Эта вводная лекция интенсива по ИИ от Васыла Закиева — про то, как руководителю быстро встроить искусственный интеллект в работу организации. Она устроена как теория + практика: сначала разбираемся, что вообще происходит в мире ИИ, потом выписываем реальные задачи и считаем по ним ROI от автоматизации. Главная идея интенсива — что внедрение начинается не с приказа IT-директору, а с изменения личного отношения руководителя: «рыба гниёт с головы и улучшается с головы».
Инструменты, на которых работает интенсив
Основной инструмент — Искра (искработ.ру), собственная разработка 2030ai. По интерфейсу это полный аналог ChatGPT, Claude и Perplexity, и они сейчас сходны до степени смешения, иногда буквально одинаково выглядят. Если у вас уже есть подписка на западные сервисы и привычка к ним, можно работать там; если нет — всё делается в Искре.
Второй инструмент — Cursor. Это инструмент второго поколения: устанавливается на компьютер, подключает к себе папки и умеет делать «вообще всё». В чатовых интерфейсах есть ограничения, а в инструментах вроде Cursor, Claude Code и Codex CLI этих ограничений нет — отсюда все громкие истории из новостей, когда кто-то сам сделал сайт, решил математическую проблему и так далее. В рамках интенсива все такие инструменты для простоты называются «Cursor».
Почему именно Искра
Внутри Искры работает модель Qwen — китайская модель уровня лучших современных ИИ. Но ключевое — не модель, а инфраструктура. Искра построена так, чтобы её можно было безопасно использовать в корпоративном сценарии:
- Запросы с персональными данными и подобной чувствительной информацией обрабатываются на дата-центре в Иннополисе, в Росатоме.
- Это не нарушает закон. Когда пользователь отправляет персональные данные в любой из зарубежных сервисов (ChatGPT, Claude и т.д., кроме Алисы и Сбера), он автоматически нарушает закон о хранении персданных в России.
Поэтому для корпоративных задач Искра — это не «ещё один чат», а способ снять юридический риск.
Кто ведёт интенсив
Спикер — Васыл Закиев, 39 лет, живёт в Иннополисе. Магистратура КФИ по менеджменту маркетинга, по факту — первый магистр маркетинга мужского пола в Поволжье. Работал в IT-парке, запускал стартапы.
Две крупнейшие компании в его портфеле:
- Штрафы ГИБДД — один из крупнейших в России коммерческих сервисов проверки и оплаты штрафов. Оборот порядка 3 миллиардов в год. До внедрения ИИ — 25 человек, сейчас — 8.
- Спутник — умные домофоны. Около 50 подъездов в день переходят со старых домофонов на «Спутники». Лидер рынка по подключаемым к интернету домофонам с мобильными приложениями.
Последние пять лет преподаёт стартапы в Университете Иннополис. Тремя годами ранее заинтересовался ИИ — после разговора с бывшим вице-президентом Mail.ru по инвестициям, который сказал, что это не маленький тренд, а технологическая революция, в которую стоит вложиться. Особенность таких революций: если в начале эпохи электричества хорошо разобраться в электричестве, то твоя «мощность» начинает расти автоматически вместе с темой.
Запустил международную компанию мобильных приложений, флагман в России — Calzen: фотографируете еду, приложение считает калории, БЖУ, воду, клетчатку и сохраняет в Apple Health. Около года назад начал рассказывать про ИИ, в ноябре превратил это в школу 2030ai.ru. У сайта сейчас раздел «Обучение искусственному интеллекту» — больше 50 уроков по конкретным инструментам.
Краткая теория: от вычислителя до ChatGPT
Компьютер как вычислитель
Первое слово «компьютер» в английском — это «вычислитель»: лаборант в научном коллективе, которому вечером отдавали бумажки с задачами, чтобы он за ночь решил их столбиком. Поскольку люди ошибаются, такие задачи давали двум лаборантам — чтобы утром сравнить результаты. Когда появились вычислительные машины, способные делать ту же работу, это считалось искусственным интеллектом: математические задачи, которым человек учится тридцать лет, удалось поручить машине. Потом оказалось, что вычислять — круто, но это всё-таки не интеллект.
Нейросети как имитация мозга
С определением «интеллекта» вообще есть проблема — единого понятного определения нет. Подход, который сработал, — попытка смоделировать в компьютере, как работает мозг. У человека есть нейрон — в компьютере моделируется перцептрон. Это просто алгоритм. Если этих перцептронов взять сотни миллиардов и правильно их соединить, получается штука, которая хорошо имитирует работу человека в узких задачах: распознавание текста, поиск закономерностей, ответ «эта деталь хорошо покрашена или плохо». Классическими нейросетями занимаются уже шестьдесят лет — простую нейросеть для предсказания цен акций можно было собрать ещё в вузе.
Архитектура GPT
Революция случилась примерно одиннадцать лет назад. Перцептроны сложили так, что получилась архитектура Generative Pretrained Transformers — GPT. Главная фишка — нейросеть, которая хорошо предсказывает, какой следующий ход в последовательности будет наилучшим.
Обучение и работа — два разных процесса. При обучении нейросети скармливают огромное количество шахматных партий, и она сама находит правила, как ходить, чтобы победить. Правила игры в шахматы ей при этом не объясняют. Сначала она побеждает в шахматах, потом её сажают за Го — игру, в которой считалось, что ИИ принципиально не сможет победить человека из-за стратегии, тактики и философии целой цивилизации. И эта штука обыгрывает лучшего игрока в Го, делая ходы, которые раньше вообще не предполагалось делать.
От Го к тексту — OpenAI
Затем пришли люди из OpenAI (сейчас компания стоит почти триллион долларов) и предположили: а что если скармливать этой штуке не ходы в Го, а текст? Слово-слово-слово — это тоже последовательность. Получилось предсказание следующего слова, которое будет наилучшим для задачи. Так появился GPT-1 почти десять лет назад. Потом GPT-2, GPT-3 — про них широкая публика ничего не знала.
Широкое признание ИИ получили только с GPT-3.5, который выделили в виде сайта ChatGPT. У него сейчас почти миллиард ежемесячно активных пользователей.
Революция ChatGPT — диалоги
Сама по себе генерация текстов интересна разве что контент-менеджерам. Революция была в том, что модели скормили не просто тексты, а диалоги, и она научилась имитировать ответ человека. На вопрос «Привет, как дела?» модель ищет лучшее продолжение текста в виде диалога. Она не пытается «решить вашу задачу» или «правильно ответить» — она пытается сделать действие, которое будет наилучшим. Для этого в обучение встроили функцию вознаграждения: модели очень долго подсовывали диалоги, которые нравятся читателю. На одной только Толоке у Яндекса десятки тысяч людей читают сгенерированные тексты, ставят лайки и дизлайки, чтобы активировать функцию вознаграждения.
Потом подумали: а что если скормить не диалоги, а решения задач? Так появился современный режим работы. Важно понимать: у ИИ нет сознания, нет ощущения непрерывности, нет «личности» в человеческом смысле. Это просто алгоритм, в который каждый раз загоняется весь предыдущий диалог целиком, и он выдаёт следующий ход.
Первая практика в Искре
Первый запрос на интенсиве: «Я руковожу направлением в такой-то организации. Напиши 10 способов, как Искра может помочь мне в работе». Искра выдаёт ответ, и здесь сразу возникает главная проблема современного ИИ — галлюцинации.
Галлюцинации
При создании GPT пошли по пути «эта штука должна быть творческой» — иначе она не сможет ничего додумать и победить в Го. Проблема галлюцинаций для современного ИИ принципиально не решена и, возможно, не будет решена: в любой ситуации, когда модель может наврать, она будет врать.
Как уменьшить количество вранья:
- Просить кейсы из реальной практики подобных организаций.
- Просить ссылки, чтобы можно было перепроверить.
- Не верить ИИ — точно так же, как любой работе, которую принёс человек, перепроверять.
Два года назад была пиковая ситуация: ИИ выдавал отличные темы, замечательные журналы, прекрасно подходящие аннотации к статьям — и всё это было выдумано. Сейчас у всех ИИ встроены хорошие ограничения, но проблема не решена.
Работа с файлами
В Искре есть скрепка для прикрепления файлов: они сохраняются на сервере, их можно скачивать, изменять, создавать новые. Можно сказать «создай Word-файл на одной странице A4», и тут вылезает важное ограничение: ни один современный ИИ не умеет красиво и хорошо создавать Excel- и Word-файлы. Что-то получится, но выдержать форматирование, оформление и дизайн ИИ в нативных Excel/Word-файлах не может. Для этого есть специальные программы.
Поэтому ИИ часто сохраняет результат как .md — markdown-файл, который тоже можно открыть в Word. Лайфхак: для работы с текстовыми документами ИИ лучше всего подходит формат .txt, а для табличных — .csv. Это особенность всех современных моделей.
Презентации
Современные ИИ умеют делать презентации, но единого подхода нет: кто-то выдаёт картинки, кто-то PDF, кто-то PowerPoint. В Искре можно попросить «найди информацию про компанию X и сделай презентацию на 10 слайдов» — модель готовит файл, который сначала показывается по слайдам, а потом скачивается как PowerPoint.
Где ИИ уже обгоняет человека — бенчмарки
Бенчмарк — это экзамен для ИИ, отметка на заборе, по которой можно сравнивать поколения моделей.
Последний экзамен человечества (HLE)
Год назад появился бенчмарк, в который изначально включали только те вопросы, которые принципиально невозможно решить с помощью ИИ. На момент, когда первый ИИ (это был DeepSeek) попробовал его решать, результат был чуть больше 8%. Сейчас почти любой новый ИИ решает половину задач, которые изначально считались нерешаемыми. Это про абстрактные «олимпиадные» способности.
При этом штука, которая отлично решает математические и олимпиадные задачи, для офисной работы годится так себе: презентацию красиво не сделает, Word-файл толком не поправит, в Excel испортит форматирование и формулы.
GDP-val — реальные задачи фриланса
Чтобы оценивать практическую пользу, используется бенчмарк GDP-val (от GDP — ВВП). Берётся аналог фриланса: люди ставят другим людям задачи (сделай презентацию, сделай вот это). ИИ решает эти задачи с нуля от начала до конца. Эксперт сравнивает результаты человека и ИИ. Сейчас для некоторых типов задач эксперт в большем количестве случаев отдаёт предпочтение ИИ.
Название отсылает к ВВП: для задач, которые сейчас уходят людям через фриланс (потому что там задачу можно скапсулировать), ИИ почти всегда делает работу лучше человека.
Кейсы студентов Иннополиса
В этом году у Васыла был запуск курса в Иннополисе. Студенты регистрировались на Кворке и ЮДУ и просто поручали ИИ отвечать на запросы людей, выполнять задачи и сдавать работу. У одного человека получается зарабатывать порядка 50 тысяч рублей в месяц (упирается в лимиты тарифа ИИ), другой две недели назад отчитался о 250 тысячах рублей — при том, что сам почти ничего не делает руками. ИИ находит заказы на ЮДУ и сам же их выполняет.
Модели vs инструменты
Важно различать. ChatGPT — это сайт, инструмент. GPT-5, 5.1, 5.2 и т.д. — это модели. В Cursor можно работать с их собственным ИИ или переключиться на другие модели.
Искра — это инструмент, внутри которого работает модель Qwen (китайская, на уровне лучших современных моделей). При этом Искра запускается на российской инфраструктуре в Иннополисе, что позволяет легально отправлять туда персональные данные.
Из российских инструментов, куда можно отправлять персданные без нарушения закона: Искра, Алиса, Сбер.
Лайфхаки для руководителя
Анкета при регистрации — не для галочки
При регистрации в Искре пользователь получает кучу вопросов: кто вы, чем занимаетесь, какие у вас задачи. Это нужно, чтобы отвечать на экспертном уровне по тем темам, в которых вы разбираетесь, и на общем — по тем, где не разбираетесь.
Часто ветеринар забегает в ИИ, задаёт профессиональный вопрос и получает общий ответ. Причина — модели не сказали отвечать на экспертном уровне по этому вопросу. По темам, в которых вы эксперт, прямо так и пишите: «Я эксперт по тому-то, отвечай мне максимально развёрнуто».
«Сделай проще»
Главное, чему стоит научиться: уметь просить ИИ сделать ответ проще. Очень много проблем у людей при работе с ИИ возникает потому, что модель что-то очень сложно написала или объяснила. Можно сказать «как для школьника» или «как для мамы». Модель прекрасно понимает такие формулировки и упрощает.
Промпт для протокола встречи
«Ты операционный ассистент руководителя. По сырым заметкам планёрки подготовь управленческий протокол. Не додумывай факты, пометь "уточнить"…» — дальше вставляется сырая транскрипция. Результат — расширенный протокол в виде таблицы: кто что когда обещал, критерии готовности, моменты которые можно улучшить, сообщение участникам после встречи.
Хорошо после каждой встречи фиксировать протокол. Если результаты встречи не зафиксированы — встречи фактически не было.
Но: чат сможет сгенерировать протокол, но не сможет отправить его в Task Manager. Это уже задача для инструментов второго поколения вроде Cursor.
ИИ как консильери
У всех руководителей есть проблема: подчинённые редко скажут вам, что вы что-то делаете не так. ИИ — хороший советник, который может анализировать, как вы провели совещание или планёрку, без оглядки на свою зарплату. Эффект «он пытается понравиться» есть, но не настолько, чтобы перевесить пользу — это очень хороший способ самообучения.
Самообучение
Тема использования ИИ для самообучения сильно недооценена. У Васыла как преподавателя это видно на студентах. В этом году он почти не преподавал теорию: студентам ставится задача «за три месяца с нуля сделайте стартап и заработайте денег». Раньше эта же задача формулировалась как «научиться делать стартап и подготовить хорошую презентацию». Примерно половина группы доходит до реальной выручки — потому что любой возникающий вопрос они проверяют через ИИ.
Стажёры теперь другие
Раньше стажёр был «бесполезным человеком, на которого тратишь время». Сейчас стажёру можно дать сложную задачу типа «вот финансовый план, разбери и сделай презентацию на следующий год», и с помощью ИИ он справится. Десять лет Васыл не брал стажёров; последний год берёт с удовольствием.
Принцип GIGO
Garbage in, garbage out. Если пропускать на входе мусор — на выходе будет мусор. ИИ очень легко сгенерирует любое количество «человекообразного» текста на сомнительной задаче. Задача руководителя — не пропускать плохое, а делать только хорошее. Любую работу нужно перепроверять — что от человека, что от ИИ.
Поэтому практическое задание интенсива: сформулировать 10 вещей, которые вы делаете на работе, максимально конкретно. Из них на следующих модулях будем выбирать те, у которых наибольший ROI от автоматизации, и реально автоматизировать.
Главный вывод вводной лекции: современный ИИ — это не отдельная футуристическая технология, а уже работающий инструмент, который меняет норму качества работы. Стажёр с ИИ делает то, что раньше требовало опытного сотрудника. Один человек на фрилансе зарабатывает 250 тысяч рублей, поручая работу модели. Компания со штатом в 25 человек сжимается до 8 без потери оборота. При этом сам по себе ИИ остаётся вероятностной системой, которая может убедительно врать — и это никуда не уйдёт.
Поэтому подход для руководителя — не «попросить IT-директора внедрить», а изменить собственную работу: научиться давать модели правильный контекст (вы эксперт по чему-то), просить простоты, требовать ссылок, перепроверять результат и встраивать ИИ в типовые задачи вроде протоколов встреч. Дальше — выписать собственные задачи и понять, где автоматизация даст максимальный ROI прямо сейчас.