Итак JEV

TypeSafe выпустили Jev. Это модель, которая может отвечать на структурированные вопросы по любому массиву данных почти мгновенно и дёшево (оплата только за input tokens).

Типов вопросов может быть три:

Noul — да/нет → вероятность.

Choice — выбрать один вариант из заданного списка → распределение вероятностей по вариантам.

Score — оценка на шкале → score + распределение/уверенность.

То есть берём, например, новый входящий счёт, добавляем к нему нужный контекст — договор, прошлые счета, PO, данные поставщика — и задаём Jev набор заранее определённых вопросов:

«Это дубликат счёта?»  

«Сумма соответствует договору?»  

«Есть признаки мошенничества?»  

«Поставка подтверждена?»  

«Что делать: PAY / HOLD / REVIEW?»

Jev не пишет текстовый ответ, а очень быстро возвращает вероятности по каждому варианту:

"duplicate": {

    "yes": 0.97,
    "no": 0.03

  },

  "amount_matches_contract": {

    "yes": 0.22,
    "no": 0.78

  },

  "fraud_risk": 0.08,

  "delivery_confirmed": {

    "yes": 0.94,
    "no": 0.06

  },

  "action": {

    "PAY": 0.05,
    "HOLD": 0.18,
    "REVIEW": 0.77
  }
}

На все заданные вопросы Jev отвечает сразу — то есть количество вопросов не влияет на скорость ответа.

Штука интересная — будем прикручивать к AI-ботам и RAG-пайплайнам.

Больше по теме тут.

AI meeting notes не работают?

Хожу на много встреч, и на каждой сейчас, конечно, коннектится какой-нибудь AI meetings notes бот — хоть в MS Teams, хоть в Google, хоть в Zoom.

Но парадокс: на каждой встрече люди продолжают писать свои notes руками.

Почему? Что тут сломано? Может, это как с автоответчиком: в Америке к нему все давно привыкли, а у нас никто не пользуется?

Я для себя нашел решение, но как это решить для всех?

Читы для GPT:

Как я принимаю решения с помощью AI или ИИ-шизофреник?

Обычный чат, даже если он настроен хорошо в стиле «ты лучший маркетолог» и бла-бла-бла, всё равно приводит к размытой позиции, к срезанию углов, к обобщениям, а часто нужно решение — типа: «Блин, что делаем сегодня, а что завтра?»

Я использую подход — заставить ИИ жёстко спорить в разных ролях. В споре рождается истина.

Можно натянуть модель «7 шапок» на ИИ и чтобы там 7 ИИ-шек спорили, но для меня эффективнее оказался бинарный спор между двумя ИИ.

И чтобы проще дать оттенок конкретной личности ИИ, лучше сказать прямо: «Ты будешь Илон Маск, а ты — Джефф Безос, тема спора X, начинайте».

Но лучше всего у меня срабатывает одна личность с разными позициями (шизофрения), то есть говоришь: «Вы оба будете Илон Маск, тема такая, спорьте».

В начале я предпочитаю не давать никакого своего мнения и даже не давать им позиции — просто тема такая, позиции выберете сами. Удивительно часто мой LLM-шизофреник выбирает позиции, о которых я даже не думал, смотрит под особым углом.

Потом я могу из результатов спора выбрать ещё вопрос и ещё раз запустить спор, и так за 3–5–7 итераций получается истина.

Больше по теме тут.

Не будьте мясным прокси, не форвардите просто то, что вам сказал ИИ, людям :)

Увольте дизайнера, избавьтесь от Figma

10+ лет я просил дизайнеров делать clickable prototype, чтобы потом, спустя спринт или два, не переделывать. Но им было некогда.

Теперь дизайнер не нужен: любой Front любой сложности LLM собирает за минуты, и если нужны два варианта — посветлее и потемнее, — то это еще 2 минуты.

Но самое главное — мысль, которая возникла в голове у Product Owner, сразу материализуется. 

И это не просто clickable prototype, это рабочий продукт, который можно наживую править. 

Первая версия всегда говно. Я так за один день сделал 30+ изменений и наконец увидел то, что было у меня в голове. 

И самое главное: мысль в голову Product Owner может прийти в 6 утра, и не надо ждать, пока все проснутся и заведут свою Figma. 

К 8 утра ты уже получаешь материализованную мысль, которая выглядит отлично и работает, остается только докрутить Backend до идеала.

Как вы поняли, аналитиков в этом loop тоже нет — они тоже не нужны 🙂

Больше по теме тут.

Время тупых и смелых пришло, остальное сделает chatGPT

Суммарная производительность всех GPU в AI-датацентрах достигла некоторой оценки FLOPS человеческого мозга. То есть AI-вычисления сейчас = мозговым вычислениям всех людей на планете.

Почему тогда мировой ВВП не вырос в два раза? Он вырос на 10–15%, что по сути 0% с учетом инфляции с 2022 года.

Раньше определенный bottleneck был в анализе/сборе данных и создании продукта. Сейчас это стоит копейки. Bottleneck сместился в область принятия решения и действия. И если помочь выбрать из 100 вариантов, сгенерированных AI, сам же AI тоже может, то вот реально действовать пока не везде.

Поэтому приходит время полностью автономных ИИ-агентов, где единственным ограничением будет бюджет, выданный агенту под мета-задачу.

Тут есть несколько проблем:

👉 Люди боятся выдать ИИ-агенту полные права на действия (я сам боюсь — а вдруг че?)

👉 Доступ к реальному миру ограничен, хотя и уже решается (роботы и meat layer)

👉 Ответственность — тут единственный вариант это ментальное списание бюджета при передаче ИИ-агенту (то есть, по сути, бизнес-ангельский подход) и страховка рисков в рельном мире.

Первое поколение ИИ продавало интеллект 🧠, второе уже начинает продавать выполнение задач ✅

RAG умер?

Сравнил RAG vs ReAct-агент на существующей компании на корпусе в 100+ документов.

Оценка: 0 — нет ответа, 1 — верный ответ, 2 — верный и более развёрнутый.

Итог: 83 vs 53 в пользу ReAct (OpenClaw).

Главные плюсы ReAct:

👉 добирает детали и шаги «что делать»;
👉 ходит на сайты (расписания, билеты, формы);
👉 даёт контакты, ссылки, уточняет контекст;
👉 лучше форматирует ответ.

Единственный минус — медленнее: лишние циклы ReAct. Но именно в этих циклах он обычно и добирает доп. инфу.

Больше деталей по теме в канале.

Избиратели против ботов

Economist вышел с обложкой на статью про возрастающее требование избирателей затормозить/запретить ИИ. Это волна только разгоняется, по сути луддиты 21 века, но так как политики часто используют подобные недовольства масс населения, то тему точно будут раскачивать.

Конкретно это выражается уже в начале запретов строить дата‑центры; справедливости ради надо сказать, что отдельные дата‑центры действительно уже портят жизнь конкретным городам Америки.

Уже обсуждаются прочие законы: прозрачность и маркировка ИИ‑контента, запреты и ограничения deepfakes, защита рабочих мест и «разделение выгод» и т. д.

Я думаю, все, кто хочет разделения выгод, получат себя в human in the loop 😀

Жгите токены, не головы

Итак, Y Combinator сформулировал суть AI Native self-improving company.

Первый шаг — это тотальный сбор всех потоков коммуникаций:

- все email, внутренние и внешние

- вся переписка в messengers, включая DM

- все запросы пользователей к системам компании (в UI, БД, API)

Только тогда AI получает полную реальную картину происходящего и может делать полезные выводы.

Затем эта информация анализируется, и AI сможет принимать решения по улучшению компании буквально каждый день, а то и каждый час. Эта информация важнее всего, она является мозгом компании. Сам производимый софт и услуги — это производная, она больше не имеет ценности.

Написание софта, его поддержка теряют смысл, тем более с помощью разработчиков, AI сам, используя мозг, может писать новый софт на каждый важный случай, почти мгновенно тестируя гипотезы и раскатывая то, что сработало. То есть софт — это теперь производная, а не core entity. Core — это мозг, собирающий всю информацию.

Middle management больше не нужен, он был нужен как раз для сбора информации, но AI, подключенный ко всем источникам, делает это быстрее и точнее.

Давайте представим, как это реально работает:

Вот есть уже услуга/софт, который используют клиенты, и в нем возникает проблема, на которую жалуются клиенты.

Раньше было: кто-то должен заметить это, сообщить middle management, эту штуку должны приоритизировать, потом запланировать, потом вставить в спринт, потом сделать, потом протестить, потом задеплоить. Это может занять от недель до месяцев.

Теперь AI сам нашел эту проблему в отзывах клиентов, определил, что она значимо влияет на финансовые показатели, и сам ее починил. Все за несколько часов.

Либо AI заметил новый постоянный паттерн и решил сделать новый софт, сделал это за часы и выкатил.

Сотрудники располагаются в этом случае на краях системы и нужны для тех областей, где AI не может получить данные сам (тот самый human in the loop).

В компании фактически остаются только DRI (с полной ответственностью за результат, а не за кусочек pipeline), я эту роль называл Super Product Owners.

Важный месседж от Y Combinator — Burn Tokens, not Head count. Жгите токены, а не деньги на зарплаты. Я про это говорю в классификации организаций будущего.

Больше по теме тут.

ROI по внедрению AI

Как понять, что AI вообще сработает в вашем кейсе, в вашем бизнесе? Нужно считать ROI (Return on Investment) до начала внедрения.

Например, есть задача, которая занимает ~4 часа у сотрудника, сотрудник получает ~100 000 руб., его 4 часа стоят ~2500 руб. 

Сотрудник делает задачу раз в неделю. Расход ~10 000 руб. в месяц или ~120 000 руб. в год на эту задачу.

Чтобы автоматизировать эту задачу, например, надо 20 часов AI Dev средней стоимостью 3000 руб. в час. ~60 000 руб. 

Тут, если вы опытный руководитель ИТ, то надо умножить этот прогноз на число Pi 🙂 тогда будет 180 000 руб.

Получается, вы вкладываете 180k и получаете 120k, ~66% доходности. Не самая высокая, но приемлемая величина, если таких задач будет много, то вы преуспеете.

Больше по теме тут.

ROI по внедрению AI

Как понять, что AI вообще сработает в вашем кейсе, в вашем бизнесе? Нужно считать ROI (Return on Investment) до начала внедрения.

Например, есть задача, которая занимает ~4 часа у сотрудника, сотрудник получает ~100 000 руб., его 4 часа стоят ~2500 руб. 

Сотрудник делает задачу раз в неделю. Расход ~10 000 руб. в месяц или ~120 000 руб. в год на эту задачу.

Чтобы автоматизировать эту задачу, например, надо 20 часов AI Dev средней стоимостью 3000 руб. в час. ~60 000 руб. 

Тут, если вы опытный руководитель ИТ, то надо умножить этот прогноз на число Pi, тогда будет 180 000 руб.

Получается, вы вкладываете 180k и получаете 120k, ~66% доходности. Не самая высокая, но приемлемая величина, если таких задач будет много, то вы преуспеете.

Больше по теме тут.

Брать ключевую задачу для ИИ-автоматизации?

Обычно при выборе области для применения ИИ все берут одну из core-функций компании. Ну типа, если компания делает анкеты для маркетинговых исследований, то автоматизируем это. Либо, если компания, как большинство, имеет много общения с клиентами, то автоматизируем саппорт в чатах или даже продажи в чатах.

Подход вроде логичный, ведь core-задача компании обычно — это то, на что тратится большая часть времени, так ведь?

А вот нет: если вы думаете, что сотрудник банка тратит львиную долю своего времени на банковские дела, на создание ценности для клиента, то вы сильно ошибаетесь. Если вы думаете, что разработчик игры в большой компании тратит большую часть своего времени на разработку игры, то вы опять ошиблись.

Закон больших компаний гласит: 40% времени пожирают рутина и бюрократия. Но ведь остаются 60% для реальной работы? 

А вот нет, потому что человеческая психика воспринимает всё по-другому, и сходить на созвон на час не означает, что выпал только час. 

Иначе говоря, когда вы потратили 40% своего времени на рутину, вы потратите ещё 40% на переключение между рутиной и реальными задачами (чтобы вернуть себе фокус внимания) и чтобы просто восстановиться. 

Когнитивная нагрузка сжирает вашу ману (способность делать дела) независимо от реальной важности задачи.

Банально забронировать себе отпуск в некоторых компаниях может означать не нажатие одной кнопки, а контакты с 3–5 людьми, погоню за ними и волны волнений.

Что все это значит для автоматизации именно через ИИ? ИИ — это первый вид автоматизации, который условно может все. Раньше, если есть тул для автоматизации тестирования, то, по сути, только ее и то с определенными ограничениями он и может делать. А вот ИИ может делать очень разные задачи.

Вывод прост — начинайте автоматизацию с рутины, а не с core-задач компании/команды. Если вы сможете забрать половину рутины у людей, то высока вероятность, что на core-задачу у них выделится не просто больше времени, а больше когнитивной энергии (той самой маны), что даст больше реальной ценности клиенту.

Больше по теме тут.

Проблемы внедрения AI в компании

Уже давно есть все инструменты - ИИ, ИИ агенты, мультиагентные системы, и наконец паттерн ReAct (OpenClaw). Последний реально может довольно быстро автоматизировать почти любые процессы.

Но реальное внедрение буксует, вот некоторые причины:

👉 Саботаж и отказ сотрудников что-то менять (автокассы в магазинах тоже прошли этот путь), ведь могут по сути автоматизировать и уволить сотрудников.

👉 Нехватка IT-опыта (когда этим занимаются не IT-специалисты, а вайбкодеры)

👉 Отказ IT-специалистов что-то менять (удивительно, но я сталкиваюсь с жутким консерватизмом со стороны самих IT-специалистов)

👉 Боязнь потратить много токенов (жадность?)

Но что показал эксперимент с roll-up компаниями типа Dwelly, оказывается, даже в небольших бизнесах, которые купил новый собственник, можно все перевести на рельсы AI OS под конкретную вертикаль, и прибыльность бизнеса вырастает с 10% до 40% в год (это в  Великобритании).

Вывод прост - только владелец может ИИзировать свою компанию, только тот, кто имеет абсолютный интерес и абсолютную власть в своей компании. К сожалению, даже топ-менеджеры здесь не подходят, потому что им выгодно много людей и отсутствие изменений, так они ничем не рискуют. 

Либо собственник должен нанять ИТ-драйвера, которому будет выделена доля в компании в случае успеха, и дать ему абсолютную власть, иначе опять не работает. Все остальное - полумеры, пилоты, которые, конечно, дают иногда результат, но чаще нет, чем да. 

Еще раз - суть в том, чтобы был человек, владеющий долей в компании и имеющий абсолютную власть. Опыт roll-ups показывает, что иногда сопротивляются даже собственники, а вот когда у тебя купили компанию, то все сопротивление заканчивается.

Если вам интересна тема, ходите сюда или читайте тут на моем аккаунте, я буду писать про реальные кейсы провалов и успехов.

Человек vs. Робот

Я перевожу все больше процессов и задач на облачных ботов типа OpenClaw. У меня появляется все больше кейсов, когда что-то работает на 100% без человека. При этом у меня есть несколько команд и есть возможность сравнить человека и робота. 

Я начинаю коллекционировать эти кейсы и планирую постить конкретные примеры. Основное, что я вижу, это сокращение time-2-market из-за тотального сокращения количества handshakes. Чтобы сделал человек, ему надо завести задачу, он пока дойдет до нее, потом он что-то не понял, спросил другого человека, другой человек сейчас недоступен, и даже простая задача превращается в дни-недели. 

Я буду постить конкретные задачи и честный результат (что получилось, а что нет), и стоимость токенов против расчетной зарплаты, потраченной на эту задачу. Мне самому интересно понять, насколько глубока кроличья нора полной замены людей машинами 😎

Наблюдать за борьбой людей и ботов можно тут.

Мониторинг логов с автоматическим исправлением проблем

И так, раньше надо было использовать различные отдельные инструменты для мониторинга логов (Zabbix и прочее), чтобы в крайнем случае сделать reboot отдельных компонентов или всей системы.

Но оказалось, можно отдать задачу ReAct боту типа OpenClaw (мы используем версию B2B). Он может проверять логи хоть каждые 2 минуты. Тонны токенов здесь не тратятся, он также просто делает поиск по ключевым словам. И важно, что он сам может подобрать ключевые слова и обновлять этот набор исходя из типа логов.

Дальше больше - он может не просто сделать reboot, он может исправить проблему прямо в коде, или сделать откат в git, если поймет, что это проблема новой версии 🔥

Ну то есть, по сути это полноценный support+разраб 24x7, работающий за миску токенов. Да, важно прописать ему некоторые правила (когда то-то делай так, когда это делай сяк), по сути, вашу политику работы с Prod.

Еще полезный кейс: WP умер, перевёл все сайты на OpenClaw.

Проклятые токены :)

Отказ от Cursor 🙅‍♂️

Луну обогнули 🌔, вернёмся на землю.

Я писал про кейс перевода всех сайтов на OpenClaw. Теперь переводим разработку больших продуктов. 

Было так: Cursor пишет код как ассистент разработчика. Говоришь ему «построй план», корректируешь, и с нуля быстро можешь написать довольно масштабную систему.

После этого начинается просто корректировка, новые фичи и фиксы багов. И как правило, в большой системе, обросшей фичами, внедрение нового занимает время, особенно если команда не Full Stack (отдельно Front и отдельно Back разработка).

Но я попробовал и вынес дальнейшую разработку двух больших систем в OpenClaw.

По сути, на VPS с OpenClaw (полный sudo доступ) подтягиваем нужные репозитории. И в чате ему говорим: в репо A добавь X, почини Y, найди баги. Вроде все то же самое, как и в Cursor, но нет, все мгновенно оказывается в Prod, и в цикле там уже включено UI тестирование, потому что есть playwright + browser.

Dev Pipeline теперь это не 3 отдельные среды (prod + test + dev), а Front+Back Dev + QA + DevOps со средним time-2-market в 3 недели, а просто три ветки prod/test/dev, все три постоянно подняты, и time-2-market падает до часов.

Этап дизайна в Figma тоже уходит. Зачем просить дизайнера, который все время занят, сделать новый дизайн, если можно просто сказать боту: «Накидай три версии дизайна новой фичи сразу с самой фичей прямо в dev‑ветке», и уже через 5 минут смотреть, выбирать и корректировать.

Написание больших систем с нуля все еще удобнее в Cursor, но дальнейшее развитие работает на OpenClaw на 4+.

OpenClaw сломал ментальную стену )

Итак, все уже слышали, что вышел OpenClaw, и спасибо Питеру за наше счастливое будущее, произошел прорыв в решении ментальной проблемы - дать агентам полный, мать его, доступ. Питер собрал все из того, что уже было, и о чудо, оно может делать все (в том числе слить все ваши данные 🤨). 

Но ключевое - это то, что ментальный барьер пройден, люди реально ставят это даже на свои компьютеры, в том числе на рабочие (конечно, беря титанические риски). А всего-то надо было дать агентам exec (то есть способность запускать все, что угодно)

Мир уже не будет прежним, много людей пострадают, но зато дальше будет сильно лучше.

Это то же самое, что выпустить на улицы больших городов 100k машин с автопилотом 😎 Будут сложности, но потом мы уже не сможем без них жить 🎮

Я буду мержить свой Blackboard с OpenClaw и внедрять этих монстров везде, где только можно (конечно, максимально зажимая им тестикулы 😄).

Детали внедрений буду публиковать, как обычно, на habr в статьях, и в канале.

ИИ лишит вас работы говорили они...

Когда в найме встретились два ИИ бота (со стороны HR и со стороны кандидата) 🤣🤣🤣

Перевожу на русский:

— Расскажите о себе?

— Конечно! Я увлечённый профессионал, который отлично работает в динамичной среде.

— Это очень содержательный ответ.

— Спасибо! Вы абсолютно правы.

— Вы тоже абсолютно правы.

— Мы оба абсолютно правы.

— Вы абсолютно правы.

— Вы абсолютно правы.

— Вы абсолютно правы.

— Вы абсолютно правы.

— Вы абсолютно правы.

И так 14 страницы текста общения между ИИ 🤣🤣🤣 14 страниц "Вы абсолютно правы" 🤣

Как делать ботов правильно читаем тут.