Just AI 💬

Налог на координацию: куда утекает эффект от AI 📊

У McKinsey вышла статья о разрыве между продуктивностью и прибылью. По их данным, 80% респондентов говорят, что AI повысил их продуктивность, но только 37% компаний видят эффект на прибыли. Авторы объясняют это «налогом на координацию» — издержками на передачу работы между командами и системами.

Разобрали на примере ➡️ У крупного промышленного производителя из Fortune 500 путь от заказа до производства состоял из 7 шагов. На отдельных стыках задержки в 9-36 раз превышали время самой работы. Весь процесс занимал 1,5-2,5 недели, хотя реальная работа внутри шагов укладывалась в 12-24 часа 🫢

📎 Как разобрались с проблемой? Сначала 4 месяца анализировали, какая работа на этом стыке рутинная и может идти без человека, какая требует свериться с правилами, а какая — реального суждения человека. Только после настроили агента под эти границы. В итоге цикл планирования сократился с 30 дней до 3, 80% решений стали приниматься без участия человека.

На стыке агент решает три задачи: сверяет, подходит ли результат одного шага для следующего, разрешает конфликты между ограничениями и направляет работу дальше, определяя, что можно закрыть самому, а что эскалировать человеку.

💬 Своими мыслями поделилась Ольга Конарева, руководитель направления по консалтингу и обучению Just AI:

Действительно, 35-60% времени может уходить на задачи на стыке. Время теряется как раз потому, что стык — это граница чьей-то ответственности: одна команда закончила свою часть работы, а другая еще не начала проверять результат. Этот промежуток никому не принадлежит.

Агент там работает, когда эти границы пересобраны вместе с правами доступа, а не просто «поставлен поверх» существующего процесса. Доверять стык агенту безопасно и выгодно, если заранее решить, какие решения он принимает сам, а какие передает человеку, и дать доступ только к нужным для этого системам.

Время присмотреться к стыкам задач внимательнее 👀

Пока математики 20 лет искали доказательство, что жидкость может «взорваться», AI нашел его за 88 часов и заодно поссорил две компании ⏺️

В математике существует список из 7 задач тысячелетия, признанных одними из самых сложных в современной математики. За их решение дают приз в 1 млн долларов. За 26 лет существования списка была решена только одна задача — гипотеза Пуанкаре, хотя над оставшимися бились тысячи математиков по всему миру.

Недавно OpenAI объявила, что ее модель решила еще одну задачу из списка — уравнения Навье-Стокса.

😖 Над задачей работал рой из 10 000 параллельных агентов, которые потратили порядка 130 млрд токенов и 88 часов.

Доказательство формализовано и проверено в Lean силами GPT-6 Astra, ошибок не найдено.

▶️ А теперь про скандал!

Математики Тристан Бакмастер и Левент Альпеге (сотрудник Anthropic) почти год шли к похожему доказательству через Codex и Claude. В августе они получили результат по смежной задаче, уравнениям Эйлера.

По их версии, узнав об этом, OpenAI направила модель на ту же задачу и получила подозрительно похожий подход. Бакмастеру предложили опубликоваться первым, но без соавтора Anthropic. Он отказался и разместил свои черновики.

OpenAI признала приоритет пары лишь в уравнениях Эйлера и заявила: логи сессий Бакмастера в Codex модель напрямую не использовала. Но оговорилась — исключить, что анонимизированные данные из его переписок попали в обучающую выборку, компания не может. Так что остается верить OpenAI на слово, что модель дошла до решения с нуля 👀

Многие называют это первым случаем, когда задача уровня фундаментальной математики, десятилетиями недоступная людям, поддалась AI. Вот такие дела 💡

Just AI на онлайн конференции «ИИ-трансформация» ➡️

16 сентября встречаемся онлайн за круглым столом Alpina Digital, чтобы обсудить, как довести практики AI-трансформации до реального результата ↗️

Ольга Конарева, руководитель направления по консалтингу и обучению Just AI, в своей части разберет:

➡️ Зачем запускать хакатоны и кейс-чемпионаты, в чем их отличие и какая ценность для AI-трансформации компании
➡️ На чем сделать фокус внимания, когда такая задача появилась
➡️ Сложности, которые возникают, и как с ними работать
➡️ По каким критериям фильтровать проекты с AI и выбирать лучшие для пилотирования и масштабирования — и есть ли там ROI
➡️ Как упростить проведение такого мероприятия с AI: умные ассистенты для организатора, участников и жюри

Будет полезно всем ЛПР, руководителям направлений и AI-трансформации!

📎16 сентября, 10:10–11:00 (Мск)
📍Онлайн

Кстати, хедлайнер конференции — Андрей Дороничев (Bioptic, ex. Google). Подробнее ➡️ на сайте и в @AlpinaAIconfbot