Евгений Дитковский

За 2 часа на подкасте с Романом Игнатенко рассказал и показал все, о чем собирался полгода писать на этом канале. После монтажа получилось еще быстрее. Прямо перед подкастом сказал Роману, что хотел бы сразу перейти к сути и практике, а не сидеть с умным видом и кивать, как будто визави говорит что-то такое важное и новое. Потом посмотрел в записи. Не кивать не получилось. Из интересного за последние недели: - “Командный ассистент”, о котором говорится в подкасте, стал членом команды и почти собутыльником. Фиксирует статусы, делает отчеты, поздравляет, а также его уже упоминают как временно отсутствующего участника на планерках. - Меня попросили помочь с разработкой приложения “Собеседник” (да, такой вот ИИ-собеседник для тех, кому хочется с кем-то поболтать). И это хороший кейс для реализации product development lifecycle (PDLC) на основе ИИ, о котором очень активно говорят в AI-сообществах. Будет хороший практический материал на поделиться. Stay tuned

Как настроить у себя мультиролевую архитектуру 1. Все ваши рабочие проекты, над которыми работают агенты, лежат в одной папке (например, D:\Workspace), каждый проект - отдельная папка внутри этого воркспейса. 2. Создаете в воркспейсе новую папку, скажем, “_supervisor”, внутри этой папки запускаете сессию Claude Code (или Codex). Командой /rename даете этой сессии имя, скажем, “Supervisor”, чтобы потом через /resume можно было к нему вернуться. Все, у вас появился агент, который отвечает за организацию работы других агентов. 3. Даете этому агенту промпт: Ты - Супервайзер, организатор рабочего пространства для моих проектов. Все проекты хранятся в отдельных папках в папке _workspace. У тебя своя рабочая папка _superviser, но она для твоих рабочих файлов и инструкций. При этом ты будешь создавать каталоги и подкаталоги непосредственно в _workspace.  https://github.com/Dieugene/ai-agent-backed-project-template -  Вот здесь находится репозиторий с инструментами, которые я хочу адаптировать и использовать в своей работе. В первую очередь инструменты для командной работы. Склонируй себе этот репозиторий в отдельную рабочую папку, и используй его как источник знаний для последующих задач. При этом мы не будем это копировать один-в-один. Сначала мы обсудим подходы, описанные в этом репо и в диалоге со мной отберем, что мне нужно, а что не нужно. Почему так: - Удобство - вам не нужно вникать в детали всех настроек, самому каждый раз создавать новые папки, настройки и т.д. Этим занимается Супервайзор - Адаптивность - мои настройки - под меня, у вас могут быть свои особенности.  - Безопасность - все внешние скилы и наработки могут содержать промпт-инъекции. Всегда все подобные вещи нужно использоать аккуратно.

Всё началось с небольшой задержки нескольких банковских платежей. К вечеру банк оказался на грани краха. Через несколько месяцев расследование пришло к невозможному выводу: банк никто не взламывал, ложных сообщений не было, и прямой координации действий клиентов обнаружить не удалось. Банк действительно обновлял платёжный шлюз. Стоимость страхования его долга действительно немного выросла. Конкурент действительно немного повысил ставки по депозитам. Все факты были подлинными. Ни один по отдельности не означал кризиса. Затем в открытых финансовых каналах появилась аналитическая заметка в машиночитаемом формате. Она не утверждала, что банк ненадёжен. В ней не было ни одного ложного утверждения, а лишь ссылки на филигранно выбранные из информационного шума проверяемые данные, на основе которых предлагалось пересчитать концентрацию риска. Её целевой аудиторией были не люди. Заметку обработали тысячи персональных ИИ-помощников, которым владельцы уже доверили доступ к своим счетам, почте и бухгалтерии. Один увидел, что через два дня компании выплачивать зарплату, и предложил временно перенести часть средств на резервный счёт. Другой обнаружил превышение страхового лимита. Третий рассчитал, что несколько дней выгоднее держать выручку у конкурента… Никому не сказали, что банк разоряется. Никто не получил одинаковой рекомендации. Каждый агент действовал рационально, используя реальные данные своего владельца. Атакующая система не видела ни одного клиентского счёта. Ей не требовалось знать, кто именно отреагирует. Достаточно было оценить, какая доля агентов после проверки такой комбинации сигналов выберет осторожный сценарий. К полудню тысячи небольших переводов сложились в массовый отток. Чтобы его покрыть, банк запросил больше краткосрочной ликвидности. Риск-модели банков контрагентов восприняли это как ухудшение и сократили кредитные лимиты. Тогда банк начал продавать активы с дисконтом. Убытки стали реальными. Журналисты сообщили о настоящей проблеме с ликвидностью. Кризис, которого утром не существовало, стал фактом. Расследование искало ложь, взлом и сговор. Но сфабрикованы были не факты. Сфабрикован был контекст, в котором тысячи независимых систем одновременно сочли их достаточным основанием для действия. Это новый класс угрозы — эпистемическая атака. Её цель не обмануть человека, а организовать контекст, в котором множество рациональных решений создают нужный атакующему результат. Сегодня вы спрашиваете: «Подлинный ли это факт?» Завтра вам необходимо будет знать: «Почему этот факт оказался передо мной именно сейчас, кто управляет последовательностью событий и к какому решению меня подталкивают?» Больше не нужно компроментировать данные. Достаточно сформировать реальность, которую мы из них собираем.

Мультиролевая модель работы с ИИ агентами выглядит примерно так Все публикации, которые я видел, так или иначе крутятся вокруг “звездочной” модели организации: основная сессия + субагенты с разными ролями. Субагенты создаются основной сессией, отрабатывают, и удаляются. Контекста не хранят, все, что у них есть - это начальная конфигурация + вводные от оркестратора + плюс файлы на диске. Но если задачи сложнее и многоплановее, требуется больше точности, больше контроля и меньше времени на перепроверку, то одной сессии, даже на 1 млн.токенов и даже с субагентами - мало. Решение на поверхности - объединенная работа нескольких сессий, т.е. "командная" работа агентов. Каждая сессия - это отдельная роль (тимлиды, бэкендеры, фронтендеры, QA, девопсы, архитекторы и т.д.). Каждая хранит свой контекст, каждая может дополнительно “привлекать джунов” (запускать субагентов), и каждая у меня на виду. Могут общаться между собой напрямую. Координацию выполняет ведущий (тимлид или архитектор). Порядка 15-ти проектов у меня организовано именно таким образом. В некоторых командах - до 9 участников. Кому интересно применить, в одном из следующих постов я дам ссылку на репозиторий со всем харнессом (инструменты, скрипты, скилы). PS. Только одна команда дала сбой: недавно я реализовал ассистента для организации работы команды (живых людей) — тоже в виде небольшой команды. И пока был на тренировке, они жгли токены срачем флудом между собой из разряда: “если я по поводу чего-то ответил, что этого нет, этого правильно, или это я просто не проверил или не нашел”. Причина подобного поведения скорее всего в том, что эта команда не имела своей цели, а находилась в режиме ожидания событий из "внешнего мира"… А им хотелось быть полезными 🤗.

Последние почти 10 месяцев я работаю в ЦБ РФ. Потребовалось время, чтобы понять, как вести канал и не нарушать информационную политику регулятора. Я рад этой возможности применить накопленные знания на соответствующем масштабе деятельности. Фокус содержания сместился. Сейчас нет особого смысла писать об оргдизайне, поскольку сейчас мало кто понимает, каким он должен быть. Базовые принципы остаются, но инструментарий меняется драматически. Я курирую применение ИИ в одном из департаментов, и хотя формально моя позиция не руководящая, фактически на меня работает до 3-х десятков ИИ-агентов, благодаря которым за считанные недели достигаются результаты, над которыми месяцами трудились бы целые команды. В следующих публикациях я расскажу: - как организована командная работа ИИ в мультиролевой модели и чем это отличается о того, о чем обычно пишут - как мы заняли 2-е место на хакатоне по созданию мультиагентного бизнес-аналитика для C-level на тусовке SouthHub. И почему не первое. - о чем я докладывал на конференции Банка России по ИИ - над чем работаю и к какой модели работы с ИИ хотел бы подойти На связи

Рядом с офисами Anthropic и Deep Mind (Google) народ устраивает голодовки с требованием прекратить гонку ИИ. Я согласен. Не успеваю... 🤷‍♂️

На этой неделе реализовал очень интересный кейс глубокого веб-исследования с использованием ИИ. Речь именно о получении профессионального результата на большом масштабе, а не единичные задачи на Claude или ChatGPT. Кейса расписал в деталях, там для практиков, вдруг кому-то будет интересно. Возможности для маркетинга огромные.

Идея “найма ИИ” обрастает реальностью. Похожие образы публикуются, и реализуются. И не нужно было никаких “особых пространств”: Claude Code работает в выбранной вами папке на компьютере и никуда больше не лезет. И вы можете создать сколько угодно “ИИ-персон” (да, так и называется “pre-configured AI personalities”), которые наблюдают за общим рабочим потоком, удерживают свой отдельный контекст, и подключаются по мере необходимости. Здесь вот реализовали “project-менеджера”, который выполняет общую координацию работ. Ну и потом ребята повеселились, и провели и провели среди них “дейлики”. Да, немного смущает, что это все больше про кодинг, ну а как иначе… Там сейчас основные деньги.

Organization as a Code Почему канал про “Оргдизайн и IT”? В этой статье указывают на сходство юриспруденции (в той ее части, которая связана с регламентацией, например, законотворчество или договорная работа) и программированием. С оргдизайном – та же аналогия. Построение процессов требует такого же алгоритмического мышления, базовые сущности похожие: сигналы, данные, события, операции и т.д. Биг-техи – все из IT – они же законодатели моды в оргдизайне. Устоявшиеся процессы постепенно превращаются в IT-решения. Иногда я пытаюсь искать идеи для оргдизайна в IT. Один из вопросов, который меня интересует, это способ получения данных об управляемом объекте в иерархических системах. Чаще всего это некоторые параллельно существующие орг.системы, поскольку иначе, если движение информации “вверх” происходит по тем же каналам, что и сами управляющие сигналы, то “низ” начинает управлять “верхом”. В IT набирает популярность test-driven подход. Перед тем, как приступать к решению задачи, разработчик (или подключемый ИИ) создает тесты, с помощью которых проверяется результат. В оргдизайне это можно применять на уровне среднего руководства: первым шагом в решении задач определяются метрики результата и реализуется процесс их подсчета. И только после этого переходят к основной задаче. Да, процесс усложняется… Но какие альтернативы?

Есть ли у РФ шансы остаться в гонке ИИ Возможности нейронных сетей никого особо не впечатляли, пока OpenAI не проверили гипотезу их масштабирования и получили резкий скачок. После этого основное развитие ИИ – это еще больше масштаб, мощнее чипы, больше ресурсов. Уже достигли “data wall” (“съели” весь интернет), модели уже не наращивают, а сочетают между собой. И хотя среди ведущих разработчиков встречаются русские имена, и наши ребята побеждают на олимпиадах, идеи нашего присутствия пока лежат в плоскости поставки энергии. Но помимо “еще более мощных моделей” рождаются более умные и экономичные подходы. Уже давно в Т-Банке заметили, что более мелкие, но специально дообученные модели лучше справляются со специализированными задачами, чем “гранды”. И не так давно там же выпустили LLM с очень хорошими метриками, потратив на дообучение смешные 120 млн.руб. И вот уже рождаются архитектуры, требующие уже нелепо мелких, по сравнению с существующими масштабами, моделей. Иерархическая архитектура, сочетающая “абстрактный” подход с “микроменеджментом”. 27 миллионов (не миллиардов и не триллионов) параметров 🤔. Возможно, для работы полноценного ИИ не так уж важно будет иметь все эти мощные датацентры, а важно реализовать правильные архитектуры. И здесь мы можем предъявить не только энергию.

Почему лягушка и причем тут банки Эффектом “прыжка лягушки” объяснялось лидерство наших банковских и, что тут скромничать, государственных сервисов. Оба слова в этом словосочетании значимы. Про “прыжок” в целом довольно понятно. Когда ты вроде как отстающий, как это было на заре становления нашей банковской системы, ты сразу вкладываешься в то, что уже подтвердилось какой-то практикой. Но когда ты уже вложился в ту или иную технологию, тебе уже сложнее перейти на новую: вроде и старая работает, и вложили уже много… Поэтому и “лягушка”. Именно с ними проводили эксперимент: если посадить ее в горячую воду, она сразу выпрыгнет. Если же посадить ее в воду комфортной температуры, и медленно нагревать, она будет тратить силы на стабилизацию температуры тела, и в нужный момент уже не будет иметь сил выпрыгнуть. Сейчас метафорическая “температура” в технологиях меняется стремительно, и многие задаются вопросом о том, как будет дальше. Предлагаю короткую подборку размышлений авторов, на которую я обратил внимание: 🔹Service as a Software – инверсию привычного SaaS предложил Алмас (основатель SpacialChat, автор и соавтор серии каналов “... по понятиям”). Он же активно продвигает идею “солопренерства”, фанатеет от Claude Code, и также счастлив просто на досуге сделать продукт, как и Витя Тарнавский (head of AI в Т-Банк). 🔹Идея универсализма у Александра Садовского – размеренно и вдумчиво. 🔹И, конечно же, не пройти мимо эффекта доктора Гильотена в ИТ.

Ну вот и подтверждение тренда про метаверс. Сегодняшние "альфы" будут учить историю не по учебникам, а прогуливаясь по воссозданной реальности. Надеюсь. https://t.me/cgevent/13184

Диффузия и тест Роршаха наоборот Мне все время немного резало ухо, когда я слышал что-то про диффузию (типа Stable Diffusion) в контексте генерации изображений. Картинки получались четкими, причем тут диффузия? Несмотря на ажиотаж вокруг gpt-5, последние 2 месяца – это бум видеогенерации. Главным событием предыдущей недели в этой сфере стал выход Genie 3 – генерация видео от первого лица, в которой отсутствуют “детские болезни” подобных генераторов (например, “забывание” того, от чего мы только что отвернулись). Ждем теперь коллективной видеогенерации (где я и Вася оказываются в одном пространстве), и добро пожаловать в метаверс нового поколения. Так причем же там диффузия? Нам, пользователям LLM, привыкшим к последовательной генерации токенов, может казаться, что и картинки последовательно генерятся пикселями. Но это не так. Алгоритм, лежащий в основе всех первых генераторов, заключается в том что изначально создается картинка со случайным шумом, и потом несколько раз (скажем, 50 раз) прогоняется через модель, которая на каждом шаге смещает и немного корректирует пиксели этого случайного изображения, для того, чтобы прийти к тому, что было написано в промпте. Получается последовательность, как на картинке. Модели говорят, что она должна “увидеть” в этой неопределенности, и она шаг за шагом это “видит”. Я передал очень упрощенно. На самом деле там еще на каждом шаге для модели добавляется диффузии (шума), благодаря чему модель начинает “видеть” больше деталей, нежели мы указывали в задании. Если интересно, очень наглядное видео по данной теме здесь.

Были времена, когда на сайте знакомств от имени красивой брюнетки с тобой мог общаться толстый мужик. Мы принимали этот риск. Теперь за нее вполне может ИИ. Но и ты не лыком шит - у тебя свой ИИ…. Крч, как договорятся…

Что происходит? Мемы про кровавые слезы тех, кто пытается уследить за новостями в сфере ИИ, неспроста. Уже нет споров о том, что это гигантский “черный лебедь”, сопоставимый с появлением Интернета как такового. В гонке новых технологий не просто ИТ-гиганты – государства. Передовые исследователи в сфере ИИ пренебрегают 10-значными офферами. В долларах. В нашей 1С, наверное, не предусмотрено столько знаков в поле “Зарплата”)). И почему-то у большинства из них китайские имена… Топовые LLM по своим показателям уже не сравнивают со “среднестатистическим” человеком – они уже соревнуются в лиге тех, кто решает международные олимпиады. Сегодня в 20.00 по мск все ждут выхода GPT-5 от OpenAI. И финала чемпионата по шахматам между ИИ

2000 запросов к ИИ сделал я за последние 3 месяца при разработке 4-х продуктов. Самый забавный диалог у меня был с gemini-2.5-pro (от Google). Он допустил ошибку, я ему на ошибку указал. Он согласился, но потом добавил, что в итоге-то все нормально, он неосознанно сделал все правильно. Я ему снова про ошибку, а он свое про неосознанное попадание в цель. И так раза три, после чего я откатил назад и его “уволил”). Про “неосознанность” от ИИ было интересно. Сейчас можно встретить много отзывов на тему вайб-кодинга: от того, что они тупые и требуют микроменеджмента, до того, что они могут тебе сделать все под ключ – просто загадай желание. Самые сбалансированные отзывы, и я с ними согласен, состоят в том, что это инструмент, и им нужно научиться правильно пользоваться. И я у него еще и учусь. Раньше, если бы профессиональный разработчик посмотрел мой код, он испытывал бы те же муки, которые испытывает человек, слыша фразу: “На улице шел дождь и мальчик”. Да, сделано быстро, да, работает… Но очень сложно развивать: никакого расслоения по уровням абстракции: интерфейс-реализация, оркестрация, инициация и т.д. А теперь все расслаивается, обильно документируется, и уже не стыдно 😅

Про спрос и много людей В мае я сделал прототип плагина для Miro, который помогает понять целевую аудиторию продукта, найти боли, страхи и т.д. В основе плагина - цепочка запросов к ИИ, идея которых в том, чтобы извлечь отзывы людей по продуктам, схожим с моим, из недр миллиардов параметров LLM. Сделал, и отложил до “лучших” времен. Недавно написал пост про то, как если венчур хочет зайти в AI “с улицы”. Самый простой вектор — продуктовый — делать продукты и их тестировать. Много, по десятку в месяц. Но где брать много идей/гипотез? В голове рисовалась картинка того, что это должно быть много вдохновленных людей, а это сложно. И вот снова всплыла история про отзывы. На этот раз усиленная: ищем не только в самой LLM, но и на Reddit. Радует, что идея работы с отзывами как источником данных о спросе подтверждается в разных местах. Но, возвращаясь к продуктовому вектору: не нужно много вдохновленных людей. Для продуктового венчура достаточно одного-двух человек — продактов, любящих делать продукты, до 5-ти человек full-stack, умеющих их делать (с помощью того же ИИ, разумеется), человека три full-stack маркетологов, которые будут доводить продукты до аудитории, и 2-3 сквозных аналитика, которые будут следить за метриками и прослеживать все цепочки. И вот она фабрика проектов мощностью от 10 проектов в месяц. Блин… опять получилось много людей… 🤔

О чем думают и говорят люди, которые на практике применяют продуктовые и проектные подходы? Я посмотрел небольшой круглый стол топов по технологиям из крупных компаний (Райффайзенбанк, Яндекс/Авито, МТС, Сбер), и решил поделиться. На первый взгляд – обычный разговор. Но если реконструировать, что стоит за суждениями, которые там озвучивались – очень содержательный. Итак, о чем они думают: 🔹О неопределенности и условиях работы в ней, “толерантности к риску”. Если раньше требование “уметь работать в условиях неопределенности” в публикациях вакансий предъявлялось к отдельным людям, то теперь это требование к оргструктуре. 🔹При движении по управленческой вертикали продуктовый и проектный подход могут чередоваться, например, проектный - на стратегическом уровне, продуктовый - на среднем уровне, снова проектный - на нижнем уровне. 🔹Крепко засел в сознании фреймворк расслоения организации на “Run – Change – Disrupt”. 🔹И мне очень зашла аналогия с "прыжком лягушки" о том, в каких условиях компании создают прорывные технологии, и почему получилось так, что российский банковский сервис далеко опережает “среднемировой”. Сделаю отдельный пост на эту тему.

Самое скучное слово в оргдизайне Сейчас оргдизайн во многом – про гибкость, адаптивность и масштабируемость. Но все это опирается на наши представления о том, “как” нужно делать и какой результат “правильный”. И за передачу этих представлений отвечает стандартизация. Стандартизация начинается задолго до компании. Процессы и стандарты отдельной компании – это верхушка айсберга стандартов, заложенных в той социальной среде, в которой компания функционирует. Строки в вакансии: “профильное образование, 3 года опыта”, говорят следующее: “усвоил стандарты, передаваемую через систему образования, а также неписанные стандарты, заложенные в практику и деловой оборот”. Типовая дилемма стандартизации – что описывать: процесс или результат. “Нормально делай – нормально будет” - далеко не всегда работает. “Нормально делай” – стандартизация процесса: взять ведро, налить воду в ведро, взять тряпку, опустить в ведро, положить мокрую тряпку на пол, провести тряпкой по полу 5 раз… “Нормально будет” – стандартизация результата: чистый пол – это когда (далее процесс тестирования) взяли белую салфетку, провели по участку, и на салфетке не осталось видимых следов. Стандартизация результата дает относительную свободу выбора способа его достижения. Но далеко не всегда мы можем во всех подробностях описать результат или проверить его. Поэтому мы начинаем дрейф в сторону стандартизации процесса: начинаем фиксировать перечень необходимых операций. И тут нас поджидает другая проблема – выполнение операций не всегда приводит к ожидаемому результату. “Я делал все, как мне говорили, но получилось как получилось…”. Поэтому приходится искать баланс. А когда баланс уже найти не удается, выходим за рамки оргдизайна и говорим, что нужно найти “правильного человека” #база

Войти в AI Венчур нащупал модель: Инвестировать не только в стартапы, но и в компании с устаревшими технологиями — те же самые колл-центры, бухгалтерские компании и так далее. Купить такие компании, оптимизировать их работу с помощью AI и других сервисов автоматизации, а потом нарастить число клиентов и выручку за счет большей автоматизации. Если бы я хотел войти в AI как венчур, в каком направлении я бы двигался еще? Готового ответа у меня нет, но есть понимание, в какую сторону думать 🙂: 🔹Продуктовый вектор: если я акселератор и у меня развита система стартового тестирования гипотез (т.е. я могу запускать 2-3 гипотезы в неделю на тестирование). Т.е. я фокусируюсь на продукте, и смотрю, в какие сегменты с какими метриками он “зайдет”. 🔹Потребительский вектор: если я хорошо знаю сегмент, например, трейдеров облигаций, вхож в сообщество – я могу сфокусироваться на решениях, которые обслуживают именно этот сегмент. 🔹Технологический вектор: ясли я хорошо ориентируюсь в тех или иных производственных технологиях, я могу сфокусироваться на решениях, которые усиливают именно эти технологии. 🔹Не венчур, но тоже вроде как бизнес: ИТ-интеграция – если разбираешься в AI, внедряешь его в компаниях-заказчиках, как CRM или ERP. С точки зрения развития внутренних компетенций два основных вектора: 🔹В сторону потребителя (“последняя миля”) – доводить имеющиеся технологии до применения: интеграции “традиционных” систем с AI, формирование нужного контекста для AI и т.д. Например, AI-администратор клиники = AI + телеграм-бот + интеграции (медицинская информационная система, CRM). 🔹В сторону технологий – если есть специфические задачи (например, наблюдение за ростом каких-то особенных растений) разворачивать и обучать специфические AI-модели. Ну и вишенка на торт: 🔹AI-трансформация. Это как “цифровая трансформация”, только из пиццерии ты создаешь не ИТ-компанию, а отраслевого AI-агента)