64 lines
5.5 KiB
Markdown
64 lines
5.5 KiB
Markdown
# 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».
|