Нейросеть вышла на работу
В нашу жизнь ворвалось много AI-терминов: модели, агенты, скиллы, базы знаний, семантические слои, инструменты, воркфлоу, evals и т.д.
Попробуем разобраться в них с помощью простой аналогии. Представим, что компания нанимает нового сотрудника — только не кожаного, а искусственного.
Модель — это его базовые способности. Она умеет читать, писать, программировать и анализировать документы, но пока ничего не знает о вашей компании: как здесь считаются метрики, где лежат правильные данные и почему таблица final_revenue_v7_really_final всё равно не финальная.
KB — база знаний — это корпоративная Wiki, документация и накопленная память компании. Она отвечает на вопрос: что сотрудник должен знать?
Но внутри компании одни и те же слова часто означают разное. Для маркетинга клиент — тот, кто оставил контакты, для продукта — зарегистрированный пользователь, для финансов — тот, кто уже заплатил.
Поэтому нужен семантический слой — корпоративный словарь и переводчик между человеческим языком и данными. Он фиксирует, что именно компания называет клиентом, заказом или выручкой, как это считается и где искать нужные данные.
Но даже доступ к Wiki и общий словарь ещё не превращают сотрудника в профессионала. Информация у него появилась, профессия — пока нет.
Для этого нужен скилл. На него удобно смотреть как на должностную инструкцию для искусственного сотрудника. Только это смесь должностной инструкции, рабочего регламента, руководства по инструментам, чек-листа качества и правил эскалации.
Например, сотруднику можно поставить вполне человеческую задачу:
А скилл развернёт её в профессиональную процедуру: проверить дизайн эксперимента, единицу рандомизации, SRM и качество данных, оценить эффект и доверительный интервал, учесть множественные проверки и не маскировать сломанный дизайн красивыми расчётами.
То есть KB говорит, что знать, семантический слой договаривается, что всё это означает, а скилл объясняет, что и как делать.
Дальше тоже всё почти как в обычной компании: tools дают доступ к рабочим системам, workflow соединяет действия в процесс, агент получает право самостоятельно пройти несколько шагов до результата, а evals проверяют, не накосячил ли он по дороге.
И тут интересно наблюдать за организациями, которые годами гордятся отсутствием подробных инструкций: плоские иерархии, самоорганизация, минимум бюрократии.
С человеческими сотрудниками это иногда работает. Они считывают контекст, спрашивают коллег и постепенно осваивают корпоративный здравый смысл. Это называется культурой, автономией и зрелостью команды, хотя часто просто означает, что никто не хочет писать документацию.
Но искусственный сотрудник корпоративный вайб считывает плохо. Быстро выясняется, что ценности нужно разложить на правила, здравый смысл — на проверяемые шаги, а автономию — на конкретные границы полномочий.
Ирония в том, что AI может вернуть в бирюзовые организации процессы, регламенты и должностные инструкции, от которых те когда-то отказались. Только теперь это называется skill engineering и выглядит достаточно инновационно. AI заставляет компании формулировать работу и описывать сущности, которые раньше существовали только в головах людей.
В нашу жизнь ворвалось много AI-терминов: модели, агенты, скиллы, базы знаний, семантические слои, инструменты, воркфлоу, evals и т.д.
Попробуем разобраться в них с помощью простой аналогии. Представим, что компания нанимает нового сотрудника — только не кожаного, а искусственного.
Модель — это его базовые способности. Она умеет читать, писать, программировать и анализировать документы, но пока ничего не знает о вашей компании: как здесь считаются метрики, где лежат правильные данные и почему таблица final_revenue_v7_really_final всё равно не финальная.
KB — база знаний — это корпоративная Wiki, документация и накопленная память компании. Она отвечает на вопрос: что сотрудник должен знать?
Но внутри компании одни и те же слова часто означают разное. Для маркетинга клиент — тот, кто оставил контакты, для продукта — зарегистрированный пользователь, для финансов — тот, кто уже заплатил.
Поэтому нужен семантический слой — корпоративный словарь и переводчик между человеческим языком и данными. Он фиксирует, что именно компания называет клиентом, заказом или выручкой, как это считается и где искать нужные данные.
Но даже доступ к Wiki и общий словарь ещё не превращают сотрудника в профессионала. Информация у него появилась, профессия — пока нет.
Для этого нужен скилл. На него удобно смотреть как на должностную инструкцию для искусственного сотрудника. Только это смесь должностной инструкции, рабочего регламента, руководства по инструментам, чек-листа качества и правил эскалации.
Например, сотруднику можно поставить вполне человеческую задачу:
Изучи результаты A/B-теста и дай рекомендацию.
А скилл развернёт её в профессиональную процедуру: проверить дизайн эксперимента, единицу рандомизации, SRM и качество данных, оценить эффект и доверительный интервал, учесть множественные проверки и не маскировать сломанный дизайн красивыми расчётами.
То есть KB говорит, что знать, семантический слой договаривается, что всё это означает, а скилл объясняет, что и как делать.
Дальше тоже всё почти как в обычной компании: tools дают доступ к рабочим системам, workflow соединяет действия в процесс, агент получает право самостоятельно пройти несколько шагов до результата, а evals проверяют, не накосячил ли он по дороге.
И тут интересно наблюдать за организациями, которые годами гордятся отсутствием подробных инструкций: плоские иерархии, самоорганизация, минимум бюрократии.
С человеческими сотрудниками это иногда работает. Они считывают контекст, спрашивают коллег и постепенно осваивают корпоративный здравый смысл. Это называется культурой, автономией и зрелостью команды, хотя часто просто означает, что никто не хочет писать документацию.
Но искусственный сотрудник корпоративный вайб считывает плохо. Быстро выясняется, что ценности нужно разложить на правила, здравый смысл — на проверяемые шаги, а автономию — на конкретные границы полномочий.
Ирония в том, что AI может вернуть в бирюзовые организации процессы, регламенты и должностные инструкции, от которых те когда-то отказались. Только теперь это называется skill engineering и выглядит достаточно инновационно. AI заставляет компании формулировать работу и описывать сущности, которые раньше существовали только в головах людей.