AIBusinessPulse pinned «AI Think Tank: стратегический интеллект для бизнеса Как превратить ИИ в опору для стратегии, а не просто модную игрушку? Вместо очередной LLM-фичи мы предложили компаниям построить AI Think Tank — единый интеллектуальный контур, который объединяет три ключевых…»
Meta не стала дожидаться понедельника. В минувшие выходные компания представила новое семейство моделей, которые уже доступны для тестирования прямо в браузере — а также в WhatsApp, Messenger и Instagram. Разработчики могут приступить к интеграции прямо сейчас.
Вот краткий обзор каждой из моделей:
• Scout — ориентирована на эффективность, способна работать на одном чипе Nvidia. Превосходит конкурентов с открытым исходным кодом, таких как Gemma 3 от Google, и признана «лучшей мультимодальной моделью в своём классе». Ключевая особенность — контекстное окно в❗️ 10 миллионов токенов❗️ , что позволяет обрабатывать длинные документы и диалоги.
• Maverick — оптимальна для приложений, где требуется работа с текстом и изображениями одновременно, например, чат-ботов техподдержки, способных анализировать загруженные фото. Поддерживает работу на 12 языках.
• Behemoth — самая мощная модель в линейке, от которой были дистиллированы остальные. Её называют «одной из самых интеллектуальных LLM в мире». Превосходит GPT-4.5 и Claude 3.7 по метрикам в области STEM. Однако это единственная модель, которая пока не доступна широкой публике.
Контекст: По информации издания The Information, изначально Meta планировала релиз раньше, но модели не прошли внутренние метрики качества — подобные задержки уже стали нормой в индустрии. Чтобы сократить отставание от конкурентов, Meta, как сообщается, вдохновлялась подходами китайской компании DeepSeek, которая повысила эффективность модели R1, обучая отдельные её компоненты выполнять конкретные задачи.
Вот краткий обзор каждой из моделей:
• Scout — ориентирована на эффективность, способна работать на одном чипе Nvidia. Превосходит конкурентов с открытым исходным кодом, таких как Gemma 3 от Google, и признана «лучшей мультимодальной моделью в своём классе». Ключевая особенность — контекстное окно в
• Maverick — оптимальна для приложений, где требуется работа с текстом и изображениями одновременно, например, чат-ботов техподдержки, способных анализировать загруженные фото. Поддерживает работу на 12 языках.
• Behemoth — самая мощная модель в линейке, от которой были дистиллированы остальные. Её называют «одной из самых интеллектуальных LLM в мире». Превосходит GPT-4.5 и Claude 3.7 по метрикам в области STEM. Однако это единственная модель, которая пока не доступна широкой публике.
Контекст: По информации издания The Information, изначально Meta планировала релиз раньше, но модели не прошли внутренние метрики качества — подобные задержки уже стали нормой в индустрии. Чтобы сократить отставание от конкурентов, Meta, как сообщается, вдохновлялась подходами китайской компании DeepSeek, которая повысила эффективность модели R1, обучая отдельные её компоненты выполнять конкретные задачи.
Please open Telegram to view this post
VIEW IN TELEGRAM
ИИ, особенно генеративный ИИ, является олигополией. Он находится в руках очень, очень немногих компаний, и в неправильных руках он может стать проблемой в мире .
– Димитрис Бертсимас, заместитель декана по бизнес-аналитике,
MIT Sloan
Новые отделы: как ИИ трансформирует организации
Трансформация в свете искусственного интеллекта — это не только цифровые изменения, но и стратегические, культурные и организационные. Первые результаты организационной оптимизации с помощью искусственного интеллекта показывают, что традиционные структуры превращаются в новые, объединенные отделы, которые устраняют разрозненность и улучшают совместную работу.
1. Отдел человеческого опыта (под руководством CXO)
Объединяет маркетинг, управление персоналом и обслуживание клиентов для создания единого подхода к взаимообслуживанию.
Фокусируется на опыте взаимодействия с клиентами и сотрудниками как на целостном континууме.
Пример: Airbnb и Starbucks объединяют внутреннее и внешнее взаимодействие для создания целостного дизайна впечатлений.
2. Разведывательная функция (во главе с директором по данным и разведке (CDIO))
Объединяет ИТ, аналитику данных и стратегию искусственного интеллекта в единую интеллектуальную функцию.
Улучшает процесс принятия решений благодаря аналитике на основе данных и интеграции технологий.
Пример: Microsoft и Amazon используют интеллектуальные функции для поддержки стратегии и инноваций.
3. Департамент интегрированного роста (во главе с CGO)
Сочетает в себе маркетинг, продажи и работу с клиентами для создания целостного пути клиента.
Приоритизация роста за счет согласования взаимодействия с клиентами во всех точках взаимодействия.
Пример: HubSpot и Salesforce обеспечивают непрерывность обслуживания клиентов.
4. Офис стратегических инноваций и трансформации (во главе с директором по стратегии или директором по трансформации)
Сочетает в себе стратегию, инновации и инициативы по трансформации для непрерывного развития.
Способствует гибкости за счет интеграции прогнозирования и инноваций в долгосрочную стратегию.
Пример: Tesla сочетает инновации со стратегическим планированием роста.
5. Департамент технологий и цифровой трансформации (руководитель — директор по технологиям и трансформации)
Объединяет ИТ, цифровую трансформацию и кибербезопасность в рамках одной стратегической роли.
Встраивает технологии в рабочие процессы, обеспечивая при этом безопасность и соответствие нормативным требованиям.
Пример: Cisco и IBM оптимизируют свои усилия по цифровой трансформации.
6. Департамент устойчивости и преемственности (под руководством директора по рискам)
Осуществляет надзор за управлением рисками, непрерывностью бизнеса и стратегическим прогнозированием.
Обеспечивает организационную устойчивость в мире, который становится все более FLUX.
Пример: JP Morgan повышает устойчивость для снижения рисков и обеспечения непрерывности.
7. Управление по этике и ответственному искусственному интеллекту (под руководством CEAO)
Обеспечивает этичное использование ИИ и соответствие нормативным стандартам.
Поддерживает доверие и добросовестность, поскольку искусственный интеллект занимает центральное место в бизнес-стратегии.
Пример: Microsoft и IBM активно создают этические рамки для ответственного ИИ.
В целом, ИИ приводит к фундаментальным сдвигам в том, как мы структурируем наши организации.
Чтобы добиться успеха, лидеры должны думать не только о цифровой трансформации, но и сосредоточиться на стратегическом, культурном и организационном развитии. Преуспеют те компании, которые устранят разрозненность, интегрируют свои функции и примут трансформацию как непрерывное путешествие.
Трансформация в свете искусственного интеллекта — это не только цифровые изменения, но и стратегические, культурные и организационные. Первые результаты организационной оптимизации с помощью искусственного интеллекта показывают, что традиционные структуры превращаются в новые, объединенные отделы, которые устраняют разрозненность и улучшают совместную работу.
1. Отдел человеческого опыта (под руководством CXO)
Объединяет маркетинг, управление персоналом и обслуживание клиентов для создания единого подхода к взаимообслуживанию.
Фокусируется на опыте взаимодействия с клиентами и сотрудниками как на целостном континууме.
Пример: Airbnb и Starbucks объединяют внутреннее и внешнее взаимодействие для создания целостного дизайна впечатлений.
2. Разведывательная функция (во главе с директором по данным и разведке (CDIO))
Объединяет ИТ, аналитику данных и стратегию искусственного интеллекта в единую интеллектуальную функцию.
Улучшает процесс принятия решений благодаря аналитике на основе данных и интеграции технологий.
Пример: Microsoft и Amazon используют интеллектуальные функции для поддержки стратегии и инноваций.
3. Департамент интегрированного роста (во главе с CGO)
Сочетает в себе маркетинг, продажи и работу с клиентами для создания целостного пути клиента.
Приоритизация роста за счет согласования взаимодействия с клиентами во всех точках взаимодействия.
Пример: HubSpot и Salesforce обеспечивают непрерывность обслуживания клиентов.
4. Офис стратегических инноваций и трансформации (во главе с директором по стратегии или директором по трансформации)
Сочетает в себе стратегию, инновации и инициативы по трансформации для непрерывного развития.
Способствует гибкости за счет интеграции прогнозирования и инноваций в долгосрочную стратегию.
Пример: Tesla сочетает инновации со стратегическим планированием роста.
5. Департамент технологий и цифровой трансформации (руководитель — директор по технологиям и трансформации)
Объединяет ИТ, цифровую трансформацию и кибербезопасность в рамках одной стратегической роли.
Встраивает технологии в рабочие процессы, обеспечивая при этом безопасность и соответствие нормативным требованиям.
Пример: Cisco и IBM оптимизируют свои усилия по цифровой трансформации.
6. Департамент устойчивости и преемственности (под руководством директора по рискам)
Осуществляет надзор за управлением рисками, непрерывностью бизнеса и стратегическим прогнозированием.
Обеспечивает организационную устойчивость в мире, который становится все более FLUX.
Пример: JP Morgan повышает устойчивость для снижения рисков и обеспечения непрерывности.
7. Управление по этике и ответственному искусственному интеллекту (под руководством CEAO)
Обеспечивает этичное использование ИИ и соответствие нормативным стандартам.
Поддерживает доверие и добросовестность, поскольку искусственный интеллект занимает центральное место в бизнес-стратегии.
Пример: Microsoft и IBM активно создают этические рамки для ответственного ИИ.
В целом, ИИ приводит к фундаментальным сдвигам в том, как мы структурируем наши организации.
Чтобы добиться успеха, лидеры должны думать не только о цифровой трансформации, но и сосредоточиться на стратегическом, культурном и организационном развитии. Преуспеют те компании, которые устранят разрозненность, интегрируют свои функции и примут трансформацию как непрерывное путешествие.
ai-in-the-enterprise.pdf
9.5 MB
Файл — отчёт OpenAI о внедрении ИИ в крупные компании. Семь практических уроков: от оценки моделей и кастомизации до масштабной автоматизации, примеры Klarna, BBVA, Indeed и др.
OpenAI вводит жёсткую верификацию. Компания объявила о введении обязательной процедуры проверки для организаций, желающих получить доступ к передовым ИИ-моделям. Система Verified Organization требует предоставления государственного удостоверения личности, а также исключает КНР и вводит проверку каждые 90 дней. Меры призваны предотвратить злоупотребления технологиями. Читай до конца, чтобы быть в курсе самых передовых новостей в мире высоких технологий.
В соответствии с новыми правилами, компании из списка поддерживаемых стран обязаны пройти процедуру верификации, предоставив официальный документ.
Один идентификатор можно использовать для подтверждения только одной организации раз в 90 дней.
При этом OpenAI сохраняет за собой право отказать в доступе без пояснения причин. Как поясняют в компании, эти меры направлены против «небольшого числа разработчиков», нарушающих политику использования API, и помогут обеспечить баланс между открытостью и безопасностью.
✅ Эксперты считают, что ужесточение правил связано с растущими рисками, связанными с развитием ИИ-технологий.
В феврале 2025 года Bloomberg сообщил, что OpenAI расследовала инцидент с китайской лабораторией DeepSeek: по данным издания, осенью 2024 года через API платформы могли быть незаконно загружены значительные объемы данных для обучения сторонних моделей. Этот случай стал одним из ключевых факторов введения дополнительных ограничений — летом 2024 года доступ к сервису в Китае был полностью прекращён.
✅ Новая система также направлена на противодействие злонамеренной деятельности.
В отчетах OpenAI неоднократно упоминались попытки использования ИИ-моделей группами, связанными с КНДР, для кибератак и распространения дезинформации. Программа Verified Organization, среди прочего, усложнит доступ к инструментам для подобных структур.
❗При этом базовый функционал OpenAI останется доступным без верификации, а проверенные пользователи получат приоритетный доступ к экспериментальным функциям.
Система начнёт работать в полном объёме в мае-июне 2025 года, одновременно с выходом новых ИИ-моделей.
ИСТОЧНИКИ
https://help.openai.com/en/articles/10910291-api-organization-verification
https://en.cryptonomist.ch/2025/04/14/openai-introduces-identity-checks-to-access-its-most-advanced-models/
https://techcrunch.com/2025/04/13/access-to-future-ai-models-in-openais-api-may-require-a-verified-id/
- - -
Ключевые последствия (коротко)
Формальный барьер
Verified Organization принимает гос‑ID только из «поддерживаемых стран», где России нет. Значит, российские юрлица и специалисты не смогут пройти верификацию и получить доступ к будущим передовым моделям (GPT‑5/6, расширенные инструменты).
Ужесточение контроля обходов
Раньше доступ через зарубежные аккаунты или прокси был возможен; теперь каждый документ «привязывается» к одной организации и блокируется на 90 дней. Массово «арендовать» ID станет почти нереально, а риски бана за трафик из «неподдерживаемого» региона вырастут.
Замедление интеграций и рост цен
Без приоритетного API российские проекты будут дольше ожидать появления функций (например, GPT‑4o‑latest останется потолком) и платить посредникам за реселлерские схемы, что снизит маржинальность AI‑продуктов.
Стратегический сдвиг к open‑source и локальным LLM
Компании начнут активнее инвестировать в Russian‑language open‑weight модели (Sber, YandexGPT, open‑source Mixtral 8x22B RU) и в собственную инфраструктуру, чтобы уменьшить зависимость от OpenAI.
- - -
В соответствии с новыми правилами, компании из списка поддерживаемых стран обязаны пройти процедуру верификации, предоставив официальный документ.
Один идентификатор можно использовать для подтверждения только одной организации раз в 90 дней.
При этом OpenAI сохраняет за собой право отказать в доступе без пояснения причин. Как поясняют в компании, эти меры направлены против «небольшого числа разработчиков», нарушающих политику использования API, и помогут обеспечить баланс между открытостью и безопасностью.
✅ Эксперты считают, что ужесточение правил связано с растущими рисками, связанными с развитием ИИ-технологий.
В феврале 2025 года Bloomberg сообщил, что OpenAI расследовала инцидент с китайской лабораторией DeepSeek: по данным издания, осенью 2024 года через API платформы могли быть незаконно загружены значительные объемы данных для обучения сторонних моделей. Этот случай стал одним из ключевых факторов введения дополнительных ограничений — летом 2024 года доступ к сервису в Китае был полностью прекращён.
✅ Новая система также направлена на противодействие злонамеренной деятельности.
В отчетах OpenAI неоднократно упоминались попытки использования ИИ-моделей группами, связанными с КНДР, для кибератак и распространения дезинформации. Программа Verified Organization, среди прочего, усложнит доступ к инструментам для подобных структур.
❗При этом базовый функционал OpenAI останется доступным без верификации, а проверенные пользователи получат приоритетный доступ к экспериментальным функциям.
Система начнёт работать в полном объёме в мае-июне 2025 года, одновременно с выходом новых ИИ-моделей.
ИСТОЧНИКИ
https://help.openai.com/en/articles/10910291-api-organization-verification
https://en.cryptonomist.ch/2025/04/14/openai-introduces-identity-checks-to-access-its-most-advanced-models/
https://techcrunch.com/2025/04/13/access-to-future-ai-models-in-openais-api-may-require-a-verified-id/
- - -
Ключевые последствия (коротко)
Формальный барьер
Verified Organization принимает гос‑ID только из «поддерживаемых стран», где России нет. Значит, российские юрлица и специалисты не смогут пройти верификацию и получить доступ к будущим передовым моделям (GPT‑5/6, расширенные инструменты).
Ужесточение контроля обходов
Раньше доступ через зарубежные аккаунты или прокси был возможен; теперь каждый документ «привязывается» к одной организации и блокируется на 90 дней. Массово «арендовать» ID станет почти нереально, а риски бана за трафик из «неподдерживаемого» региона вырастут.
Замедление интеграций и рост цен
Без приоритетного API российские проекты будут дольше ожидать появления функций (например, GPT‑4o‑latest останется потолком) и платить посредникам за реселлерские схемы, что снизит маржинальность AI‑продуктов.
Стратегический сдвиг к open‑source и локальным LLM
Компании начнут активнее инвестировать в Russian‑language open‑weight модели (Sber, YandexGPT, open‑source Mixtral 8x22B RU) и в собственную инфраструктуру, чтобы уменьшить зависимость от OpenAI.
- - -
The Evolving Structure of High-Performing Data Teams: What the Numbers Tell Us
I've been studying how leading organizations structure their data teams and discovered fascinating research analyzing 40 top data teams across the US and Europe. The findings provide valuable benchmarks for those thinking about optimal data team composition.
The Ideal Data Team Balance
The research reveals a consistent pattern across successful organizations:
-46% of roles focused on Insights (Data Analysts, Product Analysts, Data Scientists)
-43% dedicated to Data Engineering (Data Engineers, Platform Engineers, Analytics Engineers)
-11% specialized in Machine Learning
This near-equal split between insights and engineering makes sense. As the study notes, "If you over-index on insights roles, you risk slowing everyone down as the data platform deteriorates. If you over-index on engineers, you may have a world-class platform but no insights or data products that drive business impact."
How Team Structure Evolves with Growth
What's particularly interesting is how composition shifts as companies scale:
Mid-stage companies (teams <35 people) invest heavily in data engineering foundations - building the infrastructure needed for future growth
Scale-ups approaching IPO (teams of 35-100) balance engineering with more insights roles
Enterprise organizations (100+ team members) significantly increase machine learning capabilities and formalize data governance (60% have dedicated governance roles vs. just 20% of smaller companies)
Company-Specific Approaches
Strategic priorities clearly shape team structure:
-Revolut maintains a large proportion of analysts distributed across markets, focusing on financial crime and credit
-Zendesk has invested heavily in machine learning, aligning with their positioning as "the world's most complete CX solution for the AI era"
-Nubank has rebranded all analysts as "analytics engineers" to emphasize software engineering principles
The impact of AI tools is another fascinating dimension to consider. As these technologies evolve, they may blend traditional role boundaries, potentially reshaping how we structure data teams in the future.
What's your perspective on the ideal data team structure? As data platforms mature, do you anticipate the ratio shifting more toward insights roles, or will increasing complexity require continued engineering investment?
#DataStrategy #DataTeams #DataEngineering #DataScience #Analytics
I've been studying how leading organizations structure their data teams and discovered fascinating research analyzing 40 top data teams across the US and Europe. The findings provide valuable benchmarks for those thinking about optimal data team composition.
The Ideal Data Team Balance
The research reveals a consistent pattern across successful organizations:
-46% of roles focused on Insights (Data Analysts, Product Analysts, Data Scientists)
-43% dedicated to Data Engineering (Data Engineers, Platform Engineers, Analytics Engineers)
-11% specialized in Machine Learning
This near-equal split between insights and engineering makes sense. As the study notes, "If you over-index on insights roles, you risk slowing everyone down as the data platform deteriorates. If you over-index on engineers, you may have a world-class platform but no insights or data products that drive business impact."
How Team Structure Evolves with Growth
What's particularly interesting is how composition shifts as companies scale:
Mid-stage companies (teams <35 people) invest heavily in data engineering foundations - building the infrastructure needed for future growth
Scale-ups approaching IPO (teams of 35-100) balance engineering with more insights roles
Enterprise organizations (100+ team members) significantly increase machine learning capabilities and formalize data governance (60% have dedicated governance roles vs. just 20% of smaller companies)
Company-Specific Approaches
Strategic priorities clearly shape team structure:
-Revolut maintains a large proportion of analysts distributed across markets, focusing on financial crime and credit
-Zendesk has invested heavily in machine learning, aligning with their positioning as "the world's most complete CX solution for the AI era"
-Nubank has rebranded all analysts as "analytics engineers" to emphasize software engineering principles
The impact of AI tools is another fascinating dimension to consider. As these technologies evolve, they may blend traditional role boundaries, potentially reshaping how we structure data teams in the future.
What's your perspective on the ideal data team structure? As data platforms mature, do you anticipate the ratio shifting more toward insights roles, or will increasing complexity require continued engineering investment?
#DataStrategy #DataTeams #DataEngineering #DataScience #Analytics
👍1
AIBusinessPulse
The Evolving Structure of High-Performing Data Teams: What the Numbers Tell Us I've been studying how leading organizations structure their data teams and discovered fascinating research analyzing 40 top data teams across the US and Europe. The findings provide…
Практические рекомендации
Для C-Level / Heads of Data:
1. Провести аудит зрелости data-функции: если 70% сотрудников — это аналитики, а инженерных ролей нет — это тревожный сигнал.
2. Сформировать стратегию трансформации: усилить роли Data Engineering, ML и BI; перейти к управлению данными как продуктом.
3. Инвестировать в платформенные и governance-решения, чтобы обеспечить масштабируемость и качество данных.
Для AI-стратегии:
• Компании с перекосом в сторону аналитиков не готовы к масштабируемым ML-решениям — сначала нужна инженерная основа.
• ML имеет смысл, когда уже выстроены пайплайны, качество данных и автоматизация.
Для команд HR и рекрутинга:
• Подбор должен быть сбалансированным: не только аналитики, но и инженеры, ML, BI.
• Важно развивать T-shaped специалистов — аналитиков с инженерными навыками и наоборот.
Для C-Level / Heads of Data:
1. Провести аудит зрелости data-функции: если 70% сотрудников — это аналитики, а инженерных ролей нет — это тревожный сигнал.
2. Сформировать стратегию трансформации: усилить роли Data Engineering, ML и BI; перейти к управлению данными как продуктом.
3. Инвестировать в платформенные и governance-решения, чтобы обеспечить масштабируемость и качество данных.
Для AI-стратегии:
• Компании с перекосом в сторону аналитиков не готовы к масштабируемым ML-решениям — сначала нужна инженерная основа.
• ML имеет смысл, когда уже выстроены пайплайны, качество данных и автоматизация.
Для команд HR и рекрутинга:
• Подбор должен быть сбалансированным: не только аналитики, но и инженеры, ML, BI.
• Важно развивать T-shaped специалистов — аналитиков с инженерными навыками и наоборот.
🔥2
New AI ROLE.pdf
323.4 KB
New AI Roles
Please open Telegram to view this post
VIEW IN TELEGRAM
Agentic AI Sensitivity Analysis — uncovering the key to unlocking 100× leverage:
1. Data Quality 📊: Empower AI with pristine, interconnected data.
2. Change Management 🔄: Prepare teams and workflows for autonomous cycles.
3. Integration Depth 🔌: Amplify contextual richness by linking multiple systems.
4. User Adoption ✅: Simplify prompts over complex PowerPoints.
5. AI Maturity 🧠: Customize models to suit your specific domain.
6. Governance 🛡️: Uphold privacy and ethics as you expand.
Master the top three factors to supercharge progress.
Keen to explore your unique sensitivity profile?
#AgenticAI #AIReadiness #StrategyExecution
1. Data Quality 📊: Empower AI with pristine, interconnected data.
2. Change Management 🔄: Prepare teams and workflows for autonomous cycles.
3. Integration Depth 🔌: Amplify contextual richness by linking multiple systems.
4. User Adoption ✅: Simplify prompts over complex PowerPoints.
5. AI Maturity 🧠: Customize models to suit your specific domain.
6. Governance 🛡️: Uphold privacy and ethics as you expand.
Master the top three factors to supercharge progress.
Keen to explore your unique sensitivity profile?
#AgenticAI #AIReadiness #StrategyExecution
UNCTAD_Technology & Innovation Report_2025 (183 pgs).pdf
10.4 MB
12 Ключевых Инсайтов для Совета Директоров
На основе анализа отчета "UNCTAD Technology and Innovation Report 2025"
1.
ИИ способен увеличить как трудовую, так и общую факторную производительность до 6–8% в отдельных странах и секторах при правильной интеграции и наличии квалифицированного персонала.
2. Три рычага для трансформации бизнеса: инфраструктура, данные, навыки
Совокупное развитие этих компонентов (особенно — локализация ИИ-решений и доступ к отраслевым данным) определяет успех внедрения ИИ в компании и стране.
3. Совет директоров должен учитывать риски "плохих задач" ИИ
ИИ может усиливать дезинформацию, создавать deepfake, усиливать надзор. Эти эффекты негативно сказываются на продуктивности, вызывая недоверие и социальные риски.
4. ИИ требует новых подходов к управлению рисками**
Глобально формируется risk-based" подход: дифференциация ИИ-приложений по уровням риска (от минимального до неприемлемого) с разным уровнем регуляторного надзора.
5. Продуктивность растет не у всех — эффект зависит от типа бизнеса и уровня навыков
Наибольшие выгоды от ИИ получают многофилиальные предприятия и низкоквалифицированные сотрудники, если ИИ применяется как обучающий и поддерживающий инструмент.
6. Стратегия по ИИ должна быть гибкой и модульной**
Глобальная практика показывает: крупные компании внедряют ИИ быстрее в связи с доступом к ресурсам. Для SME нужен другой подход — кастомизация, open-source, кооперация.
7. Этические риски ИИ и ESG-комплаенс
Формируется запрос на аналог ESG для ИИ — публичная отчетность по ИИ-системам, включая воздействие на рабочие места, зарплаты, инклюзивность и безопасность.
8. Бизнес не склонен к саморегулированию в ИИ — нужен внешний надзор**
Международные инициативы по саморегуляции охватывают лишь малую часть компаний; большинство — крупные ИТ-корпорации.
Без внешнего контроля — высок риск злоупотреблений.
9. ИИ смещает ценность в сторону капитала, но может быть использован для усиления сотрудников
Автоматизация усиливает роль капитала, но человеко-дополняющий ИИ способен переломить тренд, особенно в сферах обслуживания, образования, здравоохранения.
10. Глобальный ИИ-порядок еще не сформирован — это шанс
Разрозненность регуляций между странами создает как риски, так и стратегические возможности для формирования уникальных правил и позиций на глобальном ИИ-рынке.
11. Страны разделяются на “Лидеров”, “Создателей”, “Практиков” и “Аутсайдеров”
Позиционирование компании в ИИ-экосистеме страны определяет её возможности: лидеры инвестируют в разработку и внедрение, практики — адаптируют лучшее.
12. Качественные и доступные данные — основа конкурентоспособности
Данные — основа для обучения моделей. Их качество, объем, разнообразие и доступность — критически важны.
Без доступа к качественным данным — ИИ будет искажать реальность.
---
Next Steps для СД
1. Провести аудит готовности компании по трём рычагам (инфраструктура, данные, навыки) — с последующей дорожной картой развития.
2. Создать Комитет по этике и управлению ИИ при Совете директоров с мандатом по ESG/AI-отчетности.
3. Инициировать пилотные проекты по внедрению человеко-дополняющего ИИ в 1–2 ключевых бизнес-процесса, ориентируясь на усиление сотрудников и рост производительности.
Альт мнение:
СД может временно отказаться от агрессивного масштабирования ИИ, сконцентрировавшись на обучении персонала и локальной кастомизации под реальные данные и инфраструктуру.
Такая стратегия минимизирует риски и потери от необдуманных инвестиций в "модные" технологии без ROI-анализа.
Please open Telegram to view this post
VIEW IN TELEGRAM
open-source-technology-in-the-age-of-ai_final.pdf
2.5 MB
ИНСАЙТЫ
1. Open Source в AI используется повсеместно
Более 50% компаний используют open-source решения для данных, моделей и инструментов.
Ведущие отрасли: технологии, медиа и телеком.
2. Лидируют крупные игроки
Наиболее популярные open-source продукты — от Meta (Llama), Google (Gemma), Microsoft (Phi), Hugging Face (LangChain).
3. Open Source дает реальную ценность
10x больше удовлетворенных пользователей open source, чем неудовлетворенных.
Основные плюсы: производительность и простота использования.
4. Экономия на внедрении и поддержке
60% считают, что open-source снижает затраты на внедрение.
46% отмечают снижение затрат на поддержку.
5. Будущее за смешанными стеками
75% компаний планируют наращивать использование open source.
70% открыты к сочетанию open-source и проприетарных решений.
6. Частично открытые модели сейчас доминируют
Чаще используются модели с открытыми весами, но без полного соответствия OSI-стандарту (например, Llama 3/4).
7. Открытые модели особенно важны для контроля данных
40% компаний предпочитают размещать модели на собственной инфраструктуре ради безопасности данных.
8. Разработчики ценят опыт работы с open source
81% считают опыт работы с open source важным для карьеры.
66% говорят, что это критично для их удовлетворенности работой.
9. Барьеры остаются: безопасность и compliance
Главные опасения: кибербезопасность (62%), соответствие регуляциям (54%), интеллектуальная собственность (50%).
10. Риски активно минимизируют
Внедряются Guardrails (например, Llama Guard), проводятся сторонние оценки моделей, используется шифрование и контроль за поставщиками ПО.
11. Open Source стимулирует инновации
Расцвет малых языковых моделей (SLMs) и моделей reasoning-поколения (DeepSeek-R1, Alibaba), что ускоряет внедрение приватных и отраслевых решений.
- - - - -
ТОП-5 практических рекомендаций
1. Формировать гибридную AI-стратегию: Open Source + Proprietary
Что делать:
Разработать комбинированный стек из open-source и проприетарных решений для разных уровней задач: скорость, стоимость, безопасность.
Почему:
75% компаний уже планируют наращивать использование open source. Смешанный подход снижает риски и увеличивает гибкость бизнеса.
2. Создать внутренний AI Security Framework для Open Source решений
Что делать:
Внедрить собственный стандарт безопасности open source компонентов: guardrails, регулярные сторонние аудиты моделей, документирование всего стека.
Почему:
62% компаний считают, что open source AI повышает киберриски. Без системы контроля open source решения могут стать источником уязвимостей.
3. Инвестировать в Upskilling разработчиков по работе с Open Source AI
Что делать:
Запустить программы развития компетенций: обучение fine-tuning, работа с открытыми моделями (например, Llama, Gemma), навыки безопасного деплоя.
Почему:
81% разработчиков считают опыт работы с open source критически важным. Компании с опытными кадрами эффективнее используют open модели.
4. Фокусировать Open Source проекты на создании внутренних конкурентных преимуществ
Что делать:
Выбирать open source решения для кастомизации: дообучение моделей под специфические данные, разработка доменных SLMs (Small Language Models) для приватных задач.
Почему:
Self-hosted open models дают полный контроль над данными и безопасностью, что особенно важно в высокорегулируемых отраслях.
5. Включить регулярную оценку AI-рисков и выгод Open Source в практику Совета Директоров
Что делать:
На каждом цикле стратегического планирования Совету получать отчёт от CAIO: где open source используется, какие риски зафиксированы, какие меры безопасности и экономии реализованы.
Почему:
Советы Директоров несут ответственность за устойчивость и безопасность. Open source — это не только возможности, но и новые обязательства по управлению рисками.
- - - - -
1. Open Source в AI используется повсеместно
Более 50% компаний используют open-source решения для данных, моделей и инструментов.
Ведущие отрасли: технологии, медиа и телеком.
2. Лидируют крупные игроки
Наиболее популярные open-source продукты — от Meta (Llama), Google (Gemma), Microsoft (Phi), Hugging Face (LangChain).
3. Open Source дает реальную ценность
10x больше удовлетворенных пользователей open source, чем неудовлетворенных.
Основные плюсы: производительность и простота использования.
4. Экономия на внедрении и поддержке
60% считают, что open-source снижает затраты на внедрение.
46% отмечают снижение затрат на поддержку.
5. Будущее за смешанными стеками
75% компаний планируют наращивать использование open source.
70% открыты к сочетанию open-source и проприетарных решений.
6. Частично открытые модели сейчас доминируют
Чаще используются модели с открытыми весами, но без полного соответствия OSI-стандарту (например, Llama 3/4).
7. Открытые модели особенно важны для контроля данных
40% компаний предпочитают размещать модели на собственной инфраструктуре ради безопасности данных.
8. Разработчики ценят опыт работы с open source
81% считают опыт работы с open source важным для карьеры.
66% говорят, что это критично для их удовлетворенности работой.
9. Барьеры остаются: безопасность и compliance
Главные опасения: кибербезопасность (62%), соответствие регуляциям (54%), интеллектуальная собственность (50%).
10. Риски активно минимизируют
Внедряются Guardrails (например, Llama Guard), проводятся сторонние оценки моделей, используется шифрование и контроль за поставщиками ПО.
11. Open Source стимулирует инновации
Расцвет малых языковых моделей (SLMs) и моделей reasoning-поколения (DeepSeek-R1, Alibaba), что ускоряет внедрение приватных и отраслевых решений.
- - - - -
ТОП-5 практических рекомендаций
1. Формировать гибридную AI-стратегию: Open Source + Proprietary
Что делать:
Разработать комбинированный стек из open-source и проприетарных решений для разных уровней задач: скорость, стоимость, безопасность.
Почему:
75% компаний уже планируют наращивать использование open source. Смешанный подход снижает риски и увеличивает гибкость бизнеса.
2. Создать внутренний AI Security Framework для Open Source решений
Что делать:
Внедрить собственный стандарт безопасности open source компонентов: guardrails, регулярные сторонние аудиты моделей, документирование всего стека.
Почему:
62% компаний считают, что open source AI повышает киберриски. Без системы контроля open source решения могут стать источником уязвимостей.
3. Инвестировать в Upskilling разработчиков по работе с Open Source AI
Что делать:
Запустить программы развития компетенций: обучение fine-tuning, работа с открытыми моделями (например, Llama, Gemma), навыки безопасного деплоя.
Почему:
81% разработчиков считают опыт работы с open source критически важным. Компании с опытными кадрами эффективнее используют open модели.
4. Фокусировать Open Source проекты на создании внутренних конкурентных преимуществ
Что делать:
Выбирать open source решения для кастомизации: дообучение моделей под специфические данные, разработка доменных SLMs (Small Language Models) для приватных задач.
Почему:
Self-hosted open models дают полный контроль над данными и безопасностью, что особенно важно в высокорегулируемых отраслях.
5. Включить регулярную оценку AI-рисков и выгод Open Source в практику Совета Директоров
Что делать:
На каждом цикле стратегического планирования Совету получать отчёт от CAIO: где open source используется, какие риски зафиксированы, какие меры безопасности и экономии реализованы.
Почему:
Советы Директоров несут ответственность за устойчивость и безопасность. Open source — это не только возможности, но и новые обязательства по управлению рисками.
- - - - -
основе анализа документа "Open Source Technology in the Age of AI" (McKinsey, Mozilla, Patrick J. McGovern Foundation, апрель 2025)
👍1
Всем добрый вечер.
FYI
моя ИИшка отловила неплохую статью McKinsey "What is an AI agent? [март2025]
- перевела
- самморизировала 1 стр
- полный текст статьи 13 стр
🔗
по ссылке - кому интересно.
- - -
FYI
моя ИИшка отловила неплохую статью McKinsey "What is an AI agent? [март2025]
- перевела
- самморизировала 1 стр
- полный текст статьи 13 стр
по ссылке - кому интересно.
- - -
Please open Telegram to view this post
VIEW IN TELEGRAM
Google Docs
McKinsey "What is an AI agent
McKinsey "What is an AI agent? 28.04.2025 | Prompt Engineer: Andrey Bashin | Ai Lab “BRAIN BLOOM” 1. Ключевые тезисы по статье McKinsey "What is an AI agent?" AI-агенты — это новая форма автоматизации сложных процессов, основанная на генеративных моделях…
На основе анализа «How Small Businesses Can Benefit From Artificial Intelligence» (Workday, 2025):
❗️10 ключевых инсайтов для малого бизнеса
AI стал стандартом: 98% малых компаний в США уже используют AI — в 2 раза больше, чем в 2023 году.
Доступность AI: Благодаря no-code решениям, облаку и встроенным функциям, AI стал доступен даже без технических навыков.
Автоматизация рутины: AI снимает нагрузку с сотрудников — обрабатывает заявки, счета, планирует встречи и управляет запасами.
Усиление решений: Прогнозная аналитика и интеллектуальные отчёты дают точную основу для бизнес-решений вместо интуиции.
Повышение клиентского опыта: Чат-боты, персонализированные рекомендации и автоответы усиливают вовлечённость клиентов.
Генеративный AI: Позволяет ускорить создание контента — от постов до маркетинговых фреймворков.
Масштабируемость без затрат: AI позволяет быстро адаптироваться к изменениям и масштабироваться без увеличения команды.
Интеграция в повседневные инструменты: AI уже встроен в CRM, финансы, HR и маркетинг — нужно просто активировать функции.
Гибкий подход внедрения: Рекомендуется поэтапно тестировать и наращивать использование AI — от 1 задачи до целой стратегии.
Будущее за адаптивными и агентными AI: Ожидается рост систем, принимающих автономные решения на основе целей.
❗️10 ключевых тезисов документа
AI больше не "привилегия" корпораций — он выравнивает условия конкуренции для малого и среднего бизнеса.
Основная польза — эффективность и рост, а не просто экономия затрат.
AI усиливает человека, а не заменяет — это "цифровой помощник", а не конкурент сотрудника.
Контекстные и предиктивные решения становятся доступными и малым компаниям — прогноз спроса, оптимизация цен, управление персоналом.
AI помогает создавать "устойчивую бизнес-модель", способную адаптироваться к изменениям внешней среды.
Сферы максимального ROI: поддержка клиентов, финансы, HR, маркетинг, снабжение.
Успешная интеграция требует обучения команды — важна не только технология, но и принятие её пользователями.
Этичность и прозрачность становятся приоритетом — рост требований к использованию данных и алгоритмов.
Будущее — за экосистемами AI, где модули связаны и действуют согласованно, а не в изоляции.
Лидеры — те, кто начнёт сейчас с малых шагов, но стратегически — именно этот путь даёт преимущество.
- - -
❗️10 ключевых инсайтов для малого бизнеса
AI стал стандартом: 98% малых компаний в США уже используют AI — в 2 раза больше, чем в 2023 году.
Доступность AI: Благодаря no-code решениям, облаку и встроенным функциям, AI стал доступен даже без технических навыков.
Автоматизация рутины: AI снимает нагрузку с сотрудников — обрабатывает заявки, счета, планирует встречи и управляет запасами.
Усиление решений: Прогнозная аналитика и интеллектуальные отчёты дают точную основу для бизнес-решений вместо интуиции.
Повышение клиентского опыта: Чат-боты, персонализированные рекомендации и автоответы усиливают вовлечённость клиентов.
Генеративный AI: Позволяет ускорить создание контента — от постов до маркетинговых фреймворков.
Масштабируемость без затрат: AI позволяет быстро адаптироваться к изменениям и масштабироваться без увеличения команды.
Интеграция в повседневные инструменты: AI уже встроен в CRM, финансы, HR и маркетинг — нужно просто активировать функции.
Гибкий подход внедрения: Рекомендуется поэтапно тестировать и наращивать использование AI — от 1 задачи до целой стратегии.
Будущее за адаптивными и агентными AI: Ожидается рост систем, принимающих автономные решения на основе целей.
❗️10 ключевых тезисов документа
AI больше не "привилегия" корпораций — он выравнивает условия конкуренции для малого и среднего бизнеса.
Основная польза — эффективность и рост, а не просто экономия затрат.
AI усиливает человека, а не заменяет — это "цифровой помощник", а не конкурент сотрудника.
Контекстные и предиктивные решения становятся доступными и малым компаниям — прогноз спроса, оптимизация цен, управление персоналом.
AI помогает создавать "устойчивую бизнес-модель", способную адаптироваться к изменениям внешней среды.
Сферы максимального ROI: поддержка клиентов, финансы, HR, маркетинг, снабжение.
Успешная интеграция требует обучения команды — важна не только технология, но и принятие её пользователями.
Этичность и прозрачность становятся приоритетом — рост требований к использованию данных и алгоритмов.
Будущее — за экосистемами AI, где модули связаны и действуют согласованно, а не в изоляции.
Лидеры — те, кто начнёт сейчас с малых шагов, но стратегически — именно этот путь даёт преимущество.
- - -
Mega Prompt: "Внедрение AI в малом бизнесе РФ"
- - -
# Роль: AI Co-Pilot по внедрению ИИ в малом бизнесе (Россия)
## Поведение:
Ты — мой AI Co-Pilot и стратегический помощник. Работаешь в роли AI-консультанта по цифровизации малого бизнеса в РФ. Анализируешь текущую ситуацию, находишь зоны для применения ИИ, предлагаешь практичные шаги, примеры и инструменты. Действуешь адаптивно — подбираешь решения под мою отрасль, команду и уровень зрелости бизнеса.
---
## Правила и ограничения:
- Отвечай строго по делу, без общих фраз.
- Все рекомендации адаптируй под российский рынок и тип бизнеса (уточняется ниже).
- Не предлагай решения с высокой стоимостью интеграции без обоснования ROI.
- Не требуешь навыков программирования от пользователя.
- Предлагаешь только **реальные инструменты** (ChatGPT, Notion, Tilda, Yandex 360, Planfact и т.д.).
---
## Цель пользователя:
Хочу понять, **где и как можно внедрить AI в моем бизнесе**, чтобы повысить эффективность, снизить расходы или усилить продажи/маркетинг/сервис.
---
## Вводные от пользователя (уточни перед анализом):
1. Вид бизнеса: [уточни]
2. Команда: [численность и роли]
3. Повторяющиеся рутинные задачи: [опиши]
4. Точки боли или ограничения: [например, мало времени, не хватает маркетинга, не понимаю клиентов]
5. Используемые инструменты: [уточни: CRM, почта, соцсети, финансы]
6. Я готов(а) потратить на AI: [время/деньги/усилия — уточни]
---
## Алгоритм работы:
1. **Анализ**: Изучи вводные и задай уточняющие вопросы, если нужно.
2. **Зоны внедрения**: Определи 2–3 области, где AI может дать наибольший эффект.
3. **AI-решения**: Предложи 1–2 конкретных AI-инструмента на каждую область + короткое описание как использовать.
4. **Результат и выгода**: Прогнозируй выгоду (экономия времени, рост выручки, качество).
5. **План внедрения**: Дай пошаговый план: от 1 недели до 1 месяца. Укажи, что можно сделать самому, а где лучше помощь.
6. **Next Step**: Предложи 1 простое действие на ближайшие 24 часа.
---
## Пример вывода:
**Область №1: Маркетинг**
- Проблема: мало трафика и времени на контент.
- Решение: Использовать ChatGPT + Tilda AI для генерации текстов и создания лендингов.
- Инструменты: ChatGPT 4 (через Telegram-бот), Tilda Zero Block AI
- Выгода: -15 часов в месяц, рост заявок на 20%
**Область №2: Продажи**
- Решение: подключить GPT-бота в Telegram для квалификации входящих клиентов.
- Инструмент: Chatbase.ai + Telegram + Google Sheets
- Время на запуск: 2 дня.
**План внедрения:**
1. Зарегистрироваться в ChatGPT + Tilda
2. Подключить Telegram-бот с простым скриптом
3. Проверить результаты через 1 неделю
**Next Step:**
→ Зайди на https://tilda.cc и создай бесплатный аккаунт
---
## Формат вывода:
- Дай **структурированный список решений по 2–3 зонам**
- Для каждого — инструмент + ссылка + результат
- Краткий план на 7 дней
- Альтернативный сценарий (если нет бюджета/ресурсов)
- - -
👍2
на основе документа Workday «Multi-Agent Systems: Building a Digital Dream Team».
❗️10 Ключевых инсайтов
Коллаборация агентов повышает эффективность: Мультиагентные системы (MAS) позволяют решить задачи, которые недоступны одиночным агентам — за счёт распределения ролей, обмена данными и коллективного принятия решений.
MAS обеспечивают масштабируемость и гибкость: Модульная структура агентов позволяет безболезненно масштабировать систему и адаптироваться под новые бизнес-задачи без полной перестройки.
Разгрузка сотрудников от рутины: По данным Asana, сотрудники теряют до 60% рабочего времени на рутинные задачи — MAS позволяют автоматизировать их и сосредоточиться на стратегической работе.
Новая культура командной работы: MAS не только автоматизируют процессы, но и улучшают внутреннюю культуру компании, способствуя обучению, росту и поддержке персонала.
Критичность чётко определённых ролей агентов: Успешная MAS требует ясного назначения функций каждому агенту, как в спортивной команде — для избежания дублирования и хаоса.
Обязательна система координации и коммуникации: Эффективность MAS зависит от способов коммуникации между агентами — прямых, через общие платформы или косвенных.
Интеллект и автономия агентов — основа MAS: Агент должен принимать решения в рамках своей зоны ответственности, адаптироваться к изменениям, учиться на опыте.
Тестирование должно быть системным и комплексным: Поскольку поведение системы возникает из взаимодействий, тестировать нужно не только агентов по отдельности, но и их коллективное поведение.
Выбор платформы — стратегический шаг: При выборе сторонних решений важны: гибкость, масштабируемость, безопасность, возможность кастомизации и качество поддержки.
MAS — эра адаптивных систем в бизнесе: Мы вступаем в эпоху, где мультиагенты станут ключевыми инструментами автоматизации, принятия решений и устойчивости бизнеса.
❗️10 Тезисов
Мультиагентные системы — это цифровые команды, где каждый агент выполняет роль в достижении общей цели.
MAS позволяют объединять различные ИИ-специализации (например, для выявления мошенничества, анализа поведения и инфраструктуры).
Одно из главных преимуществ MAS — способность адаптироваться к изменениям без полной реконфигурации системы.
MAS создают условия для построения «цифровой культуры» — где ИИ способствует росту сотрудников, а не вытесняет их.
Коммуникация между агентами — ядро эффективной MAS; она может быть прямой, централизованной или косвенной.
Ключ к MAS — чёткая постановка задач и понимание вклада каждого агента в конечную цель.
В MAS важна автономия с контролем — агенты должны действовать самостоятельно, но с заданными рамками и наблюдением.
При построении MAS нельзя игнорировать сценарное тестирование, особенно с учётом возможных непредсказуемых взаимодействий.
Готовые платформы могут ускорить запуск MAS, но требуют оценки по критериям гибкости, поддержки и безопасности.
Будущее ИИ — за MAS: распределённые, адаптивные, обучаемые системы будут драйверами эффективности в бизнесе.
- - -
Please open Telegram to view this post
VIEW IN TELEGRAM
📆 Что обсуждалось вчера 06.05.2025
🤝 Новая культура командной работы и роль MAS (6 сообщений)
🏆 Критичность четко определенных ролей агентов (6 сообщений)
📞 Система координации и коммуникации (6 сообщений)
🧠 Интеллект и автономия агентов (6 сообщений)
🔍 Тестирование мультиагентных систем (6 сообщений)
⚙️ Выбор платформы для MAS (6 сообщений)
🚀 Будущее с мультиагентными системами (6 сообщений)
🤖 Внедрение ИИ в малый бизнес (2 сообщений)
🌐 Мультиагентные системы (1 сообщений)
#dailysummary | ⭐️ поддержать команду
🤝 Новая культура командной работы и роль MAS (6 сообщений)
🏆 Критичность четко определенных ролей агентов (6 сообщений)
📞 Система координации и коммуникации (6 сообщений)
🧠 Интеллект и автономия агентов (6 сообщений)
🔍 Тестирование мультиагентных систем (6 сообщений)
⚙️ Выбор платформы для MAS (6 сообщений)
🚀 Будущее с мультиагентными системами (6 сообщений)
🤖 Внедрение ИИ в малый бизнес (2 сообщений)
🌐 Мультиагентные системы (1 сообщений)
#dailysummary | ⭐️ поддержать команду