Enter your search text in the box above

Select a result to preview

Основатели Онлаин Как внедрить AI в работу и жизнь

Главное за всю конференцию

Через почти все выступления проходит одна и та же мысль: главный переход сейчас — не от работы без AI к ChatGPT, а от ChatGPT как чата к AI как рабочей инфраструктуре.

Условно конференция описывает такую лестницу:

1. Чат → 2. AI с контекстом → 3. Skills → 4. Agents → 5. Собственная AI-инфраструктура → 6. AI-native организация.

При этом несколько спикеров независимо друг от друга пришли к практически одинаковым выводам:

Организаторы с самого начала противопоставили простое «ускорение» реальному повышению эффективности: внедрить AI ради AI недостаточно. Одновременно они предостерегали от превращения человека в «мясной прокси», который просто передает ответы нейросети дальше.

1. Дмитрий Бескромный — Vibe Living: как перестроить личную работу вокруг AI

Первое выступление было скорее обзором новой модели работы и набором практических инструментов.

AI стал рефлексом

Первый тезис: мы постепенно перестаем начинать задачу с поиска информации и начинаем ее с консультации с LLM.

Но это создает другую проблему: нейросети стремятся к наиболее вероятному ответу.

Дмитрий демонстрировал это на простом эксперименте: попросить разные LLM назвать случайное число от 0 до 10 — многие выбирают 7. Отсюда его вывод: генеративный AI по своей природе склонен воспроизводить наиболее вероятные паттерны.

Это особенно заметно в дизайне и контенте.

«Один вкус на всю индустрию»

В качестве примера показывались похожие сайты, сделанные через Claude/vibe coding: одинаковый минимализм, близкие цвета, типографика и структура.

AI демократизировал производство:

сделать сайт, приложение, текст или дизайн стало чрезвычайно дешево.

Но именно поэтому само производство перестает быть дефицитом.

Дефицитом становятся:

бренд → дистрибуция → уникальная точка зрения → человеческое суждение.

Хороший пример из выступления — презентация самого Дмитрия. Она была собрана AI, но на основе дизайн-системы, предварительно созданной человеком-дизайнером.

То есть правильная модель:

человек создает систему и вкус → AI масштабирует их.

А не:

AI придумывает всё с нуля.

Не следить за каждой новой моделью

Еще одна важная идея — бороться с AI-FOMO.

Дмитрий разделяет происходящее примерно на несколько уровней.

Новости о версиях моделей, заявлениях руководителей AI-компаний и очередных benchmark-рекордах почти не стоят внимания.

Гораздо интереснее новые интерфейсы и способы взаимодействия — например, агенты, управление Figma, монтаж видео через AI.

Еще реже возникают фундаментальные архитектурные изменения вроде vibe coding.

А на самом нижнем и самом устойчивом уровне находятся человеческие навыки:

суждение, коммуникация, любознательность, критическое мышление, понимание людей.

Именно туда он предлагает инвестировать основное внимание.

2. Практический AI-стек Дмитрия

В выступлении получился довольно большой список инструментов.

Голос вместо клавиатуры

Одна из наиболее простых рекомендаций — начать больше диктовать.

Аргумент: человек способен говорить примерно 150 слов в минуту, поэтому формирование большого контекста голосом оказывается быстрее печати.

Он упоминал Whisper-подобные приложения и Handy, причем рекомендовал попробовать локальное распознавание русского языка.

Цифровой диктофон как память

Следующий уровень — постоянно записывать встречи и созвоны.

Ценность появляется не столько от транскрипта, сколько от дальнейшего подключения этой информации к агентам.

Приводился кейс: после двухчасового совещания транскрипт загрузили в AI-среду, и на основании обсуждения в тот же день был собран лендинг.

То есть:

совещание → транскрипция → структурированный контекст → готовый артефакт.

Вместо традиционной цепочки:

совещание → протокол → ТЗ → переписка → исполнитель → правки → результат.

Trend Radar

Один из наиболее интересных кейсов Дмитрия — персональный радар трендов.

Система:

  1. обходит мировые и российские медиа;

  2. слушает подкасты;

  3. анализирует YouTube и соцсети;

  4. получает аналитику собственного Telegram-канала;

  5. знает редакционную политику;

  6. знает, какие предыдущие публикации сработали;

  7. фильтрует новости;

  8. выбирает слабые сигналы, которые потенциально подходят аудитории.

Ключевой момент здесь — не делать AI-агрегатор новостей.

Простой агрегатор умеет сказать:

вот 100 новых новостей.

Trend Radar должен сказать:

из этих 100 новостей вот эти 5 подходят именно тебе, потому что похожие темы исторически хорошо работали на твоей аудитории.

То есть ценность создается соединением внешнего мира с собственным контекстом и собственной аналитикой.

Контент-завод

Похожая схема применена к производству контента.

Есть флагманский человеческий контент — например Telegram-пост.

Дальше AI автоматически превращает его в:

Важное ограничение: первичный смысл остается человеческим.

AI не должен производить бесконечный поток «нейрослопа». Он выступает как машина репакетирования качественного исходника.

3. Skills вместо бесконечных промптов

Одна из наиболее полезных практических мыслей первого выступления:

если вы регулярно пишете нейросети один и тот же промпт, процесс уже пора превращать в skill.

Предлагается периодически проводить с LLM большое интервью:

После этого попросить:

«Проведи аудит моей рутины и найди процессы, которые можно автоматизировать».

AI уже сам способен предложить, где нужен агент, где skill, где автоматизация, а где достаточно шаблона.

Это один из самых доступных способов начать внедрение AI без строительства сложной инфраструктуры.

4. Максим Спиридонов — AI как способ пересобрать продукт

Максим показал эксперимент с собственным образовательным продуктом.

Изначально программа выглядела традиционно:

Получался классический зоопарк SaaS-инструментов.

После знакомства с AI начался постепенный переход:

анализ → тексты → иллюстрации → видео → vibe coding.

«AI-разворот»

Максим называет ключевой момент AI mindset.

Это не знание конкретного ChatGPT или Claude.

Это привычка при встрече с любой задачей спрашивать:

А как эту задачу можно решить иначе, если AI является базовой частью среды?

По его мнению, через несколько лет это станет обычным знанием, поэтому сейчас существует временное окно, когда ранние пользователи могут получить значительное преимущество.

Он также ожидает появления всё большего количества AI-native компаний, где AI изначально находится внутри:

Кейс: диагностика предпринимателя

Раньше диагностика представляла собой набор таблиц, которые заполнялись вручную.

Максим за несколько часов превратил ее через vibe coding в полноценный интерфейс.

Следующим шагом из этого эксперимента выросла собственная LMS:

диагностика → образовательная платформа → задания → видео → рекомендации → CRM.

И это уже важный переход.

Vibe coding позволяет не просто заменить отдельную SaaS-подписку, а соединить разрозненные части процесса в один продукт.

Результат, который он выделяет:

5. Что AI означает для образования и детей

После выступления возникла отдельная дискуссия.

Максим не считает, что уже существует точный ответ на вопрос «чему учить ребенка в эпоху AI».

Но выделяет несколько фундаментальных качеств:

адаптивность, способность быстро осваивать новые среды и технологии, внимание к физическому миру и телу, фундаментальные знания вроде математики.

То есть вместо обучения конкретной AI-программе стоит формировать способность быстро осваивать следующий инструмент, который еще даже не появился.

6. Михаил Перегудов / WIZ — AI-трансформация реального операционного бизнеса

На мой взгляд, это один из самых сильных практических кейсов конференции.

WIZ — не AI-стартап, а физический операционный бизнес: тысячи электровелосипедов, магазины, склады, механики, поддержка и т. д.

Михаил подошел к AI с очень прагматичной позиции:

не «как внедрить AI», а «как больше зарабатывать и меньше тратить».

Первый проект: заменить SaaS

Вместо pet project он открыл P&L и посмотрел, за какой B2B SaaS компания много платит.

Нашел систему управления сменами примерно за $500/месяц.

И за неделю собрал собственную.

После чего сделал крайне важную вещь:

не оставил прототип игрушкой, а отключил старый сервис и перевел на новый около 100 сотрудников.

Это произвело сильный культурный эффект.

Сотрудники увидели, что:

баг → сообщение основателю → через 10–15 минут исправление уже в production.

После этого руководителей уже не требовалось убеждать изучать AI — они сами начали спрашивать, как этому научиться.

Это важнейший организационный инсайт конференции:

AI-культуру эффективнее распространять демонстрацией работающего продукта, чем распоряжением «всем использовать ChatGPT».

7. Собственная Operating System компании

Первый сервис постепенно начал разрастаться.

В него перенесли:

И Михаил пришел к довольно радикальному выводу:

современному бизнесу нужна собственная операционная система.

Причина не столько в экономии SaaS-подписок.

Проблема внешнего SaaS в том, что он цементирует процесс.

Компания вынуждена работать так, как придумал разработчик продукта.

Своя система позволяет реализовать принцип:

изменился процесс → через несколько минут/часов изменился софт.

Раньше такую роскошь могли позволить себе условные Dodo Pizza — компании, инвестирующие миллионы в собственный софт.

Vibe coding радикально снижает этот порог.

8. Агенты как реальные сотрудники

После накопления данных в собственной системе WIZ начал добавлять туда AI-агентов.

Причем архитектурно они рассматриваются практически как пользователи:

users = люди + agents.

Агенту выдаются:

Один из наиболее впечатляющих примеров — взыскание задолженности.

AI-агент:

Такие агенты выполняют сотни звонков в день.

Другие агенты работают:

9. Самообновляющаяся корпоративная Wiki

Особенно интересна идея self-updating wiki.

Проблема обычной корпоративной базы знаний известна:

процессы изменились на созвоне, но никто не обновил документацию.

В AI-native варианте агент слушает встречи, анализирует переписки и самостоятельно поддерживает knowledge base актуальной.

Получается цикл:

работа компании → коммуникации → AI → обновление knowledge base → агенты получают новый контекст → следующая работа.

То есть компания начинает постепенно формировать цифровую память.

10. Контекст оказался важнее модели

Михаил отдельно отметил, насколько сильно AI стал полезнее после подключения:

Особенно рабочие чаты оказались чрезвычайно ценными, потому что именно там находится огромная доля реальной жизни компании.

И отсюда один из главных выводов всей конференции:

лучший AI — не обязательно тот, у которого лучшая модель. Это AI, который лучше знает вашу реальность.

11. Экономический результат WIZ

По словам Михаила, за примерно шесть месяцев компания смогла снизить расходы примерно на 20% относительно выручки.

При этом речь идет уже о достаточно зрелом операционном бизнесе.

Он приводит простой пример:

если компания получала $1 млн и тратила $1 млн, после подобной оптимизации условная структура превращается в:

$1 млн revenue → $800k costs → $200k operating result.

12. Как внедрять AI в компанию — рецепт Михаила

Он предлагает несколько принципов.

1. Founder должен сам что-нибудь сделать

Не пройти курс.

Не попросить CTO.

Не показать презентацию.

А:

самостоятельно собрать продукт и довести его до production.

Причем продуктом должны пользоваться другие люди.

2. Leadership team должна стать технически самостоятельнее

В WIZ большинство руководителей регулярно что-то меняют/создают во внутренней системе.

Руководитель становится в определенной степени builder'ом своего подразделения.

3. Нанимать builders вместо узких специалистов

Это еще один радикальный тезис.

Ценность человека постепенно смещается от:

«я знаю бухгалтерию»

к:

«я умею взять проблему финансового отдела и построить систему, которая ее решает».

Идеальный CFO в этой модели:

финансист + инженер/builder.

4. Day One Principles

Задавать вопрос не:

как сократить call center с 30 до 25 сотрудников?

а:

если бы я сегодня создавал компанию с нуля, стал бы я вообще создавать call center из людей?

5. Hiring freeze

При появлении новой нагрузки сначала спросить:

можно ли автоматизировать процесс?

И только потом открывать вакансию.

13. Александр Доброкотов — Vibe Working и «креативная инженерия»

Следующий большой блок был посвящен уже не столько программированию, сколько агентной работе.

Главное отличие старого подхода:

«GPT, придумай 10 идей»

от нового:

«Вот желаемый результат. Сам пройди весь необходимый процесс».

В старой модели человек остается диспетчером:

GPT → человек → Photoshop → человек → таблица → человек → другая нейросеть.

В новой:

человек → agent → tools → skills → результат.

Человек включается только в критических точках.

14. Контент-фабрика

Александр показал пример производства контента.

Раньше:

идея → утверждение → сценарий → production → изображения → анимация → монтаж → правки → публикация.

Множество ручных передач.

Теперь:

сырая идея → агентный pipeline → готовый контент.

Человек остается примерно в трех точках:

  1. идея;

  2. спорные решения;

  3. финальная проверка качества.

При этом Александр специально оговаривает: это не способ автоматически делать гениальную рекламу.

Это особенно эффективно для повторяющихся форматов, где уже существует накопленный опыт.

15. Skills — «новое золото»

Это, вероятно, центральный тезис выступления Александра.

Инструменты дают агенту руки.

Контекст дает знания.

А skills дают опыт.

Skill может быть обычным текстовым файлом, описывающим:

Но особенно важно, что skill необходимо обучать после выполнения задачи.

После каждого проекта:

это получилось хорошо — сохрани;

это было плохо — больше так не делай;

обнови skill.

Получается эволюция:

Junior skill → Middle skill → Senior skill.

Это очень интересная модель накопления интеллектуального капитала компании.

Раньше опыт существовал в головах сотрудников.

Теперь часть опыта можно постепенно превращать в исполняемые инструкции.

16. Опасность: AI масштабирует плохой процесс

Александр сделал важную оговорку.

Если исходный бизнес-процесс плохой, агент не обязательно его исправит.

Он может просто:

делать плохой процесс в десять раз быстрее.

Поэтому возникает новая роль человека — условный creative engineer / process engineer.

Он следит:

То есть автоматизация не уничтожает необходимость управления системой — она делает качество управления системой еще важнее.

17. Как начать работать агентно

Александр предлагает не строить сразу «AI-фабрику».

Взять одну реальную длинную задачу.

Например:

проанализируй мои обязательства на следующую неделю, найди конфликты и предложи план.

Подключить необходимые источники данных и дать агенту пройти процесс самостоятельно.

Главная рекомендация:

не просите AI сделать следующий шаг — ставьте ему конечную задачу.

И затем сохраняйте удачные процессы в skills.

18. Денис Кутергин — Second Brain основателя

Здесь конференция перешла от автоматизации отдельных процессов к идее цифрового двойника контекста человека.

Отправная точка Дениса — стремление строить большие проекты очень маленькой командой.

Вместо сотен сотрудников он хочет иметь примерно пять сильных руководителей по ключевым направлениям, усиленных AI.

19. Первый AI-кейс Дениса: заменить выпускающего редактора

Это один из самых показательных кейсов.

У медиа был выпускающий редактор с зарплатой около 100 тыс. рублей.

Денис выгрузил примерно 1500 голосовых комментариев редактора.

Дальше сопоставил:

исходный текст → замечание редактора → исправление → дополнительное замечание.

На основании этого был построен playbook редактора.

Параллельно выгрузили историю Telegram-канала с показателями:

Из этого построили второй playbook:

какие характеристики делают публикацию успешной.

После объединения двух наборов правил появился бот, которому журналист отправляет текст, а тот проводит редакторскую проверку.

Стоимость API, по словам Дениса, была порядка нескольких долларов в день, тогда как человек стоил около $1500 в месяц.

После демонстрации этого кейса компания сократила часть команды и остановила найм, при этом показатели, по словам Дениса, выросли.

20. Second Brain: оцифровать собственную жизнь

Дальше появилась более амбициозная задача.

Денис начал собирать в единую систему:

Разница между обычным ChatGPT и second brain формулируется примерно так:

обычный AI отвечает на вопрос;

second brain знает контекст настолько хорошо, что способен сам понять, какой вопрос стоит задать.

Например, система может заметить:

ты уже полгода регулярно негативно обсуждаешь работу конкретного сотрудника, но ничего с этим не сделал.

Или:

по этой задаче команда обещала результат, дедлайн прошел, ответа нет — напомнить?

21. AI + персональный network

Особенно интересный кейс связан с Telegram.

После анализа контактов оказалось, что Денис находится в общих группах примерно с 12 тысячами людей.

Second Brain знает текущие задачи и одновременно знает сеть контактов.

Поэтому способен сказать:

для этой задачи у тебя уже есть потенциально нужный человек среди существующих контактов.

Вместо обычной телефонной книги появляется семантический поиск по собственному социальному графу.

Для предпринимателя это может быть крайне мощной системой:

задача → нужная компетенция → потенциальный человек → история пересечений → возможность контакта.

22. Безопасность Second Brain

На конференции отдельно поднималась проблема безопасности.

Если агент получает:

компрометация агента превращается в компрометацию практически всей цифровой жизни.

Поэтому наиболее чувствительные данные Денис старается держать локально; агенты работают на отдельной инфраструктуре.

Спикеры отдельно предупреждали, что vibe-coded сервис с открытыми портами и плохой архитектурой может быть крайне уязвим.

Практический вывод:

vibe coding хорош для прототипирования, но production-инфраструктура все равно требует нормальной инженерии и security review.

23. Обучение сотрудников AI

Интересный опыт Дениса: для базового погружения сотрудника не обязательно нужны месяцы.

По его словам, за 2–3 часа человека с нулевым опытом можно провести до первого работающего сервиса/агента.

В качестве учебного задания участники делали собственный аналог сервиса транскрипции встреч.

И именно момент:

«я без знания программирования только что сам собрал продукт»

часто создает тот самый AI mindset switch.

24. Последний кейс — AI-native бизнес в performance marketing

Еще один сильный блок конференции — история перехода от аналитического SaaS к AI-агентам для performance marketing.

Изначальная идея была простой:

построить одного умного агента, который посмотрит на всю рекламу и выдаст идеальные рекомендации.

Она не сработала.

Причина оказалась важной:

нельзя качественно управлять сложной системой только сверху.

Нужно понимать огромный массив низкоуровневых действий:

Поэтому задачу декомпозировали и начали автоматизировать конкретные регулярные операции.

25. AI-агенты сами по себе становятся commodity

Один из важнейших бизнес-инсайтов этого выступления:

просто «мы сделали AI-агента» уже недостаточно.

Агента становится легко собрать.

Поэтому ценность продукта смещается в:

1. Skills

Десятки и сотни тщательно проработанных способов выполнения реальных задач.

2. Domain knowledge

Знание отрасли.

3. Integration

Способность внедрить систему в конкретную компанию.

4. Reliability

Агент должен не просто иногда выдавать красивый результат, а стабильно выполнять работу.

Отсюда появляется роль Forward Deployed Engineer / AI Marketing Engineer — человека, который приходит к клиенту и превращает его реальные процессы в автоматизированную систему.

26. От Copilot к автономной компании

Текущие AI-продукты во многом остаются copilot:

AI работает → человек контролирует.

Следующая стадия:

AI выполняет → другой AI контролирует → система сама анализирует результат → корректирует следующий цикл.

В performance marketing была описана будущая система, где разные агенты:

И таких специализированных агентов потенциально могут быть сотни.

Цель — условная автономная фабрика привлечения клиентов.

27. Дистрибуция и уникальные данные становятся важнее разработки

Во время Q&A возник вопрос:

если теперь практически каждый может собрать приложение, где строить moat?

Ответ ведущих хорошо совпал с первым выступлением.

Не в коде.

А в том, что нельзя моментально скопировать:

Именно поэтому AI парадоксальным образом делает человеческую уникальность экономически дороже.

28. Социальный капитал как отдельный moat

На конференции была интересная побочная дискуссия о Telegram-каналах и публичности предпринимателя.

Денис объяснял, что собственная аудитория позволяет ему:

То есть медийность здесь рассматривается не как vanity metric, а как инфраструктура дистрибуции и доступа к людям.

В мире, где производство продукта дешевеет, способность получить доступ к нужной аудитории становится еще ценнее.

29. Что остается человеку

Несмотря на довольно радикальные заявления некоторых спикеров, общий ответ конференции не выглядит как «люди больше не нужны».

Скорее меняется точка приложения человеческой работы.

AI забирает:

Человек смещается в:

целеполагание → выбор проблемы → суждение → вкус → стратегия → коммуникация → критическое мышление → финальная ответственность.

Дмитрий в начале конференции прямо сформулировал границу: решение AI нужно считать промежуточным, окончательная валидация остается за человеком.

30. Самый важный общий паттерн конференции

Если свести практически все выступления к одной архитектуре, получается:

Реальный мир
    ↓
Переписки / CRM / встречи / документы / аналитика
    ↓
        CONTEXT
    ↓
Методологии / правила / прошлые ошибки
    ↓
        SKILLS
    ↓
LLM + инструменты + API + MCP
    ↓
        AGENTS
    ↓
Выполнение реальных процессов
    ↓
Результаты / аналитика / ошибки
    ↓
Обновление context + skills
    ↺

Именно последний цикл особенно важен.

Сильная AI-система не просто автоматизирует процесс. Она накапливает опыт выполнения этого процесса.

31. Что из конференции имеет смысл реально попробовать

Если отбросить весь хайп вокруг «AI-компаний без людей», я бы выделил из материала такую последовательность внедрения:

  1. Записывать встречи и звонки. Начать формировать цифровую память.

  2. Провести AI-аудит собственной рутины. Найти 5–10 повторяющихся процессов.

  3. Выбрать один дорогой или раздражающий процесс. Не pet project.

  4. Автоматизировать его до production, чтобы им действительно пользовались.

  5. Упаковать повторяющиеся инструкции в skills/playbooks.

  6. Подключить рабочий контекст: документы → CRM → звонки → чаты.

  7. Перестать использовать LLM только через короткие запросы. Давать конечную цель и позволять агенту пройти несколько шагов.

  8. Начать накапливать собственную библиотеку skills.

  9. После каждого выполнения обновлять skill на основании ошибок.

  10. Только после этого переходить к сложным автономным агентным системам.

И здесь хорошо работает тезис Михаила: первый проект должен быть достаточно реальным, чтобы после его запуска старый процесс можно было отключить. Именно это превращает AI из игрушки в организационное изменение.

Итог

Если убрать названия конкретных моделей, то конференция на самом деле была не про ChatGPT, Claude или vibe coding.

Она была про изменение того, как хранится и исполняется знание организации.

Раньше:

знание находится в голове сотрудника → сотрудник вручную выполняет процесс.

Сейчас:

знание постепенно извлекается → превращается в контекст и skills → агент исполняет процесс → человек управляет системой и принимает ключевые решения.

А следующий шаг, который прогнозируют практически все выступающие:

компания превращается из коллектива людей, использующих программы, в систему людей и цифровых агентов, работающих с общей памятью и общим контекстом.

И финальный вывод ведущих хорошо это резюмирует: недостаточно, чтобы один основатель сильно «улетел» в AI. Если команда находится в другой реальности, организация не трансформируется. AI должен постепенно стать обычной частью общей рабочей культуры — примерно как когда-то компьютерная грамотность и офисный софт.