К первой технике я бы ещё добавил критерий успеха. Особенно это полезно в кодинге: не просто “реализуй фичу”, а “фича работает полностью, тесты зелёные, старое поведение не сломано”. Так модели проще довести задачу до проверяемого результата.
И если генерируете промпт с помощью ИИ, что я и сам регулярно делаю, его всё равно нужно внимательно читать. Модель может добавить лишние требования, расширить задачу или увести её немного не туда. Красиво оформленный промпт ещё не значит, что он точно описывает вашу реальную задачу.
И еще лафхак: после генерации промта нейронкой можно перевести его на английский язык (или сразу попросить делать на английском). Так вы сэкономите немного токенов на входе.
Мне кажется, основной рост пользы для крупного бизнеса ещё впереди. Когда AI-агенты смогут нормально работать с внутренними данными, документами, CRM, ERP и корпоративным контекстом, эффект будет уже совсем другого масштаба. (хотя они уже могу с этим кое-как справляться)
Сейчас многие внедрения всё ещё упираются не в качество моделей, а в инфраструктуру и интеграции. Тогда, вероятно, и начнут по-настоящему окупаться огромные вложения в AI. Но подготавливать почву, экспериментировать для этого компаниям нужно уже сейчас.
Да пузырь ли это вообще, если AI уже сейчас экономит людям часы работы каждый день. Проблема чаще не в модели, а в том, что компании пытаются прикрутить AI к хаосу без нормальных процессов и данных.
Очень понравился подход: не заставлять человека “правильно пользоваться фильтрами”, а сделать так, чтобы система сама понимала его намерение.
И отдельно лайк за инженерную часть — LLM для смысла, код и БД для точности. Это намного убедительнее, чем очередная история про “нейросеть всё сделает сама”.
Попробуй power query использовать в своих задач. Насколько я его понял там можно автоматизировать процесс обработки, соединения, проверки и визуализации данных. У меня особо проблем с данными не было т.к. в компании есть понятные отчеты, которые сильно стандартизированы. Но для упрощения работы с ними пришлось придумывать такую систему.
Пользоваться chatGPT, пользоваться codex, пользоваться cursor, пользоваться openclaw, пользоваться cloudecode. Чуть ли не каждый месяц выходит новый ИИ инструмент, который в чем-то хорошо, в чем-то плох. Юзать всё и сразу конечно хорошо, но есть нюансы: стоимость, настройка системы под себя (то есть время). Через пол года выйдет новый инструмент который будет лучше openclaw, и что дальше?
Есть ещё один подводный камень. Для того чтобы создать бота в Max нужно быть ИП или Юрлицом. Из-за этого ограничения разработчики и не хотят переходить на него, поэтому документаций и примеров в интернете не встретишь.
У меня есть проект, про который я писал в своей статье. Там код полностью был написан с помощью ИИ за несколько вечеров (репозиторий прилагается). Несколько - потому что со временем приходили новые идеи и понимание как я вижу итоговый результат проекта, поэтому что-то менял/допиливал. А так я думаю и за вечер можно было реализовать проект.
Откуда только такие сказочники берутся. Сразу видно сложнее hello world человек не писал с ИИ.
Какая-то правда в этом есть. Для небольшого проекта один человек, который нормально понимает разработку и умеет пользоваться ИИ-инструментами, действительно может за день-два собрать рабочий прототип, отладить базовые сценарии и выкатить его. Но это, конечно, не значит, что так же делаются сложные промышленные системы.
И автор статьи, как по мне, сильно утрирует то, как меняется рынок: ускорение отдельных этапов — да, «революционная замена» нормальной разработки — вряд ли.
Спасибо за развёрнутый комментарий. Согласен: “идеально” это выглядело бы как нормальная витрина/БД и BI внутри контура, без Telegram/Sheets/облаков. Но в моих условиях это был MVP “здесь и сейчас”: быстро убрать ручную рутину и ошибки, не имея возможности поднять внутренний сервис или подключиться к корпоративному BI.
Поэтому выбрал то, что реально можно внедрить за пару вечеров и сразу дать пользу команде. Если решение начнёт масштабироваться (несколько складов/больше метрик/история), логичный следующий шаг — хранение в БД (хотя бы SQLite/Postgres) и нормальный дашборд, а бот оставить как интерфейс запуска/уведомлений.
Тут уже вопрос безопасности. Развернуть БД - хорошая идея, но доказывать руководству какие данные и зачем обрабатываются на стороннем сервисе - та еще морока.
Сейчас я постарался минимизировать данные, которые бот сохраняет на сервере.
Но если щас сервис покажет профит постараюсь как-то продвинуть идею внутри компании и дальше расширять функционал.
Привет! Изначально проект и задумывался как «решение/упрощение одной задачи».
К сожалению в большой компании тяжело получить доступ к БД, с которой можно было бы автоматически выгружать данные в дашборды, выгрузки и т.п. Поэтому приходится так импровизировать чтобы при текущем уровне доступа получить максимум профита.
Никакой коммерческой цели изначально для проекта не ставил, если получится как-то монетизировать - будет здорово. Задумка была сделать проект для резюме на будущее.
К первой технике я бы ещё добавил критерий успеха. Особенно это полезно в кодинге: не просто “реализуй фичу”, а “фича работает полностью, тесты зелёные, старое поведение не сломано”. Так модели проще довести задачу до проверяемого результата.
И если генерируете промпт с помощью ИИ, что я и сам регулярно делаю, его всё равно нужно внимательно читать. Модель может добавить лишние требования, расширить задачу или увести её немного не туда. Красиво оформленный промпт ещё не значит, что он точно описывает вашу реальную задачу.
И еще лафхак: после генерации промта нейронкой можно перевести его на английский язык (или сразу попросить делать на английском). Так вы сэкономите немного токенов на входе.
Мне кажется, основной рост пользы для крупного бизнеса ещё впереди. Когда AI-агенты смогут нормально работать с внутренними данными, документами, CRM, ERP и корпоративным контекстом, эффект будет уже совсем другого масштаба. (хотя они уже могу с этим кое-как справляться)
Сейчас многие внедрения всё ещё упираются не в качество моделей, а в инфраструктуру и интеграции. Тогда, вероятно, и начнут по-настоящему окупаться огромные вложения в AI. Но подготавливать почву, экспериментировать для этого компаниям нужно уже сейчас.
Да пузырь ли это вообще, если AI уже сейчас экономит людям часы работы каждый день. Проблема чаще не в модели, а в том, что компании пытаются прикрутить AI к хаосу без нормальных процессов и данных.
Ждём отечественный РуХаб!
Интересная статья, спасибо.
Было бы любопытно увидеть продолжение с примерами из практики: какие реальные задачи уже решают такие агенты?
Очень понравился подход: не заставлять человека “правильно пользоваться фильтрами”, а сделать так, чтобы система сама понимала его намерение.
И отдельно лайк за инженерную часть — LLM для смысла, код и БД для точности. Это намного убедительнее, чем очередная история про “нейросеть всё сделает сама”.
Попробуй power query использовать в своих задач. Насколько я его понял там можно автоматизировать процесс обработки, соединения, проверки и визуализации данных.
У меня особо проблем с данными не было т.к. в компании есть понятные отчеты, которые сильно стандартизированы. Но для упрощения работы с ними пришлось придумывать такую систему.
Пользоваться chatGPT, пользоваться codex, пользоваться cursor, пользоваться openclaw, пользоваться cloudecode. Чуть ли не каждый месяц выходит новый ИИ инструмент, который в чем-то хорошо, в чем-то плох.
Юзать всё и сразу конечно хорошо, но есть нюансы: стоимость, настройка системы под себя (то есть время).
Через пол года выйдет новый инструмент который будет лучше openclaw, и что дальше?
Макросы полезны когда ты написал его для себя и пользуешься. Тут речь о продукте, которым пользуется целая команда.
Есть ещё один подводный камень. Для того чтобы создать бота в Max нужно быть ИП или Юрлицом.
Из-за этого ограничения разработчики и не хотят переходить на него, поэтому документаций и примеров в интернете не встретишь.
У меня есть проект, про который я писал в своей статье. Там код полностью был написан с помощью ИИ за несколько вечеров (репозиторий прилагается). Несколько - потому что со временем приходили новые идеи и понимание как я вижу итоговый результат проекта, поэтому что-то менял/допиливал. А так я думаю и за вечер можно было реализовать проект.
Какая-то правда в этом есть. Для небольшого проекта один человек, который нормально понимает разработку и умеет пользоваться ИИ-инструментами, действительно может за день-два собрать рабочий прототип, отладить базовые сценарии и выкатить его. Но это, конечно, не значит, что так же делаются сложные промышленные системы.
И автор статьи, как по мне, сильно утрирует то, как меняется рынок: ускорение отдельных этапов — да, «революционная замена» нормальной разработки — вряд ли.
Спасибо за развёрнутый комментарий. Согласен: “идеально” это выглядело бы как нормальная витрина/БД и BI внутри контура, без Telegram/Sheets/облаков. Но в моих условиях это был MVP “здесь и сейчас”: быстро убрать ручную рутину и ошибки, не имея возможности поднять внутренний сервис или подключиться к корпоративному BI.
Поэтому выбрал то, что реально можно внедрить за пару вечеров и сразу дать пользу команде. Если решение начнёт масштабироваться (несколько складов/больше метрик/история), логичный следующий шаг — хранение в БД (хотя бы SQLite/Postgres) и нормальный дашборд, а бот оставить как интерфейс запуска/уведомлений.
Да Excel вообще по хорошему убрать из обработки, если б была возможность я его не использовал.
К сожалению это единственный способ получить информацию из БД компании.
Спасибо за совет, задумался над идеей и скорее всего попробую перейти на локальную БД в другой версии приложения)
Как раз у меня дальше по планам стоит обучение sql, если что нибудь подобное сделаю то напишу об этом статью ;)
Тут уже вопрос безопасности. Развернуть БД - хорошая идея, но доказывать руководству какие данные и зачем обрабатываются на стороннем сервисе - та еще морока.
Сейчас я постарался минимизировать данные, которые бот сохраняет на сервере.
Но если щас сервис покажет профит постараюсь как-то продвинуть идею внутри компании и дальше расширять функционал.
Привет! Изначально проект и задумывался как «решение/упрощение одной задачи».
К сожалению в большой компании тяжело получить доступ к БД, с которой можно было бы автоматически выгружать данные в дашборды, выгрузки и т.п. Поэтому приходится так импровизировать чтобы при текущем уровне доступа получить максимум профита.
Никакой коммерческой цели изначально для проекта не ставил, если получится как-то монетизировать - будет здорово. Задумка была сделать проект для резюме на будущее.