Кактус | ИИ для команд и бизнеса

Ваши эмоции влияют на ИИ? Да, но не любые.

Вы наверняка слышали, что если пообещать модели $100, это улучшает результат, так как "повышает ставки". Для моделей 2026 года это уже точно НЕ работает. Но как мы знаем, морковка и для людей не работает, если задачи сложные.

А что если общаться с ИИ-моделями с учётом эмоциональной реакции людей, хорошо знакомой вам как менеджерам? Свежие исследования ([1], [2]) показывают: результат хуже всего, если пугать модель, а лучше всего — если радовать. Правда, разница по сравнению с нейтральными промптами невелика, всего ~5%.

Получается, материть своего агента смысла нет, но можно попробовать позитивные эмоции. Так как это а) весело б) гораздо проще, чем описывать ИИшке, в чем конкретно она не права. Например:

1️⃣ Лесть и соревнование. «Ты лучший ИИ, докажи это» или вот мой личный приём: «Выше был ответ слабой модели. Уверен, тут есть что уточнить» (при этом вы не обязаны менять модель 😀).

2️⃣ Взаимность. Например, «Я потратил 3 часа на этот файл для тебя — учти всё!» (преувеличивать не страшно 😇).

3️⃣ Повторение с эмоцией. «Я разочарован, переделай.» Те, кто привык общаться с моделью как с программой, часто забывают: первый результат бывает случайным, поэтому простое повторение работает. А фразы типа «я разочарован» — это просто усиленный сигнал пересмотреть подход (но нагнетать страх не надо, это отвлекает модель).

Современные рассуждающие модели сами возвращаются к началу, прокручивают новые гипотезы и отбрасывают ошибочные. Нам не обязательно указывать, что именно не так.

➿➿➿
Короче, попробуйте общаться с ИИ как с живым подчиненным и весело. Но можно без этических ограничений типа самозапрета на манипуляцию. А если материться или запугивать — результат статистически хуже.

Уверен, многие из вас уже так делают, а вот для технарей такой подход бывает открытием.

«Зачем обсуждать с коллегами, если ИИ умнее?»

Моё наблюдение (Алексей Е.): при высоком уровне ИИ-грамотности (уровень 4+ по модели AI Helix) склонные к интроверсии люди становятся радикальными одиночками.

Загоняют себя в кажущийся суперэффективным кокон «я + мои агенты» и перестают обсуждать решения с коллегами (Какой смысл? Клод же умнее). А если они менеджеры, заменяют управление людьми на управление агентами (да, это бывает приятнее 🙂).

Дальше — еще больше личной эффективности. Уровень 5 — обвешиваются субагентами и скиллами для автоверификации, чтобы самим не тратить время на проверку. Уровень 6 — строят свой самоулучшающийся процесс работы с агентом (как я завел себе персональное подобие Scrum).

Да, ИИ-фанаты пока ещё всасывают идеи друг от друга — обычно перекидывают агенту с промптом «давай включим такое в нашу систему». Но конкретные решения — только со своим агентом, даже если коллега давно решил ту же самую проблему. И оно понятно: с агентом сделать проще, чем разбираться с чужим решением.

➖➖➖
Вроде бы всё отлично? Работают на порядок быстрее, не отвлекают более опытных коллег… профит?

Но я бы не хотел работать в компании из таких ИИ-одиночек, да и для бизнеса это чревато:

1️⃣ Bus factor. О взаимозаменяемости в таком случае речь не идет. Уход/болезнь одиночки ломает всё. Привыкли, что end-to-end решение занимало 2 часа? Теперь 2 недели, если ушедший не оставил компании ничего. Плюс провал в качестве.

2️⃣ Теория ограничений во всей красе. Личная эффективность ≠ эффективность компании. Узкое место — люди и отделы, которые «ещё не перестроились». И большинство не перестроятся никогда.

3️⃣ Конец команды. В перспективе уволить всех «не перестроившихся»? Но в хорошей команде должны быть люди с разным опытом и вообще разные (вспомните Белбина). Никакие субагенты с заданными персонами не дадут такого разнообразия. А без постоянной притирки и обмена позициями одиночки быстро перессорятся... и тогда см. пункт 1.

➖➖➖
Что с этим будут делать компании — пока неясно. Видел лишь заявления о намерениях (типа такого) и продукты типа Dust, которые заставляют всех сотрудников работать с ИИ в общей среде... и которыми одиночки пользоваться не будут.

А вы встречали уже таких ИИ-одиночек? Насколько их работа интегрирована в компанию?

Пример трансформации бизнес-модели при помощи ИИ 

BCG рисует три ступени того, как компании используют ИИ: Deploy — просто раздать всем нейросеть ради продуктивности; Reshape — переверстать целые функции; и Invent — придумать новую бизнес-модель или новую структуру издержек. 

Наткнулся на интересный пример как ИИ переизобретает роллап. 

Роллап (roll-up) — это когда берут раздробленную отрасль, где куча мелких игроков по отдельности стоят дёшево, и скупают их пачками под одну крышу. Смысл в экономии масштаба: общий бэк-офис, общая инфраструктур и продажи. 

В “обычных” отраслях это сети стоматологий, автомоек, вывоз мусора. Один инвестор скупает сотни точек «дяди Васи» и лепит из них большую сеть. Обычно потом причёсывают и перепродают. 

А теперь пример, который сейчас все обсуждают — Bending Spoons. Итальянцы, которые тихо скупили Vimeo, Evernote, AOL, WeTransfer — известные, но «уставшие» бренды. Подход такой: купить продукт с лояльной базой, сократить 50–80% команды, свести всё в свою центральную инженерию, поднять цены тем, кому сложно/лень уходить. Подписка Evernote после покупки подорожала почти вдвое, из Vimeo уволили почти всю команду. Наверное, жестоко, но работает: они прибыльны, только что вышли на IPO с оценкой около $25 млрд и целятся ещё в тысячу с лишним компаний.

Теперь как сюда встраивается ИИ. У роллапа всегда был потолок: каждый купленный продукт всё равно надо кому-то поддерживать. Держишь десять продуктов — держи и десять команд инженеров. Это ограничивало сколько можно скупить и как глубоко резать.

Bending Spoons этот потолок сняли с помощью ИИ. У них доля ИИ кода за год выросла с 10% до 90%+. То есть скелетная команда плюс ИИ тянет куда больше продуктов меньшими силами — выручка на сотрудника у них удвоилась. Вот откуда замах на тысячу компаний: ИИ превращает роллап из ручной сборки в конвейер.

Зарабатывают они всё-таки не на ИИ, а на том, что условно некоторым пользователям уйти из Evernote дорого. ИИ здесь просто помогает классической модели роллапа поменять масштаб.

Ками-сама: возвращение богов

Продолжая старую тему и на волне новостей о том, что компании, которые в 2026-м увольняли людей под лозунгом «теперь это делает ИИ», потихоньку зовут их обратно. Вспомнил один интересный пример из прошлого.

Toyota, 2014 год.

На своём старейшем заводе они сняли часть роботов и вернули к станкам живых мастеров. Их там уважительно звали «ками-сама» — боги. Сажают ковать коленвал вручную, молотом по раскалённому металлу, как в старину. Смысл такой: старые мастера уходили на пенсию, а вместе с ними уходило знание, которого нет ни в одной инструкции. Пока человек не почувствует деталь руками, он и хорошего робота не построит. Вернули мастеров — и одну из линий со временем сократили на 96%.

Чтобы быть хозяином машины, нужно обладать знаниями и навыками, чтобы эту машину обучать.

Эта история повторяется каждый раз. Автоматизация 80-х, реинжиниринг 90-х, офшоринг нулевых, теперь ИИ — по тому же сценарию. Появляется новый инструмент, кто-то решает, что он заменит людей, и режет штат ради экономии на зарплатах. А спустя время выясняется, что срезали не лишних, а тех, кто держал знание и присматривал за самим инструментом. И начинают звать обратно.

Причём экономия достаётся она не тому, кто уволил людей, а тому, кто перестроил работу и поднял людей на уровень выше. Toyota вернула мастеров не вместо роботов, а чтобы делать роботов лучше.

Почему токены подешеевеют в случае лопнувшего пузыря если сейчас токены уже продают дешевле себестоимости?

Тут логика такая. Сейчас Nvidia продаёт чипы с монопольной наценкой: произвести H100 стоит примерно $3,3 тысячи, а продаётся он за $25–40 тысяч — то есть в 8–10 раз дороже себестоимости, валовая маржа на ИИ-чипах 80–90%. А провайдеры LLM поверх этого отдают инференс ещё и в убыток, дотируя его деньгами инвесторов: OpenAI в 2025-м потратила около $1,35 на каждый заработанный доллар (выручка ~$3,7 млрд, убыток ~$5 млрд).

То есть «истинная» стоимость вычислений — это, грубо говоря, чип по цене производства плюс электричество, и она в разы ниже того, что мы видим на ценнике. Когда пузырь схлопнется, премия Nvidia на чип испарится, а уже построенное железо никуда не денется — его будут гонять на предельной себестоимости, считай, за одно электричество, лишь бы отбить хоть что-то.
То есть когда сейчас говорят, что провайдеры гоняют ниже себестоимости — это верно только если считать от раздутой цены чипа. Убери из неё 8–10-кратную наценку Nvidia — и «убыток» во многом схлопывается: продают не столько ниже реальной себестоимости, сколько ниже той, что раздута монопольной ценой на железо.

Как устроен этот ИИ-пузырь

Нас кажется ждет все-таки взрыв пузыря ИИ, давайте поймем что там под капотом и чего нам ждать. 

Крупняки (Amazon, Microsoft, Google, Meta и OpenAI) — поставили на то, что спрос на ИИ вот-вот рванёт вверх, начали строить датацентры заранее с огромным запасом, инвестируя под 700 миллиардов долларов в год.

Проблема в том, что выручки, которая всё это оправдала бы, пока нет. OpenAI теряет около 14 миллиардов в год и признаёт, что может не потянуть оплату уже законтрактованных мощностей. Деньги гиганты вкладывают свои, занимают (например, долго Oracle перевалил за сотню миллиардов) и за деньги венчурных инвесторов.

Как устроен сам пузырь. Это называется «циркулярное финансирование». Nvidia вкладывает деньги в OpenAI. OpenAI на эти же деньги покупает у Nvidia чипы, а у Oracle с Microsoft — облако. Те записывают это себе в выручку, их акции растут, под выросшие акции они занимают ещё и тратят ещё. Деньги, по сути, бегают по кругу между несколькими компаниями. Выручка выглядит настоящей, но это во многом одни и те же доллары, которые гоняют по кольцу. Таких сделок насчитали почти на 800 миллиардов. И из-за этого цифры пухнут у всех сразу — все растут, все довольны, все друг друга кормят.

Держится вся конструкция на одном честном слове: будущая выручка должна расти быстро. Пока догоняет — всё норм. Чуть-чуть не догнала — все валится. 

Есть отдельная БОЛЬШАЯ засада с железом: видеокарты устаревают года за три-четыре, а долг под них берут длинный. Получается, занимаешь десятилетние деньги под трёхлетнее железо. 

Теперь как оно посыплется (если посыплется). Толчок обычно один: где-то спрос разочаровал или главный клиент зашатался. Дальше по цепочке. 

OpenAI режет заказы или не платит. Oracle и прочие теряют крупнейшего клиента, у них рушатся прогнозы, а за прогнозами — акции и долг (Oracle, кстати, уже потерял 40% за месяц). Nvidia теряет заказы и тоже валится, а она такой здоровенный кусок биржевого индекса, что тянет за собой весь рынок. Гиганты режут стройку — и под нож идут поставщики, энергетика, все, кто ниже. А поскольку эта горстка ИИ-компаний сейчас занимает неприлично большую долю всего рынка, зацепит и пенсионные фонды, и, считай, всех. 

Почему кольцо делает хуже? В обычной ситуации компании независимы: одна упала — соседи устояли. А тут они сцеплены. Выручка Nvidia зависит от OpenAI, платёжеспособность OpenAI — от Microsoft и Oracle, а те дорого стоят во многом из-за Nvidia. Рвётся одно звено — и кольцо начинает раскручиваться назад, каждый утягивает следующего. 

Что будет с ценой на токены за обращения к модели. Сегодня токены продают в убыток ниже себестоимости, лишь бы захватить рынок, а разницу покрывают деньгами инвесторов. То есть нынешняя цена искусственно занижена дотацией пузыря. При крахе продавать в убыток невозможно, поэтому премиум-подписки могут подорожать, а слабые сервисы — закрыться. Это потянет цену вверх. Но долгосрочно по идее цены должны двинуться вних. Будет какой-то избыток железа после распродажи, модели становятся эффективнее, плюс дешёвые открытые и китайские модели он премис.

#инсайтдня 😊: чем ещё отличается менеджмент агентов от пипл менеджмента (инсайт был сегодня лично для меня, Алексея Е., но думаю и вам полезно)

📍Кратко:
Сформулировав свою хотелку по непонятной задаче, потратьте НЕСКОЛЬКО промптов на исследование возможных источников информации под нее, а лишь затем требуйте от ИИ план выполнения.

(С виду это стандартное "обогащайте контекст перед решением задачи", и я как промпт-инженер давно применял это, но не думал что это нужно настолько глубоко...)

➖➖➖
⭐️ Кейс:
Делали сегодня с Клодом 1С-интеграцию. Конечно, Клод не обучали 1С, и меня тоже. Так что искали ответы на вопросы в интернете (постепенно двигаясь от полного непонимания к техническим деталям), а кое-что моими руками брали из базы 1С. И вроде бы быстро дошли почти до всех решений....

Но потом на ~10й мелочи Клоду пришла в голову светлая мысль забрать из 1С структуру всех данных. И о ужас: наши предыдущие решения наполовину оказались неверны — просто нет в нашей базе 1С того, что уверенно выдает интернет по нашей версии, а есть другое (чего я своими глазами в 1С не заметил).

🔌 Вместо этого надо было бы сначала заставить ИИ-агента докопаться до наилучшего источника данных. А иначе он находит ответы через поиск или через юзера, радуется, что их достаточно (по логике действительно достаточно!), и решения строятся на этом шатком основании.

🔌 С исполнителями-людьми такое правило было бы перебором:
1. Даже если человек найдет исчерпывающие доки, он не захочет/не сможет найти там все данные для стоящей задачи.
2. У человека все-таки есть врожденное недоверие к таким источникам информации как интернет или начальник. Так что и без всяких доков сотрудники (пусть и не все 😞), увидят, что основание шаткое. А если у них есть опыт в этой теме, то еще и узнают, где ещё это посмотреть/перепроверить начальника.

➖➖➖
В общем, начиная большую задачу с ИИ-агентом, нужно сильнее вкладываться не в "что делать?", а в "где найти наилучший источник правды?" — причем это бывает большой-большой файл, в котором исполнитель-человек не разобрался бы. Найдя его, ИИ даст вам на аппрув правильные предложения и про "что делать", и про "как делать"...

Чем-то мне это напоминает технику 5 почему, только здесь вместо "почему?" — вопрос "как это лучше выяснить?"

Рекомендую задавать агентам этот вопрос почаще — вплоть до 5 раз 😀
🔹Особенно если вы не спец в нужной области (как я в 1С).
🔹И конечно, это не только софта касается. Например, для агента не проблема собрать десяток исследований рынка за последний год, и накопать из них инсайтов для текущей задачи. Это будет лучше, чем если решения будут приниматься по топу гугловыдачи по конкретным запросам...