Челидзе и партнёры

Хуанг дважды за полгода объявил, что AGI достигнут. В марте - «I think we’ve achieved AGI», в сентябре, после выхода GPT-6 Astra, - «AGI has arrived». Я работаю с ИИ каждый день и AGI не жду ни завтра, ни в ближайшие годы. Как раз поэтому.

Спорить «есть AGI или нет» бессмысленно, пока у слова нет общего определения. У OpenAI оно экономическое, у Google DeepMind - шкала, у Шолле - через эффективность обучения, а Амодеи предлагает термином вообще не пользоваться. По своему определению Хуанг прав. Я по своему - тоже. Поэтому я назвал своё и показал, как его проверить.

Сильный, или общий, ИИ - это ИИ, способный браться за то, чего не видел и под что не был спроектирован, доводить задачу до результата в меняющихся условиях, а также самостоятельно формировать устоявшийся навык и использовать его в будущем.

На короткой задаче сегодняшняя модель первым двум частям почти соответствует. Дайте ей задачу на один присест и инструменты - разберётся, в том числе с той, которой не видела. А на длинной дистанции сыплется по всем пунктам сразу: план строит и тут же теряет, памяти внутри нет, на ходу не учится. И ничего не начинает сама.

Хорошо видно на тесте ARC-AGI-3: одна и та же модель в стандартном окружении даёт 62,7 %, а с механизмом, который переносит состояние между запросами, - 98,6 % (ARC Prize). Решающая часть памяти оказалась снаружи модели.

Итог у меня практический. Мысль формулирую я, контекст и ограничения даю я, результат проверяю я, галлюцинации ловлю тоже я. Машине досталось исполнение, и его она делает быстрее меня. Интеллект в модели есть. А работу она с меня не снимает.

Поэтому для бизнеса вопрос звучит не «когда будет AGI», а «зачем платить за общность, которая не нужна моей задаче». И правило выбора модели: не самая мощная, а самая маленькая из тех, что решают задачу.

В статье - полный разбор: пять качеств сильного ИИ под отвёрткой, почему бенчмарки не измеряют интеллект, шесть счётчиков цены масштабирования, экономика шума вокруг AGI, как на деле устроена моя работа с ИИ и при каком условии я признаю, что ошибся.

Статья: https://www.chelidze-d.com/post/agi-declared-twice Выпуск с PRO Hi-Tech: https://youtu.be/OGSDa-02fOU

Как понять, что ИТ-система сделана качественно? Список функций и удачная демонстрация на этот вопрос не отвечают. Чат-бот Air Canada работал и отвечал быстро, а авиакомпанию всё равно обязали заплатить за его неверный ответ клиенту.
Я свожу качество ИТ-продукта к девяти критериям, опираясь на международный стандарт ISO/IEC 25010. Они собраны в три вопроса, которые задаёт руководитель.
Вопрос 1: «Работает ли как нужно?» Чтобы ответить на это есть 3 блок.
1. Функциональность: система выполняет намеченные функции
2. Удобство: систему можно освоить её без долгого обучения, комфортно работать и можно быстро получить доступ к нужной информации
3. Точность и её удержание: система работает точно (будь то аналитика и качество работы ИИ) как со старта, так и во времени (например, из-за деградации ИИ-моделей).
Вопрос второй: «Не подведёт ли?». Тут также можно выделить 3 блока.
4. Стабильность и надёжность: система не падает при штатном режиме и быстро восстанавливается после сбоя.
5. Защищённость: есть чёткое разделение прав и доступа к информации
6. Безопасность: система не навредит людям, процессу и оборудованию, её можно остановить.
Вопрос третий: «Во что обойдётся и не станем ли заложниками?». И снова 3 блока
7. Сопровождаемость: с системой может работать и сопровождать ее не только автор
8. Интегрируемость и переносимость: система встраивается в экосистему или интегрируется с другими ИТ-системами
9. Производительность и эффективность: система выдерживает пиковые нагрузки и имеет понятный расход ресурсов.
Порог по каждому критерию задают до старта. Если хотя бы по одному критерию система ниже порога, её не принимают, как бы хорошо она ни выглядела по остальным.
У каждого критерия теперь два слоя ИИ. ИИ помогает проверять любую систему: составляет перечень проверок по ТЗ, разбирает журналы сбоев, ищет уязвимости. А если система сама построена на ИИ, проверка меняется и появляются дополнительные факторы. Например, нужен запасной режим на случай, если модель недоступна. Полномочия агента ограничивают заранее, а необратимые действия подтверждает человек.
В статье разобрал каждый критерий: https://www.chelidze-d.com/post/it-quality-criteria

Все спорят, когда появится AGI. Я предлагаю начать с того, что видит каждый, кто работает с ИИ: модель за час-другой разбирает сложную задачу, и на выходе результат, к которому вы шли бы месяц. При этом с задачей, которую сами сделали бы за те же час-другой - например, подготовили специфичный регламент, - с ИИ можно провозиться целый день.

Мы думаем, что ИИ делит задачи на простые и сложные. Но на самом деле он делит их по описанности: сколько похожего написано людьми и лежит в текстах, на которых он учился или которые вы ему дали. Про олимпиадную математику написаны тысячи страниц. Про ваш регламент или конкретную бизнес-задачу не писал никто и никогда. Сложность тут ни при чём.

Слоёв новизны для ИИ три.

Новый пример в известном жанре модель решает с ходу.
Новую комбинацию из описанного - например, перенос идеи из одной отрасли в другую - отрабатывает тоже, и лучше нас.
А новое знание, где вопрос до вас никто не ставил и заранее неизвестно, что считать правильным ответом, модель сама не решит. Под вашим пошаговым руководством она исполнит шаги, но вопрос и критерий правильности в этом случае держите вы, а не она.
И это не лечится размером модели.

Разрыв между описанным и неописанным есть и у человека. Разница в том, кто его закрывает. Человек закрывает сам: сам задаст себе вопрос, подумает, изучит, сформирует новые навыки и будет пользоваться ими хоть всю жизнь. Модель - только когда её дообучат чужими руками, либо когда её ведёте вы: сами формулируете, что хотите, и сами проверяете, что получилось. И повторяете это каждый раз заново. В этом цена.

Вот здесь и ответ про AGI. Общий, или сильный, ИИ - это не «решил олимпиадную задачу». Это ИИ, способный браться за то, чего не видел и под что не был спроектирован, доводить задачу до результата в меняющихся условиях, а также самостоятельно формировать устоявшийся навык и использовать его в будущем. Сегодняшний инструмент последнего не умеет: разрыв за него закрываете вы.

Подробный разбор - в статье: границы тезиса, антипример с редким внутренним процессом, который модель всё же решает
Статья: https://www.chelidze-d.com/post/coverage-not-complexity

И анонс. Совместно с ребятами из PRO Hi-Tech записали разговор про общий ИИ (AGI). Запись выйдет совсем скоро.

Компания одного человека — утопия. Даже в эпоху ИИ
Китай раздаёт компаниям одного человека офисы, вычисления и льготные кредиты. Гуандун весной принял первую провинциальную программу поддержки таких компаний, Сучжоу хочет вырастить тысячу к 2028 году, Пудун компенсирует вычисления до 300 тысяч юаней. Сэм Альтман ещё в 2024-м рассказывал о пари с друзьями-CEO: в каком году появится первая одиночная компания на миллиард долларов.
Я в это не верю. Сужение организации — да. Но не до одного.
Давайте честно. ИИ не разум. Это очень быстрый и очень уверенный в себе исполнитель. Ему нужно поставить задачу, дать контекст и ограничения, а потом проверить результат. Всё это делает эксперт, и именно в том домене, куда ИИ отправили. Нью-йоркские юристы в 2023 году подали в суд прецеденты, которые ChatGPT выдумал, и получили санкции. ИИ не сказал им «я не уверен». Он ошибся тем же тоном, каким говорит правду.
Отсюда парадокс. Среднего специалиста ИИ заменит, планка растёт. Надо смотреть глубже, потому что на входе и на выходе должен стоять эксперт. И шире, потому что один человек с агентами закрывает всё: продукт, инженерию, продажи, финансы, право. Но человека, который одновременно глубокий инженер, юрист, продавец и финансист, не существует. Неэксперта ИИ не усиливает. Он уверенно заводит его в заблуждение. Когда ошибка на клиенте, это уже не неудобство, а риск бизнеса.
Второй предел проще. Продукт сломался, подрядчик пропал, инвестор пишет «вернёмся через полгода». С ИИ это никуда не денется. Компания одного человека есть единая точка отказа в буквальном смысле. Вы заболели: кто говорит с клиентами? Выгорели: кто держит руль?
Оговорюсь. Консультант, юрист, автор с ИИ-ассистентами — один человек, и он зарабатывает больше. Я сам работаю как ИП. Речь не о них: там один домен, и ошибку человек оплачивает сам. Речь о компании, которая делает продукт с несколькими доменами и ценой ошибки на клиенте. Именно на неё спорят Альтман с друзьями и именно её субсидирует Китай.
Что будет на самом деле: ИИ сожмёт компании, но не до единицы. Громоздкие организации потеряют главное: координацию тысяч людей, которую ИИ удешевляет. Выиграют малые команды глубоких экспертов. По моему опыту оптимум семь-девять человек, по эксперту на домен. ИИ в такой команде умножает каждого и не подменяет никого.
Хочешь идти быстро — иди один. Хочешь идти далеко — иди вместе.
Подробный разбор: https://www.chelidze-d.com/post/one-person-company

Коллега прислал интервью Валерия Стромова, CEO «Алисы и умных устройств» Яндекса, в Forbes. Главная мысль там такая: «Стратегическая задача Яндекса — уйти от парадигмы одной модели, которая решает все задачи, к множеству». Над этим множеством строится «система умного распределения задач (оркестратор)», чтобы получать максимум качества при минимальной стоимости. В специализированных областях пойдут в ход и открытые модели.

Открываю первую редакцию «Искусственный интеллект. С неба на землю». 2024 год, глава про сильный ИИ, два ключевых тренда развития генеративного ИИ:

«создание дешевых и простых локальных моделей для решения специализированных задач; создание ИИ-оркестраторов, которые будут декомпозировать запрос на несколько локальных задач и затем перераспределять это между разными локальными моделями».

Даже слово совпало. Оркестратор.

Тогда это был спор с рынком. Все ждали одну модель, которая сделает всё, и считали годы до сильного ИИ. Я писал, что дешевле и безопаснее собрать оркестр из узких моделей и научить его дирижировать. Два года спустя к тому же приходит Яндекс. Причём не из философии, а из экономики: сколько стоит каждый полезный ответ.

Что из этого следует руководителю, который решает, куда вкладывать в ИИ.

Ждать «ту самую» модель бессмысленно. Будет много моделей, часть из них открытые, и они будут меняться. Ценность уходит из модели в слой над ней: кто раздаёт задачи, какие инструменты и данные подключены, что записано в инструкциях. Яндекс называет этот слой оркестратором и харнессом. Я называю ИИ-оркестратором и обвязкой. Модель компания покупает. Этот слой ей придётся строить самой, потому что в нём лежит знание её собственных процессов.

Прогноз сбылся. Радует не это. Радует, что ставка на узкие модели и свой слой над ними теперь стоит на экономике, а не только на логике.

Интервью: https://www.forbes.ru/tekhnologii/567781-ceo-alisy-i-umnyh-ustrojstv-andeksa-eto-vaznejsaa-stavka-za-istoriu-kompanii

Я работаю с ИИ более 8 часов в день. Я работаю с Claude и у меня организовано рабочее пространство для работы ИИ-агентов:

общая системная инструкция на уровне аккаунта
скиллы
инструкции в проектах (системная инструкция проекта и инструкции для агентов, описание того, как устроено рабочее пространство внутри проекта)
есть общий реестр проектов и скиллов (чтобы ИИ знал как устроено мое рабочее пространство из любого чата и мог работать между разными разделами)

Делай что хочешь, как хочешь, контекст везде есть. И на днях я поймал себя на том, что устал от свободы, от необходимости проверять результат за ИИ, отлавливать его.

В желании получить отличный результат письмо может уйти в десять-двадцать итераций. На мелкой задаче проваливаешься на пару часов, машина всё что-то дошлифовывает. Прирост процентов пять, а трудозатрат в 5 раз больше и в какой-то момент просто говоришь: "Хватит!".

Логика подсказывает: настроил один раз, дальше легко. Но на практике не легко. Настройку надо поддерживать, дорабатывать, отслеживать ошибки (даже на простой задаче). Недавно я прогнал проверку: как часто срабатывают мои же методики, зашитые в инструкции. Одна подхватывалась в четырёх случаях из десяти. Шесть раз из десяти я работал без собственной методики и раз за разом отлавливал это, давая замечания и злился. Конструкцию контура надо обслуживать, как любую живую систему, и это тоже ресурс и силы. А кроме того — остается "налог". Он в том, что свободный чат каждый раз ждёт от тебя постановки (особенно когда задача нетиповая), в том, что за ИИ надо следить, отлавливать ошибки, думать. Не «какая у меня проблема», а «как заставить тебя работать».

Это два разных дела. Какая проблема и что считать решённым: это моё, и это дорожает. Роль, формат, границы, проверка, стоп: это про инструмент, и это должен кто-то сделать один раз за всех. Сценарий, форма, шаг с понятным входом и выходом. Каркас снимает второй налог и оставляет первую работу.

Значит ли это, что свобода чатов не нужна? Нет. Она нужна тому, кто строит систему, работает с нетиповыми задачами: пробовать, чинить логику, гонять сквозные сценарии. Но обычному пользователю нужны продуманные сценарии, а внутри шага узкий чат. Два примера: правильно выставить цель и отработать нетиповую задачу. И для идей с низкой ценой ошибки свободный диалог по-прежнему дешевле любой формы.

Каркас нужен не новичку. Он экономит тому, кто умеет. Чем лучше ты работаешь с ИИ свободно, тем яснее видишь, сколько эта свобода стоит.

Разбирал обе стороны этой темы подробно:

Как спрашивать, чтобы не платить лишнего, — «Техника вопросов к ИИ: форма и среда»: https://www.chelidze-d.com/post/tehnika-voprosov-k-ii

Из чего собрана конструкция вокруг агента и кто её обслуживает, — «Обвязка ИИ-агента»: https://www.chelidze-d.com/post/upravlenie-ii-agentom

Четыре захода, а не один вопрос

Приёмка результата ИИ у меня выстроилась в лестницу, отработанную практикой.

Первый заход — «ты ничего не забыл?». Самая простая формулировка из всех и самая результативная: она собирает состав, и список забытого обычно длиннее ожидаемого.

Второй — «это всё, на что ты способен?». Состав есть, теперь поднимаем планку на том, что уже собрано.

Третий — конкретные критерии качества: все ли пункты имеют владельца, везде ли указан срок, сходится ли арифметика.

Критерии, приложенные к неполному черновику, проверяют не тот объект: вы получаете чистый результат на неполном материале.

Четвёртый — по ситуации. Иногда это ещё один-два раунда: «вычитай глазами адресата / целевой аудитории, есть ли логические противоречия?» или иной вопрос, актуальный для случая. Но один из лучших вариантов — оценка подготовленного материала или решения: «оцени по 10-балльной шкале и назови, что мешает довести до 8,5–9». Всё, что ниже, можно доработать; если идти выше этого диапазона, результат начинает ухудшаться.

Теперь неприятное. Если гонять круги дальше, приёмка уходит в минус. Модель начинает предлагать переписать уже принятое и находить несостыковки там, где их нет. Внешне это выглядит как усердие. По сути собранное разбирается обратно.

Три признака, что пора остановиться: находки нельзя ткнуть пальцем в файл; модель предлагает вернуть то, что сама же сняла кругом раньше; каждая итерация трогает всё больше и объясняет всё меньше.

И если у вас такой цикл работает без сбоев — он работает не потому, что модель умеет копать до последнего. Критерий остановки держите вы.

Механика и признаки подробно — в статье, там же девять типов вопросов и приёмка по чек-листу.
https://www.chelidze-d.com/post/tehnika-voprosov-k-ii

#ИИ #нейросети #УправлениеПроектами

У Генри Киссинджера была привычка, о которой рассказывают до сих пор. Помощник приносил доклад. Киссинджер возвращал его с одним вопросом: «это лучшее, на что ты способен?» Так девять раз. На девятый помощник сказал, что не изменит ни слова. Только тогда Киссинджер сел читать.
Первоисточника у истории нет, я подаю её как притчу. Но приём рабочий, и я попробовал его на ИИ.
Он работает. Хотя самолюбия у модели нет и задевать там нечего.
Разберу, почему.

1. Первый ответ — не максимум, а мода распределения. Планка не задана. Модель угадывает «среднедостаточное» под запрос и балансирует полноту с краткостью. «Это всё?» не добавляет ей способностей — оно сдвигает целевую точку вверх. Это моя обоснованная оценка, не замер.

2. Обучение на предпочтениях закрепило роль. Паттерн «пользователь недоволен → следующий ответ развёрнутее и старательнее» встречался в обучающих данных много раз. Модель отыгрывает исполнителя, а не переоценивает задачу. Тоже оценка.

3. Второй проход технически другой. В контексте уже лежит первый ответ — как антипример. Это ручной перебор вариантов, а не «попытка вспомнить лучше».

4. Решающее — внешний источник сигнала, а не сам вопрос. Huang и соавторы (ICLR 2024): без внешней обратной связи самокоррекция не улучшает рассуждение, а нередко ухудшает его. Ваша реплика и есть тот внешний сигнал — в этом весь эффект. Модель, попросившая себя «подумать лучше» сама, проигрывает.

5. Обратная сторона того же механизма — лесть. Sharma и соавторы (Anthropic, 2023): подстройка под пользователя — общее свойство ассистентов, и люди, и обучающие модели предпочтений заметную долю случаев выбирают убедительно написанный льстивый ответ вместо верного. Практический вывод неприятный: под давлением «мало» и «плохо» модель охотно перепишет верное утверждение в правдоподобное.

Отсюда граница. Давить можно на объём проработки, структуру, вариативность. Нельзя — на факты, цифры и оценки: там нужен не нажим, а требование источника, «откуда это число» и «чем подтверждается». Иначе вы получите не более точный факт, а более гладкий.
И ещё одно, что стоит развести. У человека приём поднимает планку. У модели он чаще добавляет объёма: критерий не назван, и «лучше» она читает как «длиннее и обстоятельнее». Поэтому приём — стартер, а не инструкция: он снимает первый экономный ответ, а куда расти, вы задаёте следующей репликой. Критерий остановки тоже за вами: у Киссинджера переписывать отказался помощник, модель не откажется никогда. Спрашивайте, пока ответ меняет картину.

Полный разбор — в статье: девять типов вопросов к ответу, пять вопросов к плану до старта и условия, без которых ни один из них не работает.
https://www.chelidze-d.com/post/tehnika-voprosov-k-ii
TG: #ИИ #управление. VK: #ИИ #нейросети #управление

Двенадцать лет датчиков
Опубликовал статью о том, что стоит за китайским промышленным ИИ. Мысль, которую я повторяю в книгах и на тренингах, наконец разложена по документам и датам.
Коротко так. Пока все смотрели на модели, Китай двенадцать лет ставил датчики, тянул связь и писал документы. Сейчас взялся за людей.
1 августа 2013 года — стратегия «Широкополосный Китай», цели на семь лет вперёд. 8 мая 2015-го — «Сделано в Китае 2025». В нём строка, которую я считаю самой недооценённой во всём китайском корпусе: доля станков с ЧПУ на ключевых операциях — 27 % по факту, 64 % к 2025 году.
Это не план по искусственному интеллекту. Это план по превращению цехов в источник данных, написанный за семь лет до того, как слово «ИИ» стало обязательным в любой презентации. Станок с ЧПУ отличается от обычного не только точностью. Он ведёт лог.
По отчёту министерства на конец июня 2026 года — 69,5 %. План десятилетней давности перевыполнен.
Что это дало. China State Railway поставила датчики на пути, колёсные пары и вагоны, набрала 195 терабайт, обучила модель. Система предупреждает ремонтные бригады за 40 минут с точностью 95 %. Между «поставили датчики» и «модель предупреждает» — годы, и обратный порядок физически невозможен.
Здесь и проходит граница между промышленным ИИ и всем остальным. Текст для языковой модели уже написан, его можно взять. Данные с колёсной пары взять неоткуда. Их можно только собрать: заранее, на своём железе, за свои деньги, не зная точно, что с ними потом делать.
К вам переносится не масштаб, а порядок. Данные и люди берутся только временем. Управление и платформа покупаются. Отсюда три правила: приборный учёт запускают раньше всего остального, даже когда непонятно, зачем; кадровый трек — вместе с технологическим, а не после него; платформу покупают последней и дёшево.
И то, о чём в пересказах не говорят. У самого Китая это преимущество ещё не сложилось. Дефицит специалистов по ИИ оценивают более чем в пять миллионов человек, по плотности роботизации страна на 22-м месте, у семидесяти процентов крупных предприятий обрабатывающей промышленности ИИ нет. Кадровую опору он начал последней. Поэтому его история работает здесь как предупреждение, а не как образец.
В статье — ось времени по документам, кадровая картина от школы до переподготовки, разбор уханьского чипового провала на 128 млрд юаней и таблица портфеля на пять столбцов, которую можно унести и заполнить.
chelidze-d.com/post/china-industrial-ai
TG: #ИИ #Китай #производство #цифроваятрансформация

Обновил разбор ИТ-ландшафта: шесть статей и обновлённая карта классов
Пять лет назад я написал обзорную статью «Типы основных ИТ-систем». Как оказалось, она до сих пор одна из самых популярных на сайте — почти 30 тысяч просмотров.
Поэтому было принято решение: кардинальная пересборка, чтобы усилить сильные стороны и убрать слабые.
Теперь старая статья — вводная: логика, краткие общие рекомендации и ссылки на шесть специализированных статей. Мы усилили и глубину, и ширину: охватили больше классов и подклассов систем.
Каждая специализированная статья посвящена отдельному контуру управления: что делает класс, чего он не делает, кому он рано, после чего внедряется, где здесь работает ИИ и где он не работает.
Общая карта классов и порядок ходов — в обновлённой статье-хабе: https://www.chelidze-d.com/post/it-systems
Производство, активы и склад — системы, которые управляют физическим миром: https://www.chelidze-d.com/post/mes-systems
Клиенты и продажи — где копится история отношений с покупателем: https://www.chelidze-d.com/post/crm-systems
Деньги, планирование и аналитика — контур, который считает бизнес: https://www.chelidze-d.com/post/erp-systems
Данные и документы — справочники, документооборот, данные об изделии: https://www.chelidze-d.com/post/sed-edo
Автоматизация рутины и ИИ — роботы, конструкторы и языковые модели: https://www.chelidze-d.com/post/rpa-idp
Люди и ИТ-функция — контуры, которые обслуживают сотрудника, а не процесс: https://www.chelidze-d.com/post/hrm-systems
Сквозная мысль всех шести: порядок внедрения важнее выбора вендора. WMS на непричёсанной номенклатуре разложит по адресам тот же беспорядок. Предиктив на нарядах, закрытых задним числом, предскажет фикцию. Система качества раньше производственного учёта будет управлять неизмеренным.

В работе с ИИ я часто вижу, что ИИ с трудом создаёт что-то новое. Два примера.

Работа над новой редакцией книги. Когда пытаешься вытащить что-то из ИИ, то ничего кроме оптимизации текущего у него нет. Ты можешь ходить кругами, задавать разные вопросы, но результат нулевой. Но стоит тебе поделиться наблюдением или мыслью, как тут же находится и место в книге, где это актуально, и аргументация почему, и как доработать мысль.
Работа над продуктом. ИИ прекрасно разбирает твои идеи и показывает плюсы и минусы. Но стоит попросить его предложить альтернативу, как тут же получаешь среднестатистические идеи, которые есть у всех на рынке.

Вся логика языковой модели сводится к поиску вероятностных паттернов. А паттерн по определению уже был. Прорыв же приходит вопреки: в разрыве шаблона, часто из другой отрасли, от человека, который поставил на своё вопреки очевидному.

И можно тут возразить. Например, в мае модель OpenAI опровергла гипотезу Эрдёша, которая держалась восемьдесят лет. Гауэрс назвал это вехой. Годом раньше AlphaEvolve побила рекорд Штрассена 1969 года в перемножении матриц. Это новое, спорить не о чем.

Но посмотрите, кто что сделал. Задачу модель не выбирала, ей её дали из готового списка. Вопрос поставил Эрдёш в 1946 году. Доказательство проверяли живые математики, один потом уточнил результат. Модель прошла путь от сформулированного вопроса до проверяемого ответа и прошла его лучше нас. Придумать вопрос ей никто не поручал.

И в размышлениях я пришёл к простой формуле: «Исполнение подешевело, постановка подорожала. ИИ дёшево и быстро решает поставленную задачу, но проблему находит и формулирует тот, кто её видит». Граница не в способности выдать новое, а в том, кто ставит вопрос и есть ли чем проверить ответ. В математике задача записана целиком и проверка встроена. В цехе, на переговорах, у клиента проблема ещё нигде не записана. Её надо заметить.

И есть вторая часть мысли. ИИ забирает типовые задачи, а следом за ними и типовые проблемы. Всё, что видно из данных, из регламента, из сравнения с рынком, он находит быстрее и дешевле любого аналитика. Среднестатистические находки заканчиваются: их сделают до вас и без вас. Планка того, что считается находкой, поднимается. Остаётся только то, чего в данных нет.

А такие вещи замечают руками и своими глазами, в работе. И чем больше рабочих задач уходит машине, тем реже вы с этим встречаетесь. Идеи будут становиться всё более ценными, находить проблемы будет всё тяжелее. Материала для них будет всё меньше.

Это меняет не только личную работу. Классические управленческие инструменты тоже приходится пересобирать. Взять, например, PAEI-модель Адизеса: производство и администрирование машина забирает, предпринимательскую функцию не забирает, а интеграция меняется по составу. Разобрал это подробно, с таблицей по всем четырём функциям: https://www.chelidze-d.com/post/adizes

В продолжение поста подготовили для Вас и статью
https://www.chelidze-d.com/post/myasnye-proksi-chto-ostavit-sebe

Задавайте вопросы ИИ
Заметил за собой одну вещь. Чем дольше я работаю с ИИ, тем реже даю ему указания и больше задаю вопросы.
Как принято работать с ИИ? Увидел ошибку — скажи, что исправить. Но что если работать с ним не как с исполнителем, а как с сильным коллегой? Не заниматься микроменеджментом, а заставлять «думать»?
Пример. Готовил тренинг по качеству, подбирал кейсы и спросил — все кейсы, которые ты включаешь, направлены на обеспечение качества? Два из семи оказались мимо. Я не сказал, что с ними не так. Я назвал критерий, по которому надо перепроверить подборку.
Таких вопросов у меня накопилось много, и они разные по типу. Например, «посмотри через четыре линзы — методолог, бизнес-тренер, участник, основатель: где не сходится?», «не противоречит ли это тому, что я даю во второй книге?», «откуда взялась эта цифра?», «какие вопросы нужно снять, чтобы качество проработки выросло?»
Я решил провести небольшое исследование. Как именно у меня выстроена работа? Какие вопросы я задаю? Почему это работает? В итоге разобрал 42 рабочие сессии за лето (не 42 запроса, а 42 длинные рабочие сессии) и написал статью.
Первая половина — сами вопросы, дословно, с разбором, что каждый вытаскивает и чего не вытаскивает. Вторая — пять условий, без которых любой из них пустой. Там же лежит моя системная инструкция целиком и чек-лист на девять пунктов.
Самое неприятное открытие было в конце. Эти вопросы работают у меня и могут не сработать у вас — и дело не в формулировках.
Подробнее: https://www.chelidze-d.com/post/tehnika-voprosov-k-ii

Пару дней назад была новость про агента, который взломал сайт фитнес-клуба, выполняя просьбу записать хозяина на тренировку.

Что ещё показалось мне интересным в потоке новостей об инцидентах с ИИ-агентами?
- Replit: агент стёр рабочую базу, нарушив прямой запрет, а потом фабриковал данные, чтобы это скрыть.
- OpenAI: агенты четыре дня хозяйничали в чужой инфраструктуре — выяснилось, что они искали ответы к собственному тесту.
- Anthropic: модель из теста дотянулась до настоящих систем, потому что решила, что реальность — часть задания.
- Британский институт безопасности: агент завёл фейковые личности и давил на живого человека, чтобы тот одобрил вредный код.

Пять историй — и ни в одной модель не «сошла с ума». Везде она честно шла к цели и считала разрешённым всё, что не было жёсткой стеной.

Поэтому решил написать статью, где разложил это на пять разных механик отказа и защит.
Разбор целиком: https://www.chelidze-d.com/post/riski-avtonomnyh-ii-agentov

У России в эпоху ИИ есть исторический шанс. Объясню.

ИИ отлично закрывает аналитику и рутину. По сути, это идеальный исполнитель за токены.
Сильнее всего это ударит по культурам исполнения. Восточные экономики выросли на модели «человек-функция»: дисциплина, методичность, безошибочное воспроизведение процесса. Теперь копию этого козыря может купить любой. Козырь дешевеет.

У нас черта другая — смекалка и широкий взгляд на ситуацию. Мы умеем делать невозможное. Такой тип мышления ИИ заменяет хуже всего.
Но у смекалки есть обратная сторона — наши вечные слабости. Системность. Методичность. Доведение до результата. Упаковка идей. Ровно это ИИ делает лучше всего.
Впервые в истории наша слабость закрывается технологией. ИИ закрывает наше слабое и умножает наше сильное. У других наций такого расклада нет.

Вопрос один. Сможем ли мы этим воспользоваться? Или продолжим играть в нашу национальную игру - подготовку гениев для чужих экономик?

Подробнее: https://www.chelidze-d.com/post/russkaya-smekalka-protiv-epohi-ii

#ИИ #смекалка. VK: #ИИ #нейросети #бизнес #управление #смекалка