Одна из ценностей нашей школы в том, что мы хотим держать материал максимально актуальным с развитием индустрии. В мире AI сейчас все меняется настолько быстро, что нам приходится постоянно обновлять контент по мере выхода нового материала. Поэтому, раз уж мы следим за этой темой, то мы готовы и делиться с вами этой информацией в Дайджесте.
Что важно менеджеру?
AI не экономит время – он его уплотняет. Данные 8 месяцев наблюдений
Контекст
Мы опубликовали большое исследование «AI не экономит время – он его уплотняет» в нашем блоге. Исследователи из Стэнфорда 8 месяцев наблюдали за ~200 сотрудниками технологической компании и обнаружили парадокс: генеративный AI не сократил рабочую нагрузку, а уплотнил её.
Это подтверждается данными Microsoft: 62% продакт-менеджеров используют Gen AI ежедневно, 81% говорят, что AI экономит время – но 56% отрицают, что усилий стало меньше.
Если честно – это одна из тех тем, которые касаются каждого менеджера прямо сейчас.
Данные и факты
Исследование выявило три механизма уплотнения работы:
1. Расширение задач (Task Expansion) PM и дизайнеры начали писать код. Исследователи взялись за инженерные задачи. Инженеры тратят больше времени на проверку AI-генерированного кода. Границы ролей размылись – каждый делает «чуть-чуть чужой работы».
2. Размытие границ работы и отдыха Люди промптят AI во время обеда, на встречах, в перерывах. Работа распространилась на вечера и ранние утра. Разговорный стиль промптинга маскирует работу: кажется, что «просто чатишься», а на самом деле решаешь рабочую задачу.
3. Усиление многозадачности Управление несколькими AI-потоками одновременно. Постоянная проверка AI-выводов. Растущее количество открытых задач. AI увеличивает пропускную способность задач, но не снижает когнитивную нагрузку – менеджеры по-прежнему принимают до 100 решений в день.
Результат – самоусиливающийся цикл: AI ускоряет задачи → растут ожидания скорости → сотрудники зависимы от AI → расширяется спектр деятельности → увеличивается плотность работы.
Это напрямую связано с ещё одним нашим исследованием: мы разобрали почему ответственность за AI-решения остаётся за человеком. Данные Microsoft по 885 PM: 73% делегируют AI черновики спецификаций, но 47% беспокоят галлюцинации. Чем мощнее модель – тем критичнее человеческое суждение. Менеджер, слепо доверяющий AI, опаснее для организации, чем менеджер без AI.
Честно говоря, я чувствую это на себе. Я стал мультитаскером – и меня это беспокоит. Переключение контекста выросло в разы. Иногда ловлю себя на том, что теряю детали по уже сделанной работе – просто потому что объём задач вырос.
При этом количество работы, которое я могу сделать – реально увеличилось. Мне больше не нужно просить кого-то помочь с фронтендом, бэкендом или валидацией данных – я делегирую это AI с правильными gates для проверки результата. Но именно из-за этого объёма – я чувствую себя перегруженным.
И это ровно тот парадокс, о котором говорит исследование. AI облегчил начало задач, но усложнил остановку работы.
Что это значит для менеджера
Три вывода, которые нельзя откладывать:
- Перестаньте мерить продуктивность «экономией времени». Если ваша команда работает столько же, но делает больше – это не экономия. Это уплотнение. Мониторьте workload creep, а не только output.
- Проверьте, не занимаются ли сотрудники «чужой работой». PM пишут код, дизайнеры анализируют данные – звучит круто, но ведёт к когнитивной перегрузке и выгоранию. Границы ролей существуют не просто так.
- Делегируйте выполнение, сохраняйте контроль решений. AI пишет черновик – человек проверяет и утверждает. Финальная приёмка – всегда за человеком. Для менеджера это переход от управления людьми к управлению связками «человек + агент».
Практические действия
Источники:
Новости
NVIDIA: 30 000 разработчиков на AI-Cursor, 3x рост коммитов
NVIDIA перевела 30 000 разработчиков на использование AI-агентов в IDE Cursor. Результат – трёхкратное увеличение одобренных фиксов и коммитов. Компания поставила задачу внедрить AI на каждом этапе SDLC – от генерации кода до тестирования и код-ревью.
Но интереснее другое: AI сократил время выхода на продуктивность для новых сотрудников, а бэкенд-инженеры начали выполнять фронтенд-задачи. Рынок вакансий уже реагирует: спрос смещается к Senior-специалистам, способным проектировать сложные системы, а позиции junior-инженеров оказываются под вопросом.
Что вам с этого? Если ваша команда ещё не использует AI в IDE – вы теряете кратную разницу в скорости. Снижайте требования к знанию конкретного синтаксиса при найме, фокусируйтесь на архитектурном мышлении кандидата.
Рынок AI: великая перетряска
Несколько исследований за 2 недели нарисовали картину, которую нельзя игнорировать:
- ChatGPT потерял долю с 69% до 45% за год. Основные бенефициары – Google Gemini и Grok. Экосистемные преимущества (интеграция Google Workspace) оказались важнее, чем первенство продукта
- Microsoft Copilot – корпорации используют лишь 10% от оплаченных лицензий (данные Citi). Доля платных пользователей упала с 18,8% до 11,5% за полгода. Причина – плохой UX, который не оправдал ожиданий. В Twitter стал виральным пост Питера Гирнуса: менеджер купил 4 000 лицензий за $1,4 млн/год – через 3 месяца 47 человек открыли, 12 использовали. CFO спросил про ROI – ему показали график «вверх и вправо» с метрикой «AI enablement», которую придумали на ходу. Теперь компания – «история успеха» Microsoft
- Claude (Anthropic) – маленькая доля рынка, но среднее время использования выросло с 10 до 30+ минут в день. Доля компаний, выбирающих Anthropic, выросла до 20%. Для глубокой работы пользователи выбирают именно его
- Рынок чат-ботов в целом вырос на 152% за год. 20% пользователей используют минимум два инструмента одновременно (против 5% в 2023). Но разрыв между закрытыми и открытыми моделями почти стёрся – Qwen2.5-Coder сопоставим с GPT-4o, но в 11 раз дешевле
Что вам с этого? Монополия ChatGPT закончилась. Не покупайте лицензии «на всех» – проведите пилот на 5–10 активных сотрудниках. Claude – для глубоких задач с контекстом. Gemini – если команда в Google Workspace. И не списывайте опенсорс: Qwen можно запустить локально для конфиденциальных данных.
70% AI-кода отклоняется – и это не баг, а реальность
Данные из нескольких источников сходятся: до 70% pull-request'ов от AI отклоняются или «зависают» в ревью. Главные причины – дыры в безопасности и полное отсутствие тестов в выдаче нейросетей.
При этом стоимость генерации кода достигла дна: 10 000 строк обходятся примерно в 4 рубля – в 100 раз дешевле найма. Код стал почти бесплатным в производстве, но дорогим в проверке. Объём кода вырастет в 5–10 раз, а нагрузка на ревьюеров – соответственно.
Исследование Anthropic добавляет нюанс: с ростом мощности моделей ошибки становятся менее логичными и более непредсказуемыми. Вместо системных сбоев – «глупые» аварии в простых ситуациях. Ошибки делятся на два типа: системные (исправляются промптом) и случайные (требуют человеческого контроля). Иногда Chain-of-Thought рассуждения могут даже ухудшить результат, если процесс становится избыточным.
Что вам с этого? Правило: PR от AI не рассматривается без покрытия тестами. Усильте фокус на Code Review и автоматизации тестирования – иначе профит от AI сгорит в ожидании проверок.
Anthropic потряс SaaS-рынок на $300 млрд + Goldman Sachs на борту
Anthropic выпустил AI-инструменты для юристов, маркетологов и поддержки. Реакция инвесторов – обвал капитализации Adobe, Thomson Reuters и других SaaS-гигантов. Общая потеря рынка – около $300 млрд за один день. Логика: зачем покупать подписку на ПО, если AI-агент сделает это за API-вызов?
Рынок движется от модели SaaS (оплата за место) к оплате за результат и API-вызовы – фундаментальный сдвиг, который затрагивает всех, кто покупает или продаёт подписки.
Параллельно Goldman Sachs начал промышленное внедрение AI-агентов от Anthropic в критические бэк-офис процессы: комплаенс, бухгалтерию и онбординг клиентов. Финансовый сектор переходит от чат-ботов к агентам, способным выполнять цепочки действий.
А KPMG уже использует факт внедрения AI как рычаг для снижения стоимости услуг подрядчиков. Mastercard запустил платежи через AI-агентов – нейросеть ищет и покупает товары, человек подтверждает биометрией. Расходы Google и Microsoft на AI-маркетинг выросли на 495% год к году, а Meta направляет более 50% выручки на AI в 2026.
AI из «инструмента продуктивности» превращается в «обязательное условие рыночной конкуренции». Экономический порог входа для автоматизации радикально снизился.
Что вам с этого? При переговорах о продлении контрактов требуйте модель ценообразования, привязанную к бизнес-результатам или объёму работы. Если подрядчик использует AI – это аргумент для пересмотра стоимости.
Claude Opus 4.6 и GPT-5: гонка обновлений
OpenAI и Anthropic синхронно обновили флагманские модели. Claude Opus 4.6 улучшил планирование многошаговых задач и получил режим Fast (2,5x быстрее). Модель автономно написала C-компилятор за 14 дней – это подтверждает переход AI от помощника к автономному исполнителю целых этапов проекта.
Apple интегрировала Claude непосредственно в Xcode – теперь AI автономно пишет код, фиксит баги и тестирует UI для iOS/macOS. Anthropic также выпустил SDK для интеграции Claude Agent и набор плагинов для офисных задач.
OpenAI обновила Deep Research до модели GPT-5 и выпустила Codex 5.3 – 1 млн скачиваний за неделю. Один разработчик теперь может управлять 10 автономными агентами одновременно.
Мы активно используем Claude Opus 4.6 в Claude Code. Самое заметное улучшение – модель умеет запускать несколько агентов параллельно, и это реально ускоряет процессы. Но если честно – качественного скачка в выдаче по сравнению с 4.5 мы не заметили. Бенчмарки говорят другое :)
Что вам с этого? Перетестируйте задачи, которые Claude раньше проваливал: сложные цепочки действий, сборка отчётов из разных источников. Главное преимущество Opus 4.6 – параллельная работа агентов и улучшенное планирование, а не качество отдельных ответов. Для прототипирования – дайте PM попробовать Codex.
Инструменты
OpenClaw: практические кейсы автоматизации
В прошлом дайджесте мы разбирали OpenClaw – опенсорсную альтернативу Computer Use от Anthropic. Теперь мы написали подробный разбор реальных кейсов в блоге.
Главный вывод: это не революция, а «автоматическая коробка передач» – автоматизация та же, но барьер входа радикально снизился. Настройка: 5–15 минут текстового описания вместо 2–4 часов конфигурации через n8n или Zapier.
Реальные кейсы: дизайн-агентство сократило обработку клиентских запросов с 5–10 минут до ~30 секунд. LinkedIn engagement – с 30+ минут в день до ~5 минут.
Но для enterprise – рано. Документированные уязвимости, нет GDPR/HIPAA, нет SLA.
Что вам с этого? Поручите техлиду протестировать для автоматизации повторяющихся задач в нестандартном ПО, где нет готовых API. Для критичных процессов – подождите enterprise-слой.
Дайджест для менеджера #7
Привет, !
Одна из ценностей нашей школы в том, что мы хотим держать материал максимально актуальным с развитием индустрии. В мире AI сейчас все меняется настолько быстро, что нам приходится постоянно обновлять контент по мере выхода нового материала. Поэтому, раз уж мы следим за этой темой, то мы готовы и делиться с вами этой информацией в Дайджесте.
Мы проводим исследование! Сейчас мы изучаем, как менеджеры оценивают качество ответов AI-моделей – и нам нужна ваша помощь. Пройдите короткую калибровку: это займёт 5–10 минут, а результаты помогут нам сделать рекомендации точнее.
Принять участие в исследовании →
И еще одно – теперь дайджест будет выходить каждый второй вторник (вместо пятницы, как было раньше).
Что важно менеджеру?
AI не экономит время – он его уплотняет. Данные 8 месяцев наблюдений
Контекст
Мы опубликовали большое исследование «AI не экономит время – он его уплотняет» в нашем блоге. Исследователи из Стэнфорда 8 месяцев наблюдали за ~200 сотрудниками технологической компании и обнаружили парадокс: генеративный AI не сократил рабочую нагрузку, а уплотнил её.
Это подтверждается данными Microsoft: 62% продакт-менеджеров используют Gen AI ежедневно, 81% говорят, что AI экономит время – но 56% отрицают, что усилий стало меньше.
Если честно – это одна из тех тем, которые касаются каждого менеджера прямо сейчас.
Данные и факты
Исследование выявило три механизма уплотнения работы:
1. Расширение задач (Task Expansion) PM и дизайнеры начали писать код. Исследователи взялись за инженерные задачи. Инженеры тратят больше времени на проверку AI-генерированного кода. Границы ролей размылись – каждый делает «чуть-чуть чужой работы».
2. Размытие границ работы и отдыха Люди промптят AI во время обеда, на встречах, в перерывах. Работа распространилась на вечера и ранние утра. Разговорный стиль промптинга маскирует работу: кажется, что «просто чатишься», а на самом деле решаешь рабочую задачу.
3. Усиление многозадачности Управление несколькими AI-потоками одновременно. Постоянная проверка AI-выводов. Растущее количество открытых задач. AI увеличивает пропускную способность задач, но не снижает когнитивную нагрузку – менеджеры по-прежнему принимают до 100 решений в день.
Результат – самоусиливающийся цикл: AI ускоряет задачи → растут ожидания скорости → сотрудники зависимы от AI → расширяется спектр деятельности → увеличивается плотность работы.
Это напрямую связано с ещё одним нашим исследованием: мы разобрали почему ответственность за AI-решения остаётся за человеком. Данные Microsoft по 885 PM: 73% делегируют AI черновики спецификаций, но 47% беспокоят галлюцинации. Чем мощнее модель – тем критичнее человеческое суждение. Менеджер, слепо доверяющий AI, опаснее для организации, чем менеджер без AI.
Честно говоря, я чувствую это на себе. Я стал мультитаскером – и меня это беспокоит. Переключение контекста выросло в разы. Иногда ловлю себя на том, что теряю детали по уже сделанной работе – просто потому что объём задач вырос.
При этом количество работы, которое я могу сделать – реально увеличилось. Мне больше не нужно просить кого-то помочь с фронтендом, бэкендом или валидацией данных – я делегирую это AI с правильными gates для проверки результата. Но именно из-за этого объёма – я чувствую себя перегруженным.
И это ровно тот парадокс, о котором говорит исследование. AI облегчил начало задач, но усложнил остановку работы.
Что это значит для менеджера
Три вывода, которые нельзя откладывать:
- Перестаньте мерить продуктивность «экономией времени». Если ваша команда работает столько же, но делает больше – это не экономия. Это уплотнение. Мониторьте workload creep, а не только output.
- Проверьте, не занимаются ли сотрудники «чужой работой». PM пишут код, дизайнеры анализируют данные – звучит круто, но ведёт к когнитивной перегрузке и выгоранию. Границы ролей существуют не просто так.
- Делегируйте выполнение, сохраняйте контроль решений. AI пишет черновик – человек проверяет и утверждает. Финальная приёмка – всегда за человеком. Для менеджера это переход от управления людьми к управлению связками «человек + агент».
Практические действия
Три практики 'AI Practice' для команды:
1. Decision Pause (Намеренная пауза):
Перед принятием AI-ассистированного решения команда формулирует один контраргумент и связывает решение с целями проекта. Защищает от ошибок, вызванных скоростью генерации.
2. Секвенирование:
Пакетируйте несрочные AI-уведомления. Удерживайте обновления до контрольных точек. Защитите окна фокуса от прерываний. Один поток AI-задач за раз, а не пять.
3. Человеческое заземление:
Защитите время для живого диалога без AI. Краткие check-in и совместная рефлексия. Множественные человеческие точки зрения для креативных задач – AI склонен к усреднению.
Аудит уплотнения (15 минут):
1. Откройте календарь за последнюю неделю. Отметьте встречи, где сотрудники параллельно промптили AI
2. Спросите 3 человек из команды: «Ты берёшь на себя задачи, которые раньше не делал – благодаря AI?»
3. Если ответ «да» у двоих из трёх – проведите ревизию ролей. Не каждая задача, которую можно сделать, стоит делать
4. Установите правило: AI-время ≠ бесплатное время. Каждая новая задача через AI – это когнитивная нагрузка
Промпт для создания нормы работы с AI в команде:
«Создай документ "Нормы работы с AI" для команды из 8–12 человек. Включи: 1) правила делегирования – что можно отдать AI, что нельзя, 2) обязательный чек-лист перед использованием AI-результата в продакшене, 3) график "AI-free" окон для фокусной работы, 4) процесс эскалации, если AI-результат вызывает сомнения. Формат: готовый Notion-документ.»
Источники:
Новости
NVIDIA: 30 000 разработчиков на AI-Cursor, 3x рост коммитов
NVIDIA перевела 30 000 разработчиков на использование AI-агентов в IDE Cursor. Результат – трёхкратное увеличение одобренных фиксов и коммитов. Компания поставила задачу внедрить AI на каждом этапе SDLC – от генерации кода до тестирования и код-ревью.
Но интереснее другое: AI сократил время выхода на продуктивность для новых сотрудников, а бэкенд-инженеры начали выполнять фронтенд-задачи. Рынок вакансий уже реагирует: спрос смещается к Senior-специалистам, способным проектировать сложные системы, а позиции junior-инженеров оказываются под вопросом.
Что вам с этого? Если ваша команда ещё не использует AI в IDE – вы теряете кратную разницу в скорости. Снижайте требования к знанию конкретного синтаксиса при найме, фокусируйтесь на архитектурном мышлении кандидата.
Рынок AI: великая перетряска
Несколько исследований за 2 недели нарисовали картину, которую нельзя игнорировать:
- ChatGPT потерял долю с 69% до 45% за год. Основные бенефициары – Google Gemini и Grok. Экосистемные преимущества (интеграция Google Workspace) оказались важнее, чем первенство продукта
- Microsoft Copilot – корпорации используют лишь 10% от оплаченных лицензий (данные Citi). Доля платных пользователей упала с 18,8% до 11,5% за полгода. Причина – плохой UX, который не оправдал ожиданий. В Twitter стал виральным пост Питера Гирнуса: менеджер купил 4 000 лицензий за $1,4 млн/год – через 3 месяца 47 человек открыли, 12 использовали. CFO спросил про ROI – ему показали график «вверх и вправо» с метрикой «AI enablement», которую придумали на ходу. Теперь компания – «история успеха» Microsoft
- Claude (Anthropic) – маленькая доля рынка, но среднее время использования выросло с 10 до 30+ минут в день. Доля компаний, выбирающих Anthropic, выросла до 20%. Для глубокой работы пользователи выбирают именно его
- Рынок чат-ботов в целом вырос на 152% за год. 20% пользователей используют минимум два инструмента одновременно (против 5% в 2023). Но разрыв между закрытыми и открытыми моделями почти стёрся – Qwen2.5-Coder сопоставим с GPT-4o, но в 11 раз дешевле
Что вам с этого? Монополия ChatGPT закончилась. Не покупайте лицензии «на всех» – проведите пилот на 5–10 активных сотрудниках. Claude – для глубоких задач с контекстом. Gemini – если команда в Google Workspace. И не списывайте опенсорс: Qwen можно запустить локально для конфиденциальных данных.
70% AI-кода отклоняется – и это не баг, а реальность
Данные из нескольких источников сходятся: до 70% pull-request'ов от AI отклоняются или «зависают» в ревью. Главные причины – дыры в безопасности и полное отсутствие тестов в выдаче нейросетей.
При этом стоимость генерации кода достигла дна: 10 000 строк обходятся примерно в 4 рубля – в 100 раз дешевле найма. Код стал почти бесплатным в производстве, но дорогим в проверке. Объём кода вырастет в 5–10 раз, а нагрузка на ревьюеров – соответственно.
Исследование Anthropic добавляет нюанс: с ростом мощности моделей ошибки становятся менее логичными и более непредсказуемыми. Вместо системных сбоев – «глупые» аварии в простых ситуациях. Ошибки делятся на два типа: системные (исправляются промптом) и случайные (требуют человеческого контроля). Иногда Chain-of-Thought рассуждения могут даже ухудшить результат, если процесс становится избыточным.
Что вам с этого? Правило: PR от AI не рассматривается без покрытия тестами. Усильте фокус на Code Review и автоматизации тестирования – иначе профит от AI сгорит в ожидании проверок.
Anthropic потряс SaaS-рынок на $300 млрд + Goldman Sachs на борту
Anthropic выпустил AI-инструменты для юристов, маркетологов и поддержки. Реакция инвесторов – обвал капитализации Adobe, Thomson Reuters и других SaaS-гигантов. Общая потеря рынка – около $300 млрд за один день. Логика: зачем покупать подписку на ПО, если AI-агент сделает это за API-вызов?
Рынок движется от модели SaaS (оплата за место) к оплате за результат и API-вызовы – фундаментальный сдвиг, который затрагивает всех, кто покупает или продаёт подписки.
Параллельно Goldman Sachs начал промышленное внедрение AI-агентов от Anthropic в критические бэк-офис процессы: комплаенс, бухгалтерию и онбординг клиентов. Финансовый сектор переходит от чат-ботов к агентам, способным выполнять цепочки действий.
А KPMG уже использует факт внедрения AI как рычаг для снижения стоимости услуг подрядчиков. Mastercard запустил платежи через AI-агентов – нейросеть ищет и покупает товары, человек подтверждает биометрией. Расходы Google и Microsoft на AI-маркетинг выросли на 495% год к году, а Meta направляет более 50% выручки на AI в 2026.
AI из «инструмента продуктивности» превращается в «обязательное условие рыночной конкуренции». Экономический порог входа для автоматизации радикально снизился.
Что вам с этого? При переговорах о продлении контрактов требуйте модель ценообразования, привязанную к бизнес-результатам или объёму работы. Если подрядчик использует AI – это аргумент для пересмотра стоимости.
Claude Opus 4.6 и GPT-5: гонка обновлений
OpenAI и Anthropic синхронно обновили флагманские модели. Claude Opus 4.6 улучшил планирование многошаговых задач и получил режим Fast (2,5x быстрее). Модель автономно написала C-компилятор за 14 дней – это подтверждает переход AI от помощника к автономному исполнителю целых этапов проекта.
Apple интегрировала Claude непосредственно в Xcode – теперь AI автономно пишет код, фиксит баги и тестирует UI для iOS/macOS. Anthropic также выпустил SDK для интеграции Claude Agent и набор плагинов для офисных задач.
OpenAI обновила Deep Research до модели GPT-5 и выпустила Codex 5.3 – 1 млн скачиваний за неделю. Один разработчик теперь может управлять 10 автономными агентами одновременно.
Мы активно используем Claude Opus 4.6 в Claude Code. Самое заметное улучшение – модель умеет запускать несколько агентов параллельно, и это реально ускоряет процессы. Но если честно – качественного скачка в выдаче по сравнению с 4.5 мы не заметили. Бенчмарки говорят другое :)
Что вам с этого? Перетестируйте задачи, которые Claude раньше проваливал: сложные цепочки действий, сборка отчётов из разных источников. Главное преимущество Opus 4.6 – параллельная работа агентов и улучшенное планирование, а не качество отдельных ответов. Для прототипирования – дайте PM попробовать Codex.
Инструменты
OpenClaw: практические кейсы автоматизации
В прошлом дайджесте мы разбирали OpenClaw – опенсорсную альтернативу Computer Use от Anthropic. Теперь мы написали подробный разбор реальных кейсов в блоге.
Главный вывод: это не революция, а «автоматическая коробка передач» – автоматизация та же, но барьер входа радикально снизился. Настройка: 5–15 минут текстового описания вместо 2–4 часов конфигурации через n8n или Zapier.
Реальные кейсы: дизайн-агентство сократило обработку клиентских запросов с 5–10 минут до ~30 секунд. LinkedIn engagement – с 30+ минут в день до ~5 минут.
Но для enterprise – рано. Документированные уязвимости, нет GDPR/HIPAA, нет SLA.
Что вам с этого? Поручите техлиду протестировать для автоматизации повторяющихся задач в нестандартном ПО, где нет готовых API. Для критичных процессов – подождите enterprise-слой.
AI-агенты для рутины: Frontier, Agent Composer, GitHub Agents
Три инструмента для автоматизации «тяжёлой» рутины:
- OpenAI Frontier – платформа для управления флотом AI-агентов внутри CRM и баз данных. Централизованная автоматизация: подключите к Salesforce или HubSpot, назначьте 1–2 процесса для пилота
- Agent Composer от Contextual AI – направлен на работу с технической документацией, где инженеры тратят 20+ часов в неделю. Работает как RAG-агент с пониманием отраслевых процессов
- GitHub анонсировал AI-агентов для автоматического исправления багов и обновления документации по расписанию через Markdown-конфигурации
Stripe уже внедрил автономных агентов Minions – 1 000+ правок в коде еженедельно без участия человека. А Kimi запустил рой из 100 агентов, выполняющих поиск и анализ данных в 4 раза быстрее.
Что вам с этого? Если высокооплачиваемые специалисты тратят >25% времени на поиск информации в документах – рассмотрите RAG-агентов. Проведите аудит «технической рутины» – результат может удивить.
LlamaIndex, Qwen, Claude Code: для технической команды
- LlamaIndex – продвинутый парсинг PDF: корректно распознаёт таблицы и графики. Раньше визуализированные данные были «слепой зоной» для AI – теперь можно анализировать отчёты конкурентов автоматически
- Qwen Coder 3 от Alibaba – модель уровня GPT-4o, но в 11 раз дешевле. Работает на 46 ГБ ОЗУ (обычный мощный ПК). Умеет генерировать презентации из текстовых документов. На Hugging Face: 113 000 моделей на базе Qwen – в 4 раза больше, чем Llama от Meta. Qwen2.5 показывает скорость генерации 1 000 токенов/сек
- Claude Code insights – визуальный HTML-отчёт о работе AI-агента: стоимость сессии, использование токенов, дерево решений. Попросите техлидов показать отчёт по последним задачам – увидите, куда уходит бюджет
- Kimi K2.5 – бесплатная мультимодальная модель от Moonshot AI с режимом Agent Swarm (до 100 параллельных агентов). Уровень GPT-5.2, но в 5 раз дешевле по API
- Gemini 3 Deep Think от Google – находит глубокие логические ошибки в научных работах, пропущенные рецензентами
Что вам с этого? Для конфиденциальных данных – Qwen можно запустить локально без облака. Для автоматизации отчётов – LlamaIndex. Для контроля бюджета на AI – Claude Code insights.
Данные и инсайты
338 000 просмотров, 742 поста, 1 регистрация
Мы провели 3-месячный эксперимент с AI-автоматизацией контента в Threads. Результат: 338 000 просмотров, рост в 7,4 раза. Но главная метрика – одна регистрация при стоимости ~$150 и 70 часов работы.
Ключевой вывод: человеческая курация показала 54-кратную разницу между полной автоматикой (19,5 просмотров/пост) и гибридным подходом (1 055 просмотров). Из 22 еженедельных аналитических отчётов почти все выводы оказались неустойчивыми. Единственный стабильный фактор – человеческая проверка.
Урок для менеджера: AI-автоматизация контента работает для охвата, но не для конверсии. Просмотры – метрика тщеславия. Оптимизируйте то, что приносит деньги.
Источник: [AI-машина для Threads: результаты 3 месяцев]
McKinsey Lilli: 100 000+ документов за секунды
McKinsey внедряет Lilli – внутреннюю AI-платформу, агрегирующую 100 000+ документов и экспертных знаний. Подготовка к встречам – с недель до часов. Консультанты фокусируются на стратегии, а не на сборе данных.
Параллельно исследование McKinsey показывает: главный фактор успеха AI – не технологии, а лидерство и культура. 90% AI-инициатив терпят неудачу не из-за алгоритмов, а из-за неспособности команды объяснить и обосновать AI-решения.
Источник: [McKinsey AI Insights]
Karpathy vs Altman: разрыв в 80%
Андрей Карпати (экс-Tesla AI) перевёл 80% своих задач на AI за две недели. Сэм Альтман (CEO OpenAI) признался, что почти не менял рабочие процессы. Это демонстрирует: разрыв в эффективности определяется не доступом к инструментам, а радикальной перестройкой личных процессов.
AI позволяет специалистам с низким уровнем технической подготовки создавать работающие прототипы. Грейди Буч называет это «Третьим золотым веком ПО» – переход от написания кода к его архитектурному проектированию. Профессия программиста эволюционирует в сторону «инженера смыслов».
Это был дайджест изменений в инструментах и в материалах нашей школы, которые важны менеджеру из мира AI. Если вам интересно получать такие обновления каждые 2 недели, то подписывайтесь или следите за обновлениями в Telegram :)
Для нас важно поддерживать материал актуальным для вас.
Команда MySummit