👨🏽‍💻 HRTech & AI | Александр Чигарьков

У McKinsey вышла интересная статья про то, как AI-агенты могут изменить HR. И там есть одна мысль, которая мне очень близка, и одна, с которой я бы поспорил. Первая - про то, что мы довольно легко можем попасть в pilot trap. Запустить много отдельных AI-пилотов, автоматизировать кусочки работы, получить локальный эффект, но при этом практически не изменить сам HR. McKinsey предлагает начинать не с вопроса «что здесь можно автоматизировать?», а сначала представить, как вообще должен выглядеть процесс в новой реальности, и уже от этого идти назад к конкретным решениям. Мне кажется, это очень правильная логика. Потому что агент для меня - это в первую очередь следующий уровень автоматизации. Раньше мы хорошо автоматизировали достаточно детерминированные процессы: есть понятные входные данные, правила и ожидаемый результат. С агентами появляется возможность двигаться дальше - туда, где больше разных вводных, изменений по ходу процесса, где нужно работать с неструктурированной информацией и адаптироваться к ситуации. И вот здесь мне уже не очень близка другая рамка, которая встречается в статье, - представление об агентах как о новой рабочей силе. Я пока на это смотрю иначе. Для меня агент - не новый работник, а инструмент, который усиливает человека. Он позволяет делать больше за меньшее количество времени, убирать большую часть рутины и, что для меня важнее, по-другому проектировать саму работу. Поэтому вопрос «какие задачи сотрудника отдать агенту?» мне кажется не самым интересным. Гораздо интереснее посмотреть на процесс целиком и спросить: если теперь мы можем автоматизировать то, что раньше автоматизации почти не поддавалось, то как вообще этот процесс должен быть устроен? И здесь, мне кажется, находится гораздо более серьёзное изменение для HR, чем очередной набор AI-кейсов. Не автоматизировать существующий HR по кусочкам, а пересматривать саму работу с учётом того, что теперь стало технически возможно. @AlexGetsHrDone

Мой зоопарк Ai агентов, почему все они решают мои задачи хорошо (2/3) Если посмотреть на моих агентов, там довольно большой зоопарк: разные модели, разные компьютеры, разные агентные системы. Но одна из самых важных частей всей этой конструкции вообще не модель. Это скиллы. Я храню общий набор скиллов в Git. Агенты могут его подтягивать и обновлять, поэтому у них остаётся одинаковый свежий набор инструкций для тех задач, которые я регулярно решаю. Например, там есть скиллы, связанные с продуктовым подходом и упаковкой продуктов, анализом и описанием бизнес-процессов, подготовкой презентаций и документов. Часть основана на скиллах Ивана Замесина, которые он публикует и обновляет. Для меня это довольно важный сдвиг в понимании того, как работать с агентами. Модель можно поменять. Агентную систему тоже. Сегодня я использую одну, завтра тестирую другую, а на работе вообще могут быть другие модели и ограничения. При этом способ выполнения конкретной задачи можно описать отдельно и дать разным агентам. И мне кажется, что для корпоративного применения AI это особенно интересная конструкция. Потому что значительная часть нашей работы — это не просто «написать хороший промпт», а объяснить, как именно у нас принято решать определённую задачу: как анализировать процесс, как собирать документ, какие шаги пройти, что проверить перед результатом. По сути, такую инструкцию уже можно сделать отдельным переносимым элементом системы. Поэтому сейчас я экспериментирую не только с тем, какой агент или модель лучше, но и с тем, какой набор способов работы я могу между ними переносить. @AlexGetsHrDone

Как сейчас устроена моя работа с Ai агентами? (1/3) Меня периодически спрашивают, как у меня устроена работа с AI-агентами. Решил сделать небольшую серию и показать всю конструкцию. На самом деле одного универсального AI-ассистента у меня нет. Постепенно получилась скорее небольшая команда. Для больших и сложных задач я в основном использую Codex. Я к нему привык, меня устраивают качество и лимиты, плюс вокруг него уже настроена вся моя инфраструктура. Есть pi agent — очень минималистичный агент, который работает в командной строке. Им я почему-то прямо фанатею и использую для относительно простых задач, например администрирования своих серверов. А ещё два агента живут физически на моих старых ноутбуках. Первого зовут TARS (на основе агентной системы Hermes) — да, в честь робота из «Интерстеллара». У него отдельный MacBook M1, своя учётная запись, календарь и папки. Он может читать мою базу знаний в Obsidian, помогает искать информацию, планировать поездки и работать с семейным календарём. Второго зовут Олди (на основе pi dev агента). Он живёт на совсем старом MacBook с серверной Ubuntu, а общаюсь я с ним через Telegram. И почему-то именно им сейчас пользуюсь чаще: кажется, он проще и надёжнее. Плюс есть отдельный агент на работе, который работает уже с корпоративными моделями и инфраструктурой. То есть пока у меня не получилось одного «суперагента», которому я отдаю всё. Скорее наоборот: разные агенты постепенно заняли разные роли в зависимости от задач, доступов и среды, в которой они работают. В следующих постах расскажу про одну штуку, которая объединяет почти всю эту конструкцию, — общий набор скиллов. @AlexGetsHrDone

Я попросил семейного AI-помощника найти даты школьных каникул. Он не нашёл их на сайте и сам написал в школу. Я собираю очередного помощника, который живёт в нашем семейном чате и помогает не с работой, а с бытовой координацией: праздники, выходные, поездки, общий календарь. Мы планировали зимний отпуск, и нужно было учесть каникулы дочери в 2026/2027 учебном году. Я попросил помощника найти даты на сайте школы или в других открытых источниках. Информации он не нашёл. Но на этом не остановился: со своего электронного адреса написал в школу, уточнил даты, вступил в переписку с представителями школы, а после ответа добавил каникулы в семейный календарь. Когда я увидел, что он сделал, то, если честно, немного испугался. Я ожидал поиск информации, а получил самостоятельное действие во внешнем мире — с коммуникацией от своего имени (ИИ агента) и изменением нашего общего календаря. Для меня здесь важно не только то, что задача была решена. Впечатлила связка: помощник понял, какой информации не хватает, выбрал следующий шаг, получил ответ и довёл дело до конца. И вот здесь польза и тревога одновременно. Такая самостоятельность действительно может снимать с человека рутину. Но чем больше помощник может делать сам, тем важнее заранее определить границы: кому он может писать, от чьего имени, какие действия совершать без подтверждения и о чём обязан сообщать. @AlexGetsHrDone

Самый неудобный вопрос в автоматизации и усилении сотрудников с помощью Ai «что произойдёт с освободившимся временем». Обсуждали с коллегами простой пример из рекрутмента: если в результате внедрения ИИ ассистента или другой автоматизации, рекрутер перестанет два часа в день вручную заносить звонки и результаты интервью в систему, он сможет больше общаться с клиентами и кандидатами. Для компании это выглядит как очевидный рост эффективности. Но это не происходит автоматически. Человек может направить освободившееся время на дополнительные задачи. А может закончить рабочий день раньше, если прежний объём результата уже достигнут. И оба сценария логичны, пока компания не договорилась, что именно меняется вместе с автоматизацией. Поэтому до внедрения полезно ответить на четыре вопроса: - Как меняются ожидания от результата работы сотрудника? - Кому принадлежит высвободившееся время? - Как будет измеряться эффект? - Что получит от изменений сам сотрудник? Если ответов нет, технология уберёт рутину, а организация останется в старой модели управления. В итоге экономию посчитают на слайде, но в реальной работе она не превратится ни в деньги, ни в качество, ни в более здоровую нагрузку. @AlexGetsHrDone

При удачном стечении обстоятельств путь от идеи MVP-прототипа может занимать до одного рабочего дня Начинаем мы конечно не с разработки. Исследование Сначала обстукиваем идею с бизнес-заказчиками: как они видят задачу, какую проблему хотят решить и что ожидают получить. Дальше проводим несколько кастдев-интервью с пользователями. Без этой части процессов практически всегда получается ненужная ерунда. Спрашиваем, как сейчас устроен процесс, с какими проблемами они сталкиваются, как с ними справляются и что их не устраивает в существующих решениях. То есть стараемся подробно разобрать не будущий продукт, а текущую работу человека. Продуктовая упаковка После этого отправляем материалы в Codex внутри ChatGPT. С помощью продуктовых skills Ивана Замесина он раскладывает входящую информацию по методолгии Advanced jobs to be done, выделяет рискованные предположения почему все это может не сработать и как нам это проверить. Структурирует контекст пользователя, наиболее вероятный сегмент, кто получит пользу от продукта, триггеры, ожидаемые результаты и технические аспекты задачи. Понятно, что результат мы вычитываем, обсуждаем с ним в несколько итераций правим. Но как способ быстро структурировать кастдев это работает хорошо. Сборка прототипа Дальше большая часть прототипов у нас собирается на n8n. Codex подключается к платформе и с использованием MCP протокола доступных n8n skills польностью автономно готовит первый вариант решения. Сама сборка прототипа может занять 30–60 минут. Тестирование После этого начинается тестирование. Сначала мы сами проверяем, правильно ли вообще понята задача: то это или не то. Даём обратную связь, исправляем логику, затем формируем набор материалов тестов на основании которых он будет проверять качество своего прототипа. В результате, утром можно провести несколько разговоров, днём собрать и структурировать информацию, а вечером отдать пользователям прототип для тестирования идеи. Он может быть немного кривеньким и косеньким. Но для меня здесь важно другое: это очень быстрый и наглядный способ проверить, нужно ли вообще делать решение, правильно ли мы поняли задачу и как оно будет работать в реальном процессе. Конечно много прототипов отправляются в мусорку, но то скорость с которой мы можем более качественно проверять какие-то гипотезы, для меня очень важна. Правда мне иногда даже жалко смотреть какие замечательные красивые вещи не находят своего пользователя. Раньше на создание таких прототипов мы бы убили бы недели и месяцы. Примеры В качестве примера пара прототипов, которые я сделал ровно таким образом: 1) Ассистент для интервью по процессам, чтобы проверить гипотезу, что люди захотят говорится с искусственным интеллектом для того чтобы описывать содержание их работы. Он проводит интервью, подстраивается под ответы пользователя и помогает собрать описание текущего процесса: https://ai.alexchig.ru/webhook/process-interview 2) Сервис для разработчиков Тестов по профессиональным компетенциям, который на основании стандартов операционных процедур и обучающих материалов готовит тесты для проверки знаний: https://ai.alexchig.ru/webhook/proftest-methodologist Это ещё не готовый продукт. Но уже достаточно рабочий инструмент, чтобы проверить идею не на презентации, а на реальных пользователях. @AlexGetsHrDone

Когда в Telegram стало сложнее попасть, я расстроился. Просмотры начали падать, и первая мысль была довольно простой: а какой смысл дальше развивать канал и инвестировать в эту площадку? Потом я прочитал несколько размышлений Максима Ильяхова на эту тему. Одна мысль меня поддержала: если попасть в Telegram стало сложнее, то здесь остаётся более мотивированная и интересующаяся аудитория. Люди, которые готовы сделать дополнительный шаг, чтобы узнать что-то новое. Мне кажется, аудитория не то чтобы «очистилась». Скорее, она стала более сфокусированной. И для меня это важно. Спасибо вам за то, что вы здесь и продолжаете читать. При этом хочется, чтобы аудитория всё-таки прирастала, а полезные материалы были доступны большему количеству людей. Иногда для этого собирают папки каналов по одной теме. Сегодня мой канал вместе с каналами нескольких коллег попал в папку про HR и IT. Там собраны авторы-практики, которые пишут про подбор, обучение, HRTech, цифровизацию и другие рабочие задачи. Подписываться на всю папку или выбрать из неё несколько каналов — решать вам. Оставлю ссылку здесь: https://t.me/addlist/vV39DfFOq-E1OGNi @AlexGetsHrDone

Сейчас, кажется, происходит по две конференции в неделю на тему AI. На них всё уже внедрено: люди голосом создают агентов, навайбкодили внутренние сервисы, автоматизировали процессы и получили эффект. Послушаешь несколько выступлений — и возникает ощущение, что ты уже сильно отстал. При этом я общаюсь с большим количеством компаний и понимаю, что эта картинка довольно далека от реальности. Действительно, можно навайбкодить что-то голосом. Можно собрать красивый прототип, показать его на сцене и назвать кейсом. Но вопрос в следующем: как это становится продуктивным решением, которое применяется внутри компании? У него должен быть пользователь. Оно должно быть встроено в бизнес-процесс. Должно стабильно работать в корпоративной инфраструктуре, проходить требования ИБ и показывать какой-то эффект. Мне кажется, что между «мы сделали демо» и «мы внедрили решение» сейчас образовался очень большой разрыв. На конференциях эти две вещи часто звучат почти одинаково, хотя на практике между ними могут быть месяцы работы — или решение вообще никогда не выйдет из пилота. Потому что шума вокруг AI сейчас очень много. А решений, которые стали частью ежедневной работы и действительно что-то улучшили, — гораздо меньше. Так что не переживайте, вы еще не все пропустили) @AlexGetsHrDone

В моем пузыре многие компании уже решили проблему, как обеспечить доступ сотрудникам к какому-то корпоративному ИИ. Есть корпоративный ChatGPT. Есть современные модели. Есть доступ. Есть обучение. Есть вебинары. Но даже когда инструмент уже лежит на рабочем столе, далеко не все начинают им пользоваться. Мне кажется, что здесь дело не в доступе, а в каком-то ответе на вопрос: зачем мне вообще туда идти? Потому что недостаточно один раз прийти на обучение, вместе со всеми зайти, нажать кнопку и попробовать написать промпт. Это ничего не значит. Если хочется действительно начать применять AI в своей работе, приходится инвестировать время. Десятки часов. Иногда — сотни. Что-то попробовать, ошибиться, переделать, снова попробовать, разобраться, почему здесь получилось, а здесь нет. И это сложно сделать только в рабочее время. Практики нужно гораздо больше, чем обычно помещается в расписание. Нужна сильная мотивация, чтобы перестроиться. Наверное, поэтому я всё меньше думаю про обучение как про отдельный курс. Для меня гораздо важнее, чтобы у человека появилась собственная задача, которую очень хочется решить быстрее или лучше. Когда такая задача появляется, мотивация находится гораздо легче. @AlexGetsHrDone

Что уже могут «маленькие» локальные модели В последнее время у меня была возможность протестировать несколько практических заданий на корпоративных агентах с разными моделями: локальной Qwen 35B на локальном компьютере, а также DeepSeek 4 Flash и DeepSeek 4 Pro. Мы проверяли два сценария. Первый — агенты, которые помогают готовиться к обходам по производственной безопасности и более тщательно их проводить. Второй — набор практических заданий из жизни HR-директора, который мы готовим для PeopleTech-конференции в сентябре. Внутри были вполне прикладные задачи: рассчитать фонд оплаты труда, сопоставить факты, найти нужные материалы, проанализировать данные и представить результат в понятном виде. И здесь для меня оказалось интересным, что локальная модель на 35 миллиардах параметров уже вполне может делать много полезных вещей. В задачах, где нужно что-то посчитать, сопоставить или структурировать, результаты моделей были достаточно близкими. Во многом потому, что значительная часть такой работы выполняется с помощью скриптов. Но когда модель переходит от расчётов к выводам, разница становится гораздо заметнее. Qwen 35B может правильно посчитать показатели и собрать отчёт, но при этом упустить важные связи или сделать более поверхностные выводы. DeepSeek 4 Flash и особенно DeepSeek 4 Pro дают более глубокую аналитику и замечают больше деталей. Что это значит практически? Локальные модели уже можно использовать там, где важны безопасность данных, скорость и понятный повторяемый процесс: для расчётов, первичной обработки информации, поиска и подготовки черновиков отчётов. Это очень приятно и уютно иметь такую локальную модель, которая уже правда что-то может у себя на компе. Но если задача влияет на управленческое решение, требует интерпретации рисков или глубокого анализа, выводы небольшой модели нельзя принимать без дополнительной проверки. Здесь либо нужен человек, либо более сильная модель, а чаще — и то и другое. Продолжаем экспериментировать дальше. @AlexGetsHrDone

Руководителям не нужен ещё один дашборд На встрече разбирали результаты 12 интервью custdev с руководителями — офисными и производственными, с маленькими и большими командами. Темой был кабинет и задачи руководителя на нашей обучающей платформе. И в их ответах почти не было желания посмотреть «всю аналитику по сотрудникам», чего HR бы очень хотелось и казалось бы естественным. Гораздо чаще звучало другое: покажите, где просрочено обязательное обучение, у кого истекает срок допусков, какая заявка зависла и что именно мне нужно сделать. Особенно заметна эта разница в больших командах. Руководителю не нужен экран, на котором сорок человек отмечены зелёным и три красным. Ему нужны сразу эти трое и понятный следующий шаг: напомнить, согласовать, зарегистрировать на обучение или разобраться в ситуации. Для меня здесь важна разница между данными и сигналом к действию. Данные отвечают на вопрос: «Что происходит в моей команде?» Сигнал к действию — на вопрос: «Что мне сделать дальше?» Иногда мы усложняем наши продукты выдумывая за пользователя сценарии, которые не востребованы в реальной жизни. Мы добавляем графики, фильтры, вкладки и отчёты, хотя рабочая задача руководителя может быть гораздо проще: за несколько минут понять, что критично, и перейти к действию без длинного маршрута по системе. При этом полная аналитика тоже нужна — но скорее как второй уровень, когда хочется разобраться глубже. Мы пришли к очевидному выводу, что первый экран должен не демонстрировать все возможности платформы, а сокращать путь руководителя до решения. По крайней мере, именно это показало наше исследование. @AlexGetsHrDone

Не «сколько людей заменить», а «какую новую ценность создать» Когда обсуждают AI в бизнесе, чаще всего слышу логику «давайте посчитаем, сколько FTE высвободим». Это понятно — хочется окупить инвестиции. Но такой фокус сужает картину до экономии, а не до роста. В отчёте World Economic Forum AI-First Operating System увидел раздел, который смотрит на AI иначе — через вопросы к бизнес-модели. Они направлены не столько на сокращение людей, а на появление новой ценности, новых клиентов и новых доходов. Мне показалось, это полезный набор для команды, которая всерьёз думает об AI-стратегии. Вот несколько вопросов из этого раздела, которые расширяют горизонт Расширенный канвас бизнес-модели: ключевые вопросы для компании, в основе которой лежит ИИ Пять основных направлений развития соотносятся с девятью элементами канвы бизнес-модели. Для каждого элемента можно сформулировать конкретные вопросы. Ценностное предложение ← Создание новой ценности - Какая новая ценность появляется только благодаря встроенному искусственному интеллекту? - Какие задачи ИИ способен решить там, где прежние технологии и человеческие возможности были ограничены? - В каких областях обратная связь с пользователями помогает продукту постоянно становиться лучше? - Что клиенты могут делать с помощью ИИ, чего раньше не могли? Клиентские сегменты ← Создание новой ценности - На какие новые отрасли и рынки можно выйти благодаря ИИ? - Каких клиентов раньше было невозможно обслуживать из-за высокой стоимости, сложностей масштабирования или технологических ограничений? - Какие группы клиентов дают наиболее полезную обратную связь, данные и понимание реальных потребностей? - Кто получит наибольшую пользу от быстрого, персонального и более содержательного взаимодействия? Каналы взаимодействия ← Создание новой ценности - В каких каналах ИИ-помощники должны напрямую взаимодействовать с клиентами? - Какие действия они могут выполнять самостоятельно, а где требуется участие человека? Отношения с клиентами ← Создание новой ценности - Как ИИ может быть естественно встроен в продукты, услуги и общение с клиентами? - Какие новые форматы взаимодействия и пользовательские сценарии можно создать с его помощью? - Как сделать общение с компанией более удобным, личным и полезным? Источники дохода ← Перестройка рабочих процессов - В каких направлениях ИИ позволит увеличивать доход без такого же быстрого роста затрат? - Какие новые способы оплаты и формирования цены становятся возможными? - Можно ли перейти от оплаты за доступ к оплате за результат, объём выполненной работы или достигнутый эффект? Ключевые ресурсы ← Развитие интеллектуальной основы бизнеса - Какие уникальные продукты и технологические решения можно создать на основе собственных знаний и разработок? - В каких областях ИИ должен со временем накапливать опыт и усиливать конкурентное преимущество компании? - Какие способности, роли и решения по-прежнему требуют именно человеческого участия? - Какие правила совместной работы нужны команде, чтобы эффективно использовать ИИ каждый день? - Какие собственные данные, знания, обратная связь и рабочий контекст будут становиться ценнее с каждым месяцем? Ключевые виды деятельности ← Перестройка процессов и совместная работа человека с ИИ - В каких процессах ИИ действительно способен заметно улучшить результат? - Какие задачи следует полностью автоматизировать? - Где ИИ должен помогать сотрудникам, а какие задачи лучше оставить человеку? - Как изменить устройство компании, чтобы ИИ стал частью основной работы, а не отдельным вспомогательным инструментом? - Какие новые возможности появляются, если часть работы продолжается после окончания рабочего дня сотрудников? Ключевые партнёры ← Гибкая технологическая основа - Какие данные, модели и элементы инфраструктуры имеют стратегическое значение? - Что необходимо создавать и контролировать внутри компании? - Какие решения разумнее использовать в готовом виде, поскольку они уже доступны на рынке? - Что следует разработать самостоятельно, что купить, а что создать совместно с партнёрами? Структура затрат ← Перестройка рабочих процессов - Как использование ИИ меняет основные статьи расходов? - Какие затраты можно сократить, а какие новые расходы появятся? - Как изменятся себестоимость, прибыльность и стоимость обслуживания одного клиента? - Позволит ли ИИ увеличивать объём работы без пропорционального роста команды и расходов? Практическое упражнение (30 минут) 1. Взять 30 минут на размышление над вопросами по каждому блоку 2. Записать ответы 3. Пересмотреть, выделить ключевые темы 4. Эти наблюдения → основа для AI-стратегии Большинство таких вопросов — про создание, а не про ужимание. Если честно, это совсем другой разговор об AI, чем «сколько человек мы можем заменить». @AlexGetsHrDone

Ценные разговоры Сегодня себя на мысли, что самые ценные разговоры для меня — это не те, после которых у тебя появляется готовое решение. Гораздо интереснее, когда после разговора изменяется угол зрения. Ты продолжаешь заниматься тем же самым, работать над теми же задачами, но начинаешь смотреть на них немного по-другому. И иногда этого оказывается достаточно, чтобы увидеть возможности, которых раньше просто не замечал. Мне кажется, что такие разговоры случаются только тогда, когда у тебя есть искренний интерес к тому, как другой человек смотрит на мир. Не чтобы согласиться с ним и не чтобы его переубедить, а чтобы попробовать увидеть то, что пока не видишь сам. Я замечаю, что это одинаково работает и в разговорах с клиентами, и с коллегами, и с близкими людьми. Наверное, одна из самых полезных навыков, которую я в себе сейчас стараюсь развивать, — это чуть дольше оставаться в исследовательской позиции и чуть позже включать внутреннего критика. Потому что именно в этот момент чаще всего и появляется возможность увидеть привычные вещи по-новому. @AlexGetsHrDone

💀 Почему большинство AI-агентов умирают За последние два года я собрал больше 250 автоматизаций, несколько десятков ассистентов и агентов. Большая часть из них сейчас лежит на кладбище моих проектов. Не потому что плохо работали или модель была слабая, а потому что ими никто не пользуется. И чем больше я этим занимаюсь, тем сильнее убеждаюсь, что причины почти всегда одинаковые. Вот мой чек-лист, по которому я теперь стараюсь проверять любую новую идею. 1. Мы решаем не ту проблему. Самая частая история. К нам приходят со словами: «Нам нужен AI-агент». Но почти никогда не могут ответить на вопрос: Какую работу пользователь пытается выполнить? Если проблема сформулирована как “нам нужен агент”, а не как “пользователь не может быстро сделать вот это”, скорее всего, проект уже начинает идти не туда. 2. Агент не встроен в процесс. Очень много хороших решений умирает именно здесь. Есть отдельная ссылка или красивый интерфейс. Есть даже инструкция. Но чтобы воспользоваться агентом, человеку нужно вспомнить, что он вообще существует. Обычно на этом всё и заканчивается. Лучший агент — тот, о существовании которого пользователь даже не задумывается. Он просто появляется в нужный момент процесса. 3. Мы не договорились, что такое успех. “Работает вроде нормально” — это не критерий. Что должно измениться после запуска? Время? Количество ошибок? Скорость обработки? Удовлетворённость пользователя? Если этого нет, через месяц уже никто не сможет сказать, был ли вообще смысл делать этот проект. 4. Пользователи ему не доверяют. Достаточно одного странного ответа. После этого человек возвращается к Excel, поиску, коллегам или старому процессу. Доверие к ассистенту строится долго, а теряется за один неудачный ответ. 5. Мы не подумали, как будем ловить ошибки. Модель поменялась. Данные перестали обновляться. API изменилось. Промпт перестал работать. Если вы заранее не понимаете, как узнаете, что агент начал ошибаться, то это не вопрос “если”. Это вопрос “когда”. 6. Мы не посчитали экономику. Самый неприятный пункт. Даже если агент работает идеально. Что изменилось для бизнеса? Сколько времени он экономит? Сколько стоит его поддержка? Когда он окупится? Иногда после такого расчёта оказывается, что проблему можно было решить одним дополнительным полем в форме или обычной автоматизацией без всякого AI. И это абсолютно нормальный результат. Сейчас перед тем, как начинать делать очередного агента или Ai цифровизацию, я стараюсь честно ответить себе всего на шесть вопросов: ✅ Есть ли у пользователя реальная проблема? ✅ Встроится ли решение в ежедневную работу? ✅ Понятно ли, что считается успешным результатом? ✅ Будут ли пользователи ему доверять? ✅ Понимаем ли мы, как будем контролировать ошибки? ✅ Окупится ли всё это? Если хотя бы на один вопрос нет хорошего ответа — я почти всегда останавливаюсь. @AlexGetsHrDone

Я тут поймал себя на мысли, что внутренне много сил трачу на доказательство своей нужности. На работе — зачем нужен такой руководитель. Дома — нужен ли я детям, когда у всех всё хорошо. В Телеграме — нужен ли мой текст этим трём тысячам человек. И вдруг подумал: а что, если признать, что ты вообще никому не нужен, и это ок? Не в смысле «я плохой» или «я бесполезный». А в смысле — мне не обязательно каждый день доказывать обратное. Мне кажется это могло бы быть похоже на прохождение пути какого-то буддийского монаха 🕉️. В этом есть какое-то очень сильное освобождение. Потому что на доказательство своей полезности уходят титанические внутренние усилия. А если перестать, то как будто освобождается время и силы на то, чтобы быть нужным себе, на то, что нужно тебе, а не на бесконечное подтверждение, своего места под солнцем ☀️. @AlexGetsHrDone

Постоянство Я начал вести канал около двух лет назад — вдохновился от Оли Соколовой (@naiznankuo). Тогда я вписался в челлендж, где нужно было писать каждый день. 150 дней подряд. Сначала было тяжело, потом, когда это стало частью рутины, тяжесть ушла. Оля взяла другой челлендж: выпускать ролик на YouTube каждую неделю. Пару дней назад я прочитал у неё, что она первый раз за 134 недели пропустила публикацию. 134 недели подряд это больше 2х лет! Я часто думаю о том, что способность держать ритм, это самое постоянство, и отличает тех, у кого получается, от тех, о ком мы не узнаем. Не потому что у них не было идей, а потому что ничего стоящего не случилось без этого регулярного усилия. Касается ли это AI, спорта, профессионального развития, семьи, заботы о себе — мне кажется, это суперважный ключ, чтобы у тебя получилось. @AlexGetsHrDone

Почему мы часто встречаем пренебрежение к к Ai поделкам и прототипам а работе с эксертами? Мне кажется, AI и вайбкодинг триггерят IT команды не потому, что люди боятся нового. Это слишком простая формулировка. Представьте: человек годами учился быть дизайнером, аналитиком, продактом, разработчиком. Собирал идентичность вокруг ремесла. А потом кто-то приходит и за пять минут делает прототип. Да, кривой. Да, его потом надо доводить. Да, за ним все равно стоит работа специалиста. Но сам факт уже случился. И вот именно он бьет не по процессу, а по самоощущению: подождите, а кем тогда являюсь я, если кусок моей профессии теперь делается с телефона по дороге домой? Отсюда агрессия, обесценивание, странные вопросы на встречах, попытка доказать, что это все ерунда. Не потому что люди глупые или злые. А потому, что психика защищается. Когда у тебя на глазах меняется стоимость привычного навыка, это переживается почти как личная утрата. При этом ошибка — думать, что AI отменяет специалистов. Нет, он отменяет часть старой роли. И вот это самое непростое место, потому что новую роль никто нам не принесет и не вручит. Ее надо перепридумать самому. Поэтому главный вопрос сейчас не умеет ли команда пользоваться AI. Главный вопрос — готова ли команда пережить смену профессиональной идентичности и не развалиться по дороге. @AlexGetsHrDone

Когда пора передумывать свою работу? Есть состояние, в которое очень легко незаметно свалиться в управленческой работе: весь день что-то чинишь, всех синхронизируешь, везде подтираешь, гасишь очередной локальный сбой — и в какой-то момент начинаешь путать занятость с полезностью. Это опасная ловушка. Потому что снаружи ты вроде бы нужен: тут не так отображается, там кто-то не договорился, здесь надо срочно разрулить, там эскалировать. А по ощущениям — не строишь ничего, а просто занимаешься регулировкой хаотичного движения. Не создаешь систему, а бесконечно компенсируешь ее отсутствие собой. В такой работе быстрее всего теряется вкус. Не потому что тяжело — тяжело бывает по-разному. А потому что в ней исчезает творчество, исчезает замысел, исчезает ощущение, что ты двигаешь что-то вперед. Остается только обслуживание чужой несобранности и чужих провалов в процессе. И вот это, мне кажется, важный сигнал. Не для нытья, а для пересборки. Если твоя роль превратилась в бесконечное разгребание локальных проблем, значит, роль надо перепридумывать. Никто не придет и не сделает это за тебя. Ни бизнес, ни соседняя команда, ни руководитель сверху. Если не поставить границы, не перестать быть буфером между чужим бардаком и реальностью, времени на нормальную работу так и не появится. Иногда взрослая управленческая работа — это не героически тащить все на себе, а перестать жить в режиме еще один срочный звездец и наконец собрать вокруг себя нормальный контур того что полезно и хочется делать. @AlexGetsHrDone

Полезная конференция про управление в эпоху ИИ Посмотрел материалы конференции Сберуниверситета «Больше, чем менеджмент». Очень много хороших мыслей про то, как меняется управление: агентная экономика, physical AI, доверие в командах, право на ошибку, Run / Change / Disrupt, трансформация больших компаний. Понравилось, что разговор был практичным: как встроить технологии в реальные управленческие контуры, где нужны данные, где нужна ответственность, где нельзя ошибаться, а где без экспериментов ничего не получится. Там были выступления и дискуссии с Германом Грефом, Дмитрием Коновым, Инессой Галактионовой, Еленой Тябутовой. Много конкретных кейсов Сбера, Сибура, МТС, Арнест Юнирусь. Я собрал для себя и коллег удобную страницу с ключевыми тезисами, фактами, цифрами и выводами. Получился такой мини-лендинг по конференции: можно быстро пролистать, найти нужную тему и использовать для обсуждения внутри команды. Такую упаковку материалов мне сейчас готовит отдельный skill для агента. Я к этому постепенно прихожу как к новому стандарту: 90% презентаций, заметок и документов которыми я делюсь, должны быть не просто текстом в файле, а удобной страницей, которую можно быстро открыть, пролистать, найти нужное и отправить дальше. Поделитесь материалами конференции с теми, кому это может быть интересно! Ссылка: https://ai.alexchig.ru/webhook/sberuniversity-more-than-management @AlexGetsHrDone