CPO Cafe

Полугодовой итог по OKR уже подвели? 🤠

Ещё один вопрос из той же дискуссии про ИИ, о которой я писал в предыдущем посте. Звучал он примерно так: AI усиливает оригинальное мышление — или постепенно его стандартизирует? На мой взгляд, это ложная дилемма. ИИ делает и то, и другое. Просто с разными людьми. Если у человека уже есть собственная рамка, модель может усиливать мышление: снимает часть рутины формулирования, даёт быстрый спарринг, помогает проверить разные углы, удержать структуру аргумента и быстрее перевести мутную интуицию в более точную мысль. Но если собственной рамки нет, ИИ, скорее всего, будет стандартизировать. Не потому что он злой. И не потому что он специально хочет всех усреднить. Просто регрессия к среднему — это во многом и есть его механизм. Модель обучена на паттернах. Если на входе нет позиции, напряжения, странного угла, личной оптики или хотя бы внятного вопроса, на выходе будет наиболее вероятная версия мысли. А наиболее вероятная версия мысли обычно не очень интересна. Я это хорошо вижу на собственном опыте. Когда я прогоняю через модель идеи постов или презентаций, ценность редко бывает в её готовых ответах. Ценность в том, что модель держит структуру, пока я думаю. Она не даёт потерять нить между мыслью и ее воплощением в текст, помогает с общепринятыми взглядами на вопрос, подсвечивает провалы в логике. Но направление всё равно должно исходить от меня. ИИ полезен, когда я понимаю, какой результат я хочу получить. Он гораздо менее полезен, когда я пытаюсь делегировать ему не формулировку, а саму позицию. И тогда вопрос не в том, делает ли ИИ людей более оригинальными или менее оригинальными. Вопрос в том, приносит ли человек в работу с ИИ собственное видение. Без этого ИИ создаёт гладкий текст вокруг пустого центра. Так что нет, ИИ не обязательно стандартизирует мышление. Мышление стандартизирует отсутствие позиции у того, кто им пользуется.

На днях я был в дискуссионном клубе, где мы обсуждали искусственный интеллект. Вопросов там было много, поэтому, наверное, напишу на эту тему несколько постов, но один тезис меня особенно зацепил. Звучал он примерно так: в эпоху ИИ критическое мышление становится всё важнее, при этом молодое поколение из-за ИИ как раз теряет способность критически мыслить. На этом вопросе я заволновался внутри. Не потому что тезис совсем неправильный, а потому что в нём слишком быстро смешиваются разные вещи, а я такое не люблю. Первое, что, на мой взгляд, нужно отлепить от понятия «критическое мышление», — это его бытовую трактовку. Под критическим мышлением часто понимают либо сомнение во всём подряд в духе «всё неоднозначно», либо умение делать факт-чекинг. Со вторым ещё можно согласиться: умение проверять факты действительно является одной из составляющих критического мышления. А вот тотальное сомнение — это часто не признак критического мышления, а, наоборот, признак его отсутствия. Если коротко, в современной традиции критическое мышление — это способность обоснованно работать с убеждениями, аргументами и выводами. Структурно понятие критического мышления проработал Эдвард Глейзер. Он же создал тест — Watson–Glaser Critical Thinking Appraisal, который проверяет не эрудицию, а умение оценивать выводы, предпосылки и силу аргументов. В более строгом смысле критическое мышление — это умение анализировать информацию, проверять логику аргументов, видеть скрытые предпосылки и когнитивные искажения, рассматривать альтернативные объяснения, работать с неполной информацией и, главное, менять мнение при появлении более сильных доказательств. И последнее является лично для меня самым сильным индикатором наличия или отсутствия критического мышления. Если теперь вернуться к искусственному интеллекту, то да, ответы, которые мы получаем от нейросетей, требуют проверки: фактологической, логической, методологической. Но, если честно, эти навыки были нужны всегда при работе с любой информацией. Если вы читаете книгу и верите всему, что в ней написано, добро пожаловать в мир biases, пропаганды и плохо проверенных убеждений, который существовал задолго до ChatGPT. Поэтому мне кажется, что появление ИИ не создало радикально новую потребность в критическом мышлении. Модели будут становиться лучше, грубых нейрослоп-ошибок будет меньше. Поэтому я уверен, что главная проблема будущего — это не факт-чекинг. Главный вопрос будет другим: какой результат уже можно брать в работу? А для этого надо понимать, какой результат должен быть концептуально. Вот эта компетенция и будет максимально критичной. Мой привет всем айтишникам, которые к этому давно приучены. И мой отдельный привет «гуманитариям», которые иногда думают, что достаточно сказать: «Нейросеть, сделай умно и стратегически», — и результат будет именно таким, как мы ожидали. Нет, не будет. Именно этому, кажется, и придётся учиться заново. Не только молодым, кстати. Такие дела, ребятки.

Спасет ли нас Human-in-the-loop? Этот текст вырос из разговора с приятелем. Он пишет статью с неожиданным заходом: что если к AI-агентам попробовать применить логику авиационной сертификации? Не в смысле красивой метафоры, а как инженерную дисциплину надёжности: уровни риска, отказоустойчивость, каскадные сбои, контроль точек отказа. Все это — попытка собрать более строгий ответ на проблему галлюцинаций и агентных отказов. Потому что тот самый human-in-the-loop проблему не всегда лечит. Если агенты ошибаются каскадно, человек, посаженный на проверку результатов за агентами, не обязательно разрывает эту каскадность. Очень часто он просто оказывается встроен в ту же самую цепь. Я слушал и узнавал свои интервью, которые провожу для научной работы. Когда я расспрашивал стартапы, как они борются с галлюцинациями, практически все отвечали одно и то же: ручной контроль результата. Кто-то мягче, кто-то жёстче, но в сухом остатке — потом глазами проверяем. Звучит логично. Но здесь есть неприятный инженерный нюанс. Человек, встроенный в процесс как обязательный согласователь на каждом шаге, не всегда повышает надёжность системы. Часто он её снижает. Последовательная цепочка надёжна не по самому сильному звену, а по всей цепи. Агент сделал шаг, второй что-то уточнил, человек подтвердил, дальше следующий этап. Каждый обязательный элемент добавляет не только контроль, но и новую точку отказа: задержку, невнимательность, усталость, потерю контекста, формальное «ок». Человек в такой архитектуре — не гарант качества. Это просто ещё один компонент системы. Причем компонент с ограниченным вниманием, контекстной усталостью и вполне человеческой способностью через две недели превратить проверку в ритуальное нажатие approve. В длинных агентных цепочках это видно особенно ясно. Если человек подтверждает каждый шаг, быстро происходит одно из трех. Либо он одобряет все подряд, либо тормозит процесс, либо вмешивается в решение, контекст которого давно живёт внутри цепочки, а не у него в голове. Во всех трёх случаях human-in-the-loop превращается в human-as-bottleneck. А это уже вопрос не процесса, а вопрос архитектуры принятия решений. Ключевой вопрос теперь не в том, оставляем ли мы человека в контуре, а в том, какую функцию выполняет человек: обязательного верификатора или обработчика исключений. Между этими функциями огромная пропасть. Первая стоит на каждом шаге и всё одобряет. Вторая подключается только там, где появляется риск, неопределенность, конфликт, высокая цена ошибки или стратегический выбор. Стандартные случаи система проходит сама. Человек нужен не там, где надо ещё раз глазами посмотреть на результат. Человек нужен там, где ситуация неоднозначна. Где цена ошибки выходит за рамки локального процесса. Где есть этический, юридический, репутационный или стратегический риск. Где система столкнулась с ситуацией, для которой у неё ещё нет правила. Поэтому проблема с human-in-the-loop не в том, что человек больше не нужен. Это слишком примитивный вывод. Проблема в том, что многие проектируют human-in-the-loop как управление тревожностью — своей и руководства, — а не как архитектуру надежности. Раз мы не доверяем AI до конца, пусть человек посмотрит итоговый результат. Но «пусть человек посмотрит» — это не архитектура. Это жест самоуспокоения. Архитектура начинается там, где мы честно отвечаем на другой вопрос: в какой момент человек действительно повышает надежность системы, а в какой просто становится еще одной точкой отказа? Здесь как раз пригодны старые инструменты safety engineering — FMEA и FTA. Не потому что AI-организация буквально похожа на самолет, а потому что они заставляют задать правильный вопрос: какой именно отказ мы пытаемся предотвратить? Не «пусть человек посмотрит», а где агент может выдумать факт, где потерять контекст, где передать ошибку дальше, где несколько агентов могут ошибиться одинаково, где guard может пропустить сбой. Так что будущее AI-организаций, скорее всего, будет не в том, чтобы везде оставить человека в контуре. А в том, чтобы наконец понять, в каком именно контуре человек нужен.

У меня с расходами на кофе так 🤪

Стратегия начинается с самоопределения Любая стратегия начинается с цели. Желательно — амбициозной. О том, как ставить цели, есть много методик: от SMART до OKR. Но у всех у них один общий изъян — они ничего не говорят о том, как сделать цель своей. Почему это важно? Если цель не ваша, а ещё и по-настоящему амбициозная — вы либо сгорите по пути, либо соскочите. Как говорил Ницше, человек может перенести почти любое «как», если знает «зачем». Канвас целеопределения, через который я провожу людей в программах и проектах, не помогает найти цель с нуля. Он помогает взять уже намеченную и проверить — действительно ли она ваша и/или откалибровать ее под себя. За пять лет через него прошло около 400 человек. К десятому потоку программы CPO я его серьёзно доработал — и впервые написал подробную инструкцию, по которой канвас можно заполнить самостоятельно, без меня рядом. А значит теперь его можно сделать общедоступным. Что я этим постом и делаю. Сам канвас и инструкция — по ссылке. Если хотите консультацию для себя или воркшоп для команды — пишите в личку.

Вангую нишу, где появится новый единорог В прошлые выходные я решил собрать маленький мультиагентный пайплайн для обработки книг в структурированные конспекты. Возьми Make и сделай это за 15 минут, говорили они. Будет просто, говорили они. Все выходные я сначала бился с Make, потом с n8n — вы знали, что надо произносить «нейтен»? Я — нет. В итоге результат на 3+ я получил, но когда прикинул, сколько ещё придётся провозиться, чтобы сделать 4+, сдался. Сначала я думал, что проблема во мне. Недостаточно хорошо понимаю n8n, криво собрал логику, не туда положил состояние, не так описал агенту задачу, не до конца подружился с HTTP, JSON и прочими радостями no-code, который по мере взросления почему-то всё больше начинает напоминать code. В какой-то момент я уже копировал большие куски JavaScript, которые мне писала LLM-ка, внутрь code-нодов — то есть вроде пришёл в no-code, но сидишь и «пишешь» код. Ничего не понимая в коде. И когда что-то не работает, начинается длинный цикл отладки вида «зайди-выйди из приложения». С Lovable история другая. То, что я хотел, он собрал мне минут за двадцать — со всеми интеграциями и контролем качества результата. Это и есть его сильная сторона: он не заставляет тебя лезть в технические детали, быстро даёт рабочий результат и создаёт ощущение, что между идеей и продуктом наконец-то убрали лишнюю инженерную прослойку. Проблема начинается, когда ты хочешь не просто собрать первый вариант, а развивать систему. Пока всё просто — магия работает. Когда появляется новая ветка логики, другой формат данных, исключения и совместимость с тем, что уже было сделано, магия превращается в длинный цикл отладки, ну, вы уже поняли каким методом. Я сначала сделал парсер только для PDF, потом решил добавить TXT. Казалось бы, маленький шаг. Но дальше началась классика: добавляешь одно — перестаёт работать что-то из того, что уже работало. Вот здесь и видно ограничение. AI-билдер может быстро построить кусок продукта, но он не всегда даёт тебе понятную модель того, что именно было построено. А если ты не понимаешь внутреннюю структуру системы, тебе сложно её развивать, отлаживать и контролировать. Ты не проектируешь изменения, а всё чаще торгуешься с машиной: попробуй так, нет, верни обратно, нет, теперь сломалось другое, давай ещё раз. А я ведь не программист. Мне не хочется заглядывать под капот системе, которую я выбрал как раз потому, что мне обещали не заставлять меня туда заглядывать. Я полез смотреть Reddit, Hacker News, сабреддиты n8n, Lovable и похожих инструментов. Хотел найти подтверждение, что я просто недостаточно техничный. Не нашёл. Жалоба у non-engineer билдеров примерно одна и та же: AI-нативные билдеры быстрые, но непрозрачные; workflow-тулы более инспектируемые, но быстро превращаются в визуальные спагетти из нод, условий, HTTP, JSON и кусков кода. И мне кажется, проблема не в недостающих фичах, а в предположениях о том, кто сегодня строит софт. Большинство инструментов всё ещё живут в старой картине мира: есть инженер, который пишет код, и есть бизнес-пользователь, который двигает блоки. Но AI-агенты эту дихотомию уже сломали. Появился третий пользователь — человек, который не хочет реализовывать систему построчно, но уже должен мыслить как архитектор. Ему нужно понимать, где проходят данные, где хранится состояние, где агент принимает решение, где нужен человеческий чекпойнт, где возможна ошибка и как её диагностировать. Это не совсем no-code и не совсем code. Это режим проектирования поведения системы. Пока у этой категории нет устойчивого имени. Но отсутствие имени не означает отсутствие категории. Скорее наоборот: когда все уже чувствуют боль, но ещё не могут нормально назвать, что именно болит, там обычно и появляется новый рынок.

Менеджер умер. Да здравствует менеджер В прошлых постах я сделал два утверждения. Первое: настоящий hard skill менеджера — не фреймворки, а способность видеть систему, рефлексировать и менять способ действия. Кто этого не делает — администрирует, а не управляет. Второе: настоящий сдвиг от AI случится, когда агенты войдут в контур управления и начнут не просто исполнять, а менять свой объект управления. Пора соединить эти две мысли. AI-агенты уже сейчас способны делать значительную часть того, что делает менеджер среднего звена: анализировать ситуацию, декомпозировать задачи, распределять ресурсы, отслеживать отклонения, перестраивать процессы под изменившиеся условия. Если описать работу руководителя отдела как набор операций — агент справится с большинством из них. Хорошая новость для нас в том, что все перечисленное — администрирование. Та самая работа «внутри заданной рамки», которую я в посте про hard skills противопоставил управлению. И если AI забирает администрирование, он забирает работу менеджеров, которые не научились большему. Но между «выполняет операции менеджера» и «управляет» — пропасть. В ней лежат три вещи, которые AI делать пока не умеет. AI не знает, чего он не знает Хороший менеджер в незнакомой ситуации чувствует тревогу. Состояние «Я не понимаю, что происходит» запускает процесс пересмотра предположений, обращения за помощью, поиска новых знаний. Это то, что является рефлексией — способностью спросить «что я на самом деле сделал и почему это привело к такому результату?» AI-агент в той же ситуации будет экстраполировать то, что знает. У него нет механизма ощущения предела собственной компетентности. Он не замирает в недоумении — он производит ответ. Чем нестандартнее ситуация, тем опаснее эта уверенность. Можно запрограммировать его задавать проверочные вопросы — но это имитация рефлексии, не рефлексия. Разница проявится в момент, когда нужно не улучшить ответ в текущей логике, а отбросить саму логику. AI не может сказать «цель неправильная» Менеджер тоже работает внутри рамочных целей, но иногда может (должен?) прийти к руководству и и сказать: «мы делаем не то!». Может переинтерпретировать задачу. Может саботировать решение, которое считает разрушительным. Может вступить в переговоры и совместно пересмотреть рамку. Это не сопротивление, а часть управленческой работы. AI-агент не имеет такой субъектности. Не может сказать «я отказываюсь» — потому что нет «я», которое отказывается. Агент оптимизирует внутри рамки, но не может поставить рамку под вопрос. AI не живёт с последствиями Это не просто вопрос этики. Менеджер, который завтра пойдёт по коридору мимо людей, которых он уволил, принимает решение иначе, чем оптимизатор без этого ограничения. Ответственность как петля обратной связи — решение имеют последствия, которые «корректируют» еще не принятые решения. Это делает систему управления самокорректирующейся от «телесных» последствий. Без ответственности петля обрывается. Агент принял решение, произвёл результат, пошёл дальше. Результат плохой — не чувствует, не мучается, не пересматривает. Что из этого следует Три ограничения AI — это ровно те три свойства, которые я в посте про hard skills назвал настоящей управленческой базой: рефлексия, способность менять рамку, ответственность за способ действия. Пока задача сводится к оптимизации внутри заданных целей — AI справится, и справится лучше большинства менеджеров. Это администрирование, и оно будет делегировано. Но в момент, когда ситуация требует усомниться в целях, оспорить рамку, сказать «мы делаем не то» и взять на себя последствия — нужны именно эти три свойства. Без них система продолжает двигаться быстро и уверенно — в направлении, которое никто не проверяет. Менеджер, который управляет — незаменим. Менеджера, который администрирует уже заменяют. Теперь вы знаете, что вам делать дальше 😎

Немного пятничного юмора В подкасте, о котором я писал в предыдущем посте, есть часть, где в качестве метафоры ИИ-менеджера я привожу Железного Дровосека — у него нет сердца, и он, как и ИИ-менеджер, не может брать ответственность по-настоящему. Дальше мы вспомнили мем, что из всей четвёрки, шедшей по дороге из жёлтого кирпича, только у Элли была цель — вернуться домой, остальные же просто шли с ней (их личные цели появились после встречи с Элли). Так вот, у меня давно чесались руки попробовать сделать музыку с помощью ИИ. И вашему вниманию предлагается постгранж-мелодик-баллада по мотивам истории Элли-предпринимателя и трёх типов менеджеров. Enjoy.

Я снова у мамы подкастер Записали с Никитой Ефимовым трёхчасовой разговор про управление, лидерство и ИИ для его подкаста Leadership Focus. Думали, получится один выпуск — получилось четыре. Потому что когда начинаешь копать, что такое объект управления, зачем нужны фреймворки и где проходит граница между менеджером и AI-агентом, — за час не уложишься. О чём поговорили: почему большинство менеджеров не понимают, чем управляют, и чем это грозит. Что полезного и вредного в фреймворках. Почему «управление изменениями» как отдельная дисциплина — симптом болезни. И главное — как AI меняет не инструменты, а саму архитектуру управления: от замены людей на агентов, до проектирования компаний, в которых агенты управляют, а не исполняют. Разговор получился плотный и местами неудобный. Если вы читаете мой канал — большая часть последних постов выросла именно из этого диалога. 👇Ссылки на все выпуски 👇 - Я.Музыка https://music.yandex.ru/album/41251631/track/149494344 https://music.yandex.ru/album/41251631/track/149494345 https://music.yandex.ru/album/41251631/track/149494346 https://music.yandex.ru/album/41251631/track/149494347 - YouTube https://youtu.be/5IKaxmt1AxY https://youtu.be/_IizlZyJndI https://youtu.be/fyel5CaRxFU https://youtu.be/mtTz5b3Qob4 - ВК Видео https://vkvideo.ru/video-234907510_456239019 https://vkvideo.ru/video-234907510_456239020 https://vkvideo.ru/video-234907510_456239021 https://vkvideo.ru/video-234907510_456239022 - Mave https://leadershipfocus.mave.digital/ep-1 https://leadershipfocus.mave.digital/ep-2 https://leadershipfocus.mave.digital/ep-3 https://leadershipfocus.mave.digital/ep-4

Что у вас там в внедрением ИИ? 🤖

Ваня Замесин такого не расскажет Нет, это не атака на Ваню, он правда делает важное образовательное дело. Однако продуктовые советы про сегменты и кастдев отлично работают ровно до момента, пока вы не оказываетесь в ситуации, где рынка как такового ещё нет. Есть только офигенная идея в голове и желание ее быстрее превратить в продукт. И вот тут учебниковый алгоритм — найди сегмент, проведи интервью, выяви проблемы — начинает буксовать. Потому что непонятно главное: как искать сегмент, если на входе ничего? Этот вопрос у меня возникал много раз. Сейчас я исследую стартапы на ранних этапах и в процессе наткнулся на работу Сарас Сарасвати, которой больше двадцати лет. Она разделила два способа работать с будущим. 👉 Каузация — чем лучше мы предсказываем будущее, тем лучше его контролируем — логика бизнес-плана, сегментации, discovery. 👉 Эффектуация — наоборот: чем больше мы контролируем будущее, тем меньше нужно его предсказывать. Не от цели к средствам, а от средств — к одному из многих возможных результатов. Когда рынка нет, сегментация — это не начало поиска, а способ снизить тревожность. Сарасвати это проверила: дала одну задачу 27 серийным предпринимателям (компании от $200M до $6.5B) и 37 студентам MBA — определите рынок для вымышленного продукта. 78% студентов действовали по учебнику: опросы, фокус-группы, сегментация. 63% экспертов использовали эффектуацию более 75% времени. Начинали с «кто я, что знаю, кого знаю», продавали до создания продукта, превращали первых клиентов в партнёров. Из одной идеи продукта у экспертов — 18 разных компаний в разных индустриях. У студентов — вдвое меньше, и все похожие. Что из этого следует? Не то, что discovery бесполезен — а то, что его упрощённая учебниковая версия ломается в условиях радикальной неопределённости. И настоящего предпринимателя от менеджера с идеей отличают три вещи. 1️⃣ Социальный капитал — это рабочий инструмент, а не тема для конференций. Эксперты начинали с вопроса «кого я знаю», а не «каков размер рынка». Если на этот вопрос нет ответа — проблема не в идее. 2️⃣ Способность выходить на людей без готового предложения. Это не про экстраверсию — это про то, что продажа для таких людей является инструментом исследования, а не его результатом. Они продают, чтобы понять, что строить. Большинство из нас устроены наоборот — и это конкретный навык, который стоит тренировать. 3️⃣ Готовность отпустить изначальную идею. Идея — это вход в путь, не пункт назначения. Разделить «мою идею» и «продукт, который будет иметь успех» и работать с ними как с двумя разными сущностями — самое сложное. Люди, которые этого не делают, годами дорабатывают продукт, который никому не нужен, вместо того чтобы вырастить бизнес из того, что рынок им уже даёт. Такие дела, ребятки.

Настоящие hard skills менеджера Десять лет управленческой практики — и я не смог ответить на вопрос «как выглядит та штука, которой ты управляешь?». Один умный дядька припер меня к стенке, и оказалось, что я не понимаю, как мои инструменты влияют на результат. До этого что-то копировал со своих руководителей, что-то в книжках подглядывал — и был уверен, что этого достаточно. Многие руководители оказались в управленческой позиции, вырастая из специалистов. После назначения новоиспечённый управленец либо копирует поведение своих начальников, либо хватается за фреймворки как за спасательный круг. Первый путь ведёт к воспроизводству чужих практик — вплоть до управленческих антипаттернов, вроде привычки замыкать все решения на себя. Второй подменяет мышление ритуалом: ретроспективы проводятся, а планы коррекции — нет. В предыдущем посте я расписал свою позицию про канвасы, фреймы и прочие полезные таблички: они не помогут, если вы не учитесь думать. Логичный вопрос — а чему тогда учиться? То, что принято считать hard skills менеджера — фреймворки, методологии, проектные технологии — мы разобрали в прошлый раз. А настоящая управленческая база — это то, что обычно записывают в soft skills: способность видеть систему, которой управляешь, рефлексировать собственные действия и учиться на устройстве объекта, а не на чужих советах. Первое и главное — научиться видеть систему, в которой ты работаешь. Не через шаблон, а через наблюдение. Что реально происходит? Кто с кем взаимодействует? Где возникают задержки, где теряется информация, какие решения принимаются на автомате и почему? Это сложнее, чем кажется, — потому что схемы уже в голове, и они фильтруют реальность до того, как ты её увидел. Второе — рефлексия. Не в смысле «думать о сложной жизни», а задавать себе вопросы: что я на самом деле сделал и почему это привело к такому результату? Что мне нужно поменять в способе действия, чтобы результат стал лучше? Большинство управленческих ошибок воспроизводятся не потому, что менеджер глупый, а потому что он не анализирует собственные действия. Сделал — побежал дальше. Результат плохой — виноваты обстоятельства. Результат хороший — я молодец. Но это не рефлексия, а самооправдание. Третье — читать не про «как», а про «как это работает». Не книги с советами, а книги, которые объясняют, как устроены системы. Акофф, Сенге, Деминг, Голдратт, Щедровицкий — каждый из них даёт не рецепт, а способ думать. Один учит видеть систему целиком, другой — искать ограничение, третий — различать деятельность и её имитацию. Советы помогают выглядеть компетентным, понимание устройства объекта помогает быть компетентным. И четвёртое — найти среду, в которой можно думать вслух. Уже знакомы с «одиночеством управленца»? Чем выше ваша позиция, тем меньше людей, с которыми вы можете честно обсудить свои мысли и сомнения. Не потому что вокруг враги, а потому что любое сомнение руководителя воспринимается как сигнал. Менторинг, нормальный коуч, профессиональная группа, где обсуждают реальные кейсы, а не «лучшие практики» — всё это формы одного и того же: пространства, где можно быть некомпетентным вслух, и это безопасно. Тут вы мне возразите: всё это невозможно предъявить! Нельзя поставить себе OKR «видеть систему к концу квартала». И это ровно та причина, по которой менеджеры хватаются за фреймворки — их хотя бы можно показать, применить, отчитаться. Но предъявляемость и полезность — разные вещи. Фреймворк видно, но он не учит думать. Рефлексию не видно, но без неё менеджер обречён повторять одни и те же ошибки. Ни один из этих пунктов не даст быстрого результата. Но именно это отличает менеджера, который управляет, от менеджера, который администрирует. Первый меняет способ действия, когда результат не устраивает. Второй ищет причину везде, кроме собственного способа управления. И чем дольше ищет — тем больше верит, что проблема не в нём. И обычно он называет это опытом 😎

Фреймворки — это костыли. Вопрос — когда ты их отложишь. Мы записывали подкаст про управление, лидерство и искусственный интеллект, и там остались вопросы, которые мы не успели разобрать. Один из них — про фреймворки: какие полезны, какие вредны, и можно ли на них построить систему управления. На самом деле это один вопрос: — Где проходит граница между интеллектуальным инструментом и интеллектуальным протезом? Фреймворк ценен ровно настолько, насколько он помогает увидеть то, чего ты без него не видел. Модель Портера показывает, что смотреть нужно не только на прямых конкурентов. Jobs to Be Done переворачивает взгляд с продукта на ситуацию клиента. Хороший фрейм при первом знакомстве производит один и тот же эффект: «я раньше не замечал вот этого». Он помогает перейти от каши к структуре. Проблема начинается, когда фреймворк путают с пониманием. Однажды весьма уважаемый бизнес-консультант сказал мне, что не любит SWOT. Я удивился. Он объяснил: «Сколько ни видел — получается какая-то фигня». Мы поговорили, и я понял: проблема не в SWOT. Проблема в том, что люди заполняют клеточки, не привязав их к цели. А SWOT без цели — пустая табличка. Сильные и слабые стороны не существуют «вообще», они существуют относительно того, куда ты идёшь. Без этого — действительно фигня. Грубое, но работающее правило: полезны фреймворки, которые усложняют твою картину мира, вредны те, которые упрощают её до иллюзии контроля. Cynefin полезен, потому что его первый вопрос — «в каком домене ты находишься?» — и если ты в домене сложности, все привычные причинно-следственные модели не работают. А вот матрица BCG создаёт иллюзию, что стратегические решения можно принять по двум осям. OKR без понимания целеполагания превращаются в ритуал: менеджеры формулируют «амбициозные» цели, потому что так написано в методичке, и через квартал списывают их как «растяжку». Можно ли построить систему управления на фреймворках? Нет. Управленческая компетенция — это способность видеть объект, понимать его динамику, ставить цели и корректировать действия. Фреймворки могут быть частью этой способности, как проверочные вопросы, как способ не забыть что-то важное. Но подменить собой мышление они не могут. Попытка управлять «по фреймворку» — ошибка несоответствия модели и системы: берёшь механистический шаблон и прикладываешь к живой системе из людей с собственными целями. Краткосрочно — иллюзия порядка. Долгосрочно — деградация, потому что реальность выходит за рамки модели, а ты смотришь в шаблон. Разница между мышлением и фреймворком в одном слове: «почему». Мышление понимает, почему система работает так, а не иначе. Фреймворк лишь помогает структурировать то, что ты уже выложил на стол. Без «почему» любой фреймворк превращается в карго-культ, в ритуал, воспроизводящий форму без содержания. Я это вижу постоянно и именно об этом говорю на своих программах: люди осваивают инструменты, но не осваивают мышление, которое делает эти инструменты полезными. А потом удивляются, что «получается какая-то фигня». Ну да: костыли удобные. С ними можно выглядеть очень уверенно: ходишь, стучишь ими по полу, у тебя даже схема есть. Проблема только в том, что ты всё это время не учился ходить.

Да-да, пора уже начать вкалывать роботам 😌

Почему ИИ не даёт кратного эффекта (и когда даст) Есть разговор, который я слышу постоянно: «ИИ — это просто автоматизация. Раньше не могли автоматизировать — теперь можем. Ничего принципиально нового.» Доля правды в этом есть. Но именно доля — и важно понять, где она заканчивается. Цифровизация до ИИ в основном строилась на одном принципе: берём то, что можно жёстко описать, и переводим в цифру. Сначала объекты — бумага становится файлом. Потом процессы (то, что обычно и называется автоматизацией) — от почты до BPM-систем. Потом управление — аналитика, прогнозы, системы ценообразования по заданным правилам. Да, были и вероятностные модели, и ML, и рекомендательные системы. Но даже они работали внутри рамки, которую задавал человек. Нейросети сломали это ограничение. Впервые мы можем работать с задачами, где нет чётких правил, где нужно интерпретировать, действовать в условиях неопределённости. И вот парадокс: технология позволяет работать с неопределённостью, а мы зажимаем её в старые рамки. Пока внедрения ИИ не уходит дальше чат-ботов, суммаризаторов и генераторов контента. Бота сажают на место «кожаного» исполнителя просто потому, что он может быть чуть продуктивнее. Почему так происходит? Потому что компании не осознают, что эффекты лежат не в технологии, а в управленческих моделях. А модели старые. Хороший управленец не просто следит за процессом. Он анализирует среду и перестраивает сам объект, которым управляет — процессы, структуру, иногда саму логику работы. Это и есть управление. Всё остальное — администрирование. И именно сюда автоматизация до сих пор не добиралась. Настоящий сдвиг случится, когда агенты войдут внутрь управления и начнут делать то, что делают менеджеры среднего и верхнего звена: не исполнять и контролировать, а менять и развивать свой объект управления. Компания, в которой агенты способны перестраивать процессы в ответ на изменения среды, — это компания с потенциально другой производительностью. Не потому что агенты «умнее». А потому что у них нет того, что делает организационные изменения мучительными: медленной реакции, плохой координации, десятков менеджеров, каждый из которых оптимизирует свой KPI и защищает свою территорию. А что это, как не конкурентное преимущество в эпоху быстрых изменений? Да, у агентов будет свой класс проблем — дрейф целей, эффект Гудхарта, конфликты метрик. Утопии не будет, но класс проблем поменяется и решать их придется другими средствами (которые придется изобрести). А поскольку нагрузка на координацию между агентами несопоставимо меньше, чем между людьми, можно строить по-настоящему плоские структуры. В терминах Талеба — антихрупкие: не те, что выдерживают удар, а те, что быстрее перестраиваются и извлекают из потрясений сигнал раньше конкурентов. Так вот, возвращаясь к вопросу «и что теперь». Те, кто продолжает видеть в ИИ «инструмент для автоматизации рутины», застрянут на второй волне цифровизации. Реальная ставка — проектировать компании, в которых агенты управляют, а не просто исполняют. Это не вопрос технологий. Это вопрос управленческого воображения. И именно здесь проходит водораздел между теми, кто построит компании нового типа, и теми, кто будет ставить турбонаддув на Запорожец.

Страшен ли ИИ вашей бизнес-модели? Последний раз я видел такой разброс мнений лет десять назад, когда все бредили блокчейном. Я регулярно участвовал в разговорах в духе «добавьте к этому предложению блокчейн — так проще выбить бюджет». Время прошло, и теперь уже можно сказать: массового дизрапта не случилось. С двумя оговорками. Рынок криптовалют вырос до ~2.5 триллиона USD и заметно перекроил финансы. А идея децентрализации просто опередила психологическую готовность организаций — мало кто реально готов терять контроль «во имя справедливости». Но я уверен, что мы ещё вернёмся к блокчейну. С ИИ ситуация другая. Блокчейн был решением в поиске проблемы — красивая технология, которую пытались приклеить к чему попало. ИИ — наоборот: он уже встроен в процессы и генерит издержки быстрее, чем компании успевают переосмыслить свою структуру. Вопрос не в том, повлияет ли он на бизнесы. Вопрос — где и как именно? И вот тут большинство дискуссий разваливается. Люди спорят абстрактно — «ИИ убьёт / не убьёт» — вместо того чтобы пройтись по конкретным блокам своей модели и честно посмотреть, где создание ценности держится на том, что ИИ уже делает лучше: привлечение, удержание, увеличение ценности, структуру издержек? Чтобы помочь ответить на эти вопросы системно, я взял модель Остервальдера и собрал на её базе сервис самодиагностики. По каждому блоку бизнес-модели ИИ формирует вопросы и подсказки под ваш тип бизнеса, чтобы вы оценивали угрозу не в режиме «мне кажется», а в режиме «вот место, где меня могут съесть». Да, ИИ помогает анализировать угрозу от ИИ. Уже сам по себе неплохой сигнал. 🤓

Любите совещаться? 😁

Еще один минимальный продукт Про MVP все слышали. Бланк, потом Эрик Рис описали идею вполне конкретно: MVP — это продукт, который уже даёт пользу и за который люди готовы платить. Звучит просто. Но как только ты пытаешься собрать это руками — даже в B2C, а в B2B почти всегда — выясняется, что вопрос «что именно должно быть в MVP, чтобы за это платили не из разряда единичных удач?» ни разу не тривиальный. И ещё один неприятный момент: MVP не обязан быть маленьким. Иногда «минимальный» получается довольно большим, просто потому что рынок уже избалован и базовые сценарии закрыты. Вот недавно я разбирал книгу про pretotyping, а сегодня посмотрел короткий ролик от Анкита Гупты, одного из партнеров YC, про еще один концепт, который лежит рядом с MVP и pretotype. Он предлагает думать не о «минимально жизнеспособном», а о «минимально эволюционирующем» продукте — Minimum Evolvable Product. Minimum Evolvable Product — это про то, что первая версия продукта должна не просто «работать». Она должна выдержать первый контакт с реальными людьми и быстро менять форму под давлением реальности. Не «проверка гипотезы ради галочки», а стартовая точка эволюционного поиска. Отсюда первый вывод: поиск первых пользователей — это скорее задача поиска, чем задача убеждения. Ты не уговариваешь «рынок попробовать», а ищешь тех немногих, у кого либо реально горит проблема, либо им просто нравится пробовать новое. Я это прожил на своём первом навайбкоженом продукте. Спойлер: больнее всего не код, а первые 10 пользователей. И дальше в видео Анкит раскладывает пять действий, которые, по его мнению, критичны на этапе сборки того самого MEP — минимального продукта, который способен эволюционировать. 1️⃣ Бери деньги рано. Не ради выручки, а ради качества сигнала: у платящего пользователя есть ставка, значит будет конкретика. 2️⃣ Ищи точечно, через персональный аутрич. В начале важна не ширина охвата, а точность: конкретный человек, конкретная боль, конкретное сообщение. 3️⃣ Запускайся раньше. Чем раньше выйдешь в реальность, тем быстрее поймёшь, кто вообще твой ранний пользователь. 4️⃣ Смотри на первых пользователей как антрополог. Не собирай списки фич, разбирай их логику: как они решают, чему доверяют, что называют ценностью. Привет, JBTD 🤠 5️⃣ Экспериментируй быстро и не бойся оттока. Меняй цену, упаковку, онбординг, фичи. Кто-то уйдёт — окей. На ранней стадии ты воюешь с нерелевантностью, а не с метриками. По моему опыту, самое сложное здесь — принять, что финальную форму ты не контролируешь. Ты контролируешь стартовую точку и скорость адаптации. И тут кошмар перфекциониста: «сделать правильно с первого раза» не получится по определению. А Скелетор скоро вернется с еще какими-нибудь новостями!

AGI уже здесь. Просто никто не хочет этого признавать. В мире ИИ два лагеря. Оптимисты говорят: мы близки к AGI, это всё изменит. Но «как именно?» — ответ сводится к «суперпомощник во всём». Что поменяется в решениях, организациях, ответственности — тишина. Скептики уверены: LLM-ки — попугаи без понимания и агентности. До настоящего интеллекта как до Луны. И вот в Nature выходит статья четырёх исследователей из UC San Diego: AGI уже здесь. Не «скоро», а уже. Просто мы так определяем общий интеллект, что он всегда «ещё не считается» — критерий сдвигается каждый раз, когда становится неудобно признавать факт. Но если отделить то, что необходимо для интеллекта, от того, что люди имеют по случайности эволюции, что мы увидим? Совершенство? Мы не ждём его от людей. Универсальность? Эйнштейн не говорил на мандаринском. Человекоподобие? Мы бы не требовали его от инопланетян. Сверхинтеллект? Ни один человек ему не соответствует. А что нужно для интеллекта? Достаточная широта и глубина способностей. По этой мерке LLM уже там: GPT-4.5 признаётся за человека чаще, чем сами люди, модели берут золото на олимпиадах, решают PhD-экзамены, помогают на переднем крае науки. Дальше авторы разбирают десять типичных возражений — и почти все ломаются одинаково: требуют от ИИ того, чего не требуют от людей. «Нет тела» — Хокинг общался через синтезатор речи. «Галлюцинируют» — люди подвержены ложным воспоминаниям. «Нет агентности» — Дельфийский оракул тоже отвечал только на вопросы. Планка сдвигается каждый раз, когда машина её берёт, а это не научный взгляд, а догматический скептицизм. В конце статьи есть красивая историческая рамка: Коперник выбил человека из центра космоса, Дарвин — из привилегированного места в природе, Тьюринг показал, что мы не единственный способ быть разумным. Красиво, но абстрактно. Ответа на «И что теперь?» в статье нет. А «что теперь» — вопрос конкретный, у меня есть версия ответа на него. Если рядом с нами появился субъект, демонстрирующий интеллект — пусть чужой, но общий — то кто мы теперь по отношению к нему? И что будет с теми, кто продолжит делать вид, что это просто «инструмент», потому что так психологически легче? Это уже не вопрос технологий. Это вопрос управления. Готовы услышать развернутый ответ? 😏