Пока вы спали, нейронка думала

Контекст-инженеры заменят промпт-инженеров?→ ХабрРазбор концепции, которая заменяет промпт-инженерию в работе с агентами. Последний месяц начали разгонять новый термин «контекстной инженерии». По мне это звучит так же странно как и промпт-инженер. Это неотъемлемая часть всего процесса по работе с LLM: как задавать вопросы LLM, какие данные загружены в LLM, какие инструменты подключены, на сколько качественно LLM умеет отвечать на вопросы, требуется ли разбивать запросы к LLM на части и пр.С таким трендом вангую появление контекст-куалити-инженера (понимает как оценивать качество ответов и что требует улучшения) и чейн-аналитикс-инженера (понимает как правильно настроить последовательность запросов к LLM для повышения качества)⭕️ Суть подхода:— Контекст = всё, что модель видит перед генерацией ответа— Включает инструкции, память, RAG, инструменты, формат вывода— Динамически создаётся под конкретную задачу— Фокус на системе, а не на статичном промпте🔸 Пример трансформации:— Простой агент: видит только запрос пользователя— «Волшебный» агент: анализирует календарь, историю, контакты— Результат: от роботизированного к естественному общению— Код собирает информацию, а не пытается быть умнее.🔹 Преимущества подхода:— Предоставляет правильную информацию в нужное время— Адаптируется к специфике каждой задачи— Улучшает качество ответов без обновления модели— Снижает количество ошибок и неточностей◾️ Ключевые принципы:— Формат представления информации критически важен— Краткие резюме эффективнее сырых данных— Междисциплинарный подход к проектированию— Понимание бизнес-контекста определяет успех→ Все статьи 👀

Документация для AI: практические принципы разработки → Хабр Рекомендации будут полезны всем, кто работает с документацией для ИИ, не только для разработки (например, при загрузке данных в папку GPT).Если коротко — качественная документация для ИИ это просто хорошая документация: чем чётче и структурированнее контент, тем лучше его воспринимают все, не только ИИ модели. С качественной документацией создается цикл: понятная структура улучшает ответы AI → ответы выявляют пробелы для дальнейшего улучшения → исправлять пробелы проще в качественной документации.⭕️ Контекст обработки:— AI разбивает документы на независимые фрагменты— Извлекает информацию по семантическому соответствию— Теряет неявные связи между разделами— Работает только с явно документированной информацией🔹 Быстрые улучшения:— Используйте семантический HTML и избегайте PDF— Создавайте контент, дружественный для краулеров— Предоставляйте текстовые альтернативы для визуалов— Упрощайте макеты без зависимости от расположения🔸 Структурирование информации:— Держите связанную информацию в близкой близости— Включайте названия продуктов в описания функций— Документируйте предварительные требования явно— Цитируйте точные сообщения об ошибках с решениями◾️ Принципы организации:— Каждый раздел должен быть самодостаточным— Заголовки несут контекст продукта и функции— Иерархия URL отражает логическую структуру— Секции работают при извлечении в изоляции→ Все статьи 👀

Как масштабировать применение ИИ. Аналитика и рекомендации от McKinsey→ ХабрКлючевая мысль статьи — внедрение ИИ-агентов требует не просто автоматизации задач, а полной перестройки бизнес-процессов.Это означает переход от вопроса: «Где я могу использовать ИИ в этой функции?» к вопросу: «Как будет выглядеть эта функция, если агенты будут выполнять 60 процентов ее работы?». Например, переосмысление работы колл-центра вокруг автономных агентов снижает время разрешения проблем до 90%, тогда как простая автоматизация даёт лишь 5-10% прироста.Важно, что это сможет сделать только CEO, т.к только он обладает необходимым влиянием и видением.⭕️ Парадокс GenAI:— 8/10 компаний внедрили GenAI, но столько же не видят прибыли.— Горизонтальные решения (копайлоты) широко внедрены, но дают разрозненную выгоду.— Вертикальные (специфичные) не масштабируются: 90 % остаются в пилотах.— Барьеры: разрозненность, тех. ограничения LLM, пробелы в данных, культура.🔹 Потенциал ИИ‑агентов:— Агенты автоматизируют сложные процессы, расширяя GenAI до проактивности.— Они ускоряют выполнение, адаптируются в реальном времени, повышают эластичность.— Усиливают текущие доходы, создают новые бизнес-модели (SaaS, подписки).🔸 Примеры применения:— Банк обновил устаревшие системы: >50 % экономии времени/усилий.— Фирма улучшила качество данных: >60 % прирост производительности.— Банк переосмыслил отчёты о рисках: ускорение обработки кредитов на 30 %.— Колл-центр: до 80 % запросов автономно, разрешение на 60‑90 % быстрее.◾️ Вызовы и риски:— Главный вызов не технический, а организационный и человеческий.— Сосуществование человека и агента: вопросы инициативы, контроля, доверия.— Управление автономностью: риск неконтролируемого поведения агентов.— Распространение: риск теневого ИТ и дублирования из-за low/no-code.⭕️ Путь к масштабированию:— Требуется архитектура «агентской AI-сети» для масштабирования и безопасности.— CEO должен завершить эксперименты и перенаправить фокус на трансформацию.— Переход от разрозн

Почему AI-продуктам необходимы команды внедрения→ Хабр Статья объясняет, почему AI-стартапам нужны команды внедрения для успешной работы с клиентами. Идея с активным подключением команды внедрения не нова — её подтверждают успехи Salesforce, ServiceNow и Workday. Мы тоже (в SEOWORK) видим, что без плотного участия аккаунт-менеджеров не все клиенты могут внедрить нашу SaaS-платформу аналитики и оценить её ценность. По сути команда внедрения значительно снижает отток и растит чек.Итого — даже в AI-продуктах «магия» сама не случается, нужны люди.⭕️ Контекст рынка: — AI-агенты требуют глубокой интеграции с системами клиента— PLG-модель часто не работает для сложных AI-решений— Предприятиям нужна помощь в настройке AI-продуктов— Сервисный подход создаёт защитное преимущество на долгие годы🔹 Бизнес-выгоды: — Возможность заключать крупные контракты на ранних этапах— Глубокое понимание клиентских задач улучшает продукт— Создание "защитного преимущества" против конкурентов— Рост маржинальности при сохранении клиентской базы🔸 Эффективное внедрение: — Нанимайте любознательных специалистов, а не только технарей— Создавайте инструменты для автоматизации процесса внедрения— Разрабатывайте правильные структуры мотивации сервисных команд — Обеспечивайте личное присутствие у клиента◾️ Показатели успеха: — Salesforce и ServiceNow выросли с маржи 54-63% до 75-79%— Salesforce потратил $52 млн до IPO для $22 млн выручки— AI делает внедрение эффективнее, чем у предыдущих платформ — Рыночная капитализация ServiceNow достигла $194 млрд→ Все статьи 👀

Как Lovable достиг $50M ARR: 12 тактик быстрого масштабирования→ ХабрРазбираем стратегии стартапа Lovable, достигшего $50 млн ARR благодаря одновременному использованию 12 каналов роста. ⭕️ Мультиканальный подход:— Lovable использует 12+ каналов роста одновременно;— Среди них: LinkedIn, X, Discord, YouTube, Google, Product Hunt, GitHub, Reddit.🔸 Стратегии привлечения:— GitHub: запуск как GPT Engineer (54 тыс. звёзд);— Product Hunt: многократные запуски, включая GPT Engineer и Lovable;— Соцсети (X, LinkedIn): ежедневные посты о продукте, росте и пользовательском контенте.🔹 Партнёрства и SEO:— Партнёрство с агентствами: доступ к Lovable по сниженной цене + комиссия с ARR;— SEO: создание блогов о собственном росте для привлечения трафика.◾️ Вовлечение аудитории:— Discord: сообщество на 34+ тыс. участников;— Подкасты: CEO Lovable участвует в крупных технологических подкастах;— Мероприятия: выступления на стартап-ивентах, таких как Slush.→ Все статьи 👀

Почему генеративный ИИ не стал повсеместным?  → Хабр  Интересный взгляд, особенно понравился вывод 😅Если вы каждый день используете пять LLM, а ваши друзья такие же, вы находитесь в пузыре, это не мейнстрим⭕️ Распространение:  — Быстрое распространение GenAI: 30 % за 2 года;  — Охват быстрее, чем у ПК, интернета или смартфонов;  — ChatGPT — это веб-сайт, не требует покупки устройств;  — Широкое освещение в СМИ способствует распространению.  ◾️ Проблемы:  — Низкое отношение DAU/WAU: 5‑15 % ежедневных пользователей;  — Большинство находит GenAI полезным лишь раз в неделю;  — Если не используется ежедневно, не приносит реальной пользы.  🔸 Перспективы:  — Возможно, вопрос времени: модели улучшатся, привычки изменятся;  — Нужен продукт, который кристаллизует возможности (как iPhone);  — Чат-бот не для всех: технология будет встроена в другие продукты.  → Все статьи 👀

Как генеративная оптимизация (GEO) меняет SEO рынок→ ХабрСтатья посвящена появлению нового метода оптимизации для поисковых систем, основанных на LLM. Давно ждал аналитику от Andreessen Horowitz (a16z) про влияние AI на SEO. Конечно в обзоре речь про глобальный рынок, но эти тренды мы давно видим в поиске Нейро от Яндекcа, кстати на год раньше чем у Google.Если совсем коротко — традиционное SEO поощряет точность и повторение, а генеративные движки отдают предпочтение контенту, который хорошо организован, легко поддается анализу и насыщен смыслом (а не просто ключевыми словами).Но если подумать... то ничего для SEO рынка не меняется, кто хорошо и системно вел работу по этому направлению у него и так уже все выстроено и учтено = есть понимание что такое хороший контент, какая структура удобна для пользователя, как строить контент-план и пр. Просто добавляется еще один инструмент/канал анализа GPT-чаты.Еще одну мысль «накидывают» a16z, с которой не могу согласиться — рынок GEO с точки зрения инструментов анализа отличается от SEO и нас ждет один игрок монополист. Все это произойдет за счет автоматизация AI агентов, который в итоге будут заменять маркетологов (GEO = AI везде = маркетологи тоже будут AI). Уверен, что замена маркетолога нас ждет очень не скоро, подробно на эту тему писал в статье «AI-агенты в реальном мире: почему они не работают и как это исправить» → следовательно как и с SEO надо будет возиться и разбираться как анализировать, кто конкурент, какой контент готовить и как. Одно понятно точно — контента нужно будет еще больше 😅⭕️ GEO в поиске:— LLM-платформы вытесняют традиционные браузеры— Персонализированные ответы, синтез из разных источников— Запросы длиннее (23 слова), сеансы глубже (6 минут)🔹 Преимущества GEO:— Повышение узнаваемости бренда— Анализ упоминаний в ответах ИИ— Оптимизация контента для видимости ИИ🔸 Примеры GEO-инструментов:— Profound, Goodie, Daydream — анализ присутствия бренда в ответах ИИ— Ahrefs Brand Radar — отслеживание упомина

Страница ← Топ-100 способов применения ИИ с описанием и переключением по категориям.Категории🟦 Личная и профессиональная поддержка🟥 Обучение и образование🟩 Техническая помощь и устранение неполадок🟨 Создание и редактирование контента 🟪 Творчество и досуг🟧 Исследования, аналитика и принятие решенийТОП 100🟦 1. Терапия / общение🟦 2. Организация моей жизни🟦 3. Найти жизненную цель🟥 4. Улучшить обучение🟩 5. Генерация кода (профи)🟨 6. Генерация идей🟪 7. Развлечения и чепуха🟩 8. Улучшение кода (профи)🟨 9. Творчество🟦 10. Здоровый образ жизни🟥 11. Подготовка к собеседованиям🟪 12. Создание релевантных изображений🟧 13. Точный поиск🟥 14. Простые объяснения🟪 15. Готовить из того, что есть🟩 16. Устранение неполадок🟥 17. Персонализированное обучение🟦 18. Повышение уверенности🟨 19. Настройка тона письма🟩 20. Объяснение юридической лексики🟪 21. Развлекать детей🟦 22. Корпоративный LLM / копилот🟥 23. Написание студенческих эссе🟦 24. Путевой маршрут🟪 25. Персональная детская история🟦 26. Медицинские советы🟦 27. Урегулирование личных споров🟨 28. Генерация юридических документов🟦 29. Глубокие и значимые разговоры🟨 30. Борьба с троллингом🟪 31. «Подземелья и драконы»🟩 32. Налоговые советы🟦 33. Взаимодействие с умершими🟥 34. Суммаризация контента🟩 35. Кодирование для новичков🟨 36. Воображение🟨 37. Генерация оценок🟦 38. Советы по отношениям🟥 39. Тренировка сложных разговоров🟦 40. Составление списков🟥 41. Домашние задания🟦 42. Воспитание и наставление детей🟦 43. Рабочий напарник🟦 44. Улучшение промптов🟨 45. Редактирование текста🟨 46. Черновики писем🟩 47. Формулы Excel🟧 48. Оценка копирайта🟦 49. Личные финансы🟥 50. Помощь при чтении книг🟨 51. Черновик документа🟨 52. Черновик официального письма🟧 53. Проверка фактов🟦 54. Шопинг🟪 55. Преодолеть писательский блок🟩 56. Исправление ошибок в коде🟥 57. Изучение языков🟩 58. «Резиновая уточка» (самообъяснение)🟦 59. Секс🟧 60. Разбор научных статей🟧 61. Генерация синтетических данных🟥 6

Топ-100 способов применения искусственного интеллекта для личных целей в 2025→ ХабрИсследование показывает, как меняется использование Gen AI. Главный тренд — переход от решения технических задач к поддержке личного развития и эмоционального благополучия. Это открывает неожиданный рынок доступной "терапии" и компаньонства, особенно в регионах с нехваткой специалистов.Для себя отмечаю, что за последний год самый значимый сдвиг моего использования ИИ это 2 вещи — поиск информации/ресерч и подготовка документации/описания. Получаемое качество результата просто не дает шанса соскочить с ИИ использования 😅 ⭕️ Главный тренд:— сдвиг от техн. задач к личной поддержке— 38 новых сценариев в топ-100— новые игроки и функции LLM🔹 Выгоды:— AI-терапия доступна и без осуждения— помогает структурировать жизнь и привычки— улучшает понимание при обучении— персональный помощник для продуктивности🔸 Примеры:— Терапия/компаньонство №1 в списке— организация быта и планирование— помощь студентам с материалом— составление маршрутов путешествий◾️ Риски:— опасения чрезмерной зависимости— влияние на образование (эссе, задания)— вопросы приватности данных LLM— воспринимаемая предвзятость AI→ Все статьи 👀

Обзор OpenAI Codex на практике→ Хабр⭕️ Основы Codex:— Чат-интерфейс, доступ по приглашению или подписке ($200/мес);— Требует MFA и авторизации GitHub для организаций;— Клонирует репозитории в изолированные среды для команд.🔹 Преимущества:— Параллельный запуск множества задач по репозиториям;— Подходит для управления проектами вне рабочего места;— Создание PR с автозаполнением описания;— Отслеживание логов и прогресса задач в реальном времени.◾️ Недостатки:— Плохая или неполная обработка ошибок;— Среднее качество кода, часто требует ручных изменений;— Затруднены многошаговые рефакторинги, обновления веток;— Отсутствие сетевого подключения в изолированных средах.🔸 Применение:— Идеален для низкоприоритетных и рутинных задач;— Подходит для мелких правок текста и изменений стиля;— Неэффективен для значительного рефакторинга или новых функций.→ Все статьи 👀