Дизраптор

@disruptors_official · ai · Russian · active

Subscribers 72.9K Subscribers, last 30 days: 72.5K → 72.9K +100 24h
Reach per post (ERR) 18.2%13.2K avg views
Posting 2.3/day last 1 day ago
Reactions per 1K views 16.0 😁 👍 ❤

Как внедрять ИИ, чтобы реально работало? Ну что, лето кончилось, пора выкручивать тумблеры на полную и фигачить. А чтобы было попроще вкатываться - держите материал по ИИ с кучей практических штук. HRD Яндекса выложила гайд по ИИ в компании - и там не "Как работает ИИ" в стопицотый раз, а поконкретнее - как встроить его в ежедневную работу команды и масштабировать, чтобы это не осталось разовым экспериментом. Гайд собран из подходов самой компании, плюс практик бигтеха (GitHub, Microsoft и т.д.), и немного ещё взяли от консалтеров из McKinsey. Структура простая. Первая часть - "Зачем и куда", что вообще считать внедрением, и как к нему подступиться. Вторая - "Что делать", с чего начинать, как учить людей, как масштабировать, чтобы результат не рассосался через полгода. Плюс чек-лист на 90 дней. Лично мне особенно полезными показались вот эти три момента: Первый: тут будет речь про систему 75/75/75, которую Яндекс недавно внедрил. Её я подробно разбирал здесь, но суть такая: 75% разрабов должны регулярно юзать ИИ, 75% изменений кода проходят через нейронку, и внутри таких изменений минимум 75% пишет сама модель. То есть, метрика вложенная, без склейки в единое число. В гайде прямым текстом пишут: 75/75/75 мерит именно вход - долю ИИ-кода. Ответственность за результат всё равно остаётся на человеке, а риски вроде превращения метрики в самоцель нужно отслеживать отдельно. То есть, даже собственная годная метрика - не повод расслабляться. Второй момент. Первый рабочий кейс с ИИ должен быть не самым выигрышным, а максимально тривиальным и даже скучным. Обычно хочется сразу отдать ИИшке процесс с самым жирным эффектом, чтобы потом красиво продать это в отчёте. Но по факту надо делать наоборот - искать, где часто повторяется и где дёшево внедрить, а результат легко проверить и однозначно оценить. По идее, это классический поиск quick wins, low hanging fruits и как это ещё называется. База-основа. Но не очевидна тут мотивация. Логика в том, что если первый масштабный эксперимент не выгорит, то в компании/команде тут же прорастёт "сорняковое" убеждение "Мы попробовали - ИИ не работает". А это негативно может сказаться в долгосроке. И третий момент - не пытаться притянуть все годные сценарии из центра. Можно сколько угодно собирать экспертный совет по ИИ и сочинять юзкейсы наверху, но рабочие сценарии рождаются у людей, которые каждый день делают конкретную задачу ручками. Так что, задача центра - не изобретать, а вовремя заметить, что где-то уже родилось рабочее, и растащить это по командам. А заодно стимулировать среду, в которой рабочее регулярно рождается внутри команд и масштабируется. Понимаю, что это логично звучит, но на практике сделать такое способны не только лишь все, корпоративной выдержки часто не хватает. Дизраптор

Views over time

05K10K15K1 Sep 11:3311 Nov 11:0114.2K1 Sep 11:33: 0 views11 Nov 11:01: 14,200 views
Snapshots we took after posting.
WhenViews
1 Sep 2026, 11:330
11 Nov 2026, 11:0114.2K

Who shared this post

Posts in other channels we index that link to this one. (Forwards with a hidden source can't be traced.)

Nobody yet.