Надо было сразу не ходить. Вчера нам проводили корпоративное обучение по ИИ. После пяти часов (Карл!) прелюдий я уже потребовала, чтобы нам наконец хоть что-то дали сделать. Я правда не теряла времени и параллельно прошла очередной модуль своего обучения и сделала пару агентов, а также нагенерила идей на следующих. Тем не менее, записала вам ряд наблюдений с прелюдии: 1. Очевидная ошибка внедрения ИИ - пытаться автоматизировать бардак. Процессная бюрократия - лучший друг внедрения. Описываем и реинжинирим сразу под ИИ. 2. Сильный эффект дает не сама модель, а связка “модель + данные + оснастка + действие”. LLM - это станок, а ценность создаёт оснастка вокруг него. Так что чем больше прикладных тулов и API - тем больше возможностей. 3. Качество ИИ почти всегда упирается в данные, а не в “умность” интерфейса. Плохие или неполные данные рождают плохие решения. 4. В корпоративной среде побеждает не самая мощная модель, а та, которую можно безопасно и стабильно встроить в работу. 5. Массовое внедрение ИИ - это не история про один большой прорыв, а про воронку гипотез. 95% идей не доходят до масштабирования, и это не провал, а нормальная механика и отбор. И если у вас в культуре уже есть конвейер, где на входе много гипотез - часть из них пройдет жесткий отбор и даст эффекты . 6. ИИ плохо работает с абстрактными задачами и хорошо - с узкими, формализуемыми. Когда задача звучит как «помоги подумать» или «сделай стратегию», модель даёт общие ответы. Когда задача описана как конкретная операция с чётким результатом, эффективность резко растёт. Поэтому сильные кейсы появляются там, где работу можно разбить на маленькие повторяемые действия. 7. Настоящая ценность ИИ в компаниях появляется там, где он убирает когнитивный мусор. Речь не про замену экспертов. Основная экономия возникает на рутине, ожидании: поиск информации, суммаризация документов, подготовка черновиков, навигация по базам знаний, первичный анализ. Это снимает огромное количество мелкой интеллектуальной нагрузки. 8. Промпты сами по себе не являются устойчивым решением. Промптинг полезен на этапе экспериментов. Но в промышленной эксплуатации длинные промпты заменяются архитектурой: шаблонами задач, системными инструкциями, retrieval (поиском по базе знаний), проверками и цепочками действий. 9. Реальное внедрение ИИ требует изменения роли сотрудников. Из роли исполнителей в роль операторов и редакторов результатов модели. 10. Основное ограничение внедрения ИИ - организационное, а не технологическое. Технологии уже достаточно зрелые. Но компании тормозят из-за безопасности данных, отсутствия владельцев процессов, страха ошибок, непонимания экономического эффекта и отсутствия людей, которые умеют соединить бизнес-процесс и ИИ-инструмент. Поэтому ключевой дефицит - не модели, а управленцы, способные перестроить работу вокруг них. У вас-то какие страхи по этой теме, кстати? @kiralapiname #технологИИ #ИИвработеруководителя