Ольга Ведерникова про ИИ

Время – не деньги Маршрут технического специалиста от восторга перед ИИ до инвесткомитета часто строится на иллюзии: если мы сделали что-то крутое, проект уже оправдан. Представьте юриста, который раньше проверял договор 40 минут, а с ИИ — за 5. Ускорение в 8 раз! Разработчик бежит к финдиректору: «Мы сэкономим 35 минут на договоре, дайте денег!». Но CFO интересует не время, а деньги. Освободившееся время юриста не снижает его зарплату. Более того: теперь к ней добавляются расходы на лицензии, токены и зарплату ИИ-специалиста. В концепции Gartner экономия времени — это «синие» деньги (полезные, но не влияющие на P&L напрямую). Комитет же интересуют только «зелёные» деньги — реальный финансовый эффект. Чтобы превратить «синие» деньги в «зелёные», нужно волевое решение бизнес-заказчика. …

ка работа продолжится: выходят новые версии библиотек и моделей, выявляются уязвимости, меняются требования ИБ. Какие-то компоненты приходится обновлять, какие-то — заменять.   Например, однажды придётся заменить одну бесплатную библиотеку на другую. Стоимость лицензий при этом останется образцово нулевой — с этим всё прекрасно. Но работы по замене займут ненулевое время команды.   При этом системой уже пользуются сотрудники и рассчитывают, что утром она будет работать так же, как работала вчера вечером. Следить за тем, чтобы обновления системы не мешали её работе, тоже предстоит ИТ-команде.   Теперь можно себя поздравить: у компании появился ещё один внутренний ИТ-продукт. Его нужно развивать и поддерживать, документировать и помогать новым командам с ним работать.   Зато теперь одна кома…

Ничего на свете лучше нету, чем ваять агентов без бюджета   «Зачем платить за вашу платформу, если есть бесплатный open source?» — это второй по популярности вопрос от наших потенциальных заказчиков.   Первый такой: «А зачем вообще что-то покупать или заказывать, если у нас в компании есть свой вайбкодер с Claude Code? Он нам всё автоматизирует». Про магию вайбкодинга в корпорации мы написали выше, сегодня об этом не будем.   А про open source короткий ответ такой: да, собрать самим можно почти всё.   Но бесплатные компоненты довольно быстро обрастают зарплатами людей, которые собирают, дорабатывают и поддерживают систему.   Покупка коммерческой платформы может снять часть этой работы и зарплат, а также сильно сократить время до запуска.   На этом короткий ответ заканчивается и начинается …

итик (а бывших не бывает), я вижу в этом исполнение давней своей профессиональной мечты.   То есть с ИИ дорогой и долгий индивидуальный пошив можно превратить в недорогой и быстрый пошив по меркам.   Круто это? Да! Это очень и очень круто. Сокращает это себестоимость? Да, это в десятки раз (!) сокращает себестоимость, я уж молчу про сроки. Конечно, до промышленной системы всё равно ещё далеко, это понятно. Остаётся много работы: реальные данные, интеграции, права доступа, нагрузки, эксплуатация, резервирование, обеспечение непрерывности всё такое прочее. О том, как применяем ИИ на этих этапах, ещё поговорим, там тоже много интересных нюансов. Но теперь хотя бы точно понятно, какую именно систему мы собираемся делать. Что здесь, на мой взгляд, суперважно: чтобы тот, кто работает с ИИ, са…

Если ты не разрабатывал большие проекты по автоматизации, ИИ всегда будет казаться магией и волшебством А вот те из нас, кто разрабатывал корпоративные системы ещё на C++ и ранней Java, до изобретения слова «микросервисы», смотрят на ИИ без мистического трепета.   С ИИ мы можем гораздо быстрее делать ту работу, которую и так хорошо умеем делать.   Чтобы показать, как именно меняется разработка ПО, проще всего вспомнить метафору пошива костюмов, которой в автоматизации пользуются ещё с прошлого века:   1. Готовые коробочные продукты — это «массовый пошив». 2. Заказная разработка с нуля — это «индивидуальный пошив» (bespoke), костюм ручной работы у дорогого портного: идеально, но бесконечно долго и астрономически дорого.   Идеальным решением всегда выглядел третий режим — made-to-measure (п…

ля этого настраиваем интеграции и определяем источники данных. А заодно решаем вопросы доступа.   То есть мы можем купить подписку на условный ChatGPT или что-то менее западное, но модель не знает наших данных. Нужно их как-то собрать и ей передать.   Да, у поставщика могут технически готовы коннекторы и инструменты интеграции. Но решить, к каким системам подключаться, какие данные использовать и на каких условиях, всё равно должна сама компания. В ИТ этот процесс называют ETL (Extract, Transform, Load — извлечение, преобразование, загрузка).  На складе 100 штук: сколько из них можно продать (семантика данных) Дальше – надо разобраться, что именно эти данные означают?    Например, в системе указано, что на складе есть сто единиц товара. Но значит ли это, что мы можем пообещать клиенту с…