Один из авторов этого уютного канальчика в юности довольно серьезно увлекался музыкой - писал песни, работал диджеем, писал фонограммы для КВН и прочей самодеятельности, и даже зарабатывал этим большую часть своего дохода на последних курсах университета. Потом юность прошла, а вместе с ней исчезло и свободное время на занятия музыкой. Карьера пошла в гору, появились деньги, и наш герой даже купил себе оборудование и софт для записи музыки, но обнаружил, что количество времени, которое требуется, чтобы создать полноценное музыкальное произведение, заставляет его делать тяжелый выбор между хобби, семьей и работой. И так бы наш автор и продолжал мечтать о том, что когда-нибудь заработает миллионы, выйдет на пенсию и будет там целыми днями писать музыку, но появился этот самый ИИ. А точнее, Suno. Сначала это самое Суно создавало восьмибитные мелодии, которые нарушали все правила композиции и пело страшным голосом, но в последний версиях начало выдавать вполне приличное звучание, и наш герой попробовал - и пропал. Теперь сидит в Suno в свободное время и выдает на гора все те мелодии, которые роились годами в его голове за максимум пару часов, а не пару суток, как раньше. А дело в том, что пресловутая “ИИ-демократизация” чего бы то ни было - начиная от кодинга и заканчивая музыкой, текстами и сайтами - не дает преимущества тем, кто раньше ни черта не понимал в теме. Она дает возможность не тратить лишнее время тем, кто хорошо понимает в теме. Если вы хорошо уметее писать спецификации продуктов, но так себе кодите - вы идеальный вайб-кодер. Если отлично разбираетесь в визуальном стиле и у вас есть идея, но лень рисовать - поздравляем, вы прекрасный вайб-дизайнер. Если у вас есть красивая мелодия, вы хорошо понимаете, как должна строиться композиция, но при этом вам лень тратить двенадцать часов на поиск правильных сэмплов для вашего инструмента - то музыкальный ИИ для вас! В этом смысле ИИ открывает для человечества прекрасную эпоху, когда вы можете не выбирать между хобби, работой и семьей, а делать и то, и другое и третье почти без ущерба для себя. Вы думали, ИИ изменит мир работы, а он дал нам возможность заниматься хобби. С чем мы человечество и поздравляем. А чтобы ваша пятница стала чуть романтичнее, послушайте мелодию , созданную нашим героем за пару часов вместо пары суток. Хороших выходных!
WTWTF_HR
Откровенно о российском HR и российских эйчарах - эксклюзивы, лучшие материалы и комментарии.
Присоединяйтесь и присоединяйте коллег.
Вопросы, предложения и материалы отправляйте на @Zloy_HR
CategoryOtherLanguageRUFirst seenJul 06, 2026QualityVerified
Subscribers12.5K
Avg views173.8K
ERR57.7%
Price-- RUB
Price / subscriber--
Price / view--
Metrics updated: Jul 06, 2026
Recent posts
Давайте что ли про роботов поговорим, раз уж мы увлеклись опять этим ихним ИИ. Производители роботов, а вслед за ними и бескорыстные технооптимисты типа почетного говоруна вся Яндекса товарища Себранта уважаемого, уже провозгласили век завоевания модельками физического мира, а китайские роботы, показывающие отчаянное кунг-фу на хорошо размеченной сцене по четкому алгоритму, создают полное впечатление, что кожаным скоро хана. К тому же, если смотреть на прогресс LLM и агентов, то и правда становится страшновато - а последняя версия мечты про роботов звучит как “а давайте засунем в робота LLM и пусть себе работает без человека, ибо LLM - это же симуляция мышления, почему бы ей не работать так же в физическом мире”. А потому что. Задачка “автономный многоцелевой агент, анализирующий табличку в экселе и дающий рекомендации, что делать по результатам данных” и задача “автономный многоцелевой робот, принимающий решения и действующий в физическом мире” различаются по сложности не на проценты, и даже не на порядки, а, как бы это правильно сказать, на измерения. Например, большие языковые модели первым делом скушали примерно весь Интернет, чтобы научиться статистически предсказывать следующее слово, которое сказал бы в этих ваших интернетах средний человек (умными словами это называется pre-training). Для физического мира ничего подобного претрейну на открытых данных не существует. Скачать все человеческий действия в физическом мире, и потом на этом тренировать роботов - неоткуда. И из этого (на нашем дилетантском уровне) есть два вывода. Первый - что прогресс в отношении развития физического ИИ не будет таким же взрывным, как в области больших языковых моделей. То есть не будет условного аналога чатика GPT 3.0, который такой ррраз - и начнет делать все как человеки. Для этого нужно собрать огромное количество данных, которые лежат в разных местах, если вообще где-то лежат. Второй - что разные роботы будут друг от друга отличаться значительно сильнее, чем разные модели. Потому что, как говорят знающие люди, одна и та же модель, обученная на одном и том же наборе данных. не всегда одинаково работает даже на двух одинаковых роботах, выполняющих одинаковые действия. И это мы еще не начали про то, что параметров качества этих самых действий значительно больше, чем параметров речи, но не являясь специалистами, мы в эту степь не пойдем. В общем, при выполнении заданий в реальном мире нас ждут многие и многие поколения роботов, которые будут не просто отчаянно тупить, нарушая все понятия о человеческом здравом смысле, но и представлять из себя некоторую опасность - врезаться в предметы, натурально биться в судорогах, вызывая у окружающих лютый кринж, случайно травмировать людей, и к тому же постоянно нарушать три закона Азимова потому что внутри робота будет слишком умная пробабилистическая модель, которая подумает и решит, что знает лучше, чем не причинять вред себе и человеку своим действием или бездействием. И так еще лет… сколько? Мы не знаем, но надеемся, что получится быстрее, чем с беспилотными автомобилями, которые, спустя пятнадцать лет после лозунгов “кожаным - хана” до сих пор ездят в по пальцам пересчитанных городах мира, и там с серьезными ограничениями.
В далекие времена, когда про чатик GPT еще слыхом не слыхивали, в наших широтах мирно сосуществовали Сири и Алиса. И если Сири начать жаловаться на жизнь, она пыталась жалеть и поддерживать, а Алиса запросто могла сказануть что-то типа “А никто не обещал, что будет легко”. Еще до LLM компании делали ассистентов с разными персонами. И теперь эти персоны продолжают существовать, но уже на новом уровне. Теперь у нас есть не только тон разговора, и даже не только уровень сложности решаемых задач. У агентов на основе разных моделей есть почти человеческие черты - упорство или нерешительность, склонность к соблюдению правил или к импровизации, быстрота или задумчивость. Сейчас у каждого уважающего себя чатика под капотом несколько моделей - посложнее для размышлений, попроще для разговоров. И это особенно заметно, если работать с разными моделями - а разные модели хороши для разного, и пользоваться несколькими - не роскошь, а средство достижения оптимального результата. И тут, наверное, правильный момент, чтобы рассказать об ограничениях агентов. Знающие люди пишут, что пока агенты в реальной жизни - штука довольно ненадежная. На задачах из реального мира (а не из олимпиады или открытого бенчмарка, где есть правильный ответ и на него явным образом можно натренировать модель) они правильно выполняют задачи чуть более чем в половине случаев. То есть на новой для себя задачке из реального мира у агента в среднем ничего не получится в половине случаев. Погодите хихикать - эта цифра довольно сильно варьируется в зависимости от собственно задачки (у некоторых моделей на некоторых типах задач она достигает более 80%), а с ростом производительности моделей и общие цифры будут расти. Мы это уже видели на чатиках, которые сначала глючили все время, а теперь - довольно редко, и с агентами будет то же самое. Главная проблема агентов - не в качестве выполнения задач, а в том, что агент, в отличие от человека, совершенно не в состоянии оценить правильность выполнения незнакомой ранее задачи. И как подступиться к этой проблеме, пока не очень ясно. Это значит, что для большинства профи, которые в состоянии грамотно поставить задачу, в которой нет однозначно правильного ответа, и оценить успешность ее выполнения, у нас хорошие новости - их работа в обозримом будущем будет в полной безопасности. Но если вернуться к изначальной теме этого поста, то стоит добавить, что несмотря на всю антропоморфизацию, перед нами просто новый способ автоматизировать разные штуки. Только с новым уровнем адаптивности к пользователю - не на уровне двух конкурирующих SaaS-вендоров типа SAP и Workday, а на уровне “есть с десяток фундаментальных моделей, у каждой из них есть по нескольку версий, и почти на каждой из этих версий можно построить сотни видов агентов”. И довольно большая часть ИИ-грамотности - это понимать различия и использовать правильные штуки для правильных вещей. Авось и токены сэкономим.
Итак, вчера мы остановились на том, что этот самый ИИ может стоить значительно дороже среднего программиста при, скажем так, не особо стабильных результатах. Не особо стабильных - не означает плохих, иногда бывают очень даже хорошие. Но означает непредсказуемых. Как мерить затраты на ИИ в сравнении с дополнительной производительностью - никто толком не знает. Но есть мнение, что и так сомнительная история с резкой заменой людей на ИИ уткнулась в стоимость этого самого ИИ при текущем способе его использования. Но при этом консультанты из Bain&Co уверенно выдают прогноз, что через три-четыре года средние затраты на ИИ-сотрудников в технологических компаниях будут равняться трети от ФОТ. Что это значит для эйчаров? Много забавного. Во-первых, насмотревшись на опыты с массовой заменой людей на LLMки и потом наймом их назад, многие компании притормозят планы по увольнению всех и вся. Хотя бы на время, пока не научатся гарантированно повышать эффективность с помощью агентов и понимать, какие затраты для этого нужны. Во-вторых - и это самое веселое - HR и ИТ-департаменты теперь будут фактически иметь общий бюджет. Часть из этого бюджета будет уходить на людей, а часть на LLMки. Какая часть? Почему? И главное, кто будет принимать решения? Все это отличные вопросы, и если и когда этот зоопарк реализуется на практике, мы желаем всем участникам удачи. В-третьих, товарищи рекрутеры и C&Bшники - возможно, вам пора готовиться к тому, что инженеры на собеседованиях начнут спрашивать “а какой на этой позиции бюджет на токены?” Ходят слухи, что в некоторых компаниях уже планируют включить бюджет на токены в список плюшек, и начать переманивать разработчиков из компаний, где им его не дают или дают всем одинаково. Ну и если это все недостаточно весело, то вот вам налоговый вопросик. В большинстве стран мира подоходный налог - один из самых важных источников поступления дохода в казну. Подоходный налог берут с зарплат, и если вместо зарплат компании начнут тратить деньги на токены, то рано или поздно правительства этот трюк заметят, и начнут пытаться облагать налогом траты на компьют. В силу разных там бухгалтерских трюков это будет очень веселое упражнение, так что мы ждем с нетерпением. В общем, дивный новый мир будет и правда дивным для эйчаров, так что закупайтесь попкорном и пристегивайтесь. Завтра опять про AI-сотрудников, и опять не так, как в легендах и мифах.
Ну что, дорогие читатели, успели уже забыть про нас? А мы, тем временем, живы и решили вас развлечь серией свежих зарисовок про дивный новый мир. И первая зарисовочка - про то, что эйчары теперь действительно будут вынуждены работать с “ИИ-сотрудниками” - только совершенно не так, как планировалось. Сегодня будет только присказка, но она хороша сама по себе, ибо она про зависимость. В предыдущих сериях мы увидели, как из LLM возникли ИИ-агенты, то есть сущности, которые могут не только ля-ля, но и мешки ворочать - например, программировать или автоматизировать корпоративные процессы. И это всем настолько понравилось, что корпорации наперебой ринулись внедрять их в работу. Тут-то и выяснилось, что приличный агент, построенный на модели первого эшелона (например последний Claude или чатик наш GPT) для выполнения реально сложных задач - кодинга, сложной автоматизации, дизайна, видео и тому подобных вещей - кушает очень много токенов (то есть элементов, из которых LLM собирает свои мысли, каждый из которых равен примерно одному слову из четырех-пяти символов). А токены стоят денег. А нужно сказать, что работа с LLM-агентом (не важно, кодит он, пишет музыку, генерит видео или дизайн) - страшно увлекательная штука с не на 100% предсказуемым результатом. Вы пишете промпт, запускаете машинку, ждете, и на выходе получаете что-то похожее, но не идеально соответствующее замыслу. Вы чуть правите промпт, чтобы он точно соответствовал идеалу, и перезапускаете агента - а он, зараза, исправляется в нужном вам месте, но косячит в другом. Вы снова правите промпт (и, может быть, что-то еще правите руками) и снова запускаете черный ящик. И так много раз - и чем сложнее задача, тем больше шансов на отклонение в каждом. Наши источники, увлекающиеся подобным, рассказывают, что за этой игрой в казино с неизвестными, но не нулевыми шансами получить нужный (а может быть и более интересный, чем ожидалось) результат, можно проводить часы и бессонные ночи, и тратить при этом сотни и тысячи долларов на токены. Психиатрам-наркологам явно будет с чем работать в этом прекрасном будущем, но речь не об этом, а о том, что тысячи долларов, как правило, уходит не из собственного бюджета, а из корпоративного. Уже широко известна история про UBER, технический директор которого жаловался на то, что за пару месяцев просадил годовой бюджет на ИИ из-за того, что программисты постоянно использовали агентов. Выяснилось, что особо ретивый игрок в рулетку вайб-кодинга может потратить несколько своих зарплат в месяц на токены, написав миллионы строк кода, но при этом результат в виде надежно работающего функционала совершенно не гарантирован. И вот тут все те, кто утверждали, что увольняют джуниор программистов, чтобы не тратить зарплату на решение простых задач, начали грустно шутить в стиле “мы наняли джуниор-разработчика, чтобы не тратить токены на простые задачи”. А что это значит для эйчаров, мы поговорим в следующем посте завтра.