Кожевников Степан

ИИ в ритейле 2026: Как алгоритмы экономят миллионы и меняют правила игры

В 2026 году искусственный интеллект стал ключевым инструментом ритейлеров: от оптимизации ассортимента до динамического ценообразования. Крупные сети уже внедрили ИИ-системы, которые экономят миллионы рублей и повышают эффективность. Поиск точек роста продолжается! Разберем 5 реальных кейсов с деталями и цифрами. Кейс 1: Оптимизация ассортиментных матриц и насыщенность рынка Проблема: Ручное формирование ассортимента занимает недели, а ошибки ведут к затовариванию или дефициту. Кроме того, нужно понимать, где категория уже насыщена, а где есть потенциал роста...

3 недели назад

Мозг и интеллект одинаковые, но достижения - разные

Пять тысяч лет назад у человека уже был почти такой же мозг, как у нас сегодня. Когда в Альпах нашли Этци, рядом с ним были инструменты: камень, палка, копьё, лук. Для своего времени — вполне продвинутый набор. Он умел выживать, принимать решения, адаптироваться. По сути — управлял своей жизнью. Но если задуматься: почему при сопоставимом “ресурсе” (мозге) результат настолько разный? Законы физики не изменились: Изменился не мир. Изменился наш подход к взаимодействию с ним Мы научились: И это...

4 недели назад

Что такое RAG в LLM и почему это будущее AI-продуктов

Если коротко: RAG (Retrieval-Augmented Generation) — это способ сделать нейросети реально полезными для бизнеса. Сегодня вокруг LLM (ChatGPT-подобных моделей) много хайпа, но есть фундаментальная проблема: Модель “знает всё” — но не знает ничего конкретно про ваш бизнес И вот здесь появляется RAG. Большие языковые модели: Но: RAG — это архитектура, в которой: сначала ищется релевантная информация, потом модель генерирует ответ на её основе Простой pipeline: LLM не хранит знания знания находятся...

1 месяц назад

Как я перестал «кормить» нейросеть токенами по Методу Карпати и при чем тут Обсидиан.

Суть метода Карпати (Андрей Карпатий, ex-OpenAI/Tesla) — дать ИИ-ассистенту (Claude Code или др.) постоянную память между сессиями без векторных БД и RAG (на старте), только через папку с Markdown-файлами. Одной фразой: Метод превращает ИИ из забывчивого помощника в накопительного эксперта по вашему проекту. Метод даёт ИИ постоянную память между сессиями через простую папку с Markdown-файлами. ____________________________________________________________________ Промт создаёт структуру: /project /raw ← сырые данные (статьи, PDF, транскрипты) /wiki ← обработанные знания index...

187 читали · 1 месяц назад

Синий vs Красный: почему мы используем лишь треть возможностей ИИ Личный опыт и свежее исследование Anthropic о том, где ИИ мог бы работать, а где работает на самом деле Два месяца назад я засел за автоматизацию рутины. 24 процесса, из которых 5 сняли с меня внутреннюю тревогу, — особенно ненавижу пропускать оферты по облигациям(были случаи с АФК Системой - неприятно) . Всё сделал через ИИшку. Казалось бы, вот оно, счастье: бери и автоматизируй. Но, копаясь в отчётах, наткнулся на график, который заставил посмотреть на ситуацию шире. Исследовательская лаборатория Anthropic (та самая, что сделала Claude) недавно опубликовала первый замер реального проиникновения ИИ в экономику. Они сравнили две цифры: ▪️Теоретическое покрытие (синий) — доля задач, которые LLM могли бы ускорить как минимум вдвое по мнению экспертов. ▪️Наблюдаемое покрытие (красный) — что люди реально автоматизируют с помощью ИИ на платформе Anthropic. Результат — как пропасть между обещаниями вендоров и реальностью в цеху. Цифры, которые удивляют Computer & Math (наши с вами коллеги): 🔹 Теория: 94% задач могут быть ускорены ИИ. 🔹 Реальность: только 33% — люди пока автоматизируют треть от возможного. Office & Admin: 🔹 Теория: 90% 🔹 Реальность: по графику — сильно ниже (в отчёте точных цифр нет, но визуально не больше 30-40%). Юристы: 🔹 Теория: ~40% 🔹 Реальность: около 3% — адвокаты пока не спешат доверять составление исков нейросетке. И так почти по всем категориям, кроме Management (теория 95%, практика 90%) — там разрыв меньше, потому что менеджеры в основном автоматизируют переписку и встречи. Почему так? Исследователи Anthropic ввели новую метрику — observed exposure (наблюдаемая подверженность). Она учитывает не только техническую возможность, но и: ▪️ действительно ли задачи выполняются с ИИ в рабочих контекстах; ▪️ идёт ли речь об автоматизации (бот делает всё сам) или об аугментации (человек с помощью ИИ работает быстрее); ▪️насколько эти задачи важны для профессии. Выяснилась простая вещь: возможности LLM сегодня намного шире, чем их применение. Причины — юридические ограничения, нежелание менять процессы, отсутствие софта, человеческий фактор. Например, задача «выписывать рецепты» технически решается за секунды, но фармацевты пока не используют Claude для этого — слишком много регуляторных рисков. Что это значит для нас с вами Мой опыт с 24 процессами — это как раз про движение красного графика в сторону синего. Пока большинство лишь обсуждают «заменит ли ИИ человека», такие ребята берут и автоматизируют конкретные болячки. И это правильно. Но главный вывод из статьи Anthropic (она вышла 5 марта 2026 года): ИИ пока далёк от своего теоретического потенциала. Разрыв между синим и красным — это зона нашего ближайшего роста. Тот, кто сегодня научится закрывать этот разрыв в своих задачах, завтра получит гигантскую фору. И да, авторы исследования успокаивают: массовой безработицы из-за ИИ пока нет. Но найм молодых специалистов в автоматизируемые профессии уже замедлился. Так что если вы всё ещё думаете, стоит ли осваивать инструменты — подумайте ещё раз. Красный график будет догонять синий, и лучше быть среди тех, кто его двигает, чем среди тех, кого он оставит за бортом. По материалам Anthropic Economic Index, март 2026 (картинка, собственно, из статьи)

2 месяца назад