Мысли вслух
@maxvotek
Мысли вслух
Фото:
Прочитал свежую статью Сатьи Наделлы про то, как меняется устройство компании в AI-эпоху.
После погружения в экосистему Cursor, я понимаю, что по сути сейчас за рекордно короткие сроки перерождаются операционные системы, на которых работает бизнес.
Самая важная мысль из статьи - "капитал в токенах". Наделла говорит, что у каждой компании теперь два типа капитала.
Первый - человеческий: знания, опыт, суждение, отношения и способность видеть закономерности у людей внутри компании.
Второй - "капитал в токенах": AI-возможности, которые компания сама строит и которыми владеет.
Контринтуитивное в этой модели в том, что человеческий капитал не обесценивается с ростом AI.
Он наоборот становится дороже, потому что без человеческой режиссуры AI бегает по кругу: цели и связи между разными областями всё равно ставит человек, а не модель.
AI без людей - это просто дорогие серверы, которые греют атмосферу.
Учитывая, что технологические гиганты строят новые системы на основе очень схожих технологий и принципов, то Наделла четко ставит акцент не на выбор лучшей модели, а про систему обучения, которую компания строит поверх любых моделей.
Рабочие процессы, накопленный опыт, отраслевые знания превращаются во внутреннюю систему, которая улучшается с каждым использованием. Должна появиться новая метрика AI-обучаемости компании, которая напрямую влияет на успехи в бизнесе.
Знания теперь важно накапливать в форме доступной для использования агентами и дообучать модели на реальных кейсах изнутри компании, а не на абстрактных данных.
Этот внутренний контур и становится главным активом и Наделла называет его машиной восхождения на холм:
Задачу можно делегировать, работу можно поручить, но обучение и накопленный опыт важно держать при себе и хранить как зеницу ока.
Чтобы не повторить уроки нулевых, когда на бумаге ВВП-цифры выглядели прилично, а целые индустрии оказались выпотрошены аутсорсингом - производство уехало, рабочие места пропали политикам придется ограничивать концентрацию зависимости от фронтир-моделей и мы уже видим первые сигналы.
Это совпадает с тем, что я уже писал про то, что ценность накапливается у тех, кто владеет результатом, а не продаёт инструмент, так же с моими наблюдениями про рынок AI-тренеров, который растёт ровно потому, что человеческий капитал внутри компаний.
Это та часть формулы Наделлы, без которой "капитал в токенах" сам по себе не работает.
Преимущество остаётся у компаний, которые строят собственную систему обучения внутри, а не арендуют чужие модели в чистом виде.
Кто сейчас вкладывается в свои внутренние замеры качества, дообучение моделей и базы корпоративных знаний, через два-три года получат отрыв, который не скопировать одной подпиской.
Если последние десять лет CTO выбирали облако и набор SaaS-сервисов, то сейчас на первое место выходит другой выбор: как компания будет накапливать собственный опыт через AI, чтобы сохранить конкурентоспособность.
@maxvotek | linkedin | substack
Про автоматизацию и библиотеку решений.
Недавно разбирал статью Наделлы про «капитал в токенах». Если коротко, то главный актив компании не модели, которые она арендует, а та система обучения, которую она строит поверх них.
По совету друга прочитал ещё одну статью - автор отталкивается ровно от этой мысли Наделлы, но дожимает её до неудобного вывода про автоматизацию, и я с ним во многом согласен.
Вокруг все бросились автоматизировать: код, тесты, документацию, консалтинг. Я и сам этим плотно занимаюсь.
Только вот фокус в том, что как только процесс хорошо автоматизирован - он становится коммодити по цене токенов. Через год так будут делать все, и никакого преимущества тут не остаётся.
Преимущество сидит в том, что Наделла и называет внутренним контуром - в нескольких критических решениях, которые определяют исход. Продлит ли клиент контракт, выстрелит проект или заглохнет, того ли человека ты поставил руководить.
Развилок таких немного, но цена ошибки на них огромная.
Вот их-то под пошаговую инструкцию не загонишь. Спроси сильного продавца, почему он закрыл сделку, или консультанта, почему клиент ему доверяет - внятного алгоритма не услышишь.
Это тот самый judgement, о котором я писал.
Вот тут появляется идея Resolution Library. Каждое крупное решение по проекту фиксировать со всей историей вокруг. Что у клиента происходило, какой архитектурный вариант выбрали, от чего отказались.
Потом, когда становится ясен результат, дописывать чем всё закончилось. Где-то понятно через месяц, где-то только через пару лет.
Собрать такое автоматически не выйдет, в этом весь смысл. Приходится себя приучать: закрыл важный вопрос - потрать полчаса, опиши почему пошли этим путём и чем дело кончилось. Занудно, отдачи сразу никакой, поэтому обычно на это и забивают.
Не надо гнаться за автоматизацией всего подряд. Гораздо важнее понять, какие признаки за полгода предсказывают срыв проекта, какие действия Customer Success реально поднимают NPS, какие комбинации ролей дают успешный go-live.
Я уже писал об этом в посте про свидетелей выручки: когда срезаешь всё лишнее, остаётся только то, что реально создаёт ценность.
Будущее за теми, кто лучше всех собирает и накапливает историю правильных и неправильных решений, а это требует времени и терпения, которое есть далеко не у всех.
@maxvotek | linkedin | substack
Недавно разбирал статью Наделлы про «капитал в токенах». Если коротко, то главный актив компании не модели, которые она арендует, а та система обучения, которую она строит поверх них.
По совету друга прочитал ещё одну статью - автор отталкивается ровно от этой мысли Наделлы, но дожимает её до неудобного вывода про автоматизацию, и я с ним во многом согласен.
Вокруг все бросились автоматизировать: код, тесты, документацию, консалтинг. Я и сам этим плотно занимаюсь.
Только вот фокус в том, что как только процесс хорошо автоматизирован - он становится коммодити по цене токенов. Через год так будут делать все, и никакого преимущества тут не остаётся.
Преимущество сидит в том, что Наделла и называет внутренним контуром - в нескольких критических решениях, которые определяют исход. Продлит ли клиент контракт, выстрелит проект или заглохнет, того ли человека ты поставил руководить.
Развилок таких немного, но цена ошибки на них огромная.
Вот их-то под пошаговую инструкцию не загонишь. Спроси сильного продавца, почему он закрыл сделку, или консультанта, почему клиент ему доверяет - внятного алгоритма не услышишь.
Это тот самый judgement, о котором я писал.
Вот тут появляется идея Resolution Library. Каждое крупное решение по проекту фиксировать со всей историей вокруг. Что у клиента происходило, какой архитектурный вариант выбрали, от чего отказались.
Потом, когда становится ясен результат, дописывать чем всё закончилось. Где-то понятно через месяц, где-то только через пару лет.
Собрать такое автоматически не выйдет, в этом весь смысл. Приходится себя приучать: закрыл важный вопрос - потрать полчаса, опиши почему пошли этим путём и чем дело кончилось. Занудно, отдачи сразу никакой, поэтому обычно на это и забивают.
Не надо гнаться за автоматизацией всего подряд. Гораздо важнее понять, какие признаки за полгода предсказывают срыв проекта, какие действия Customer Success реально поднимают NPS, какие комбинации ролей дают успешный go-live.
Я уже писал об этом в посте про свидетелей выручки: когда срезаешь всё лишнее, остаётся только то, что реально создаёт ценность.
Будущее за теми, кто лучше всех собирает и накапливает историю правильных и неправильных решений, а это требует времени и терпения, которое есть далеко не у всех.
@maxvotek | linkedin | substack
❤ 31
👍 21
🔥 12
52 3K
Обсуждение 0
Обсуждение не доступно в веб-версии. Чтобы написать комментарий, перейдите в приложение Telegram.
Обсудить в Telegram