Разборы · Статья: · Видео: · 1 ч 27 мин
Внедрение ИИ в бизнес по-русски: где закон, где здравый смысл, а где деньги на ветер
Архитектор ИИ-решений Андрей Комиссаров — о том, почему персданные нельзя сливать в Claude и GPT, как строить ИИ-систему вокруг базы знаний, а не модели, и куда смещается ценность в эпоху доступных нейросетей.
Коротко
Архитектор ИИ-решений объясняет, почему загружать персданные клиентов в Claude или GPT — нарушение закона, и как строить ИИ-систему вокруг базы знаний (graph-RAG), а не вокруг конкретной модели. Главный вывод: ценность смещается от SaaS и самих LLM к доменной экспертизе, данным и управлению знаниями.
Оценка видео
Чем выше — тем больше пользы на минуту
средняя из 5
Свежая фактура: законопроект о суверенном ИИ, реальные кейсы остановки компаний, актуальная палитра моделей (Qwen, DeepSeek, GigaChat).
Сильные идеи размазаны по 1,5 часам: 4 рекламные вставки, повторы, к финалу — уход в эзотерику.
Тезисы про модель-агностичность и доменную экспертизу как ров поданы внятно; остальное — грамотный мейнстрим.
Конкретика есть: промпт-воркфлоу в DeepSeek, нейрошлюз вместо коробочных ключей, конкурс-соцлифт для культуры ИИ.
Инсайты
Нажми, чтобы раскрыть — то, что меняет взгляд на тему
01 Ценность уходит от кода и SaaS — к данным и доменной экспертизе
Если твой продукт собирается в Claude за пару промптов, его повторит большая LLM-компания: они смотрят, чьи бизнес-модели взлетают, и встраивают это в коробку. Защищают только две вещи — уникальная доменная экспертиза и собственные данные. Отсюда разворот стратегии: продавать не интеграцию и код, а компетенцию и знания.
02 «Аксакал» — это не ценный сотрудник, а незакрытый риск
Пока знания живут в головах опытных людей, они уходят вместе с человеком и дают ему рычаг давления. Задача не удерживать аксакалов, а оцифровывать их знания в базу — тогда уход никого не ломает, а новичка в новом GEO ты «гибридизируешь» базой знаний, и он мгновенно «всё знает».
03 AI-native — это про привычки людей, а не про наличие ИИ в процессах
Можно натыкать агентов повсюду и остаться не-AI-native. Настоящий признак — ИИ встроен в привычный образ действий там, где он реально полезен. Поэтому личный Claude у каждого сотрудника — антипаттерн: теряешь прозрачность и не видишь, кто как работает. Нужен единый «нейрошлюз» с цифровым следом и микрообучением.
04 Ответственность за ИИ всегда на человеке-операторе
У LLM есть галлюцинации и нет понятия «неуверенного ответа» — выдумку она выдаёт с полной уверенностью. Поэтому «слоппинг» (бездумно хлебать всё, что выдал GPT) — не экономия, а потеря собственного мышления. Самое ценное теперь — ответственность за своё мышление и самодисциплина.
05 Творчество ИИ забрал первым, а ручной труд — последним
Вера «творчество ИИ не тронет» оказалась ложной: актрис заменяют цифровыми двойниками, агенты-блогеры собирают аудиторию. Зато сантехники и электрики зарабатывают больше системных аналитиков, а учителя останутся нужны всегда. Вывод: не клади все яйца в одну корзину и сочетай навыки.
Полезные советы
Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать
Не загружай персданные клиентов в зарубежные ИИ
Имена, телефоны, CV, переписки — это персданные; отправка их в Claude/ChatGPT/Gemini нарушает закон РФ, и оферта не защищает. Перед загрузкой файла проверь его на персданные: если есть — анонимизируй или используй локальную модель (Qwen/DeepSeek/Mixtral) либо российское облако (Yandex Cloud, Selectel, Timeweb).
Раздели задачи на «можно отдать ИИ» и «нельзя» — смысл пиши сам
Рутину (шаблоны, оформление, презентации через NotebookLM) отдавай ИИ, но итоговое решение и смысл формируй сам, а вывод лишь «причёсывай». Правило кентавра: лошадь-ИИ быстрая и мощная, но думает человек сверху.
Используй DeepSeek/Qwen для «вайб-кодинга» бизнес-процессов
Опиши процесс и дай промпт в роли системного аналитика: «найди узкие места и как их починить, но сначала проинспектируй своё мышление и задай мне уточняющие вопросы». Ответь, получи схему as-is, попроси нарисовать BPMN, затем дай PDF штатного расписания и спроси шаги перехода as-is → to-be. Маркер качества промпта: чем дольше модель «думает», тем он лучше.
Сначала посчитай экономический эффект, потом внедряй
Главный способ слить деньги — внедрять «потому что все внедряют». Найди функции, что отнимают максимум времени и состоят из рутины, проверь безопасность данных и считай окупаемость до закупки. На малом бизнесе экспериментируй смело, но не лезь туда, где человек эффективнее.
Не дообучай LLM — держи знания отдельно от модели
Завтра выйдет «убийца» текущей модели, и привязка к одной LLM обнулит работу. Строй базу знаний отдельным слоем (graph-RAG: тексты + граф связей + БД через MCP-сервер) и подключай любую LLM как «картридж». Это делает тебя мобильным и независимым от конкретной модели и от «аксакалов».
Логика повествования
Как устроена аргументация видео — пройди по шагам
-
Предпосылка Проблема: бизнес массово суёт ИИ куда попало
Компании внедряют нейросети без оглядки на закон, безопасность данных и экономику — это и есть главный источник провалов.
-
Аргумент Развилка: какой уровень безопасности данных нужен
Персданные и конфиденциал по закону обрабатываются только в РФ — значит Claude/GPT/Gemini для них недоверенные. Коробочные LLM дают скорость, но ноль контроля и прозрачности.
-
Аргумент Решение: суверенный ИИ + нейрошлюз
Локальный Qwen «в своём шкафу» или российское облако плюс единая среда-нейрошлюз вместо личных ключей у каждого сотрудника.
-
Аргумент Ключевой принцип: не дообучать одну LLM
Модель — сменный «картридж». Знания вынесены наружу: тексты + граф связей + база данных (graph-RAG).
-
Аргумент Управление знаниями отвязано от модели
Аксакалы оцифрованы, знания не утекают с людьми; новых сотрудников «гибридизируешь» базой знаний, и они сразу в курсе.
-
Пример Что это даёт: гибридизация рабочих мест
Рутину делает ИИ, а мышление и ответственность остаются на человеке — связка «кентавр».
-
Аргумент Ров против commoditization
Без уникальных данных и доменной экспертизы большая LLM повторит твой SaaS «как два-три». Защищают только домен-экспертиза и собственные данные.
-
Вывод Вывод: побеждает кентавр, где думает человек
Культура AI-native (цифровой след, конкурс-соцлифт, депремирование за слоппинг) плюс человек-голова на быстрой лошади-ИИ.
Подробный разбор
Полный разбор — разверни, если нужно глубже
Развернуть подробный разбор Свернуть подробный разбор
Стоит ли смотреть целиком
Скорее нет — ценное укладывается минут в двадцать, а полтора часа разбавлены четырьмя рекламными вставками, повторами про «LLM ничего не знает» и «ответственность на операторе» и финальным уходом в эзотерику (Зеланд, интуиция, разговоры о детях). Эта статья — выжимка; за деталями кейсов и промпт-воркфлоу можно вернуться к таймкодам видео.
Кому полезно
Собственникам и руководителям, которые решают, куда и как встраивать ИИ; системным аналитикам и продактам, выбирающим архитектуру решения; всем, кто строит карьеру и хочет понять, какие навыки останутся в цене, когда вайб-кодинг и агенты станут общим местом.
План внедрения
С чего начать — отмечай шаги, прогресс сохранится
Выполнено 0 из 4
Проверь себя
Ответь на вопросы, чтобы материал закрепился
-
1. Компания внедрила корпоративный «ChatGPT для всех», обучила сотрудников и прописала в оферте передачу данных в ИИ. Сотрудники работают с персданными школьников. Почему это всё равно опасно?
-
2. Почему, по Андрею, при построении системы управления знаниями нельзя дообучать одну LLM под себя?
-
3. Производитель масла потратил два года и сотни миллионов на дронов и компьютерное зрение для сои, а эффект оказался мизерным. Какой вывод делает Андрей?
-
4. Клиенты говорят B2B-сервису: «Зачем вы нужны? Я сам в Клоде эту интеграцию запилю». Почему в эпоху доступного вайб-кодинга одни выживут, а других LLM «сожрёт»?
-
5. Андрей сравнивает связку «человек + ИИ» с кентавром. Что значит его предостережение «лошадь с человеком местами не должны меняться»?
Похожие разборы
Стратегия внедрения ИИ не из головы, а из чужих кейсбуков: метод консультанта O2Consulting
Консультант с 500 проектами объясняет, почему «накидать 50 агентов» и копировать чужие промты не работает, и показывает метод: стратегию внедрения ИИ не пишут с нуля, а собирают, обогащая модель готовыми отраслевыми кейсбуками, сотней чужих стратегий и контекстом своей компании. Главный вывод — будущее не в чужих агентах, а в собственном «цифровом мозге» на графовой модели знаний, где LLM лишь надстройка.
Читать → РазборСтоит ли доверять AI-провайдерам: «токен-максинг», ваши данные и кейсы Cursor и Figma
Главный риск работы с чужими AI-моделями — не счёт за токены, а то, что вы отдаёте провайдеру свои данные, стратегию и «альфу», а он может зайти на ваш рынок. Звучит как теория заговора, но кейсы Cursor и Figma заставляют задуматься — при этом сам автор честно признаёт, что прямых доказательств нет.
Читать → РазборТоковинин про найм и кризис: почему нужда — плохой мотиватор, а «вечных» ниш не бывает
Токовинин спорит с популярными бизнес-советами: нанимать надо людей с внутренним драйвом и уважением, а не зависимых от нужды, а в кризис решает не «волшебная ниша», а твоя маржа и доля рынка. Главный практический навык из разбора — не верить громким заявлениям без цифр.
Читать → РазборGPT 5.6 объяснён: три тира моделей, скорость 750 токенов и тиски геополитики
Ролик рисует сценарий, где OpenAI выпускает три тира GPT 5.6 (Soul, Terra, Luna) под разные задачи и цены, а главным оружием становится не сама модель, а скорость инференса на американском железе. Вывод тревожный: рынок зажат между дешёвыми китайскими open-моделями и регуляторными стенами США, и вопрос в том, не станут ли самые умные токены привилегией избранных.
Читать →