НедвИИж | Алексей Гатин про ИИ в деле

Сегодня показательный случай произошел. ИИ грубо ошибся на очень простом математическом примере. Сейчас буду немного говорить на птичьем языке, но финансисты поймут. Попросил Клода (Соннет 5.0) пояснить, как считается индекс рентабельности в инвестиционных проектах, если инвестиции растянуты во времени. Ответ был "дисконтировать нужно и числитель и знаменатель нужно дисконтировать". Тут все верно. Но в конце приписка, которая меня смутила... Читайте сами диалог. Вывод: всегда заставляйте копнуть глубже и показать логику любых расчетов прямо в чате. Он сам найдет ошибки. Главное - не лениться делать этот шаг постпроверки. Что вижу очень часто: логика ответа почти всегда правильная, но слабое место - финальный вывод. Просто шальное неверное слово и все - сразу видно, что ИИ ответ делал) Еще раз подтверждает необходимость критического мышления, проверки и базового "недоверия" к ответам ИИ. Я стараюсь придерживаться правила 50/50 - 50% времени на задачу и ответ, 50% - на проверку. Все равно получается быстрее и эффективнее, чем ручками 😊

Хотел поделиться, что с NotebookLM все не так просто, как пишут везде. Последний месяц плотно работаю с инструментом и отчетливо вижу, что качество ответов по базе знаний зависит от кол-ва документов и их объема. Разница между поиском смыслов и нужных пунктов внутри 1-го документа и 10 колоссальная. Формально ошибок нет, но есть нечто хуже - пропуски нужных фрагментов при одновременной работе более чем с 5-ти среднего размера документов. Это я вывел эмпирически. Четкой статистики нет, потому что зависит и от формата и от размера и от кол-во. Поэтому все эти разговоры про "загрузил 50 документов и ищешь по ним" просто пустышка. Поиск внутри конкретного документа - да. Общий обзор - да. Сравнение пары документов - да. Но умная база RAG по большому кол-ву документов - нет

Наконец-то в моей практике случился кейс, где Claude Cowork реально незаменим 🎯 Вы помните, я давно задавался этим вопросом: где именно и в чем сутевое различие от чата Claude? И вот задачка подошла. Помимо обучения применению ИИ корпоративных клиентов, я участвую в разных проектах как независимый консультант, где совмещаю знания в финансах, стратегии и экспертизу в ИИ. Об одном из них речь ниже. С командой консультантов работаем над построением системы сбалансированных показателей (BSC) для крупного туроператора. Суть системы BSC: построить KPI компании на основе четырёх перспектив: финансы, клиенты, внутренние процессы, обучение и развитие. Финансовый результат вырастает из трёх остальных, и метрики должны отражать эту связку. Я в проекте как аналитик с ИИ-инструментарием. Тут сразу две мечты сошлись в одной точке. Со студенческой скамьи хотел увидеть BSC в действии, живьём, за пределами красивых западных учебников. И уже год искал проект, где я с ИИ принесу реальную пользу со своими навыками. Точка пересечения случилась. Мой стек 🛠 1️⃣ Fireflies. Бот-транскрибатор автоматом подключается ко всем сессиям. Качество транскрипта заметно выше базового Zoom, а для аналитики это ключевое. Все интервью хранятся в защищённом облаке. 2️⃣ Claude + Fireflies. Скачивать ничего не нужно: Клод сам заходит в аккаунт, читает интервью и делает анализ. 3️⃣ Claude Cowork. Вся аналитическая работа. Основная рабочая лошадка. 4️⃣ NotebookLM. Быстрый поиск нестыковок в готовых файлах. Например, проверить на противоречия Excel-таблицу и Word-отчёт, на основе которого она делалась. Или быстрый разбор интервью внутри одного подразделения. Можно и в Коворке, но а) дольше, б) лимиты не резиновые. NotebookLM тут быстрее и удобнее. Ну и конечно презентации в нём: куда же без них) 4️⃣ Perplexity. Исследование опыта внедрения BCS в компаниях, находящихся в аналогичной ситуации, информация по конкурентам, любая внешняя аналитика. Что делаю: 28 часов интервью с руководителями нужно превратить в отчёт с рекомендациями: какие основные ценности компании и что люди говорят о них, боли и предложения самих респондентов как их преодолеть, а также рекомендации нашей команды как преодолеть проблемы и минимизировать риски при внедрении BSC. За этим стоит: ▪️ выявление конкретных высказываний по каждой теме (анализ цитат, их связей) ▪️ их классификация и группировка по смыслу ▪️ поиск противоречий в высказываниях между подразделениями на одну и ту же тему ▪️ построение процессов ▪️ выявление KPI И еще горы технической и смысловой работы. И всё нужно выделить это внутри «потока сознания» разных интервью. Задача идеальна для ИИ, если правильно её поставить и правильно декомпозировать Вот тут Коворк и оказался незаменим. Обычный чат Клода с этим бы просто не справился: параллельная обработка десятков файлов, формирование Excel и Word, сверки, подтверждения со мной. Полноценная агентская работа. Наконец-то удалось, как говорится, заварить чай, пока агент работает, и просто смотреть 🍵 На выходе: полноценная база цитат респондентов с классификацией и группировкой по смыслам, плюс отчёт и презентация. И самое крутое, что всё это можно дорабатывать и переделывать достаточно быстро. Про лимиты. Общеизвестно, что Коворк любит их «кушать». Правда. Но только на High effort или Opus. Я пошёл иначе: задачу агенту формулирую с Опусом в чате, а само выполнение отдаю Коворку на Соннете со средним эффортом. Получается вполне экономно даже с моей подпиской за 20 баксов. В общем, кайфанул я от Cowork и теперь готов браться за любые сложные проекты 😊 Делитесь кейсами использования Cowork! Я в MAX

KPMG отозвала свой отчёт про AI - он оказался полон AI-галлюцинаций Галлюцинация у нейросети - это когда модель придумывает не просто факт, а целое обоснование под него: выстраивает связную логическую цепочку поверх информации, которой не существует. Поэтому она коварнее обычной фактической ошибки. Ошибку видно, а стройное ложное рассуждение читается как правда. ⚡️ Что случилось KPMG ещё в октябре 2025 выпустила отчёт «Total Experience: Redefining Excellence in the Age of Agentic AI» про то, как корпорации внедряют AI. Проверили его только сейчас. Это немного странно, что проверили спустя 9 мес. Видимо, «так» их читают, эти отчеты…🤓, но не суть. Группа GPTZero вместе с Financial Times выяснила: из 45 ссылок в отчёте на реальные источники ведут только 5. Компании, чьи кейсы KPMG привела как успешные внедрения (UBS, британская NHS, Swiss Federal Railways, Transport for London), сказали FT, что описанное либо неправда, либо вводит в заблуждение. KPMG сняла отчёт с сайтов и пообещала впредь проверять AI-контент руками. И это уже третий такой случай среди крупнейших аудиторов мира. В мае 2026, месяц назад, EY убрала свой отчёт по кибербезопасности: там из 27 ссылок больше 70% оказались выдуманы AI, включая отсылку к несуществующему отчёту McKinsey. А в прошлом году Deloitte вернула часть контракта с австралийским правительством на 440 тысяч долларов за проверку с такими же фейковыми источниками. 🎯 Что здесь настораживает KPMG продаёт услуги AI governance, то есть учит других строить безопасные процессы вокруг AI. Пожарный, у которого горит собственный дом. И таких пожарных уже трое. Все три фирмы попались на одном: AI помог написать длинный документ, а руками его потом никто не вычитал. Времени нет, текст выглядит уверенно, человек ему доверяет. ✅ Главное Тут работает большая иллюзия. Чем умнее модель и чем нагляднее интерфейс, тем сильнее кажется, что AI ошибается всё реже. На деле ошибки уходят глубже, и поймать их труднее, если ты не встроил проверку заранее. Поэтому на своих занятиях делаю фокус на умение думать рядом с AI: алгоритм взаимодействия, постановка задач, ясные критерии результата и проверка каждого ответа. Системно и методично. Сначала может казаться, что это усложняет работу. По факту - это единственное, что держит результат: когда привычка сомневаться становится фоновой, моделью управляешь ты. Источник: GPTZero, Financial Times (сам отчёт KPMG снял с сайтов) Я в MAX