подготовил. А, то есть в этом плане организация становится более плоской, меньше слоёв менеджмента, больше как бы функций, потому что опять-таки ты как менеджер, ты можешь управлять большим количеством агентов, чтобы они это делали. А вместо императивного управления процессом становится декларативным. То есть ты говоришь как бы чётко ставишь задачу. Поставить чётко задачу становится самым главным навыком. А roadmap становится быстрее. Вот то, что я замечаю по всем портфельным компаниям и вообще со всеми компаниями, с которыми я общаюсь, которые прошли вот эту фазу трансформации или проходят, это то, что у них был, допустим, план на 2026 год и вот сегодня апрель, и у большинства из них они выполнили этот план. И они как бы поняли, вот я у меня есть как бы друг, да, у него компания довольно большая, десятки миллионов долларов они зарабатывают в год. А значит, он это называет как Zero, а или One Prom One Prompt Company, то есть компания одного промта. То есть у них нету бэклога, у них нету понятия бэклога, если у них есть клиент, а у них клиенты большие, то есть это крупнейший entprise, там Fortune 500 компаний в Америке. Ну то есть большие клиенты. А если у них есть запрос от клиента, что нужна такая-то фича, то эта фича как бы, если это чёткий запрос, который можно сформулировать, и у них вся компания построена, естественно, вокруг агентов, то эта фич имплементируется в тот же день. А она какое-то время тестируется, там понятно, что есть как бы определённый процесс, там quality assurance, деплоя, тестирование, ревю и так далее, но имплементация этой фичи в
тестирование, ревю и так далее, но имплементация этой фичи в вот это вот в просто в ночной билд происходит мгновенно. То есть вам roadmap на год, вот я когда вижу roadmap на год, а я как бы задаюсь большими вопросами: "А а вообще, ну, имеет ли смысл вот этот бизнес, то, чем эта компания занимается?" Потому что если они думают категориями типа мы что-то будем делать два квартала, то, ну, либо они делают там, не знаю, строят атомные электростанции, тогда о'кей, а либо они как бы может быть не до конца используют а технологии. А если они не используют технологии, тогда скорее всего они умрут, потому что их конкуренты используют технологии. И это, мне кажется, главная а главная ошибка, да. Бюрократия у агентов - это очень интересно. Аа такого такого, конечно, сейчас много. Мо, мой, мой клод генерирует, я не знаю, там, мегабайты каких-то, блин, эти текстов, значит, сам себе делает какие-то хндофы, передаёт, значит, какие-то там, вот я начал работать другому агенту, там просто тонны текста. Вот. А государственная бюрократия тоже интересная, но государственная будет последней, потому что почему? Потому что государству это не так сильно надо, как бизнесу. Бизнес без этого не выживет. То есть бизнес, который не пройдёт эту трансформацию в этом или следующем году, он умрёт. А государство, ну, там есть другие механизмы, которые продолжат, дадут возможность государству существовать. Так, а, ну, ещё QA становится очень важным, то есть опять-таки и маркетолог, и HR, и операционист, и секретарь, они все вдруг становятся тестировщиками. их основной задачей, особенно вот для как бы линейных профессий, для salза, для кастомер саппорта, вместо того, чтобы общаться с клиентом, а, я и помогать ему решать проблемы, твоя задачей, как, аэ, техподдержки а становится написать и протестировать агента, что агент самые вот необычные кейсы, самые какие-то сценарии, которые редко всплывают, может решить. То есть каждый сотрудник техподдержки и каждый маркетолог и
решить. То есть каждый сотрудник техподдержки и каждый маркетолог и каждый HR вдруг становится по сути тестировщиком. А потому что он пишет спеки и он проверяет эти спеки. Он пишет тесты, он смотрит, как агент себя ведёт. А если так, а если клиент так сказал? А если клиент матом послал? А если клиент там, не знаю, там грозится полицию вызвать, как как ему надо ответить? То есть, ну, потому что вы же строите реального мира, да? И эти системы нужно тестировать на всех, а, на всех таких вот, да. А, сорри, я я немножко не успеваю за чатом. Давайте я покажу пару примеров, да? То есть меня часто, значит, просят э что-нибудь конкретное. А что можно сделать? Вот у меня тут есть кейсы, значит, ээ там 10 кейсов, что можно сделать за 15 минут. Как, кстати, имеете за 15 минут? Вот что можно пойти прямо сегодня сделать, завтра утром вы уже ити в компании. Ну, по крайней мере, вы вы персональной там сотрудник или или участник компании. Аа значит, первое, э персональная операционная система. Берите всю информацию, все имейлы, все телеграмы, все мессенджеры, все транскрипции всех звонков, а все документы, все оффлайн встречи. Просто всё складывайте в папочку на компьютере. Запустите в этой папочке cowork или clotкод или кодекс и напишите инструкцию, что где лежит. Это невероятный даст вам буст. Просто вот я не захожу в notion, я не захожу в почту. У меня всё это происходит через агента, потому что у агента есть контекст. То есть, если мне приходит письмо, мне агент понимает, что, чтобы ответить на письмо, он уже знает, вот здесь есть файл, где написано там про меня, здесь написано про компанию, здесь написано про предыдущую историю общения с тем человеком, который мне написал, здесь написано про какие-то там, не знаю, а, кейсы, как конкретные отвечать. Второй, ежедневный брифинг. Каждое утро я себя настроил, мне приходит брифинг о том, основные вещи, которые мне сегодня нужно сделать. будет презентация, нужно
том, основные вещи, которые мне сегодня нужно сделать. будет презентация, нужно подготовиться, ответить на это письмо. А там в Телеграме такое-то сообщение ты обещал неделю назад и не выполнил. Там, не знаю, поздравить с днём рождения и так далее. Суперу удобно. А я знаю, что есть продукты для этого. Мне по фану было сделать самому. А-а, записывать все встречи. Ну да, я сказал. То есть всё, всё информация, которая генерируется, то есть у меня нету никаких звонков, ни в том числе оффлайн встреч, которые я не записываю, потому что я потом в любой момент могу обратиться. Ну, понятно, что полезно об этом спрашивать, но если вы общаетесь с кем-то по телефону или по интернету, то сегодня, я думаю, можно предполагать, что с девяностопятипроцентной вероятностью кто-нибудь где-нибудь это записывает. И я даже не говорю про спецслужбы, я говорю просто про то, что стоят вот всякие эти, а, автоответщики и записывальщики. А персональный гайд, да, если ваш агент пишет письма, пишет твиты, пишет сообщения, посты в LinkedIn и так далее, полезно сделать ему какой-то гайд, чтобы он писал не как чатбот, там с хэштегами, с эмоджи, смайликами, а чтобы он писал как бы похожим на вас языком. А стопроцентной точности вы не добьётесь, но добьётесь неплохого качества, если зададитесь с целью. А ещё один пример или продолжение первого примера - это сделать как бы э для командную такую пространство, да, в которой записываются не только ваши документы, но есть проекты командные. Там не обязательно должны быть персональные там Telegram-сообщения, но туда бы я бы складывал именно все командные проекты, чтобы мой агент и агент моего коллеги мы вместе могли все там вчетвером могли работать над общим проектом. А ревью документов, ну, например, для юридических задачи. То есть юристы, там есть сложные, естественно, кучу продуктов для юристов. И вообще юристы, наверное, после программистов - это второе как бы профессия, в которой наибольшее количество автоматизации происходит.
наибольшее количество автоматизации происходит. Но юридические задачи есть почти у всех. Вы всё время что-то подписываете, даже в личной жизни. Очень полезно иметь такого персонального юриста, абсолютно бесплатного, который вам по любому вопросу может дать аа какой-то комментарии. Вот. А отправляете корпоративные токены в облако. А что значит облако? Ну то есть понятно, что модели я использую GPT и CLД. Ну других не использую и других смысла не име нет использовать. То есть можно использовать XI и и Gemini, но непонятно зачем. локальные модели бессмысленны, они ничего не могут и и они абсолютно бесполезны. А, ну то есть я то есть с точки зрения безопасности, ну, во-первых, есть как бы вот мы там в лаборатории много про это говорим, значит, есть этвеи, можно делать обезличивание там финансовых данных, персональных данных, можно по этому поводу заморачиваться. Непонятно зачем, то есть вроде никакой проблемы это не решает. То есть, если вы, ну, то есть, смотрите, 100% данных там в вашей компании, скорее всего, и так есть у Гугла, да, или там у Ноушена или у Улака. А если вы как бы доверяете Гуглу, но не доверяете антропику, тогда тут, ну, я не вижу логики. Если вы не доверяете ни Гуглу, ни Антропику, никому, а, тогда вам нужен какой-топрайз-план и вам нужно какое-то гейway обезличивание. А, но по-другому это, то есть это решаемая проблема. Ничего сложного. В смысле? Это это геморрой. На это нужно потратить какое-то количество денег, но э как бы э локальные модели максимально полезны. На микротасках. Да-да, да, согласен. Э да, для маленьких задач я использую Openoutуer, потому что Openраутере есть бесплатные модели, а для маленьких задач. А вообще бесплатные, их просто не нужно настраивать. Но да, если у вас задача типа поправить грамматику в слове или там какие-то там, не знаю, ну, перевести там с английского на французский, то, да, можно использовать локальный квен.
там с английского на французский, то, да, можно использовать локальный квен. Аэ, я я согласен. Вот. Что ещё? Постоянный мониторинг конкурентов. Прикольная штука. Просто забейте всех своих конкурентов. Пусть каждый неделю или каждый день приходит дайдс, что у них происходит. А гигиена CRM, ну, и вообще любых источников управления данных. А, AI отчёт, файлы компании. Ну вот я говорил про про корпоративную систему, а что там конкретно имеет смысл ещё иметь какую-то память, потому что компания эволюционирует и процессы эволюционируют. И вот если у вас происходит расхождение между тем процессом, который кодифицирован у AI и как он на самом деле, тогда всё резко ломается. Поэтому очень полезно иметь какой-то файлик, может быть, просто текстовый файлик типа Memory MD, в котором хранится то, что аа то, что происходит в компании, то, как она обновляется. Вот. А у нас мало времени, поэтому я, наверное, отвечу ещё на вопросы. У меня тут есть какое-то количество слайдов. Аа это пример того, с чего можно начать делать компанию, а и и как AI Native компания может эволюционировать с точки зрения файлов. А что часто ломается? Ломается то, что нету источнико, то есть если вы не собрали все данные компании в одно место, которым есть доступ у агентов, тогда, скорее всего, многие процессы не будут работать, потому что даже для агента технической поддержки важно понимать и иметь доступ к тому, что происходит в продукте, в маркетинге и в разработке. А вам нужно иметь антологию данных. А вам нужна единая инфраструктура. очень важна безопасность. Ээ что такое антология? Антология - это для агента описание того, вот чем отличается, не знаю, маркетинговый отчёт от финансового отчёта или какие типы клиентов у вас есть или какие стадии продаж у вас есть. Потому что у одной компании там стадии продаж там их там 10, у другой компании их две, у третьей компании вообще нет продаж, у них Prodct
10, у другой компании их две, у третьей компании вообще нет продаж, у них Prodct GL Grows, то есть люди сами приходят и покупают на сайте. А там разработка у всех по-разному построена. Вот. И а ещё спрашивали про то, а что остаётся за человеком? Ну вот зачем нужны люди. Люди будут делать как минимум вот эти четыре вещи. Первое, люди будут дизайнить и и быть архитек архитекторами систем. Люди будут поддерживать отношения с другими людьми. Ты не можешь агенту дать задачу там поехать на конференцию, выступить на на метапе или или приехать там в офис и закрыть сделку. Люди будут валидаторами, ну, как бы проверять результаты качества исполнения, и люди будут нести ответственность за выполненную работу. Потому что можно агенту поручить, вот был вопрос, да, про финансы, ну, можно поручить агенту, чтобы он там подписывал все финансовые документы вообще как хочет. Локальной модели, там Лама 31 пусть подписывает все финансовые документы, но она там на подписывает, но ответственность-то она нести не будет. То есть, если вы там отправили деньги кудани куда куда не нужно, то, ээ, в тюрьму не ламу посадят, а вас А вот аа что я чемпионы, да? Сорри, я немножко проматываю слайды, потому что я просто не хочу останавливаться надолго, то, что я не успею, но я ещё про посмотрю поподробней чатик. Так, а презентация, я думаю, будет будет, если я всё правильно понимаю. В общем, она у меня есть. А, но ещё я попрошу Александра тогда отправить модель. Может, немножко крытворит съесть счёт фактуру. А я что-то пропустил наверняка из вопросов. риск-менеджмент будет конкурентным. Ну, пока я вижу обратное пока. То есть я
риск-менеджмент будет конкурентным. Ну, пока я вижу обратное пока. То есть я согласен в целом, но скорее сегодня я вижу, что проигрывают те, которы к кто смотрит про риск, кто думает сильно много про риск-менеджмент и совершенно не думает про то, как выжить, потому что можно быть абсолютно обезопаситься от всего, а забетонироваться, значит, со всех сторон, не выходить на улицу, закрыть окна, отключиться от интернета, и вы в полной безопасности. ва вам там даже микробы не проникнут. Но с точки зрения бизнеса, как бы, понимаете, когда меняется рынок, когда меняется э ну происходит такой титанический сдвиг на рынке, а это не время, когда нужно, а защищаться. Защищаться нужно, когда кризис, когда всё там моржа падает, когда происходит эта самое консолидация. Вот в этот момент, да, когда появляются возможности, когда происходит disruption, когда происходит вот взрыв, как бы пере переделывание рынка, а рынок РФ, про рынок РФ ничего не знаю особо. А ну в смысле знаю, но но э как бы я все компании, с которыми я общаюсь, они, которые в РФ, они ну в таких же условиях находятся. Но я не сказать, что я много общаюсь с компаниями, типа там, не знаю, какой-нибудь там Роснефть, да? Ну, то есть, наверное, у Роснефти всё будет хорошо и без. Почему? Потому что их бизнес он не про агентов, он про то, что у них есть бесконечное количество нефти, которое можно просто там качать. А, а если мы говорим про банки, у нас там были там три крупнейших банка, вот российских на последней лаборатории. Все активно это делают. Вот. А есть ли сейчас мировой кризис? Ну, сейчас нет, конечно. А, ну чисто тех, ну, по, в смысле, есть макроэкономическое определение мирового кризиса, и его, конечно, нет. Несколько крупных AI
определение мирового кризиса, и его, конечно, нет. Несколько крупных AI компаний, которые пришли в трансформацию, которую ты знаешь. Да, хороший вопрос. А я очень рекомендую вот посмотреть на реальные кейсы, на живых людей, у которых это получилось, это очень сильно вдохновляет. Значит, я бы смотрел блок ДК Дорси. Ramp, очень крутая компания, тоже платёжная. Stripe тоже, кстати, платёжная компания. А Coinbase очень прикольно делает из изрипты компания. А Shopify - это магазины. Э они прямо вот их тео как бы Тоби Лютки, он как бы эту идею там последние 2 года активно пушит. Компания вырастила по сути прибыль на одного сотрудника, выручку на одного сотрудника в три раза а за последние 2 года. Это, ну, на их масштабе, это десятки миллиардов долларов. Это просто невероятно. А-а, и и во многом это благодаря вот. И у них очень классный инженерный блок, как они всё это выстраивают. А Spotify, у Spotify очень прикольный блок, а тоже про то, как они делают AI трансформацию. Вот я оркестрации я бы, честно говоря, строил на клоде. Я вот ээ а Nathan Make, они скорее прикольно для прототипирования, но клод, сам клод как бы не хуже, а-а, не хуже не хуже работает. Вот. Я я опоздал. Я я в смысле на минуту задержался. Саша, >> всё в порядке. Я думаю, что у нас ещё несколько минут есть. Да, вот следующий спикер является и ведущим, поэтому он тут гибко управляет таймингом. Коллеги, есть ли ещё вопросы к Степану? Задавайте. Вот ещё несколько минут помучаем нашего спикера и будем >> Давайте. Во, отличный вопрос про Саас. Вот это я очень люблю. А то есть интересно, что AI трансформация меняет Давайте я это уберу. А AI трансформация, она влияет на то как бизнес-модели, на вообще на конкурентную систему. То есть я думаю, что вообще сам сами вот САЗ компании, они не умерли. Ну, например, какой-нибудь АвтоДЕСk или Cloud Fayer, да, у них вот акции
какой-нибудь АвтоДЕСk или Cloud Fayer, да, у них вот акции сильно упали там 2 недели назад. А я не думаю, что что-то с ними произойдёт плохое, потому что а куда вот, ну, типа как без автоска может жить мир? Ну, никак. А и конкурента автоску, да, можно построить, да, то есть делать, наверное, похожий продукт с помощью AI стало дешевле. Но проблема в том, что автоск, ценность автоска - это не в софте. Ценность автоДЕС - это в клиентах и в отношениях с клиентами. их клиенты - это крупнейшие, там, не знаю, строительные компании мира, которые не пере они они не переобучат там десятки тысяч инженеров, которые у них работают и которые уже там десятилетиями, значит, работают в этом автодеке. То есть экономика очень инертная, экономика очень медленная, и это некоторое преимущество и компании, которые выстраивают свою защитную позицию за счёт конкурентов, за за счёт а сорри, не конкурентов, за счёт а клиентов, да? То есть, если их клиенты - это суровый entтерпрайз, если это большие компании, если это государство, то даже если кто-то может делать SOF дешевле, это не значит, что он вас может тут же победить. Долгосрочно, да, краткосрочно, скорее всего, нет. Плюс САС компания, они тоже не все идиоты. Более того, большинство из них очень умные люди. Они прекрасно видят, что происходит с AI. Например, Sales Force, да, ну, крупнейшая, там, самая известная, самая популярная, самая такая классная типа САЗ-компания. Ну, первая. Они выпустили на днях свой новый продукт для продажников. То есть это компания для это CRM, по сути. Они выпустили продукт для продажников, котором нет интерфейса вообще. Это чисто CLI. А почему? Потому что они понимают, что все продажи мира будут выполняться агентами, а агентам не нужен интерфейс. Агентам достаточно командной строки, чтобы взаимодействовать, а продажники уже будут управлять агентами. А агенты будут своему продажнику делать интерфейс и рассказывать, что там происходит. Поэтому это очень как бы классная стратегия. Вот. А Pcelma, а
Pcelma, а есть ли понимание по компонентам технологической платформы для таких компаний? Есть ли карта рисков, emergency план, оценка кост в зависимости масштаба технологий, сферах деятельности? Ну прям вот, чтобы одной ссылкой, наверное, нет. А Playbook я, кстати, у меня сейчас есть такой проект параллельный, а я пишу некоторый Playbook на эту тему. В общем, вопрос хороший, да, действительно, ответа сейчас хорошего нет, но но мы работаем над этим. Какая бизнес-модель должна быть у тех, кто занимается IT-сервисами? Ээ, не знаю. Ну вот агентством, наверное, будет очень плохо. Агентством недвижимости, агентством маркетинга, агентством IT, агентством того, всего пятого, десятого. Почему? Потому что агентство, по сути, просто перепродаёт труд других людей. И если это агентство не имеет бренда типа Макинзи или Acenture или Лантир или чего-то огромного, то, скорее всего, это агентство будет заменено каким-нибудь другим агентством, которое будет делать то же самое, но с помощью AI агентов и поэтому будет продавать это в 10 раз дешевле. Например, дизайн. Вот я сейчас вчера игрался с ClД. Значит, кто не пробовал, очень рекомендую, вы просто офигеете. ClДНign. А зайдите clod.ai/design. Новый продукт, который антроopic выпустил там типа на этой неделе. А, блин, он такие крутые дизайны. Я вообще не понимаю, зачем. То есть я понимаю ценность дизайнера как человека, у которого есть вкус, потому что я не гото я не могу отличить плохое. Ну, типа вот вот не могу. Вот я просто у меня нету вкуса никакого визуального. У меня сын рисует, а я вот вообще не умею. То есть дизайнер как человек, имеющий вкус, имеет ценность, но дизайнагентство как какая-то функция, которая производит дизайнсистемы, нахрен не надо больше. То есть просто Клод это заменяет абсолютно бесплатно. Ну, в смысле, это 20 долларов в месяц. И это очень круто. Я прям фанат, потому что он не просто делал дизайники. Вот. То есть раньше яйки они
фанат, потому что он не просто делал дизайники. Вот. То есть раньше яйки они делали просто картинку, типа красивую картинку все могут сделать. А клод дизайн, он именно делает дизайн-систему, то есть он создаёт сложную систему, и дальше ты презентации клепаешь, сайты, приложения, там билборды, что хочешь. И, ну, вот мне это надо было очень прикольно. >> Коллеги, давайте ещё один вопрос, последний и будем спикера нашего отпускать. >> Как получить майку? Майка с конференции AI Engнир Summit. А, >> то есть надо туда приехать, чтобы её получить >> в Самфране. Ну, вообще они проходят в разных местах периодически, да, бесплатно выдают. >> Хорошо, Степан, слушай, спасибо большое, что к нам сегодня заглянул. А, коллеги, давайте все вопросы тогда направим Степану. Виртуальные аплодисменты. Вот приходите, подписывайтесь на канал. Вот там же будут и новости про программу. Вот. И там можно все вопросы позадавать. Вот Степан, спасибо большое. Вот отпускай. Спасибо большое. Спасибо. >> Да, да, дада. Кстати, если что, у меня есть Telegram-канал, там скинули в в этом. Буду рад всех видеть. Можно прийти в чатик? Отвечу на вопрос. >> Коллеги, все, все немедленно подписываемся, >> да? >> Спасибо. >> Спасибо. Пока. >> Пока-пока. เฮ