Открыть учебник Записаться

Блог mysummit.school

Статьи об искусственном интеллекте, машинном обучении и применении ИИ в бизнесе

Автоматизация отчётов и статусов с ИИ: рабочий цикл

17 мин чтения

Среди ответов сорока руководителей на вопрос «какую задачу вы хотели бы ускорить с помощью ИИ» один оказался почти готовой инструкцией. Дословно: «я бы хотела автоматизировать еженедельные отчёты по проекту и отправлять драфт в джира-таску перед тем, как заапрувлю его и опубликую сама».

В этой фразе спрятан весь правильный подход, до которого многие доходят месяцами: ИИ готовит черновик – человек проверяет – человек публикует. Разница между этим сценарием и «ИИ пишет и рассылает отчёт без проверки» – пропасть. Именно она отделяет рабочую автоматизацию от способа разослать команде красивую неправду.

Отчётность и статусы оказались второй по размеру группой запросов в этом наборе данных. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению месячного бюджета, материалы к ежедневным планёркам. Спрос реальный, и он попадает ровно туда, где языковые модели сильны. Разберём, как выстроить под него повторяемый процесс.

Читать полностью
Автоматизация отчётов и статусов с ИИ: рабочий цикл
Анализ конкурентов с ИИ: где модель выдумывает факты
15 мин

Анализ конкурентов с ИИ: где модель выдумывает факты

Менеджер по закупкам просит ИИ найти конкурентов, производящих оборудование для одной узкой промышленной установки. Через десять секунд получает аккуратный список: пять компаний, страны, примерные обороты, пара ссылок. Выглядит как работа аналитика за полдня. Проблема в том, что двух из этих компаний не существует, а обороты модель назначила на глаз.

Это реальный тип запроса. В наборе ответов наших студентов на вопрос «какую рабочую задачу вы хотели бы ускорить с помощью ИИ» набралась целая группа про ресёрч: найти магазины машинной пряжи в Европе, проанализировать мировой объём продаж картофеля, собрать кейсы применения ИИ в нефтегазе, провести анализ конкурентов по узкому промышленному оборудованию, систематизировать нормативную базу проекта и подтягивать по ней новости. Общую картину всех 40 запросов мы разобрали в отдельном материале – ресёрч занял там заметное место. Запросы из разных миров, но боль одна – собрать информацию о рынке, которой у тебя пока нет.

И ровно здесь ИИ опаснее всего. Когда он не знает ответа, он его не оставляет пустым. Он его сочиняет – уверенно, складно и в том же тоне, что и правду.

Как ставить задачи разработчикам с помощью ИИ
33 мин

Как ставить задачи разработчикам с помощью ИИ

Мы спросили сорок руководителей, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Без вариантов ответа, без подсказок. Самый частый запрос – с большим отрывом – оказался не про красивые презентации и не про автоматизацию переписки. Снова и снова звучало одно и то же: помочь поставить задачу разработчикам.

Формулировки разные, боль одна. «Улучшить качество требований в постановках от аналитиков». «Ускорить составление ТЗ разработчикам». «Написать user stories по отрисованным аналитиком схемам». «Проверять описания задач перед передачей в разработку». «Составить тест-план по требованиям». «Стандартизировать постановки бизнес-аналитика». Менеджеры проектов, продакты, аналитики – все упёрлись в один и тот же барьер между «я понимаю, что нужно» и «команда поняла то же самое».

Любопытно, что это ровно та задача, на которой языковые модели работают надёжнее всего. Постановка задачи – это работа с текстом в чистом виде: взять неоформленную мысль и привести её к структуре, которую можно передать дальше. Совпадение спроса и сильной стороны инструмента здесь почти идеальное. Но между «ИИ хорошо структурирует текст» и «ИИ напишет вам ТЗ» лежит пропасть, в которую легко свалиться.

Чего менеджеры хотят от ИИ: данные 40 реальных ответов
15 мин

Чего менеджеры хотят от ИИ: данные 40 реальных ответов

Мы редко знаем, чего люди на самом деле хотят от ИИ. Обычно за нас это решают вендоры в презентациях и блогеры в ленте. Поэтому, когда у нас накопились реальные ответы студентов на простой вопрос, мы решили на них посмотреть.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Команда не вся пользуется ИИ. Она делится на трети
8 мин

Команда не вся пользуется ИИ. Она делится на трети

Microsoft в 2026 году опубликовал цифру, которая звучит внушительно: больше 30% работающего населения США пользуются ИИ. Внушительно ровно до того момента, пока не прочитать определение. «Пользуются» здесь означает 90 минут в месяц. Это три минуты в рабочий день.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.

Почему команда скрывает, как пользуется ИИ
10 мин

Почему команда скрывает, как пользуется ИИ

Врач, 31 год, использует ИИ несколько раз в день. Создал шаблон промпта для одобренного больницей инструмента – получает, по его словам, «ошеломляющие результаты». Коллеги работают с тем же инструментом и жалуются, что у них не выходит. Он знает, что его шаблон им поможет.

И всё равно не делится.

Это открывающий кейс исследования HBR, которое задаёт неудобный вопрос: если ИИ действительно повышает производительность, почему компании этого не видят? Глобальное исследование KPMG и Мельбурнского университета – более 48 тысяч респондентов – нашло ответ: 57% сотрудников признаются, что скрывают, как используют ИИ на работе.

Менеджер как супервайзер агентов: что стоит за отчётом Google
7 мин

Менеджер как супервайзер агентов: что стоит за отчётом Google

52% руководителей в компаниях, использующих генеративный ИИ, уже запустили AI-агентов в продакшен. Не пилотируют. Не тестируют. Работают. Это данные из отчёта Google Cloud «AI Agent Trends 2026» – опрос 3 466 руководителей по всему миру, проведённый совместно с Google DeepMind.

Цифра выглядит впечатляюще, но стоит вспомнить, кто её сообщает. Google – крупнейший продавец облачной инфраструктуры для агентов. Их мотивация – показать, что будущее уже наступило, и вам пора покупать Vertex AI. Это не делает данные бесполезными, но требует более внимательного чтения.

GLM-5: от вайб-кодинга к ИИ-агентам
9 мин

GLM-5: от вайб-кодинга к ИИ-агентам

Zhipu AI и Университет Цинхуа выпустили модель GLM-5 на 744 миллиарда параметров – и впервые в истории open-weight модель набрала 50 баллов на Artificial Analysis Intelligence Index, встав рядом с Claude Opus 4.5 и GPT-5.2. Мы делали обзор GLM-5 ещё в марте – тогда модель ещё не раскрыла своего главного козыря. Но интереснее самой модели – эксперимент, который авторы провели перед релизом. И термин, который они ввели для описания сдвига, происходящего прямо сейчас.

Статья построена вокруг одного тезиса из работы: мы переходим от «вайб-кодинга» – когда человек даёт ИИ задачу и получает ответ – к «агентному инжинирингу», где ИИ-агент сам планирует, исполняет, проверяет и корректирует работу на длинных горизонтах. Этот переход меняет не технологию. Он меняет роль менеджера.

Thinkslop: как ИИ незаметно подменяет ваше мышление
10 мин

Thinkslop: как ИИ незаметно подменяет ваше мышление

Исследование AI in the Wild выходит в Harvard Business Review третий год подряд. В этом году команда проанализировала 12 637 реальных кейсов использования генеративного ИИ – на порядок больше, чем в предыдущих выпусках. База собрана из почти 50 000 записей с Reddit, Quora, LinkedIn, TikTok и YouTube за период с марта 2025 по февраль 2026 года.

Главный вывод исследования – не о том, что люди делают с ИИ. А о том, что они перестают делать сами.

Почему ИИ-пилоты на заводе умирают между демо и цехом
9 мин

Почему ИИ-пилоты на заводе умирают между демо и цехом

Пилот показали на совете директоров, все похлопали, выделили бюджет на «масштабирование». Через полгода система компьютерного зрения, которая на демо ловила 98% дефектов, ловит хорошо если половину, контролёры ОТК перестали ей доверять, а проект тихо переехал в раздел «отложенных инициатив». Это не редкий сбой и не вина конкретного интегратора. По данным RAND, так заканчивается больше 80% корпоративных ИИ-проектов – и почти всегда по причинам, которые видно было ещё до старта.