Индивидуальный ИИ это не корпоративный ИИ

В эту пятницу на бизнес-завтраке обсудим, как нам построить новый завод

Когда я/вы начинаем пользоваться ЧатГПТ или Клодом - мы типа становимся продуктивнее.

Но компания от этого не становятся продуктивнее или лучше. Проблема в том, что индивидуальный ИИ (который у нас есть сейчас) и корпоративный ИИ (который мы еще придумываем) — это разные вещи.

Какие ключевые отличия?

— Координация
Компания из 100 человек с ChatGPT — это сто агентов, которые двигаются в разные стороны. Корпоративный ИИ нужен чтобы они двигались в одну.

— Сигнал или шум
С ИИ мы можем создавать кучу контента (шума). Корпоративный ИИ должен находить в этих горах то единственное, что важно.

— Объективность
ЧатГПТ/Клод скажет тебе что ты абсолютно прав даже когда ты не прав. Корпоративный ИИ должен уметь говорить нет.


— Специализация.
Корпоративный ИИ будет специализирован под конкретную задачу, а не делать все подряд как текущие модели.

— Выручка а не экономия времени
Большинство ИИ-продуктов продают экономию времени. Корпоративный ИИ должен генерировать доход.


— Автономность
Самый ценный ИИ — тот, который находит риск до того, о чем вообще никто не подумал.


Аналогия из статьи:
- в 1890-х заводы поставили электромоторы вместо паровых.
- 30 лет был почти нулевой прирост производительности.
- Только в 1920-х, когда полностью перестроили сам завод под электричество, пошёл результат.

Мы сейчас в 1900 году. Электричество есть а завод старый.

Проблема последней мили

По моим постам дорогой читатель уже понял, что сфера моих интересов - это ИИзация бизнеса.

На эту тему вышла крутая статья от HBS, где описывается опыт внедрения AI в организации: pilot-rich but transformation-poor - много пилотов но мало трансформации.

И проблема не в агентах и не в моделях, а (к сожалению) в архитектуре/структуре организаций.

Какие основные проблемы:

- Нету понятного пути от пилота с масштабному внедрению. Один банк внедрил 250 приложений на базе ИИ, но никакого результата на уровне всего бизнеса это не привело.

- Хрупкие/устаревшие процессы. Накладываем AI на старые процесс и ничего не происходит. Нужно редизайнить весь процесс чтобы был результат.

- (Мое любимое) Экспертиза организации живет в головах у специалистов а не в документах. Более того - специалисты часто бояться делиться этой экспертизой, чтобы не лишиться работы.

- Human-in-the-loop становится проблемой, когда агентов сотки.

- Зоопарк из enterprise-система с которыми нужно работать агентом сильно затрудняет внедрение.


Итого - чтобы все получилось нужно менять структуру организации, оцифровывать экспертизу, воспринимать агентов как сотрудников (онбоардить их, ставить KPI и т.д.)

—-

Мы сейчас работаем над ИИ-трансформацией маркетингового агентства в том числе использую принципы, описанные в данной статье. Если у вас есть подобная задачи - пишите мне.

ИИ в медицине

На полях Телемедфорума в Сколково сегодня я буду стоять возле нашего розового🌸 ролл-апа и отвечать на вопросы про искусственный интеллект🦾.

Приходите пообщаться. Регистрация кстати бесплатная. Я буду ближе к 15 часам.

Просто оставлю это здесь. Всем хорошей пятницы!

Сделал свой первый скилл

Спойлер: вайбкодинг-контент ниже

Если вы работаете много с PostgreSQL и/или Supabase, то можете часто ловить проблемы с RLS - Row Level Security. На Insert политика есть, а на Update - нету и т.п.

Сделай специальный скилл для ауйдита RLS-политик на проекте, проверяет ваш RLS, приоретизирует проблему и говорить как их исправить.

https://github.com/ekhorkov/rls-audit

ставится так

/plugin marketplace add ekhorkov/rls-audit
/plugin install rls-audit@ekhorkov-rls-audit

Провел страт-сессию по ИИ-трансформации бизнеса

Последние месяцы я собирал свою структуру для таких сессий - из чего собирал:
1. страт-сессии, где я сам был участником и мог изнутри посмотреть как все происходит и как принимаются решения.

2. наш опыт в КОД9 внедрения ИИ в бизнес - в свои и в клиентский - где-то работало, где-то не работало и не обязательно проблема была в технологиях;

3. Исследования Harward Business Review и подобные - почему компании делают пилоты которые не доходят до операционного внедрения.


В итоге стало понятно., что проблема не в модельках, а в том что часто не понятно откуда нужно начинать ИИ-автоматизацию и как к ней правильно подходить, какие роли должны быть в процессе и кто за что должен отвечать. Модельки уже достаточно умные (и продолжают умнеть каждые 3-4 месяца), теперь нам нужно научиться их правильно готовить.

Сессия была в компании которая занимается serm-оптимизиций. Первым процессом выбрали срез инфополя — сбор поисковой выдачи, карт, разных источников и первичный анализ тональности и наметили следующие процессы которые можно перевести на иишку, какие роли нужно сформировать внутри и какие задачи нужно сделать в ближайший месяц. Получился такой контур стратегии по внедрению ИИ в бизнес.

Методологию собрал, дальше буду ее докручивать

Как компании трансформируются в AI-native

Мы в 1900 году - электричество (ИИ-агенты) есть, а заводы (процессы) старые. Компании делают много пилотов с ИИ и получают мало результата.

Поэтому интересно смотреть на компании, которые перестраивают саму структуру под ИИ, а не прикручивают иишку к старым процессам.


CEO Coinbase написал о том, как они перестраивают свою компанию.

Вот его принципы:

1.Меньше менеджерских уровней, быстрее решения
Каждый управленческий уровень это накладные расходы на первод и пересказ контекста. Если ИИ ускоряет работу - структура должна за этим успевать, иначе ускорение упирается в менеджеров и результата нет.

2. No pure managers — нужны играющие тренеры
С учетом того что ИИ инструменты появляются каждый день - нельзя управлять AI-native организацией не используя их. Иначе не будешь понимать как работает твоя команда;

3. AI-native pods — маленькие команды, изначально построенные вокруг агентов.
Давайте соберем 3-5 человек, у которых половина задач делается агентами с первого дня. Без старых процессов -- по идее Coibase это будет быстрее, чем переучивать большую команду.


Вся эта трансформация она про структуру организации и новые роли, а не про инструменты (итоги страт-сессии). Coinbase будет перестраивать организацию, чтобы агенты вообще начали приносить пользу.

Если у вас в компании что-то подобное планируется — пишите. И приходите на AI & Breakfast, разбираем такие кейсы по пятницам. Кстати скоро будет анонс след завтрака.

AI & Break-fast ⚡️— 15 мая

Пятница - день бизнес-завтрака. В этот раз в новом месте.

Тема будет про скорость -- как внедрить ИИ с быстрым результатом (за 2 недели, а не 2 года).

На встрече потренируемся выделять такие места/процессы. Чтобы все участники не только позавтракали, но и ушли с пониманием, что можно запустить уже на следующей неделе.

Формат без презентаций, живое общение, 7–10 человек за столом, с конкретными кейсами.

Когда: 15 мая, начинаем в 10:30.
Где: Novikov School на Якиманке.

Мест мало. Для записи пишите мне в личку — @edcode9.

AI & Breakfast — 29 мая

Этот завтрак будет тематический - с фокусом на HR-функцию. Как внедрить ИИ в HR-процессы и получить результат, который видно уже через месяц.

В своем эcce от декабря прошлого года я писал

Машины возьмут на себя рутинные задачи: скрининг, сортировку резюме, обновление знаний, построение программ обучения, аналитику, прогнозирование. Людям останется то, что невозможно автоматизировать: построение и развитие корпоративной культуры и ценностей, с которыми сотрудники себя хотят ассоциировать.

Прошло пол года, самое время посмотреть как близко мы пришли к этому прогнозу.

Формат без презентаций, живое общение, 7–10 человек за столом. Конкретные кейсы, цифры, подходы.

Когда: 29 мая, начинаем в 10:30.
Где: Novikov School.

Для записи пишите мне в личку — @edcode9. Или на TimePad.

Kimi выпустил свой аналог Claude Desktop

В версии десктоп приложений у всяких LLM-ок появляется сильно больше функционала чем когда они в виде веб-чата, в чате вы общаетесь, а на десктопе делает реальную работу

Они могут:
- Взаимодействовать с вашими файлами и папками
- Собирать документы (презы, таблички)
- Делать задачки по расписанию
И все это на вашем родном ПК

Поэтому рано или поздно у всех основных лабораторий будет такое десктопное приложение, вот и Kimi подтянулись.

Я уже давно пользуюсь Kimi, он работает без kvn и выдает качество на уровне последнего Sonnet-а и стоит в разы дешевле.

Попробуйте и вы.

95% ИИ-пилотов умирают

Я уже писал что ИИ-агенты это как электричество, когда оно появилось не сразу было ясно как его использовать на производстве. Нашел свежий отчет с анализом, почему большинство ИИ-проектов в бизнесе умирают. Прочитал его и сейчас расскажу вам почему. Спойлер (не потому что ChatGPT тупит)


1. Нереалистичные ожидания
Внедрение технологии требует подготовки данных и семантики, инфраструктурного слоя, перестройки бизнес-процессов. На деле руководители частно воспринимают ИИ как волшебство, реализуют пилоты без понятных измеримых результатов. В результате после еле-работающего пилота наступает разочарование и дальше процесс не движется.


2. Плохое планирование и отсутствие стратегии
Проблема которую мы наблюдаем в своей работе с ИИ-проектами - подход аля "прикрутим и посмотрим как заработает". По факту внедрение ИИ нужно планировать так же как планируется внедрение любого enterprise-софта -- по фазам, с понятным результатом и артефактами в каждой фазе, с адаптацией или перестройкой процессов (вроде уже писал где-то про это, но ничего, повторяться полезно).


3. Мусорные данные
ИИ-агенты работают на том уровне качества, на каком находятся ваши данные (семантика). Хорошие данные - агент работает хорошо, данные неконсистентные или устаревшие - такой же результат будет выдавать агент.


4. Работа с людьми и управление изменениями
Если внедряем ИИ, нам нужно не только разработать агентов но и управлять всеми изменениями, связанными с этим -- обучать людей, внедрять новые роли (архитектора агентов) и задачи. Нужно следить за метриками агентов, добавлять новые данных к обучающим выборкам и кучу всего другого. Что называется

Как это применимо у нас в КОД9?

Мы внедряем агентов в бизнесы клиентов, поэтому используем такой чек-лист

1. Есть ли данные и какое у них качество?

2. Процессы описаны/формализованы?

3. Компания готова вовлекать свой персонал и обучать его?

4. Есть метрики которые привязаны к бизнес-результату?

5. Сможем настроить мониторинг метрик и управление агентом?

Пробуйте, тестируйте, пишите, если нужна помощь с аудитом готовности ваших процессов к ИИ.