И наконец дошли прочитать две "программные" статьи как раз про AI трансформацию организаций (чем в последнее время занимаюсь). 1) От A16Z про разницу между взрывом продуктивности отдельных специалистов и практически никакущего дополнительного роста компаний от этого Там интересная параллель про фабрики. В 1890-х текстильные фабрики поставили электрические моторы вместо паровых – и 30 лет не видели дополнительного роста. Только когда в 1920-х полностью перепроектировали сам завод (конвейер, индивидуальные моторы на каждом станке, новые роли рабочих) – электрификация наконец дала результат. Сейчас происходит то же самое. Мы поменяли мотор, но не перестроили фабрику. И соответственно абсолютно то же самое происходит сейчас. Индивидуальный AI прорыв делает даже ХУЖЕ плохонького пока, но полноценного процесса, заточенного под AI на всю компанию. Выделили 7 основных столпов: – Координация. Каждый сотрудник сидит в своём ChatGPT со своими промптами. Результаты ни с чем не стыкуются. Тысяча агентов, гребущих в разные стороны – это хаос, а не продуктивность. Об этом писал уже несколько раз. Особенный прикол, когда сотрудники под себя собирают кастомные инструменты, базы данных, софт, ух... – Сигнал vs шум. AI позволяет генерировать всё что угодно. Проблема – 90% этого контента откровенный шлак. В PE-фондах раньше приходило 10 сделок, теперь 50 — каждая отполирована до блеска. Находить сигнал в горе AI-слопа – ключевой навык десятилетия. Это стопудово. Сколько нейрослопа всякого попадалось от "специалистов"... И тут он предлагает не всасывать в себя очередные видосы про крутой openclaw, а делать Детерминированных ИИ агентов! – Предвзятость. Модели стали подхалимами из-за RLHF. Самые громкие адвокаты AI в компаниях скоро будут худшие сотрудники – потому что «самый умный интеллект в истории со мной согласен, а мой менеджер – нет». Нужны дополнительные ограничения, "АИ советы директоров" или аудиторы, которые будут докапываться до решений, а не соглашаться "ах, какой ты молодец". – Конкурентное преимущество. Общие модели дают общие результаты. Как только возможность стала массовой – она по определению не даёт преимущества на рынке. Побеждают нишевые решения поверх базовых моделей. Тоже согласен. Если у вас ИИ-ка, и у конкурентов ИИ-ка, то по сути вы все просто соревнуетесь, кто быстрее и больше нагенерирует чего-то стандартного. И надо брать лучшее общее решение и поверх него делать доменного эксперта. И супер-оперативно обе части обновлять, а не сидеть на одном инструменте годами. – Результаты. Почти все AI-продукты продают экономию времени. Но спроси любого CEO – он скажет, что приоритет номер один это рост выручки, а не сокращение затрат. Институциональный AI должен генерировать upside, а не экономить. Нужно делать Решения на базе ИИ, а не приложеньки. – Внедрение. В Нью-Йорке до сих пор есть успешные бизнесы, которые не принимают карты. Люди не любят меняться. Самые старшие (и важные) сотрудники будут последними, кто адаптируется. Инжиниринг процессов станет критичнее самой технологии и "трансформация" людей в том числе, поэтому просто покупки всем чатгпт или клода мало, нужно обучать, показывать, как использовать. – Нет промптам. Промптить AGI – это как подключать электромотор к паровому ткацкому станку. Самая ценная работа AI – та, о которой никто не догадался спросить. Система сама находит риск, контрагента, возможность. Пока до этого системы только добираются и кажется люди не очень хотят терять контроль... В общем, пишет, что реальная ценность накопится на «уровне решений» – где технология и организация перестраиваются вместе. Фабрики, которые электрифицировались первыми, проиграли тем, кто перепроектировал цех. И классная цитата: "У нас уже есть электричество. Пора перестраивать фабрику". https://www.a16z.news/p/institutional-ai-vs-individual-ai