Как я создал систему, которая знает меня лучше чем я сам
TL;DR: 3.5 месяца веду дневник через AI-агента. Система сама находит корреляции, выявляет аттракторы поведения и пишет гипотезы. Выложил стек на GitHub. Под катом — шаблон, AGENTS.md и найденные корреляции.500 гипотез за 3.5 месяца. 470 - мусор. 30 - правда, которую я не хотел знать. Например, что я по 4 часа «анализирую новости», а по факту — избегаю одного телефонного звонка.Я создал систему, которая знает меня лучше, чем я сам.
Менеджер, который хакнул систему. И что AI на самом деле умножает
Месяц назад я выложил здесь статью про то, почему хорошие специалисты делают работу качественно — и не растут. Под ней появился комментарий, который оказался точнее самой статьи. Его оставил пользователь Alexey_Kangin: Не исключено, что ответ на поставленный вопрос гораздо проще. Менеджер хакнул систему. Он понял, что решения можно просто не принимать, и это не оказывает существенного влияния на его позицию и доход. А в таком случае, зачем напрягаться? Думать больно, установленный нейронаукой факт.
LLM не работает за вас. Она работает с вами
Опыт после обучения 10+ коллег: почему одни ускоряются в разы, а другие получают уверенную кашу.За последние пару месяцев я обучил свою команду, как встроить LLM в рабочий процесс.Не «поиграться с ChatGPT вечером». Не «задать вопрос, как сделать то-то». А именно начать использовать LLM в реальной работе: код, тексты, анализ, ревью, документация, исследование, планирование задач.Мой вывод стал неожиданностью для меня:LLM не работает за вас. Она работает с вами.
Делегирование, которому можно научиться у промпт‑инженеров
Вы поручаете задачу — неважно, нейросети в чате или живому коллеге, — и получаете не то. Не совсем не то, но мимо. Вы возвращаетесь к формулировке, дописываете «пожалуйста, сделай всё внимательно и аккуратно», добавляете «это ВАЖНО», ставите восклицательный знак. И ловите себя на мысли: «Я же всё понятно и чётко расписал».Чаще всего — нет, не чётко и не совсем понятно. И это не упрёк: ставить задачи действительно трудно, этому почти нигде не учат специально. Мы осваиваем делегирование на ходу, по обрывкам опыта, и редко получаем честную обратную связь о том, насколько хорошо у нас это выходит.
Очень много букв… Или кейс по специфической настройке рабочего окружения
Прежде чем начать — несколько вопросовСмотря на документацию, вы думали: «Лучше бы мне рассказали, что там происходит, нежели читать все это»?При продолжительном чтении документации чувствуете усталость или спутанность?Перед тем как решать задачу — представляете или рисуете схемы?Воспринимаете информацию на слух или визуально лучше, чем при прочтении?Иногда не можете увидеть опечатки в знакомых словах?Сложно постоянно следить за кодстайлом? Хотите ускорить ревью своего кода?
ИИ-динамика: управленческие практики
Где-то с 2021 года программистам обещают, что: ИИ оставит их без работы, 30% мест исчезнут, дипломы обесценятся и вообще все станут бесполезными. В декабре 2025 это уже стало походить на правду, теперь, какой-нибудь Claude, действительно, выдает рыночный результат. А если сравнить стоимость генерации за ноль рублей с любой оплатой труда, то тут победить ИИ - крайне сложно.Что касается профессий уровня аналитиков, то джуны не нужны, по моим ощущениям, с 2023 года, а на текущий момент вообще аналитики не особо нужны. Тут уже, к сожалению, так как в моей профессии присутствует слово аналитик.
80% встреч проводятся по принципу родительского собрания
Люди в среднем не умеют проводить встречи. Меня это дико бесило, когда я впервые столкнулся с качеством принятия решений на родительских собраниях. Оно близко к отрицательному.Мы тут писали транскрибатор встреч — это когда можно загрузить запись в трекер и получить список задач на выходе. За время тестов мы узнали, что про архитектуру встречи вообще никто не думает, а чтобы у неё было продолжение — ну там, следующие шаги, ответственные, сроки и задачи на выходе — это вообще необязательно.Коротко основное, что может показаться вам странным:
Когнитивная зарубка: Что мы теряем, работая с LLM, и при чём здесь невесомость
Вторая статья из цикла «Слова, которых нет»Начало здесь >>>Знакомая ситуация: сидишь над задачей, что-то не складывается, спрашиваешь LLM. Получаешь хороший ответ, копируешь решение, всё работает. А через час к тебе подходит коллега: «А это вообще как устроено? Почему ты именно так сделал?», и тут ты обнаруживаешь, что объяснить не можешь: решение работает, оно у тебя в проекте, но ты не помнишь его логики. Открываешь чат, перечитываешь — и как будто чужой текст перед глазами, знание прошло через тебя, но в тебе не задержалось.
Я держу 4 Claude-инструмента в работе. HBR говорит, что у таких brain fry. Я был среди них
После моей статьи про Lexis (AI-репетитор на 4 LLM-провайдерах) у меня стали спрашивать: Как ты не выгорел?. Я отвечал так: 4 провайдера - это для пользователей, для разработки я использую Claude.Месяц спустя я перечитал свой ответ и понял, что он наполовину правда. На разработку я тоже использую четыре инструмента: Claude Code (для кода), Claude Cowork (для документов и контента), Claude Design (попробовал для лендингов) и обычный chat.claude.ai для быстрых вопросов. Параллельно у меня лежит OpenAI API-ключ для тестов. Сейчас я думаю подключить пятый - Codex в связке с Claude за $40/месяц.
