5.5 KiB
Выводы по видео
Источник: https://www.youtube.com/shorts/P4eWd2jvz4k Название: ИИ глупый! #ии #ai #бизнес Длительность: 1:28 Язык: русский
Главный тезис
ИИ выглядит «глупым» не потому, что модель плохая, а потому, что ей систематически недодают две вещи: контекст (память о вашем конкретном бизнесе) и harness — набор правил, по которым модель обязана рассуждать. Без них даже сильнейшая модель отвечает как чужой эксперт, а не как ваш сотрудник.
Аналогия, которую строит автор
Представьте компанию, продающую оборудование, и два источника ответа на вопрос «как у нас закроется месяц по продажам?»:
| Кого спрашиваем | Что ответит | Почему |
|---|---|---|
| 10 нобелевских лауреатов и докторов наук | «По вашей категории бизнеса, согласно отраслевому отчёту, в среднем по России продажи падают/растут на ~5%» | Умные, но говорят про среднее по рынку — к вашему бизнесу это отношения не имеет |
| Рядовой сотрудник вашей компании | Ответит точнее и ближе к реальности | У него есть контекст: он видит вашу воронку, клиентов, сезонность, сделки |
Вывод: ум без контекста проигрывает контексту без ума. Именно это происходит с ИИ по умолчанию — он умный, но пустой.
Что нужно дать модели
1. Память / контекст
Данные о вашей компании: продукты, воронка, клиенты, история сделок, внутренние документы, метрики. Как только этот контекст оказывается «в голове» у эксперта — качество ответа растёт на порядки (автор говорит: «в десятки раз, может быть, в миллион»).
Практически это значит:
- RAG над корпоративными данными
- Долгосрочная память ассистента
- Инжест CRM/ERP/документов в тот же контекст, где работает модель
2. Harness — набор правил работы модели
Не просто промпт, а инженерная обвязка: что модель обязана проверить, каким инструментам довериться, как формировать ответ, что запрещено. Это превращает LLM из «энциклопедии со средним по больнице» в процедурного агента, который отвечает так, как отвечал бы ваш сотрудник, знающий и данные, и внутренние правила игры.
Формула из видео
Сильная модель + контекст вашего бизнеса + harness = ответ уровня сотрудника, а не постороннего эксперта.
Убери любой из трёх компонентов — получишь либо «умный, но общий» ответ, либо «конкретный, но недисциплинированный», либо «глупый ИИ».
Практические takeaways
- Если ИИ у вас «не работает» — почти всегда проблема не в модели, а в отсутствии контекста и обвязки, а не в интеллекте модели.
- Прежде чем менять модель на «более умную», подайте ей то, что знает ваш рядовой сотрудник.
- Инвестировать стоит в инфраструктуру контекста (данные, память, интеграции) и в harness (правила, проверки, тулинг) — это то, что даёт результат ×10…×1000, а не смена версии модели.
- Метрика зрелости AI-внедрения: может ли модель ответить на вопрос про ваш бизнес точнее, чем сторонний консультант? Если нет — не хватает контекста или harness'а.
Кому полезно
Владельцам бизнеса и продактам, которые внедряют LLM во внутренние процессы и разочарованы «общими» ответами; инженерам, строящим корпоративных ассистентов; всем, кто выбирает между «взять модель побольше» и «дать модели правильные данные и правила».