Ольга Чебунина 🌾 цифровое агро🐏🥛

Перед вами кадр из рекламного ролика одной компании.

Попробуйте угадать, что в нём продвигают? 🤔

Сегодня День учителя - хороший повод вспомнить, что лучше всего мы усваиваем материал, когда сами объясняем его другому.

На этом построена пирамида обучения, которую часто показывают на корпоративных тренингах: от лекции в памяти остаётся 5%, от чтения - 10%, от практики - 75%, а у того, кто учит сам, - все 90%.

Принцип здесь простой: чем активнее человек вовлечён в процесс, тем глубже и дольше держится знание. По результатам 225 исследований преподавания естественных и технических дисциплин студенты, которые на занятиях решают задачи и обсуждают их, сдают экзамены лучше. При этом, на курсах в формате обычной лекции проваливаются в полтора раза чаще.

На мой взгляд, пирамиду не стоит читать как рейтинг форматов и вычёркивать лекцию.

Здесь важен комплексный подход.

Хорошая лекция даёт карту предмета, без неё практика превращается в набор приёмов. Дело не в способе подачи, а в том, применил ли человек услышанное сам.

Знание становится своим в тот момент, когда им пришлось воспользоваться. Хороший учитель умеет к этому подвести.

С праздником всех, кто учит📚

А вы согласны с цифрами? Как лучше всего запоминаете информацию?

Технологии развиваются стремительно, особенно в последние 20 лет. И всё-таки самая совершенная, самая продуманная и порой необъяснимая технология - природа.

За миллионы лет эволюции она отладила в живых существах процессы, которые учёные до сих пор не могут до конца объяснить, а инженеры - воспроизвести.

В карточках - лишь несколько таких примеров.

2ГИС на днях открыл свои данные ИИ-агентам. Теперь цифровой помощник сам находит круглосуточную аптеку, строит маршрут и считает время в пути, обращаясь к сервису напрямую, как обычный пользователь.

За этой новостью стоит появление нового типа клиента. Билеты в отпуск, вещи на маркетплейсе, корзину в интернет-магазине скоро будет выбирать не сам покупатель, а его ИИ-агент: человек поставит задачу и утвердит результат, а сравнивать цены, читать составы и проверять наличие станет программа.

2ГИС здесь не одинок. Яндекс в августе начал подключать к «Алисе AI» продавцов: человек описывает, что ему нужно, а ассистент находит товар и оформляет заказ. «ВкусВилл» сделал для агентов отдельный вход: через него программа ищет продукты, изучает состав и калорийность, собирает корзину, а покупателю остаётся перейти по ссылке и оплатить. «Туту» дала агентам доступ к базе билетов и отелей, чтобы поездку подбирали по актуальным данным. Сбер с июня позволяет предпринимателям поручить агенту платёж и банковскую выписку. В Китае Alibaba ещё в мае открыла своему ИИ весь каталог Taobao.

Общее в этих историях одно: компании начали относиться к агенту как к полноценному клиенту. У него свой пользовательский путь, и устроен он иначе. Баннеры, красивая витрина и продуманная кнопка «купить» на агента не действуют - ему нужны точные данные о товаре, цене и наличии в виде, понятном машине.

Оговорюсь: решающий шаг пока остаётся за человеком. Почти везде агент выбирает и собирает, а оплату подтверждает покупатель, и, на мой взгляд, для нынешнего этапа это правильная граница.

Но выбор всё чаще делается ещё до этого подтверждения. Если агент не сможет прочитать ваш каталог, в корзину попадёт товар конкурента.

В 2021 году около тысячи жителей Швейцарии получили необычный набор для научного эксперимента: две пары белья из органического хлопка, 12 чайных пакетиков и инструкцию по их захоронению.

Более 2000 пар закопали в частных садах, на газонах, пашнях и лугах. Через 30 и 60 дней образцы извлекли и оценили, насколько они разрушились.

Спустя пять лет опубликованы результаты. За первый месяц хлопок потерял в среднем 10,1% площади, за два - уже 50,45%.

Механика понятна: хлопок состоит преимущественно из целлюлозы, которую перерабатывают почвенные организмы. Чем активнее бактерии, грибы и другие обитатели почвы, тем меньше материала остаётся.

Сильнее всего скорость разложения была связана с характером использования земли. В частных садах за два месяца исчезло около 58% хлопка, на пашнях - 51%, на постоянных лугах - 47%, а на газонах - примерно 40%.

Закопанные рядом чайные пакетики, которые уже применяют для оценки распада органического вещества, показали сходные зависимости.

Быстро исчезнувшее бельё ещё не означает, что почва здорова по всем параметрам. Авторы считают этот способ прежде всего индикатором биологической активности и плодородия.

Например, в частных садах высокая степень разрушения хлопка сопровождалась большим содержанием питательных веществ, а уровень доступного фосфора нередко превышал агрономические нормы.

Поэтому «индекс нижнего белья» не заменяет полноценный анализ почвы, но даёт первое представление о происходящих в ней процессах.

Его главная ценность - в доступности: без специального оборудования удалось собрать данные почти с тысячи участков по всей стране. Около 240 добровольцев в итоге вошли в число соавторов научной статьи.

Отмечен уже международный эксперимент: тысячу одинаковых пар белья закопали более чем в 25 странах.

Насколько бы вы доверяли такому способу оценки состояния почвы?

Около 6% людей на планете пользуются ИИ каждый день. Ещё 26% обращаются к нему время от времени, а две трети человечества осознанно не используют вовсе. Такую оценку на сентябрь 2026 года дают открытые данные об аудитории ChatGPT и Gemini и отчёт Microsoft AI Diffusion Report.

На фоне потока новостей об ИИ цифры выглядят скромно, но меня в этой картинке занимает другое - расстояние между строками. Осознанно пользуются ИИ 34% людей, ежедневным инструментом он стал для 6%, платят за него 1,5%, а строят на нём агентов и собственные решения 0,3%. Каждая следующая ступень в несколько раз уже предыдущей.

На мой взгляд, этот разрыв объясняется не сколько доступом к технологии, столько тем, что под неё приходится перестраивать работу.

Задать вопрос чат-боту можно за минуту. Чтобы ИИ каждый день считал, анализировал и готовил документы, человеку нужно менять привычный порядок действий, а компании - процессы, данные и распределение ответственности.

В АПК картина похожая: попробовать цифровой инструмент готовы многие, а встроить его в ежедневные решения - уже более сложная задача.

При этом движение быстрое. С февраля доля ежедневных пользователей выросла с 3% до 6%, платящих - с 0,7% до 1,5%.

Направление понятно. Преимущество получат те, кто раньше других перейдёт от эпизодических проб к ежедневной работе с ИИ. Для компаний это верно в той же мере, что и для людей.

Как часто Вы просите ИИ собрать продукты на неделю - быстро, в пределах бюджета и без ингредиентов, которые не ест ваша семья? Он предлагает меню, сравнивает варианты и составляет корзину. Удобно.

Но в этот момент возникает новый вопрос: почему он предложил именно эти товары?

Покупательская привычка меняется тогда, когда мы перестаём просматривать десятки товаров сами и начинаем с короткого списка, составленного ИИ.

Это уже не только сценарий будущего. В сентябрьском исследовании Acosta Group 34% опрошенных покупателей сообщили, что используют ИИ-инструменты при покупках. Среди тех, на чьё решение повлиял ИИ, его основная роль заключалась именно в помощи с выбором между товарами. При этом 40% таких покупателей сообщили, что попробовали новый для себя бренд.

Для производителей здесь открывается возможность - и появляется новый риск. Раньше товару нужно было привлечь внимание человека на полке или в поиске. Теперь важно ещё и то, сможет ли цифровой помощник правильно понять его состав, цену, особенности и наличие, а затем включить в подходящую подборку. Это мой вывод из того, как исследование описывает новый путь покупателя: от поиска через рекомендацию к решению.

Но называть ИИ «новым хозяином корзины» рано. Лишь 22% тех, кто использует генеративный ИИ для покупок, доверили бы агенту самостоятельно принимать решения о приобретении товаров. В другом опросе - ACI Worldwide и YouGov среди покупателей одежды и обуви в США и Великобритании - только 7% согласились бы на покупку агентом без отдельного одобрения.

Люди готовы делегировать поиск, но не спешат делегировать контроль. Это видно и в глобальном исследовании VML: 58% опрошенных перепроверяют рекомендации ИИ перед покупкой, а 53% опасаются, что на советы торговых ИИ-инструментов могут влиять коммерческие интересы.

Для меня здесь главный вопрос не в том, когда агент научится нажимать кнопку «Купить». Гораздо важнее, сможет ли покупатель понять, по каким правилам сформирована корзина: где действительно лучший вариант для него, а где - неточная информация или продвижение товара.

Похоже, ближайшее будущее покупок - не магазин без человека. Это магазин, где у человека появился помощник, а вместе с ним - новая причина внимательно смотреть, кому он доверяет выбор.

А как выбираете свои продукты вы: сравниваете товары сами, спрашиваете совет у ИИ или доверяете привычным брендам? И что заставило бы вас изменить выбор?

Мы привыкли обсуждать продовольственную безопасность в категориях экспортных пошлин, логистики и урожайности в центнерах с гектара.

Посмотрите на эту эволюцию глазами не селекционера, а аналитика - через инфографику, которая описывает пять поколений селекции - от 1.0 до 5.0. Она проходит через данные.

Это не просто наглядная история агрономии. Это карта передела мирового аграрного рынка, где главным активом становится не зерно, а генетический код и вычислительная мощность.

Селекция 1.0 - это чистая эмпирика. Человек отбирал лучшее, что дала природа, по внешним признакам, без понимания механизмов наследственности. Медленно, случайно, на ощупь.

Селекция 2.0 - законы Менделя, гибридизация, зелёная революция. Уже система, уже предсказуемость. Но селекционер по-прежнему работал с фенотипом, не зная, какие именно гены за ним стоят.

Селекция 3.0 - молекулярные маркеры и генная инженерия. Прорыв, который позволил перейти от целого организма к отдельным генам. Однако сложные признаки - урожайность, устойчивость к засухе, качество одним маркером не описать.

Селекция 4.0 - полногеномный отбор и большие данные. Впервые появилась возможность предсказывать наследственную ценность по всей ДНК. Но данные росли быстрее, чем их успевали обрабатывать. Линейные модели не тянули нелинейные взаимодействия генов и среды. Именно это фиксируют авторы обзора, опубликованного в журнале Smart Agriculture: взрыв объёма данных не конвертировался напрямую в скачок эффективности селекции.

И вот здесь начинается самое интересное.

Селекция 5.0 - ИИ перестаёт быть просто ускорителем и становится управляющим контуром всей селекционной программы. Через интегрированные модели вроде iGEP алгоритмы связывают геном, фенотип, среду и управление. Большие языковые модели соединяются с редактором генов CRISPR-Cas. Цифровые двойники позволяют проигрывать десятки тысяч комбинаций скрещивания в виртуальном пространстве. Цикл DBTL превращает селекцию из отбора в проектирование.

Что это меняет для отрасли?

Скорость. Традиционный селекционный цикл - 10-15 лет сокращается в разы. Не потому, что растения растут быстрее, а потому, что мы перестаём тратить годы на проверку заведомо бесперспективных комбинаций.

Точность. Мы уходим от «средних» сортов к сортам, спроектированным под конкретную почву, конкретный климат, конкретную систему земледелия.

Устойчивость. Изменение климата требует решений, которые не находятся простым перебором. ИИ, обученный на исторических данных и способный генерировать синтетические сценарии, может предугадывать эти вызовы раньше, чем они проявятся в поле.

Авторы статьи честно перечисляют ограничения: междисциплинарные барьеры данных, недостаточная интерпретируемость глубоких моделей, слабая обобщающая способность алгоритмов в изменчивой среде.

«Чёрный ящик» ИИ - это не решение, а проблема, которую ещё предстоит решить. Нам нужны не просто мощные модели, а модели, которые биолог может понять и проверить. Иначе мы рискуем получить инструмент, который выдаёт красивые прогнозы, но не поддаётся верификации. А в сельском хозяйстве цена ошибки измеряется не репутационными потерями, а голодом.

Для России это вопрос технологического суверенитета. Нельзя просто импортировать семена пятого поколения. Нужна своя система фенотипирования, свои геномные данные, свои алгоритмы и свои компетенции на стыке биологии и data science. Иначе мы будем зависеть от тех, кто владеет цифровым контуром селекции.

Эволюция селекции приводит к тому, что урожай становится результатом вычислений. Кто контролирует данные, модели и алгоритмы, тот контролирует и урожай.

Будущее - за интеллектуальным проектированием полного генома. И это наша реальная повестка. Насколько быстро мы это осознаем, зависит не только экспортный потенциал АПК, но и способность страны обеспечивать себя продовольствием в условиях быстро меняющегося мира.

Фермерское хозяйство в России редко воспринимают как источник технологий: принято считать, что цифра и роботы начинаются с агрохолдингов, а к малым формам доходят в последнюю очередь. Визит на Истринскую сыроварню Олега Сироты доказал обратное.

Само хозяйство за 11 лет выросло из локального проекта на 50 литров молока в полноценное производство: 4,3 млн кг сыра, более 400 сотрудников, сеть из 90 фирменных магазинов, награды World Cheese Awards. Сырьё поступает с собственного коровника и от подмосковных хозяйств, в сумме около тысячи коров.

Внутри производство заметно технологичнее, чем принято представлять фермерское хозяйство. Головки сыра в хранилище переворачивают роботы: одна такая головка весит десятки килограммов, а на созревании их тысячи, и вручную это работа целой бригады. В поле техника с автопилотом. Экскурсии, фестиваль «Сыр. Пир. Мир», собственные йогурты и хлеб - это отдельная экономика, которая кормит производство не хуже сыра.

Одно из последних новшеств - Кузьмич.

Это человекоподобный робот, которого здесь адаптируют к задачам фермы в рамках проекта «Агрохаб» ассоциации «Народный фермер» и сыроварни при поддержке Минсельхоза и Росагролизинга.

Задачи ставятся пока самые приземлённые: носить вёдра с молоком, переворачивать сыр, наливать воду в поилки, насыпать корм, собирать яйца и сортировать овощи. Под них пишутся модули распознавания и документация на русском языке.

Оговорюсь, Кузьмич пока не заменяет ни одного сотрудника. Его сценарии узкие, а реплики во многом заготовлены заранее.

Ценность в самом подходе. Задачу роботу здесь формулирует не разработчик, а фермер, исходя из реальной операции: ведро, поилка, головка сыра. Именно такая постановка, от конкретного процесса к технологии, и определяет, приживётся ли решение в хозяйстве или останется выставочным образцом.

Для отрасли это хороший знак: фермерское хозяйство перестаёт быть только потребителем технологий и становится площадкой, где они рождаются.