Экспресс-лаборатория внутри комбайна: как научить технику оценивать зерно каждые 6 секунд Обычно понять, насколько хорошо комбайн очистил зерно, можно уже на элеваторе или в лаборатории, когда повлиять на результат уборки поздно. Crop Control переносит этот контроль прямо в поле и доустанавливается на комбайн, даже если раньше на нём не было такой автоматики. Примерно раз в 6-8 секунд система отбирает пробу зерна из потока, анализирует её и возвращает обратно. Механизатор видит влажность, температуру, битость, сорность и изображение зерна, получает рекомендации по настройкам и через несколько секунд может увидеть, помогла ли корректировка. Но внутри комбайна пробу мало просто сфотографировать. Зерно нужно постоянно обновлять перед камерой, не дать ему застрять и при этом не доломать его самим механизмом. Вибрация тоже вмешивается в измерения, а соя и нут по плотности могут вести себя почти как камни. На решение одной только задачи с застреванием ушло около четырёх лет.

ИИ-помощник для автоматизации найма на HH стал платным с 1 октября Многие полагают, что именно эта фишка стала проблемой для тех, кто ищет работу. Представьте, вы стараетесь, пишите отклик, с душой оформляете резюме о себе, а бездушная машина в виде ИИ выдает вам авто-отказ лишь потому, что вы не подходите по фильтрам. А какие именно фильтры выставила конкретная компания - информации нет. Такую функцию внедрили в ноябре 2025 года и почти целый год именно она создавала множество проблем. Есть вероятность, что пробиться теперь станет проще, потому что не все работодатели захотят оплачивать данную услугу. Или наоборот. Все также продолжат использовать данную фишку, заносить деньги НН, а те в свою очередь прикрутят новую услугу для сбора средств. Что думаете?

Сегодня предлагаю посмотреть подборку новостей с западного HR рынка. Это важно отслеживать для понимания того, что будет появляться в ближайшем будущем и у нас 📝 Поставьте реакцию на пост, если такая подборка для вас интересна 😉 📊 Исследования и данные 1. Свежее исследование Digitalverband Bitkom (сентябрь 2026) показало, каждое шестое предприятие Германии готово к тому, чтобы собеседования проводил AI. Сейчас только 2% компаний уже это практикуют, но 17% рассматривают такую возможность. Следовательно, спрос на AI-инструменты в найме растёт, но осторожность сохраняется. 2. Согласно данным Manpower (сентябрь 2026), две из трёх швейцарских компаний используют AI в HR-процессах. Среди тех, кто уже внедрил, 72% отмечают положительный возврат инвестиций — в первую очередь за счёт роста продуктивности команд и улучшения планирования. Значит AI в HR переходит из стадии экспериментов в стадию измеримой эффективности. 🛠 Инструменты и платформы 3. Phenom предлагает AI-инфраструктуру, созданную специально для HR (от подбора до управления талантами и аналитики). Ключевая особенность - система адаптируется к отраслевому контексту и регуляторным требованиям. В 2025 году компания была названа одним из лучших AI-провайдеров по версии Software Magazine. Что умеет: - AI-агенты для сорсинга, скрининга, планирования интервью. - Генерация руководство к проведению интервью для снижения предвзятости. - Детекция несоответствий в ответах кандидатов. - Сквозная автоматизация для массового найма. 4. SeekOut: поиск кандидатов через естественный язык. Поисковик на базе AI для рекрутеров. Вместо сложной Boolean-логики можно писать запросы обычным языком: «найди senior Python engineers в городе _ с опытом AWS». AI создаёт точные критерии и находит подходящие профили. 5. В сентябре 2026 вышла новая версия Galileo (Jupiter). Это AI-ассистент для HR и руководителей. Ключевое отличие: ассистент интегрируется через Model Context Protocol с Workday, Microsoft Copilot, Claude, ChatGPT, Gemini, ServiceNow, SAP, Oracle и HiBob . Почему это важно? AI-инструмент встраивается в существующие системы, а не требует отдельного интерфейса. В бенчмарках Galileo оказался более чем на 200% быстрее универсальных LLM, а другие модели в половине случаев выдавали ошибки.

Как мне ИИ помогает в быту. Тесно сотрудничаю с ИИ-помощником в разработке. Он экономит мне кучу времени на рутину, находит неочевидные детали и предлагает оптимальные решения. Вот несколько кейсов только на этой неделе. 🔹Статистика Решил я добавить статистики в PersMarket. Ну, там, просмотры, география, прочее. Обычно для таких целей сразу тащу в проект ClickHouse. Но недавно писал про SereneDB, новую быструю СУБД с PostgreSQL-коннектором. Думаю, надо пробовать. Запустил режим планирования в моем ИИ-коллеге и попросил прикинуть, как реализовать статистику, упомянув обе СУБД выше. Тот пошуршал и выдал план, в основе которого обычный советский PostgreSQL. Про ClickHouse сказал, что рано. Про SereneDB почитал документацию на сайте и сказал, что пока тоже не стоит. Я пытался его убедить, что стильно-модно-молодежно, но тот был непреклонен, настаивал на своем варианте, без всякого вот этого "Вы абсолютно правы". В отчете привел обоснования и примерные оценки. По совокупности факторов я с ним согласился и пока не жалею. А вот если бы принимал решение сам, мог бы внедрить новое и потом увязнуть в настройке-поддержке. Да еще сервер мощнее брать бы пришлось. 🔹Лендинги Умеет мой нейродруг верстать, поэтому я делаю в нем лендинги. Сначала традиционный режим планирования, придумываем экраны, обсуждаем всякие завлекательные и убеждающие фразы, CTA-элементы и вот это все. Я пишу, что мне надо в итоге, он готовит этот поэкранный сценарий. Затем я согласую, и он верстает. По умолчанию получается немного нейрослопно, но есть скиллы, дополняющие его опыт всякими лучшми практиками. Они корректируют типографику и композицию, так что получается вполне прилично для работы на час. Но вот не умеет он генерировать картинки, к сожалению. Вернее, умеет вектор и SVG, умеет диаграммы и графики, а вот фотореализм не умеет. А для лендинга надо. И я прошу его: "У меня есть платное AI API, там есть модельки, умеющие генерировать изображения. Сделай мне скилл для генерации, чтобы недорого и приемлемо." Он сходил на сайт API, почитал документацию, скачал список моделей с расценками, сделал несколько тестовых запросов, выяснил оптимальный вариант и соорудил скилл. Собственно, скилл - это текст с инструкциями + скрипт на Python. И вторым запросом я ему говорю: "А теперь примени этот скилл для нового лендинга". 5 минут - и вуаля! - картинки на месте. Он сам составил запросы с учетом контекста, получил готовые картинки, оценил с точки зрения релевантности, вставил в лендинг и отформатировал. Придраться было не к чему. 🔹Баги На одном из проектов пользователи создают отчеты и прикрепляют к ним фото. И регулярно жаловались, что пропадают загруженные фото. Я не мог понять закономерность и воспроизвести это дело. Функционал делал не я, к тому же там использовалась сторонняя библиотека как ядро платформы. Попросил своего AI-гуру посмотреть, что может быть. Он посмотрел, говорит, что бывают фото большие, и в определенных случаях пользователи загружают их пачками, что не пролезает в лимиты. Давай, говорит, будем их уменьшать прямо на фронте. Ну конечно давай, говорю. Он сделал. Поверил за собой, тесты всякие, туда-сюда. Всё нормально. Кстати, говорит, а ты знаешь, что у тебя фото сохраняются неправлиьно на сервере? Не знаю, говорю. А вот, говорит, та сторонняя библиотека сначала пишет оригинал, а потом в этот же файл пишет уменьшенную копию, не отрезая хвост. Картинки потом отображаются нормально, потому что там все сигнатуры нормальные, но мусорный хвост увеличивает размер файла, иногда в разы. Ну разве я бы такое нашел глазами? Я бы и не искал, файлы без ошибок пишутся и открываются, а кто там на размер смотрит. Ой, мама, сказал я, сделай что-нибудь. Он исправил сохранение и по своей инициативе написал мне консольную утилиту для обрезания хвостов уже загруженных файлов, даже режим dry-run не забыл. Пробую - на каждые три месяца фоток до 500 мб хвостов. А история там за 4 года. В общем, не представляю, как раньше жил без такого покладистого помощника и, главное, быстрого, как электровеник. #ai

А вот и новости про налоги с ИИ подоспели, а ведь еще недавно я об этом писала на своём канале... Вчера Билл Гейтс поднял эту тему. Он предлагает облагать налогом роботов и AI, если они начинают выполнять работу, которую раньше делал человек. Логика довольно простая: когда компания нанимает человека, то с его зарплаты от работодателя идут налоги в счет государства и социальные взносы. А если вместо человека компания покупает робота или использует AI, то налоговая система устроена иначе: расходы на технологию можно учитывать как бизнес-расход, но отдельного «налога на сотрудника» нет. Получается интересная ситуация: Чем больше людей компания заменяет технологиями, тем меньше может становиться налоговая база, связанная с человеческим трудом. И Гейтс предлагает это как-то уравнять. Но решит ли это вопрос кризиса найма реальных людей? Как считаете?

Я очень большой любитель разработки трекинговых систем. На последней моей работе последней моей задачей была система трекинга водителей и логистов, чтоб они не наёбывали между маршрутными листами компанию отъезжая на пару часов почилить домой, а хоть как-то старались изображать деятельность и ездили по клиентам. Но эта хуйня уже тумач. В какой-то ебаной шаурмячной дрюкать ИИ-кипиаейем и тон-оф-войсом сотрудников — это уже чистый гулаг. Я понимаю там директор купил себе подписку клодкода и решил внезапно стать гигапродуктивным экспертом хуман ресурсес. Но даже не будучи сотрудником этой шарашки я как клиент говорю — я в рот ебал ваши скрипты. Я предпочитаю чтоб мне живой человек отвечал живым языком за кассой, а не слопо-скриптами. Мне насрать не произнес ли он акцию дня, если ко мне обращается живой человек и ведёт себя авантажно, то мне уже збс. Лучше бы эти вайбклоуны думали над качеством еды и рецептуры, а не над тем как нагибать бедолагу за кассой, чью задачу автоматизировать легче чем вайбкуколдить какую-то хуйню.

Статистика по задачам. Как повлиял ии? Заметил интересный эффект. По мере внедрения агентов, мы стали очень сильно ускорятся в скорости закрытия тасок, в какой-то момент мне почудилось что еще чуть-чуть то текучка пропадет и мы займемся, новыми большими фичами почти без отвлечения. Но как я был не прав :) Задач было столько не потому что их было столько, а потому что где-то мы не все видели и ИИ подсветил, где-то просто перестали добавлять даже в беклог, понимая что за эти задачи мы в ближайшее десятилетие не возьмемся. Когда задачки стали закрываться, а у продактов и других ребят появились коннекторы ко всем системам, мы получили такой рост количества тикетов, что уже пришлось просить притормозить. У нас бывают дни когда за раз открывается новых несколько десятков и закрывается несколько десятков. То что раньше делалось недели, проскакивает за часы. В итоге прямо сейчас задач висит столько, сколько не висело никогда. А между тем 5 агентов (только у меня) херачат сутками. У меня кстати накопилось уже материала по изменениям, буду про это писать скоро. И переписывания на го и снижение цены лида и улучшение аналитики. Ух сколько всего. Цифры Посчитал все тикеты разработки, фидбека и контента в Трекере с октября 2025 по сентябрь 2026. За год создано 1340 тикетов, закрыто 1032. Точка отсчёта — 14 мая: в этот день в репозитории появился первый коммит, написанный вместе с Claude. Сколько создаём и закрываем в месяц • Октябрь–апрель: создавали около 70, закрывали около 50. • Июнь–август: создаём около 105, закрываем около 105. • Сентябрь: создали 422, закрыли 222. Как быстро закрываем • До мая тикет жил до закрытия в среднем от 3 недель до 2 месяцев. Начиная с мая — 5–6 дней. • Доля тикетов, закрытых за неделю, выросла примерно с 20% до 35–48%. Исключения — июнь и сентябрь. Коммиты • До мая было около 400 в месяц, в сентябре — 713. У 87% сентябрьских коммитов соавтор — Claude. Выводы 1. Тикеты закрываются примерно в 6–10 раз быстрее, чем до мая. 2. Летом мы впервые закрывали не меньше, чем создавали. До этого очередь только росла. Аппетиты растут во время еды :)

Вайбкодить сайты легко. А вы попробуйте вайбкодить обложки для видео 😄 Я вот пробую. Пока херня получается. Мне надо пересобрать обложки для видео на моем ютуб-канале и идея такая: Claude собирает мне конструктор этих обложек в HTML, чтобы каждый раз не генерировать целые картинки. А на самих обложках будет вставлять меня в разных позах. И вот щас он нагенерировал меня, но вырезал из фона меня супер херово. Щас перебираю варианты, как это лучше сделать. Должно получиться так: 1. Заголовки текстом через HTML 2. Меня в разных позах сгенерирует один раз Chat GPT 3. Всякие 3D объекты для видео тоже сгенерирует Chat GPT 4. Claude будет собирать обложки через HTML, и уже из него будет сохранять картинку всей обложки целиком.

Как я с помощью Gemini положил рабочую таблицу На работе у нас Gemini, и я начал активно использовать его для работы с таблицами. Раньше применял довольно примитивные конструкции, наверно "VLOOKUP" это самое сложное, с AI мой арсенал конечно же сильно возрос. Описываешь, что нужно, получаешь формулу, вставляешь, работает. Можно делать вещи, на которые раньше потратил бы кучу времени. Но... На днях пытаюсь открыть общий файл, не открывается. Спрашиваю коллег, у них то же самое. Оказалось, одна из формул, которую предложил Gemini, настолько неоптимально искала данные, что просто подвесила весь файл. Причём до такой степени, что зайти и удалить эту формулу тоже не получается. Открываешь, формула запускается, и все висит. Дальше начались попытки спасения: создать копию, почистить кэш, перезагрузить. Ничего не помогло. В итоге единственный сработавший вариант, выгрузить файл в Эксель и на его основе создать новую Google-таблицу, эксель они не "вешают", тут к счастью Гугл и Микрософт не договорились, разный синтаксис. С формулами пришлось разбираться заново, доступы тоже выдавать заново. Старый файл, по сути, остался только на удаление. В общем, немного повысил продуктивность. С одной стороны, у меня есть вопросы к Google. Очень странно, что одна тяжёлая формула может сделать документ недоступным вместе со всеми данными. Хотелось бы хотя бы иметь возможность открыть его без пересчёта и убрать то, что всё сломало. С другой формулу в общий рабочий файл добавил я. Не разобрался, как она работает, сколько вычислений запускает и что будет происходить с таблицей. Получил нужный результат и решил, что всё хорошо. Вот она ловушка. Когда сам пишешь сложную формулу, по дороге приходится разбираться. С AI этот этап можно проскочить: результат уже есть, а понимание не всегда. И поначалу совершенно незаметно, что чего-то не хватает, но главное, что последствия её использования всё равно остаются на мне. Тут я теперь "умный", пишу что общий файл, что данных много, что формулу надо оптимизировать, работает хорошо, но честно говоря, формулы стали ещё более непонятными. А сколько ещё таких мест, где последствия могут быть более серьезными? 🤔

(2/2) Этот переход чаще всего вопрос не сколько технический, сколько ментальный: например, мне очень сложно было отдать управление своей личкой в ЛИ или Х, еще сложнее дать кому то постить от моего лица, или разработчикам самим дизайнить фичи, но только через этот ментальный барьер и получается предпринимательский рост, и случается кратное повышение продуктивности Оглядываясь назад всегда становится понятно, что дальше бы оно просто не работало, и это тебя тормозило (в частности тут про желание все контроировать / делать самому руками, но про многие такие вещи которые я делаю сейчас я просто еще не догадываюсь) Так как мои простые примеры это диапазон типо от 1к до 100к мрр, то есть переход от human-scale productivity к 10x-human, чтобы сделать 1М или 100М требуется сломать новые барьеры и найти новые подходы к тем же вещам, принять новые нормы Какие существуют рычаги, и что помогает делать 10-100х, вскользь я уже упомянул: • изначально это просто больше усилий • потом делегирование • конвейерное производство (копирование) • автоматизация (AI сюда) • и капитал ________ Самое интересное, что это не только про бизнес, а про любую систему—сразу становится понятно, почему одни люди богатые, а другие бедные—потому что те, кто становятся миллионерами, делают что то по другому от рядового пользователя, и находят хаки как достичь 10-100х результата; а те кто ленятся, отправляют за день 2 имейла и идут на обед, и получают свой заслуженный средний достаток Да че уж там, даже мои топ 1% результаты в дейтинге, прямо выплывают из систематичности и топ 1% усилий которые я к этому прикладываю, те кто свайпают 5 минут перед сном, не становятся известными в Тайване, прости господи

Поэтому, если вы чувствуете, что на чем то застряли, или мир к вам не справедлив, подумайте: а действительно ли вы делаете это 10х эффективнее чем average Joe, или вы ожидаете extraordinary results from ordinary actions?

ауф ________ Напишите свои примеры, где вы замечали, как топовые игроки прогибают систему в свою пользу, ебашат по хардкору, и достигают 100х продуктивности! Правда интересно, так как именно насмотренность такие приемы и разблокирует

На пятый год у меня сошелся пазл, и я наконец понял формулу, как достичь успеха в бизнесе Поговорим про хардкор Это тема которая меня близко задела, и заставила за полностью пересмотреть каждую функцию в компании Дело в том, что ваши результаты (в любой сфере), напрямую зависят от вашего подхода, как вы взаимодействуйте с системой, и вашей продуктивности—какой аутпут вы получаете при равном инпуте

Нельзя получить выдающийся результат выполняя рядовые действия

Сейчас объясню: Представьте, такого, наивного ферст тайм фаундера, который решил сделать свою дейтинг аппу, туду-лист, маркетплей, что угодно классическое, о чем прикольно фантазировать, но очень сложно запускать; как этот фаундер пол года обдумывает механики, хвастается идеей, вылизывает экраны, представляет как сейчас разбогатеет, а потом, конечно, ничего не происходит. Для большинства из вас, умных, такой человек кажется наивным, и вы понимаете что это не будет работать, и то что он делает скорее контр-продуктивно А теперь представьте что на этой шкале вы посредине, а дальше есть более осмысленные люди, которые лучше понимают систему, и для которых то что вы делаете кажется ковырянием в песочнице. И вот я пообщался с таким человеком:

Простой пример: мы долго мучаемся с контентом в Х/ЛИ, как его системно сорсить, писать, проверять, постить, чтобы мне не заниматься только этим, несколько человек уже пытались мне с этим помогать, и вот с горем пополам мы вышли на один пост в день (что уже чаще чем постит обычный пользователь ЛИ), но каких то осязаемых результатов, в виде продаж или виральности мы так и не получили. А этот человек мне говорит: "мы постим 10 постов в день с 10 акаунтов, а то что вы делаете, один пост в день, это и не может работать"

Поймите эту разницу в масштабе: • кто то использует систему линейно, берет свой имейл и пишет лидам ручками, по 5 писем в день, а кто то покупает 10 доменов, 50 ящиков, и отправляет 500 писем в день • кто то целый день переснимает видос, редактирует, и потом получает пару тысяч просмотров в месяц, а кто то строит контент ферму, льет видосы со 100 акаунтов, и генерит миллиард просмотров • кто то сидит месяц ждет лендос от агенства, и потом не может к нему прикоснуться, а кто то генерит 10 лендосов за вечер под каждый ICP • в разработке так же: кто то неделями меняет цвет кнопки обсуждая это на звонках, а кто то за день строит целый продукт; кто то пишет обертки для api, а кто то за то же время строит свои модели; кто то делает аналитику, а кто то находит проблемы и сразу их решает • кто то неделю пишет одну статью в блог, а кто то публикует десять статей в день, и тд Чувствуете вкус? Те, кто получает топ 1% результата системы (денег, просмотров, юзеров, етц) используют систему с топ 1% эффективностью. Соответственно, если вы прикладываете 1х усилия, и используете систему линейно, то стоит ли удивляться, что вы получаете 1х результат, как любой другой человек? Что я наблюдаю, что работает для успешных компаний, и что выводит игроков в лидеры, это не простой наивный подход "как все", а хардкор: как сделать больше усилий, или найти хаки, чтобы один человек мог приумножить свои усилия 100х, и делать, то что другим потребует 100х людей или 100х времени. ________ Для этого, конечно, приходится чем то жертвовать. Когда ты автоматизируешь/делегируешь что угодно, уходит контроль над деталями, внимание к мелочам, проседает качество, но повышается объем. Конечно, нанятые инфлюенсеры рассказывают о проекте хуже чем это сделал бы фаундер, кринжовые посты продают лучше чем умные, агент пишет текст хуже чем человек, а делегирование личных акаунтов вообще убивает в них личность...

...но в капитализме побеждает продуктивность, а не перфекционизм

Это еще можно назвать агрессивностью, на сколько ты готов выходить за рамки, жертвовать качеством, чувствовать кринж, ради результата—тк это все обычно работает на грани, в серой зоне (см. airbnb, uber, higgsfield), часто через нарушения правил пользования, ботоводство, спам, копирование, регуляции, общественные нормы, которые направлены защитить линейных пользователей (1/2)

Raven Харнесс харнессов — собирает агентов, инструменты, навыки и память в один завершенный результат Автономно строит и развивает модульные харнессы под конкретные модели и домены. Каждая пара модель-харнесс становится компонуемой единицей интеллекта. Обгоняет SOTA-агентов на сложных долгих задачах • Автоконструирование харнессов под модель и домен • Эволюция харнессов — постоянное улучшение • Сохранение контекста между сессиями через EverOS • Готовые агенты — Raven-Research, Raven-Code, Raven-Design, Raven-Oncall • Компонуемость — любая пара модель-харнесс как модуль Кейс: THRESHOLD. полный проект разработки игры. Бриф от человека Raven выполнил весь проект целиком. Зха 4 дня Raven автономно провел 42 цикла планирования, разработки и проверки, чтобы собрать играбельный шутер от первого лица на Godot 4 с ареной и босс-файтом. В комплекте постер, презентация и сайт — все сделано Raven Гитхаб #harness

70 лет назад, когда компьютеры существовали в основном в государственных и военных лабораториях, уже находились люди, которые понимали: компьютер, это не только штука для расчёта траектории ракеты или взлома шифров. Это ещё и отличный инструмент для бизнеса. Особенно для бизнеса, которому приходится обрабатывать огромное количество информации. Поэтому первый в мире компьютер, созданный специально для офисной работы, появился не в банке, не в страховой компании и даже не на промышленном гиганте. Его создала компания, владевшая сетью чайных и производившая продукты питания. Компания называлась J. Lyons & Co. Задачи у неё были вполне знакомые любому современному предприятию - собирать заказы со множества торговых точек, планировать производство, оценивать эффективность каждой чайной, вести учёт продукции, рассчитывать зарплаты. В общем, почти обычная ERP-система. Только на дворе были 1950-е, а слово ERP ещё никто не придумал. Свой компьютер в Lyons назвали LEO - Lyons Electronic Office (электронный офис Lyons) И это был один из самых ранних компьютеров Великобритании (пишут, что он был третий по счёту. У кого были первые два, я думаю, что вы догадались 😎) Причём компания не просто купила себе очень дорогую железную штуку и торжественно поставила её в отдельной комнате. В Lyons создали специальное подразделение, которое описывало и оптимизировало бизнес-процессы, программировало, обучало сотрудников, внедряло новые решения и исправляло ошибки. То есть фактически создали обычный современный IT-отдел. Только это было более 70 лет назад. Одной из самых сложных задач было планирование производства выпечки. Срок хранения короткий - произведёшь слишком много, получишь списания, слишком мало - потеряешь продажи. Поэтому компании нужно было максимально точно прогнозировать спрос и быстро реагировать на его изменения. Постепенно компьютерное направление превратилось в отдельный бизнес. Появились LEO II, затем LEO III. Несколько десятков машин удалось продать другим компаниям. Но для создания большой самостоятельной компьютерной индустрии этого оказалось недостаточно. В итоге рынок захватили американские производители, прежде всего IBM, а история LEO постепенно превратилась в легенду Британской компьютерной индустрии. Эта история подробно описана в книге A Computer Called LEO: Lyons Teashops and the World’s First Office Computer. Какие выводы можно сделать сегодня из этой истории: 1️⃣ Рынок, общество и бизнес должны «созреть» к инновациям. 2️⃣ Даже если всем очевидно преимущество новой технологии, существует огромная инерция в культуре бизнеса 3️⃣ Недостаточно просто купить компьютеры и ПО. Нужна очень большая и кропотливая работа по описанию процессов и внедрению IT решений. Сейчас стоимость такой работы выше, чем стоимость «железа» и ПО 4️⃣ Такие революционные и капиталоемкие инновации должно поддерживать государство. Иначе рынок будет захвачен компаниями из других государств, которые эти инновации поддержали. Сегодня государственная поддержка стратегических технологий вообще стала совершенно обычным явлением. И хотя Великобритания в 1950-х прошляпила своё лидерство в компьютерах, в её истории есть и обратные примеры. В следующем посте расскажу, как государственная поддержка помогла британским производителям стать мировыми лидерами в производстве… шерстяных шапок. Не переключайтесь. Незаметный бизнес

Грузоперевозки на стероидах Представьте, что ваш груз сам выбирает лучший маршрут, а документы оформляются сами. GPS, умные платформы и автоматизация делают это реальностью: меньше простоев, меньше ошибок, больше прибыли. Главная загвоздка — люди. Сотрудники привыкли к старым схемам, и обучение новым технологиям требует терпения и мотивации. Без этого никакая система не заработает. ИИ — новый супергерой логистики: прогнозирует спрос, строит оптимальные маршруты, предсказывает поломки и ускоряет обработку данных. Через 5 лет компании, игнорирующие ИИ, будут как лошади против болида Формулы-1. Советы бизнесу: Внедряйте технологии постепенно и поддерживайте сотрудников обучением Используйте данные для принятия решений, а не только для отчётов Инвестируйте в ИИ: он быстро окупается за счёт экономии топлива и времени Тестируйте новые решения на небольших участках, прежде чем масштабировать. Фаундер | Бизнес и Стартапы

Нет, нет и ещё раз нет Написал вчера, что выпустил ролик, который смонтировал искусственный интеллект. Получил неожиданно много откликов с интересом-поддержкой-восхищением. Надеюсь, восхищались всё-таки AI, а не мной :-) И даже предложили запустить #стартапдня “монтаж в одну кнопку”, помогать за денежку другим блогерам. Точно нет. Образцово плохой проект. – Если я сейчас с этим справился, через месяц-год-три с этим справится каждый. Благо, “справиться” в этом случае это просто довериться агенту и ему не мешать. – Если сейчас для задачи нужен Claude Code, через год-три хватит бесплатного Deepseek или Алисы. – Если вдруг прогресс и остановится, то проникновение продолжит расти. Уж у каждого платежеспособного блогера свой агент точно появится. – Домашний запуск радикально выигрывает по себестоимости у потенциального стартапа. Компьютер и так есть, серверная мощность бесплатна. Токены расходуются в рамках подписки. Стартапу придется платить. – Если вдруг я все-таки неправ, и проект таки полетит – продукт идеально повторим. Конкуренты съедят на следующий день. Вместо стартапа с подпиской и верой в великое будущее можно было бы запустить робо-фрилансера для прибыли прямо сейчас, как про “бабушку с рисунками” недавно писал. Цена вдвое ниже обычной человеческой, качество – примерно такое же. Трафик с бирж от upwork до profi.ru. Пара человек в штате, чтобы вести переписку и рассказывать, что мастер Александр сам все делает, это не AI какой-то, всё с душой. Пока заказчики не знают про искусственный интеллект или ему не доверяют – легкие деньги. Но, небось, там уже половина предложений таких. Или через полгода станет такими. И опять идеальная конкуренция с потенциально нулевым доходом. #простомысли #ai