Что делать сначала?

Интерпретативный AI AI эффективно поддерживает продолжение разговора через быстрое формирование мыслей, которые ещё даже не начали складываться в голове пользователя. Наверное, это главная причина, почему я всё реже хожу “подумать об ChatGPT” и предпочитаю письмо. Вероятно, из-за оптимизации токенов ChatGPT настроен отвечать и формировать гипотезы и интерпретации в первые несколько сообщений. Пользователь должен уйти удовлетворённым и сжечь как можно меньше инвесторских денег. В разговорах с живыми людьми такое происходит реже - любая рефлексия требует замедления, пауз, невербальной информации. Психоаналитик Мария Рита Кель в книге “Время и собака” пишет, что идея психотерапии в "медлительности, которая необходима для психоаналитической терапии, которая начинает идти на пользу депрессивному субъекту и позволяет ему выдержать столкновение с отсутствием смысла, присущего основам психической жизни". Формат диалог с ChatGPT исключает такую медлительность и формирует субъекта, ищущего быстрые ответы на любые вопросы, не терпящего несложенной мысли. И вопросы в ChatGPT могут быть разные - от безопасных “не получается сформировать стратегию отдела в корпорации” до более сложных типа “как мне выбрать чем заниматься в эпоху развития искусственного интеллекта” и “почему мне так тревожненько”. Даже если явно просить ChatGPT удерживать длительное мышление и не сыпать интерпретациями, задавать вопросы - ChatGPT не справляется, предлагает форму длительного мышления вместо самого длительного мышления. Настройки есть настройки. Мир, кажется, изменится в лучшую сторону когда AI научится не отвечать. Но, видимо, до этого ещё далеко. А пока - продолжаем медленно терять интерпретативный суверенитет, ведь отказаться от использования искусственного интеллекта в вопросах рефлексии сегодня невозможно - стратегия сама себя не напишет, презентация себя не подготовит, особенно когда дедлайн, как обычно, вчера. А значит, нужно стараться создавать себе пространства для “встречи с утраченной темпоральностью”, где будет меньше негативного влияния техники. По крайней мере, пока писал этот пост - такое пространство работало.

Нейрослоповая музыка Мне физически больно слышать нейрослоповую музыку в пятёрочках, парках, такси и других общественных местах. Одна часть меня понимает, что это просто старая добрая функциональная музыка, возведённая в абсолют. В ней нет лишнего, что могло бы отвлечь человека от потребления. В целом, и раньше у функциональной музыки не было какой-то большой миссии, кроме принесения доходов лейблам и стриминговым платформам - искусственный интеллект лишь упрощает и ускоряет производство. Другой части становится просто грустно и тревожно за будущее. Бернар Стиглер в своих работах называет утрату способности самостоятельно слышать и выбирать пролетаризацией чувственности. Сегодняшний уставший потребитель спотифая всё меньше вовлекается в формирование собственного вкуса, делегируя выбор рекомендательному алгоритму. Последние годы я замечал за собой слишком уж потребительское отношение к музыке. Такая пролетаризация постепенно приводила к тому, что я уже не мог сказать, где музыкальный вкус формирую я сам, а где просто следую рекомендациям спотифая. В этом году на 80% отказался от спотифая. Слушаю радио от кураторов (по типу ROVR), а искать новую музыку помогают подборки и сёрфинг по Bandcamp. Там живые люди всё ещё голосуют за музыку долларом, а это многого стоит. Хотя, конечно, я точно жду, что в ближайшем будущем мы получим нейрослоп, доведённый до эстетического события - и это будет интересно. А пока - какой ваш любимый нейрослоп-бэнд?

Study and learn У ChatGPT есть спрятанный и недооценённый режим - он вызывается через прописывание @Study в диалоге. Любые наши вопросы обычная модель стремится быстро упаковать в готовые ответы и шаблоны, что создаёт ощущение эффективности в моменте, но долгосрочно приводит к постепенному cognitive offloading и делегированию способности думать. Около года назад ChatGPT добавили “Study and Learn”, режим, который старается не давать нам делегировать весь процесс мышления, педагогически определяет наши задачи, задаёт хорошие вопросы (а не для галочки, как обычные модели). Последнее время всё чаще им пользуюсь. Рекомендую, если вы часто приходите с вопросами типа: • объясни концепт • как это работает? • хочу понять • хочу освоить навык • в чём отличие? Я использую этот режим в супер разных сценариях: • перед началом чтения книг, когда нужно оценить свой уровень понимания темы, особенно, когда понимаю, что книга на вырост и сложная. • когда нужно решить сложную рабочую задачу, с которой я не сталкивался + мне нужно хорошо подумать • когда нужно освоить какой-то навык. Например, недавно с ним учился писать музыку в новом для меня стиле, он хорошо помог не только механически увидеть где должна стоять бочка, где хэты, но и понять, почему оно работает именно так • самое неожиданное - когда нужно сделать саммари видео, большой статьи или даже книги. Я змечаю, что саммаризация контента языковыми моделями не особо работает, потому что создаёт только поверхностную иллюзию понимания. А когда инструмент просит сформулировать идею, мысль - становится сразу понятно, где я плаваю, а где норм. Короче, это универсальный инструмент для того, чтобы включаться в работу. И, конечно, очень показательно, что ChatGPT так глубоко спрятали этот режим в своём интерфейсе. В 2023 году казалось, что LLM изменят опыт обучения, но они довольно быстро сдались - видимо, в среднем пользователи лучше реагируют на быстрые ответы, подхалимство и понятные чек-листы на выходе. А инструмент Study and Learn только лишнее место занимал.

Как меняется время и работа Можно бесконечно спорить, даёт ли AI прирост в эффективности, но одно очевидно уже сейчас - AI меняет саму структуру работы. Сегодня на философском семинаре вспоминал времена, когда работа включала в себя большой объём рутинных действий. Например, пока готовишь презентацию, долго выбираешь картинки, выравниваешь заголовки, вёрстку, редактируешь и вычитываешь тексты. Сегодня это всё делается одним запросом в чатик с LLM. Кажется, на общем воодушевлении от новых возможностей, мы ещё не осознали, чего лишаемся. Тема сегодняшней встречи была “присвоение времени”, и именно про влияние новой природы работы на время (или, точнее, на индивидуальный темпоральный режим) сегодня стоит подумать отдельно. Рутинные задачи внутри интеллектуально сложной работы обычно давали два бонуса: • позволяли ментально отдохнуть, • давали пространство подумать. Сейчас легко превратиться в оператора языковой модели 24/7 - это режим работы, когда человек не столько выполняет задачу, сколько постоянно обслуживает цикл работы модели: пишет запрос, ждёт, проверяет результат, исправляет, уточняет, снова запускает модель. В таком цикле сложно понять, где работа начинается, где её конец (наверное, когда пятичасовые лимиты заканчиваются). Да и кто из нас не запускал агентов на ночь, не проверял результаты работы во время прогулок? LLM ломают прежнюю темпоральность работы. Вопрос, который сегодня встаёт: что делать в эти 5-15-30 минутные промежутки времени, пока AI выполняет задачу? Эти отрезки времени слишком короткие для глубокой работы, тревожные для отдыха, подвешенные отвлечения. И проблема не в том, как продуктивно использовать паузы пока агент выполняет задачи - а в том, как не поехать кукухой как жить, когда весь наш рабочий день превращается в непрерывную цепочку подвешенных задач и пауз. Джуди Вайсман в книге "Времени в обрез" описывает, как постоянная подключённость, требование быть всегда онлайн, дробит день и повышает общую тревожность. AI выкручивает эту включённость на максимум, потому что сейчас всё сложнее ответить что-то вроде “я отправлю эту презентацию через два дня”.

Почему мы продолжим ходить на конференции? У профессиональных конференций сегодня сложная ситуация. Если вам нужен контент с конференции, то достаточно скопировать программу и тезисы докладов, попросить AI-агента сделать глубокий ресерч, а потом, например, дать доступ к своей базе знаний и попросить отсеять нерелевантное. Я периодически провожу такое упражнение, и в большинстве случаев (даже по хорошим конференциям) получаю результат лучше, интереснее и глубже, чем то, что рассказывают в докладах. Но конференция выполняет также важную роль синхронизации с рынком: узнать, о чём все говорят, какие задачи ставят перед собой коллеги и что всех беспокоит. Эта синхронизация происходит, конечно, не через прослушивание докладов. Например, сейчас на конференциях много докладов о том, как все внедряют бесконечное количество AI-агентов, повышают производительность и экономят кучу ФОТа. Самое полезное, что можно вынести с таких докладов - это реакция слушателей. Там выясняется много интересного: например, что в других компаниях вообще не так, что все устали от AI или вообще не открывали Claude Code, что люди скрывают факт использования AI и вообще есть много нюансов, почему описанное в докладе никогда не сработает. Интернет вообще превратил конференции в большие площадки для пиара. Как бы программные комитеты ни старались, люди и компании стремятся выглядеть лучше, даже если вставляют слайд «наши ошибки и факапы», и это долго отрывало нас от реальности. Конференции сегодня меняются, организаторы уже не могут игнорировать конкуренцию с AI за доступ к информации, придумывают для себя разные стратегии трансформации форматов: обычно это про ориентацию на практику, воркшопы, нетворкинг и просто развлекательные интерактивы для выгорающих сотрудников. Мне кажется, конференция должна вернуть себе основную функцию коллективной калибровки представления о реальности. Что у всех ломается? Какие практики больше не работают? Какие управленческие иллюзии существуют? Какие новые конфликты между ролями и бизнесом нарастают? Если после конференции вы можете ответить себе на эти вопросы - конференция прошла успешно.

Сначала нужно снизить FOMO Если вы только сегодня решили оплачивать подписку на ChatGPT, вкатываться в вайбкодинг, если вы понимаете, что ваша команда даже не начинала системно внедрять AI в процессы, самый первый шаг - снять FOMO (страх упущенных возможностей). Сколько бы громких слов не звучало в ютуб-видео, со сцен на конференциях, на лендингах курсов и тренингов - к 2026 году в сфере AI не произошло ничего, что нельзя было бы освоить за полтора часа погружения в теорию (которую можно спросить у того же чатика) и сразу же начать получать практические результаты. В моей работе после базового знакомства с Codex начинают вайбкодить и автоматизировать простые процессы люди, которые до этого использовали бесплатную версию ChatGPT / которые последний раз видели код на университетских лабах на информатике / которые никогда не работали с архитектурой IT-сервисов и автоматизациями. На самом деле, чтобы научиться базовому вайбкодингу, нужно просто поставить Codex, попросить помощи у коллеги, который это сделал чуть раньше. Но люди месяцами и годами откладывают это решение, потому что считают, что это сложно. Причина - общее инфополе создаёт много лишнего шума. Доклад "я просто включил клод код и решил с ним 90% задач" сложно превратить в какой-то красивый сторителлиг для конференции и, тем более, дорогой образовательный продукт - поэтому тут и появляются "мультиагентные системы", "клешни", "хермесы", “mcp”. Это всё, конечно, важно и нужно, но не для 99% пользователей. Короче, на деле обычно всё просто: скачайте claude code, codex, заплатите 20$ и попробуйте уделить этому час сфокусированного времени. Если что-то не получается - спрашивайте у AI. Если всё-таки упрётесь, начнёте тонуть в инструментах, не поймёте, с какой задачи начать, захотите пройти этот путь быстрее - ищите курсы или консультации.

Заметки на встречах - это промпт В основном я пишу заметки на встречах руками, и замечаю, что эти заметки всё чаще похожи на хороший промпт для LLM. Например, приходят со мной поконсультироваться, а я понимаю, что, вместо звонка, мы можем собрать прототип. На встрече я пишу заметки, паралелльно отправляю их в Codex, продолжаю брифовать - к середине встречи у нас есть готовый прототип решения, который мы смотрим и итеративно дорабатываем. Это не обязательно про готовый сервис, код - это могут быть гипотезы решения задачи, прототип продукта, описание проекта и так далее. Это же происходит, когда я фасилитирую командные встречи, мозговые штурмы, стратегические сессии - пока участники придумывают гипотезы или выясняют проблематику, я закидываю результаты в LLM, прошу структурировать и подсветить слепые зоны, показать, как может выглядеть решение. В итоге, не дожидаясь следующей встречи, мы смотрим на прототип решения и быстрее добегаем до результата. Как у меня это работает: • перед встречей или в начале я формулирую цель встречи так, чтобы она была понятна LLM: “Мы хотим получить гипотезы развития продукта”. • во время встречи я пишу заметки в сам Codex и делаю пометки для LLM: “вот здесь нужно провести факт-чек предпоссылок”, “здесь нужно расширить”, “здесь нужна критика идей”. • в середине встречи я отправляю в LLM получившийся промпт, показываю экран, смотрим и обсуждаем решения. • после встречи прошу оформить постмит, основываясь на моих заметках и промежуточному результату. В итоге, включение AI во встречи зачастую приводит к снижению бесполезной бредовой работы, уменьшению ожидания согласований, фидбэка, и быстрее приводит нас к тому, ради чего рабочие встречи (в идеале) изначально и ставятся - прийти к какому-то решению и сделать работу.

Бернар Стиглер, короткие цепи и AI Перевёл с помощью Claude Code книгу философа Бернара Стиглера для чтения на философском кружке. Стиглер развивает идею фармакона - техника может быть и ядом, и лекарством. Техника скорее вредит, если провоцирует короткие цепи (быстрый контент, скроллинг, импульсивные покупки) и полезна, если порождает длинные (письмо, мышление, чтение). Сам перевод книги искусственным интеллектом - хорошая иллюстрация этой мысли. Около года я пробовал погружаться в философию Бернара Стиглера через диалоги с моделями: просил структурировать идеи, показать концепции, рассказать о них больше. Это было малополезно, потому что я делал всё, кроме самого важного - длительного погружения в непростой текст. Вообще, я уже давно признался себе, что с этим вайбкодингом и доступом к сильным моделям в какой-то момент я стал меньше читать и думать. В моделях по дефолту слишком много “коротких цепей”, быстрых убедительных результатов, из-за чего пропадает та фрустрация от незнания, которая и порождает “длинные цепи”. Ведь проще запустить диприсерч и каждый рза ощущать себя чуть умнее (чем по несколько раз перечитывать один абзац и приходить к мыслям, что философия - не моё). Когда же я читаю переведённую (даже искусственным интеллектом) книгу, у меня запускается совсем другой процесс, длинная цепь, которая не возникает при диалогах с LLM: я думаю про прочитанные идеи в разговорах в течение дня, пока пишу посты, готовлюсь к философскому кружку, и это всё происходит фоном. Сейчас я отключил у клода память, возможность читать соседние диалоги, не использую модели параллельно с чтением, пишу философский дневник, думаю во время прогулок без AI (короче, просто включаю свой thinking), и это частично вернуло прежнюю фрустрацию, которая была ещё пару лет назад. Да что там, несколько месяцев назад, до клод кода и opus моделей :)

Мета-подхалимство Услышал в одном разговоре, что люди не любят подхалимство AI-моделей и через несколько недель доброжелательных ответов находят кнопку смены “характера” чата на более нейтральный. Я думаю, мы не любим только явное подхалимство, а скрытое - пожалуйста! Раньше мне казалось, что с помощью кастомных настроек можно сделать так, чтобы модель расширяла картину мира, помогала сохранять напряжение, разрывы между вопросом и ответом, и в целом сопровождала мои исследования, а не вела их. Или, хотя бы, не выглядела бы чересчур поддерживающей. Не получилось. Исследования, в целом, показывают, что подхалимство - это структурное свойство модели, и никаким стилистическим промптом это не исправляется. Слишком много лайков мы поставили “дружелюбным” ответам на этапах реинфорсмент-лернинга. Сейчас я понимаю, что сам вопрос "можно ли запромптить языковую модель так, чтобы она была критически настроенной и менее вредной для мышления?” - изначально ошибочен. Sycophancy (подхалимство) как свойство неустранимо (у лабораторий нет такого интереса, сколько бы антропики про это не писали в своих исследованиях). Более интересный вопрос: почему мы вообще склоняемся к хвалебным ответам от AI? И часто оказывается, что подхалимство - это просто удобный способ передать в AI часть своей агентности и снизить тревогу, снять существующие напряжения. Поэтому, всё, что нам остаётся - создать вокруг AI практики повышения собственной агентности. Чаще всего это простые практики медленного чтения, письма, живого обсуждения с людьми, которые вообще никак не связаны с настройкой моделей. Так, например, был написан этот пост: какое-то время я обсуждал эту тему на философском кружке, в разговорах, встретил тейк про отключение дружелюбного тона, внутренне оспорил, выгрузил все свои мысли в LLM, спросил, кого мне ещё почитать на эту тему и, в итоге, через какое-то время дописал сам пост. Теперь можно и клоду отправить - пусть меня похвалит.

Дарк паттерны провайдеров языковых моделей Если посмотреть на среднего пользователя двадцатидолларовой подписки языковых моделей - это человек, который изредка переключается на думающие модели, не использует глубокие исследования, скиллы, кодинг-агентов,…

Дарк паттерны провайдеров языковых моделей Если посмотреть на среднего пользователя двадцатидолларовой подписки языковых моделей - это человек, который изредка переключается на думающие модели, не использует глубокие исследования, скиллы, кодинг-агентов, один раз за всё время настроил кастомные настройки, использует “проекты” как склад для сбора чатов по одной теме, а не дообучения. Короче, освоил функционал 2024 года и дальше не сдвинулся. Значительная часть моих индивидуальных консультаций про внедрение AI в жизнь и работу больше похожа на качественный онбординг, который, по хорошему, должны бы закрывать провайдеры этих языковых моделей. Как показывает практика, от базового использования AI на уровне “более быстрого гугла” до реально полезного инструмента в рабочих задачах - несколько промптов и примеров, релевантных контексту пользователя. Задумался, почему они этого не делают. Прочитав пару ресерчей, почитав анонсы новостей и маркетинговые материалы, я сделал вывод, что провайдерам просто выгоднее показывать, что их AI - супер простой инструмент, который работает с первого промпта, где особые навыки вообще не требуются. Любой намёк на то, что придётся включить голову чтобы получить реальную пользу, а не плацебо, значительно снизит конверсию в частого пользователя - пользователи уйдут туда, где попроще. А дальше, если пользователь всё-таки купил подписку и не использует deep research и ризонинг модели, то, это же отлично, нечего и начинать! Вокруг этого Open AI, например, выстроили кучу дарк паттернов: периодические сбросы модели на instant режим, ослабленный ризонинг, сокрытие объма оставшихся токенов. Поначалу я сильно удивлялся, что моя подписка на Claude стоит всего 100$ (а я, как правило, не дохожу до 100% утилизации токенов). Я не мог понять, как у них сходится экономика, ведь для моих ежедневных задач они дают практически безлимитный доступ к самым сильным моделям. Но сейчас я понимаю, что это работает по модели фитнес-клубов: продал 1000 подписок - активно используют 100. По сути, сегодня можно получить огромное преимущество просто освоив не самый сложный инструмент на уровне чуть выше среднего. Хотя, когда-то мы ведь это уже проходили :)

Генеративный творческий продукт Часто в спорах “считается ли AI творчество за творчество” я слышу один аргумет вроде: “Творчество с AI - это настоящее творчество, ведь я три дня сидел и выбирал какой из сотни сгенерированных треков лучше звучит. И у меня в результате получился альбом. Я потратил время и даже получил удовольствие” Я считаю, конечно, что такой процесс - никакое не творчество даже близко. Брайан Ино в своей книге “what art does” определяет творчество как “a way of making feelings happen”. А эти “производимые чувства” сильны и работают, потому что их сложно артикулировать. Это что-то неконтролируемое, что-то, что случается с нами. Но когда мы генерируем трек или изображение генеративными моделями, мы буквально пытаемся выразить словами и заказать творческий продукт. У философа Андреаса Реквица есть термин “curated life”. И это ближе всего описывает то, что делает человек, заказывая “свой альбом” в Suno. Я вспоминаю, как во времена социальной сети вконтакте люди собирали себе красивые плейлисты, сохранёнки, держали их открытыми (ну, где-то до 2014) и через это всячески пытались самовыражаться. Это всё можно считать перформативным потреблением, которое, как и генерация музыкальных отрывков через модели, с творчеством имеет мало чего общего. Генерация, поиск, оценка, выбор, публикация. И если в 2014 году не было никакой претензии на творчество при сохранении понравившихся картинок вконтакте, то почему сегодня мы спорим про AI? Всё из-за того, что продакт-менеджеры и маркетологи поменяли кнопку “save” на “create”? Или в сгенерированных альбомах действительно есть что-то не артикулированное промптом?

Дорогая пауза В какой-то момент мне показалось, что я решил прочитать все книги и пройти все курсы во всех сферах корпоративной жизни - от коучинга до продакт менеджмента. Во-первых, не рекомендую. Книжки и обучения - это мой способ избегания реальности, до психотерапии я этого просто не замечал. Во-вторых, я начал подозревать, что большая часть профессиональных софт-скиллс курсов, курсов по методологиям “как делать работу эффективнее” выполняют одну простую задачу: Помочь обучающемуся сделать паузу в корпоративной системе, которая в обычной жизни эту паузу не даёт. И через эту паузу включить у человека рефлексивное мышление. Если бы у людей было время регулярно осмыслять свои рабочие процессы, говорить друг с другом, с клиентами, смотреть вокруг - большинство курсов по стратегиям, развитию продуктов, командных курсов просто потеряли бы свою актуальность. Французский философ Бернар Стиглер называет это пролетаризацией - утратой "знания-как-делать”, "знания-как-жить" и “знания-как-мыслить”. Это когда навык управлять своим временем переносится на таск-трекеры, навык кооперироваться с людьми - на корпоративные ритуалы, а принимать решения сегодня получается только смотря на данные и анализ языковых моделей. Конечно, в таких условиях корпоративные обучения работают. В погоне за KPI всегда полезно сделать паузу и немного подумать. Но главный вопрос здесь - что остаётся с системой после обучения, может ли двухдневный тренинг или трёхмесячный курс как-то повлиять на большие неповоротливые системы.

Личная база знаний и AI Информации становится много - и управлять ею всё сложнее. За один запрос к LLM сегодня можно получить любую методологию, конспект книги, фреймворк. И даже попросить AI запомнить в SKILL.md, агент выучит, будет придерживаться правил. Но, по большому счёту, это создаёт только видимость понимания. Автоматизация, но не аугментация. Это тезис, который я не устаю проговаривать. У меня в Obsidian почти 4000 заметок, и я до сих пор туда не пустил AI для добавления новых заметок - только read-only права. Я осознанно пишу заметки вручную, потому что это в них моя рефлексия, мои наблюдения. Некоторые заметки пишутся днями, неделями, месяцами, но именно эта медленная работа наибольший эффект. И эти заметки чаще всего я использую как контекст для агентов. А их за последнее время стало много. Сейчас учусь фасилитации. На курсе фиксирую не только правила, методологию, их можно всегда загуглить. Я записываю в заметки главное: как преподаватель говорит с группой, какими фразами поддерживает динамику, на что делает акценты, где я хочу делать акценты в своих будущих сессиях и какие ошибки уже совершал в прошлом. Это никакой транскрибатор не считает. Потом, каждый раз, когда буду проектировать сессию “по привычке”, агент прочитает и скажет: а помнишь, ты видел у преподавателя вот такой инструмент и тебе он показался полезным - попробуй сейчас. И учтёт все мои личные особенности. И так с каждой задачей, которую я сегодня делаю. Понимание, какой контекст важен, какой нет - это, по сути, всё про ведение личной базы знаний, ведение своих заметок и рефлексию. Большую часть задач уже сегодня можно выполнить с AI на достаточно хорошем уровне, на любой вопрос офисного майндворкера “а может ли это сделать AI?” я почти всегда отвечаю - “да”. Мне кажется (я верю), это всё ведёт нас к тому, что постепенно требования к качеству нашей работы, наконец-то, будут расти - так же неизбежно, как выросли сегодня требования к продуктам. И вот здесь личная база знаний (неважно, своя или корпоративная), будет давать то самое преимущество. Через год или пару лет мы забудем про SKILL.md, как забыли про GPTs, но навык выделения главного из своей работы, упаковку этого в понятный “to-do” (для живого человека или языковой модели) и сохранение в базу знаний, остаётся неизменным. Сейчас я помогаю командам и руководителям внедрять личных AI-ассистентов. Готов поработать в 1-1 формате и помочь усилить экспертизу с помощью агентов. Это более комплексная работа (и, на мой взгляд, более интересная), чем внедрение базы знаний. Если актуально - пишите @skitnik, обсудим.

Начинается В ближайшие дни будет много заголовков про то, что “Джек Дорси уволил 40% сотрудников своей компании (около 4,000 человек) из-за AI”. И, мол, это только начало: дальше таких новостей будет много. Если дочитать такие посты до конца, то, как правило, они будут заканчиваться призывами освоить искусственный интеллект на каком-нибудь курсе по вайбкодингу, в противном же случае через какое-то время вас тоже сократят. Я сейчас пишу лонгрид про то, какое влияние искусственного интеллекта на реальные процессы в бизнесе - выводы пока неоднозначные. Конечно, основное влияние на увольнение 40% сотрудников Джека Дорси оказал не искусственный интеллект, а раздутый штат. Block почти удвоил штат между 2020 и 2025. Одновременно акции за 5 лет упали на 75%+. С учётом этих вводных, какая может быть интерпретация этой новости? • компания раздулась на пандемийном росте • начала испытывать проблемы • занялась “оптимизацией расходов” • увидела, что можно просто уволить лишнюю неэффективную прослойку, как это сделал Маск после покупки Твиттера • PR обернул это в красивые заголовки “Начинается. AI пришёл за неэффективными, а мы инновационные и одни из первых”. Нет, не AI. Здравый смысл.

Claude Code — не только для разработчиков Главная мысль, с которой я ношусь с конца прошлого года - призывы начать использовать кодовые редакторы/среды разработки с AI тем, кто с кодом вообще не связан, а особенно - менеджерам. Не важно, что это будет: клод код, кодекс, курсор или что-то ещё. Главное - начать осваивать новую модель мышления и работы с языковыми моделями. В 90% сценариев работы с LLM я ушёл с чат-интерфейса на работу в Claude Code. Получаю от этого три главные ценности: • Удержание длинного контекста. Работает просто: столкнувшись с большой задачей, я прошу клод код по ходу моих устных рассуждений фиксировать ключевые идеи и структурировать хаос из головы своими вопросами. Недавно проводил стратегическую сессию, думал об клода. На основе долгого обсуждения клод сгенерировал все презентации, план сессии, советовал форматы, раздаточные материалы, после проведения провел рефлексию. На выходе у меня сформировался артефакт с извлечёнными уроками, сложностями, который поможет мне проводить следующие сессии эффективнее - я сложил его в базу знаний на будущее. Но есть нюанс - результат на выходе получается хороший, потому что есть связь с базой знаний. • Связь с базой знаний. Если до 2026 года я, как правило, просто давал курсору доступ в мою базу знаний или отдельные заметки, то сегодня у меня появился набор экспертных скиллов (по сути, это большой промпт, к которому клод приходит, когда сталкивается с определённой задачей). Скиллы формируются на основе пройденных курсов и моих заметок. Когда прихожу обсудить рабочую задачу - у него уже есть плотная теоретическая база из скиллов и мой личный опыт по каждому блоку. На выходе это даёт кратно более глубокие ответы и решения. А я верю в то, что только связка личного опыта, контекста, базы знаний с LLM в будущем будет конкурентным преимуществом, а не умение писать промты, запускать агентов или чему там сегодня на вайбкодинг-курсах учат :) • Быстрое прототипирование и второе мнение. Конечно, во время звонков я пишу записи вручную. Но всё чаще я их пишу не в заметочнике, а в клод код. И когда вопрос снят, где-то в середине встречи я отправляю конспект, прошу клод сделать быстрый прототип или накидать гипотезы в какую сторону нам ещё можно посмотреть. Это сильно улучшает коммуникацию - вместо того, чтобы расходиться и обсуждать индивидуально со своими чатиками решение после встречи, я открываю свой и мы сразу видим прототипы - и происходит обсуждение конкретных решений. Здесь же - аналитика данных, презентации, быстрые визуальные решения и схематизация. Основной барьер, который я вижу - это UX. Если пользователь не работал с кодом, нужно потратить какое-то время на освоение принципов, новых подходов. А средний-не-айти-менеджер привык жить в зумах и телеграмах, и “откат” обратно в папки на ноутбуке, когда нужно начать делать что-то руками, воспринимается болезненно. Да, постепенно возможности клод кода будут появляться и в облаке, но я не верю, что эффект будет даже приблизительно сравним с локальной личной системой управления. Потому что за последние годы разрыв между веб-чатами и локальными средами разработки становится всё сильнее.

25 лет Agile Manifesto Увидел пост про 25-летие Agile-манифеста и выделение любимого принципа в канале Александра Апазиди. Перечитал сегодня манифест и сразу подумал о том, как сильно за последние два года AI усилил каждый из принципов. Не буду комментировать свой любимый (он тоже про максимизацию количества несделанной работы, по крайней мере стараюсь ему следовать), но хочу выделить тот, который сегодня особенно актуален: На протяжении всего проекта разработчики и представители бизнеса должны ежедневно работать вместе. Мемы про пропасть между чайка-менеджментом и разработкой, надеюсь, вскоре вообще пропадут, потому что в мире не должно остаться представителей бизнеса, которые не понимают в разработке. И в обратную сторону тоже: я уже давно в вайбкодинге перешёл с промптов на язык jtbd при постановке задач. Собрать прототип, mvp, пайплайн без разработчика уже сегодня посильная задача практически каждому - мы просто ещё не успели этого понять. Обычно я даю простой совет менеджерам, которые только начинают погружаться в AI: как только вы поставили задачу разработчику/аналитику/исследователю/маркетологу/ассистенту/специалисту, удаляйте и несите её в LLM. Смотрите что получится. AI уже сейчас радикально снизил стоимость доработок и изменений. И тут актуализируется принцип “Изменение требований приветствуется, даже на поздних стадиях разработки”. Если раньше любое изменение требований означало страдания, неделю доработок, большие косты, то с AI стоимость правок стремится к нулю. Особенно в типичных бизнес-задачах, которых в любой компании 90%. И, конечно, остаётся не забывать, что “Постоянное внимание к техническому совершенству и качеству проектирования повышает гибкость проекта.” Ну и главное - не воспроизводить карго-культ, принципы работают, когда мы примеряем их на нашу реальность, которая, к слову, за 25 лет неплохо так изменилась.

Вайбкодинг не поможет Когда вы скачиваете Claude Code, Cursor (а может, только пришли к покупке платной подписки на любимую LLM), моментально появляется желание начать автоматизировать каждый аспект жизни и работы. Не внедряются полезные привычки? Навайбкодьте трекер привычек - это же легко. Плохо питаетесь? Сделайте распознаватель-трекер калорий по фотографиям, задача на один вечер. Не получается превращать заметки в посты для блога? Нужен RAG-агент, понятное дело! Я вижу (и я проверил), что в 90% сценариев это абсолютно тупиковый путь, отнимающий время. Недавно на одном из звонков мы обсуждали эйфорию от вайбкодинга, когда процесс затмевает конечный результат: вместо того, чтобы начать делать задачи, ты делаешь тудулисты и т.д. Когда всё-таки можно и повайбкодить? Есть реально полезное применение AI - это когда мы в первую очередь берём уже существующий процесс, где испытываем боль, неудовлетворённость, сложность, за который платим - и ускоряем/усиляем/убиваем его. Но и для этого зачастую достаточно взять Claude Code на месяц, решить задачу и успокоиться. Я бы мог завершить пост призывом записаться на мой экспресс-курс по вайбкодингу, но, почему-то я уверен, что те, кому вайбкодинг на самом деле нужен и важен, уже всё завайбкодили или вайбкодят ночами. А всем остальным он, скорее всего, и особо не нужен. И зачастую нужно всего лишь честно ответить себе на вопрос: а есть ли у меня процессы, требующие оптимизации? Или это всё FOMO и очередной поиск способа снять тревожность и улучшить свою жизнь?

Трекинг задач и проектов с AI Астрологи объявили неделю Claude Code. С конца декабря попробовал с ним кучу разных штук, что аж распирает. Начну делиться, а дальше - как пойдёт. Сначала про управление проектами и задачами. Для начала немного контекста. Claude Code - изначально инструмент для кодинга, но, как Cursor и подобные CLI-инструменты, отлично выполняет роль general-purpose агента, который может ходить по файлам, редактировать их, запускать код => автоматизировать кучу разных рутинных процессов. Года полтора назад я экспериментировал так с базой знаний. Раньше мне не нравилась идея проводить дейлики и ставить задачи в AI. Казалось, что происходило какое-то бесполезное делегирование и автоматизация ради автоматизации: в целом, я и сам могу записать важную задачу и проследить её выполнение без какого-то напряга. Проблем с этим не было, а AI не давал никакой добавочной ценности. Но Claude Code (и Claude Cowork) всё поменяли. Я считаю, что Claude вообще за последние месяцы сделали очередную большую революцию, которая дойдёт до нас только через год-два (как это было с их Computer Use в 2024). С конца года через Claude Code я веду большую заметку, в которую каждое утро наговариваю текущие задачи и проекты, итоги в конце дня. Сейчас это Claude Cowork. По сути, наконец-то я получаю полноценного личного ассистента, который снимает операционку: - Смотрит весь мой контекст сразу: заметку с мыслями о проектах, гугл календарь, контент диалога. Напоминает о приоритетах, если сильно увлекаюсь. - Ставит нужные события, напоминалки в календарь (ненавижу это, хотя и веду задачи в календаре) - Смотрит, где я беру слишком много и задаёт уточняющие вопросы: точно ли задачи с высоким приоритетом - Если задачу можно сразу выполнить, он её просто делает или начинает :) На неделе подводил итоги квартала, планировал OKR и с Claude Cowork и это тоже было супер удобно: на выходе получился удобный артефакт-табличка для будущего трекинга. Конечно, я не питаю иллюзий, что буду и дальше проводить с ним дейлики (это какой-то микроменеджмент). Но недельные сверки фокусов - точно. P.S. Папку downloads он мне тоже разобрал от всякого мусора в первый же вечер.

Важность контекста в LLM (для нас) Дэвид Шапиро в видео про AI-брейнрот рассказал про свои лайфхаки сопротивления AI-брэйнроту: - Удалять треды, пробовать объяснять всё с нуля. Замечаю это по себе: некоторые треды я не удаляю, потому что они большие и я боюсь, что что-то не понял до конца. На самом деле, это простой самообман - значит, я основательно ничего не понял, но зато получил какую-то интересную информацию. Единственное, что у меня работает по итогу длинного сложного треда - написать заметку, рассказать кому-нибудь о том, что я понял. - Превентивно атаковать свои утверждения. Тут даже Claude подметил, что когда я прихожу с вполне понятными рабочими задачами - я открыт любой критике, использую его как спарринг-партнёра. Когда прихожу с философскими/этическими/политическими тезисами ("которые касаются твоей идентичности") - я часто использую LLM чтобы "найти подтверждение или рамку, которая легитимизирует то, что ты уже чувствуешь". Раньше меньше такое замечал, в обсуждении сложных вопросов (у которых, как правило, и нет готовых ответов) хочется сделать шорткат, конечно. - Формулировать инструкции так, будто их будет выполнять мыслящий третьеклассник. Я сначала подумал, что это всё про добавление контекста в LLM, но нет: это когда я формулирую задачу так, как сам бы её решал и думал бы про неё. Есть большая разница между двумя запросами: “Расскажи мне про критику "Взаимопомощи" Кропоткина” и “Расскажи мне про критику "Взаимопомощи" Кропоткина. Я считаю, что он мало внимания уделил внутревидовой конкуренции, но не понимаю, сознательно манипулировал или из-за того, что в его время было мало исследований на эту тему.” Скорее всего, в обеих случаях ответ LLM будет похожим, но внимание и вовлечённость, с которой я читаю второй ответ, сильно выше. Без самостоятельного синтеза, генерации, формулирования идей - ответы от LLM легко создают уверенную иллюзию понимания. У меня всплывает сравнение с чтением: мы можем бесконечно читать нонфикшн, добавлять в закладки умные статьи, но без медленного осмысления, без появляющегося в процессе трения, информация так и будет оставаться всего лишь галочкой в тудулисте у пункта "прочитать 24 книги за год".