Bagin’s AI

Изучаю инструмент Labs от Perplexity.Вышел недавно, меньше недели назад. На анонсе обещали многое: поиск информации (традиционная вотчина perplexity), генерацию кода, рисование графиков и дашбордов, создание мини-вебприложений. Навскидку выглядит как deep research с прикрученными возможностями визуализации и создания приложенек. Уже есть много хороших примеров, как ребята используют для себя. Здесь несколько проектов для примера (форма авторизации, рацион питания), или вот ещё (поиск юридической инфы, создание дашбордов). Да, доступен только Pro-пользователям. Но про это как раз я писал — как получить Pro perplexity на год за 600 рублей. Я пока не нащупал для чего конкретно мне этот режим может быть полезным, кроме визуализации найденной информации/ Хотя да, графики и диаграммы из найденной инфы рисует отменно. Или вот сделал простенькое веб-приложение для анализа данным по складам в SAP. Но пока есть впечатление что на самом деле инструмент может намного больше, и я просто не нащупал подходящий кейс использования.Покопаюсь ещё, и если найду стоящее, то напишу отдельный пост. Stay tuned!А вы, если уже распробовали, то можете показать в комментариях — будет интересно.

Главный вопрос внедрения AIСейчас в компании, где я работаю, планируем внедрять AI. Уже на уровне «решение для бизнеса», а не просто поиграться отдельными сотрудниками. Компания достаточно крупная, 1.400 человек, продукция технически сложная, продаётся по всей России и СНГ. Кейс, в общем-то, типовой: автоматизация текстовой техподдержки клиентов. Продукция сложная, раскидана по всей РФ, обращений в поддержку много. Иногда клиенты ждут ответа почти сутки — непозволительная роскошь для современных скоростей. И главный вопрос, который высветило планирование, тоже (теперь уже) типовой: а что делать с людьми? Компании условно делятся на AI-native и AI-first. Первые уже родились с AI — это молодые компании, которые основаны уже в эру генеративного ИИ. Им не нужно думать что делать с сотрудниками — они уже ориентируются на максимальное использовние ИИ. А вот вторые. Вторые это уже устоявшиеся бизнесы. Которые только встают на путь автоматизации. У них уже есть сотни, а то и тысячи сотрудников. И, внедряя автоматизацию их работы, один из главных вопросов — а что с этими людьми делать дальше? Увольнять?У нас дело осложняется одним нюансом. Кейс внедрения AI — первый в нашей компании. То есть это попытка создать прецедент. И если прецедент будет негативный (нам придётся увольнять людей), то как отреагируют остальные сотрудники на последующие идеи внедрений? Разбрасываться кадрами в текущих условиях рынка труда так себе идея. Но как сделать чтобы прецедент стал win-win-win (компания - сотрудники - клиенты) ?Вот сейчас это главная задача, над которой мы ломаем голову. Не всегда есть возможность перекинуть сотрудников туда, где им будет ещё интересней чем сейчас. А, автоматизировав их работу, что они будут делать?У нас есть зацепки как это сделать действительно красиво и с заботой о людях. Но будет здорово, если у вас есть свои размышления на этот счёт. Напишите в комментариях, если есть чем поделиться.

Спасибо всем проголосовавшим. Посмотрел результаты опроса и призадумался. Смотрите. Треть отметились как специалисты-разработчики. Это вообще-то очень немало! При этом только около 10% подобрались к глубоким интеграциям (API, скрипты, микросервисы). Получается что большинство dev-специалистов пока используют AI на уровне «расширенной Excel-формулы» ─ аналитика, копирайтинг, вот это всё. Но не автоматизация.С другой стороны, в канале есть серьезная прослойка менеджерского сегмента. Сложив топ-менеджеров, руководителей, продакт-и проект-менеджеров, получаем более половины проголосовавших. Это как раз те люди, которые решают, что именно будет внедряться и где — но сами код не пишут. По идее, именно для вас наиболее ценные посты про «how-to» по кастомным GPT и no-code решениям: где взял и сделал, быстро получив пользу. Таким образом, получается интересная ситуация. В канале много тех кто сам пилит (пусть и пока не в «полную силу», если мы говорим про AI решения). И много тех кто принимает решения что пилить. Ну и ещё есть 3 % автоматизаторов и 9 % скриптеров, которые этакие «гики в углу» — шарят, но молчат))Тут сразу появляется идея: а что если сделать небольшую площадку «Задача ↔️ Исполнитель» ? Например, запустить активность: менеджеры напишут задачи, которые им важно решить. А разрабы присматриваются и может что-то и смогут подхватить, что им интересно. Разумеется, за обоснованную плату. Но думаю что пока аудитория этого канала маловата для такой площадки. Вообще, я делал этот опрос чтобы понять на какие темы больше писать. На этот вопрос я ответ получил: больше половины используют AI инструменты в очень умеренном виде. Что-ж, в первую очередь для вас и будет дальнейшее интересное чтиво! Но по поводу активности — напишите что думаете в комментариях. Мало ли, вдруг всё-таки концепт покажется интересным.

Кто ты, воинХочу знать тебя лучшеВ канале последнее время пришло довольно много новой аудитории. Причём, судя по всему, очень разношёрстной 😁 И мамы из родительских чатов, и предприниматели, и разработчики. Давайте вместе сделаем этот канал более полезным — для вас всех (и меня тоже чуть-чуть). Проголосуйте пожалуйста, два коротких опроса ниже. А я обещаю это учесть в контенте, который буду дальше готовить.

Не говори модели кем ей бытьИ она не скажет куда тебе идтиВы наверняка слышали про лучшие практики как писать запросы к чатгпт и подобным. И там 100% была рекомендация «укажите модели роль: думай как эксперт-орнитолог-дефектолог с 200 лет стажа и дипломом академика наук». Так вот. Этот же принцип либо вообще не работает, либо делает просто хуже когда речь идет про reasoning модели. Это те модели, которые уже «на борту» приучены рассуждать «про себя», прежде чем дать ответ. Я сейчас про ChatGPT o3, o4-mini, Gemini 2.5 Pro (короче, про самые адекватные и полезные модели).Чтобы получить максимально полезный ответ от reasoning моделей, нужно понять одну вещь: это не чат-бот. Это скорее генератор отчётов. Чтобы модель ответила действительно по делу, надо не по шагам давать ей кусочки информации — а загрузить в неё бриф вашей задачи. Не писать «думай как Х». А описать конкретно ЧТО вы хотите получить, КАК вы поймёте что ответ хороший, и дать максимальную информацию по контексту вашей ситуации. Самый показательный пример привёл на картинке к посту. Как это делаю я: берешь телеграм-премиум или любой другой транскрибатор речи в текст. Наговариваешь в сохранёнки весь контекст ситуации. Переводишь в текст. Пишешь что тебе нужно от модели, и вставляешь в контекст запроса отдельным параграфом всё что ты наговорил.Так, например, я писал корпоративные ценности для компании где работаю. Обозначил задачу, обозначил в каком виде нужен ответ, и на полчаса вышёл из офиса поболтать с телефоном. За эти полчаса без остановки наговорил что за компания, сколько лет на рынке, что делает, сколько сотрудников. Как акционеры относятся к сотрудникам, какие корп. мероприятия устраивают, что сами сотрудники думают про компанию. То есть дал максимальный контекст. Результат? Утверждённые ценности практически без единой правки (надо понимать что у наших акционеров утвердить что-то без правок — это надо уметь). Так и вы можете использовать эту технику там где действительно от модели требуется подумать. Выбор рынка, ниши, конкурентная стратегия, продукт, фичи, етс. Модели прекрасно всё это пишут, но только если вы оформили задачу «как новому сотруднику»: полный контекст (5-7 тысяч символов любая современная модель отлично переварит), чёткое ТЗ, критерии качества.Для большего погружения можете почитать вот здесь. Статья уже старая (хаха, начало 2025)), но принцип остался (и думаю останется) тем же. Можете и не использовать эту технику — она не всегда нужна. Но там, где задача многосоставная, то без неё точно никак. Пользуйтесь.