Раскрытие потенциала ИИ в разработке программного обеспечения

Несмотря на весь технологический прогресс программного обеспечения и его кардинальные изменения за последние полвека, его огромный потенциал исторически ограничивался нехваткой квалифицированных разработчиков, ограниченными возможностями программирования и сложностью координации крупных проектов. Появление искусственного интеллекта, а в последнее время и агентного ИИ, должно было и должно преодолеть эти препятствия, приведя к неимоверно высоким показателям производительности и созданию ценности. Хотя многие организации уже видят положительные результаты от использования этих инструментов, небольшая группа компаний получает особенно большую выгоду.

Наиболее успешные организации отметили заметное влияние ИИ на четыре ключевых показателя разработки: производительность команды, пользовательский опыт и время выхода на рынок (улучшение на 16–30%), а также качество программного обеспечения (на 31–45%).

Для реализации революционного потенциала ИИ в разработке программных продуктов потребуется гораздо больше, чем просто внедрение — потребуется полная перестройка процессов, ролей и методов работы, чтобы идти в ногу с ускоряющимся развитием инструментов и моделей интеллекта.

Что отличает лидеров в области программного обеспечения для искусственного интеллекта?

Лидеры, активно способствующие внедрению зрелого ИИ в разработку программного обеспечения, добиваются существенных результатов: разрыв в производительности между лидерами и аутсайдерами составляет 15 процентных пунктов. Высокая производительность характеризуется большей согласованностью и качеством разрабатываемых продуктов, более короткими циклами спринтов, меньшими размерами команд и высокими показателями удовлетворенности клиентов.

Лучшие компании в области разработки программного обеспечения с использованием ИИ преодолевают разрыв между экспериментами и результатами, внедряя две взаимодополняющие практики на протяжении всего жизненного цикла разработки продукта (PDLC product development life cycle).

1. Приоритетное внимание следует уделять комплексной реализации вариантов использования на всех этапах жизненного цикла разработки продукта.

Лучшие компании применяют целостный подход, внедряя ИИ на протяжении всего жизненного цикла разработки, а не ограничиваясь отдельными сценариями использования. Вероятность масштабирования до четырех и более сценариев использования — от проектирования и кодирования до тестирования, развертывания и отслеживания внедрения — в шесть-семь раз выше, чем у конкурентов. Почти две трети руководителей сообщают о масштабировании до четырех и более сценариев использования, по сравнению с всего 10% компаний с наихудшими показателями.

2. Создайте роли, изначально предназначенные для ИИ, в рамках жизненного цикла разработки программного обеспечения.

Искусственный интеллект все чаще берет на себя основные инженерные задачи, такие как рефакторинг, модернизация и тестирование, — это знаменует собой эволюцию от вспомогательных средств кодирования к полностью интегрированным партнерам, расширяющимся на весь жизненный цикл разработки программного обеспечения. Более 90% команд разработчиков программного обеспечения используют ИИ для этих задач, экономя в среднем шесть часов в неделю. Однако, по мере замедления роста численности инженерного персонала, от разработчиков ожидается сочетание технической компетентности с пониманием продукта, дизайна и бизнеса. Это становится возможным благодаря более мощным инструментам с улучшенной координацией, таким как переход от базового автозаполнения к агентам, управляемым логическими рассуждениями, которые планируют задачи, опираясь на более полную контекстную информацию. Например, такие инструменты, как GitHub Copilot, Claude Code и агент Jules от Google, эволюционировали от простого автозаполнения в коде до автономного выполнения длительных задач рефакторинга и модернизации нескольких файлов.

В рамках этого процесса ключевые роли берут на себя новые, изначально связанные с ИИ обязанности. Например, менеджеры по продуктам тратят меньше времени на разработку функций и больше на проектирование, прототипирование, обеспечение качества (QAquality assurance) и ответственные методы внедрения ИИ. В свою очередь, инженеры-программисты больше сосредотачиваются на владении полным стеком технологий, структурированной передаче спецификаций и понимании архитектурных и системных компромиссов. Обе роли развивают новые навыки, специфичные для ИИ, которые дополняют их традиционные сильные стороны — навыки в таких областях, как масштабируемость, безопасность и тестирование для разработчиков, и стратегия, понимание потребностей клиентов и управление для менеджеров по продуктам. В перспективе многие команды могут выступать в роли координаторов параллельных и асинхронных агентов ИИ, назначая рабочие процессы и формируя сквозную логику, постоянно проверяя результаты. Предприятия будут все чаще создавать программное обеспечение на заказ (например, внутренние инструменты, созданные пользователями), что делает формулирование проблем и определение целей критически важными навыками и переводит организации в более продуктоориентированную модель.

Три важнейших фактора, способствующих успеху

Несмотря на всю важность этих двух практик, одних лишь изменений недостаточно для того, чтобы в полной мере использовать потенциал ИИ в разработке программных продуктов. Лучшие компании подкрепляют эти изменения тремя важнейшими факторами — повышением квалификации, измерением результатов и управлением изменениями, — которые гарантируют, что внедрение ИИ приведет к устойчивому росту производительности.

1. Повышение квалификации: Инвестируйте в персонализированное, интенсивное обучение.

Хотя большинство компаний в настоящее время предлагают курсы по запросу, те, кто инвестирует в практические семинары и индивидуальное обучение, с гораздо большей вероятностью увидят измеримые результаты — 57% лучших сотрудников против всего 20% худших. Повышение квалификации инженеров и менеджеров по продуктам в использовании ИИ — это не так просто, как предоставить им инструмент. Разбиение проблем на части для четкого общения с помощью большой языковой модели (LLM large language model) — оперативное проектирование — это лишь один из примеров сложности, требующей интенсивного обучения для повышения уровня профессионализма.

Успешные организации разрабатывают программы обучения, которые имитируют реальную работу разработчиков — интегрируя ИИ в проверку кода, планирование спринтов и циклы тестирования, — чтобы команды учились применять ИИ в реальных условиях, а не в симуляциях. Они также персонализируют учебные траектории в зависимости от роли, фокусируя разработчиков на разработке подсказок и оценке моделей, одновременно помогая менеджерам по продуктам повышать уровень знаний о поведении моделей, управлении данными и ответственном использовании.

Поскольку инструменты развиваются так быстро, обучение не может быть разовым мероприятием. Статическая документация или ежегодные сессии быстро теряют свою актуальность. Непрерывное и контекстуальное обучение, встроенное в такие ритуалы, как ретроспективы, стало ключевым конкурентным преимуществом. Некоторые ведущие компании даже создали внутренние «гильдии ИИ» или «центры развития», которые отбирают новые варианты использования, делятся передовым опытом и выступают в качестве наставников по запросу для проектных команд.

В конечном счете, производительность зависит не только от самих инструментов и технологий, но и от образа мышления и сотрудничества. Команды, которые делают обучение частью процесса разработки — рассматривая каждый спринт как возможность экспериментировать и совершенствовать — это те, кто последовательно преобразует внедрение ИИ в измеримый бизнес-эффект.

2. Измерение воздействия: отслеживайте результаты, а не только внедрение.

Успешные организации понимают, что недостаточно сосредотачиваться только на показателях внедрения, таких как частота использования инструментов или процент принятия кода. Эти лидеры отслеживают результаты — контролируют улучшение качества (79%) и увеличение скорости (57%). Привлекая команды к ответственности за результаты, ведущие организации поддерживают темп и быстро адаптируются при необходимости, в то время как отстающие фокусируются исключительно на показателях внедрения, которые сами по себе мало коррелируют с производительностью. По мере развития инструментов и расширения их возможностей (например, генерации кода из проектной документации) будут развиваться и «золотые» показатели эффективности, что заставит организации быть гибкими и адаптивными. «Слишком часто компании измеряют влияние ИИ, подсчитывая объем созданного кода, а не то, чего этот код достигает», — говорит Тарик Шаукат, генеральный директор Sonar, разработчика инструментов и решений для анализа качества кода. «Количество строк кода или процент вклада ИИ не показывают, является ли результат безопасным, удобным для сопровождения или даже полезным. Реальный прогресс достигается за счет отслеживания того, как эти инструменты помогают командам выпускать более качественное и надежное программное обеспечение, а не просто его большее количество».

Эффективная оценка влияния ИИ. Три шага помогут создать надежную систему измерения:

• Выберите значимые метрики. Определите наиболее важные результаты, такие как сокращение циклов разработки, повышение качества релизов и улучшение удовлетворенности клиентов. Избегайте слабых косвенных показателей, таких как процент кода, сгенерированного ИИ, которые мало что говорят о реальной производительности. Наложите метрики результатов (такие как производительность, скорость и качество) на входные метрики (такие как внедрение функций ИИ или обнаружение дефектов), чтобы нормализовать влияние прогресса во времени.
• Создайте интегрированную систему отслеживания. Объедините данные из инструментов планирования, репозиториев кода и журналов использования ИИ, чтобы создать согласованное представление о производительности. Интегрированное отслеживание помогает выявлять узкие места в жизненном цикле разработки и гарантирует, что команды продвигаются к достижению бизнес-целей.
• Регулярно предоставляйте аналитические данные. Постоянно делитесь результатами с руководителями продуктового, инженерного и бизнес-подразделений. Регулярная отчетность позволяет выявлять успехи, заблаговременно обнаруживать проблемы и скоординированно корректировать курс.

3. Управление изменениями: Согласуйте систему поощрений с моделями поведения, реализуемыми с помощью ИИ, которые обеспечивают достижение результатов.

Лучшие компании напрямую интегрируют внедрение ИИ в оценку эффективности работы. Почти восемь из десяти связывают цели, связанные с ИИ, как с оценками менеджеров по продуктам, так и с оценками разработчиков, по сравнению с всего 10% компаний с самыми низкими показателями для разработчиков и ни одного для менеджеров по продуктам. Согласовывая индивидуальные цели со стратегией организации в области ИИ, компании создают подотчетность и поощряют сотрудников интегрировать ИИ в свои повседневные рабочие процессы.

Ведущие организации сосредотачивают систему поощрений на поведении, которое приводит к результатам, а не просто на использовании. Цели формулируются вокруг таких достижений, как выявление возможностей автоматизации, повышение скорости работы за счет тестирования с использованием ИИ или повышение качества с помощью анализа кода с помощью моделей. Эти основанные на поведении показатели создают основу для достижения результатов, избегая при этом ловушки оценки отдельных лиц по результатам, которые они не могут полностью контролировать.

Высокоэффективные компании также ожидают от команд связи своей работы с использованием ИИ с более широкими результатами, такими как производительность, качество или клиентский опыт. Это повышает осведомленность о влиянии без привязки вознаграждения к показателям, не зависящим от индивидуальных действий. Внедрение этих ожиданий в системы оценки эффективности выводит компании за рамки разовых требований, превращая внедрение ИИ в устойчивую организационную возможность, которая постоянно стимулирует инновации и измеримую ценность.

Движение к подлинной ценности, создаваемой искусственным интеллектом.

За последние пару лет многие предприятия на собственном опыте убедились, что для получения реального финансового эффекта от внедрения ИИ в разработку программных продуктов организациям необходимо кардинально изменить свою операционную модель, внедрив новые важные практики и инструменты. Эта гибкость и способность к адаптации крайне важны, учитывая стремительное развитие экосистемы ИИ-программирования: новые инструменты появляются каждые несколько месяцев, а интеллектуальные модели быстро совершенствуются. 

Однако чистый интеллект — это лишь часть истории. Инструменты становятся все более мощными по мере их распространения по всему жизненному циклу разработки программного обеспечения. Благодаря более эффективной координации и более тесной системной интеграции они переходят от простых инструментов автозаполнения к гибридным, основанным на логическом мышлении агентам, которые могут планировать задачи, вызывать внешние инструменты и даже автоматически имитировать пользовательское тестирование с помощью браузера, и все это при поддержке более глубокого контекста.

Организации, стремящиеся идти в ногу с этими достижениями, должны также начать переосмысливать структуры и практики, необходимые для максимизации их воздействия; внедрение устойчивых организационных изменений не происходит в одночасье, даже несмотря на стремительное развитие инструментов ИИ. Программные компании, лидирующие в использовании ИИ для достижения реальных результатов, применяют смелые, комплексные решения, рассматривая ИИ как катализатор трансформации всего процесса разработки. 

В дополнение к практикам и инструментам, описанным в этой статье, эти лидеры обычно следуют трем основным шагам: 

• они ставят амбициозные цели, которые объединяют руководство и заряжают энергией организацию; 
• они разрабатывают целостный план будущей операционной модели, протестированный и доработанный в соответствии с контекстом организации; 
• они создают подробную дорожную карту, которая переопределяет структуры команд, рабочие процессы, метрики и стимулы для повышения производительности в масштабе. 

Только стратегический и всесторонний подход к ИИ позволяет командам разработчиков программного обеспечения в полной мере использовать его потенциал как движущую силу инноваций, эффективности и создания ценности в разработке программного обеспечения.

Источник

Раскрытие потенциала ИИ в разработке программного обеспечения. 3 ноября 2025 г. Статья
Шарлотта Релиа, Мартин Харриссон, Нандита Ботра, Наташа Маниар, Мэтт Линдерман, Хосе Марио Пена.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/unlocking-the-value-of-ai-in-software-development

Unlocking the value of AI in software development. November 3, 2025

Числа, которые невозможно записать

Математики нашли числа, которые невозможно записать. Даже всей Вселенной не хватит

Представьте, что вам показывают ряд чисел: 1, 6, 21, 107 и — внимание! — 47 176 870. Кажется естественным спросить: какое число идёт дальше?

Угадать его невозможно. Эти значения — первые пять членов так называемой последовательности «занятого бобра». Она связана с одной из самых глубоких и трудных проблем теоретической информатики. Вычисление её членов оказывается настолько сложным, что уже более шестидесяти лет этой задачей занимаются и профессиональные математики, и энтузиасты.

Первые четыре числа были установлены ещё в 1960–1970-х годах. Пятое же, BB(5), оказалось во много раз больше предыдущих и лишь недавно — в прошлом году — было окончательно определено благодаря совместной работе группы любителей-исследователей в онлайн-сообществе Busy Beaver Challenge.

А вот значение шестого числа, BB(6), остаётся неизвестным. Известны лишь нижние границы, и они колоссальны. В 2022 году удалось доказать, что BB(6) настолько велико, что его невозможно даже записать привычным способом: если бы каждую цифру пытаться нанести на атом, атомы Вселенной закончились бы задолго до того, как удалось бы зафиксировать хоть сколько-нибудь значимую часть числа.

Учёный-информатик Скотт Ааронсон (Техасский университет в Остине) подчеркнул: это величина, которую мы не в силах ни вообразить, ни тем более «удержать в руках».

И всё же охотники за «бобрами» продолжают двигать границы. Недавно один из самых активных и загадочных участников конкурса сумел доказать новый, ещё более впечатляющий нижний предел для BB(6) — и менее чем через две недели снова превзошёл собственный рекорд. По сравнению с его результатами оценка 2022 года выглядит микроскопической.

Как заметил информатик Уильям Гасарч (Университет Мэриленда), шестое число буквально возносит нас в мир запредельных величин.

«Ловушка для бобра» связана с одной из самых известных и трудных проблем информатики: можно ли заранее определить, завершит ли программа работу или будет выполняться бесконечно?

Ещё в 1936 году Алан Тьюринг показал, что универсального метода для этого не существует. Это открытие получило название проблемы остановки. Суть в том, что любая процедура, которая сможет корректно решать задачу для одних программ, обязательно окажется бесполезной для других. Есть ситуации, в которых никакой алгоритм не сможет дать ответ.

Чтобы доказать это, Тьюринг ввёл строгую математическую модель вычислений — машину Тьюринга. В этой модели программы описываются как воображаемые устройства, выполняющие пошаговые действия по набору простых правил. Чем больше таких правил у машины, тем богаче её поведение и тем труднее заранее понять, завершится ли её работа или она зациклится навсегда.

А насколько всё усложняется? В 1962 году математик Тибор Радо предложил новый подход — он придумал игру под названием «занятый бобёр».

Правила такие: выбирается число n — это количество правил машины Тьюринга. Нужно найти такую машину с n правилами, которая сделает больше всех шагов, прежде чем остановится. Эта машина и называется «занятым бобром», а соответствующее число, BB(n), — это максимальное количество её шагов.

На первый взгляд задача кажется простой. Нужно лишь:

1. Перечислить все возможные машины с n правилами.
2. Смоделировать их работу на компьютере.
3. Отсечь те, что сразу уходят в бесконечные циклы.
4. Для остальных записать, сколько шагов они успели сделать.

Та машина, что проработает дольше всех, и будет «бобром-рекордсменом».

Но на практике всё гораздо сложнее. Количество возможных машин растёт лавинообразно с увеличением числа правил. Проверять каждую вручную бессмысленно, поэтому приходится писать специальные программы, чтобы классифицировать и отбраковывать варианты.

Некоторые машины легко раскусить: они быстро останавливаются или застревают в очевидных циклах. Но есть и такие, что работают очень долго, не проявляя никаких заметных закономерностей. И именно здесь в полную силу проявляется «проклятие проблемы остановки».

Чем больше правил у машины, тем больше вычислительной мощности требуется для анализа. Но простого увеличения мощности недостаточно — некоторые машины работают так долго, что их пошаговое моделирование становится просто невозможным. Чтобы разобраться с ними, нужны специальные математические трюки.

Как отметил инженер-программист и опытный исследователь «бобров» Шон Лигоцки, современные технологии, конечно, помогают, но их возможностей далеко не всегда хватает.

И всё же даже самые мощные компьютеры и самые хитрые алгоритмы оказываются бессильны перед некоторыми машинами Тьюринга. Они работают так долго и так непредсказуемо, что шаг за шагом моделировать их попросту невозможно. Для этого уже нужны не железо и код, а новые математические идеи. Именно здесь охота за «занятым бобром» превращается в настоящее приключение на грани науки и искусства — где числа перестают быть просто числами и становятся вызовом для нашего воображения.

Источник: https://t.me/mathematics_not_for_you.

Математика не для всех.

* * *

Мы привыкли считать, что «гугол» (10^100) - это много. Мы знаем, что количество атомов во всей наблюдаемой Вселенной огромно (примерно (10^80) ).

Но есть Число Грэма (G). И по сравнению с ним гугол - это даже не ноль. Это ничто.

Насколько оно большое?

Вы не можете записать Число Грэма. Даже если бы вы использовали каждый атом во Вселенной как чернила, и на каждом атоме написали бы по цифре... вам не хватило бы места. Вселенная слишком маленькая, чтобы просто записать это число, даже самым мелким шрифтом.

Обычная запись степеней (типа 10^50) здесь не работает - башни из степеней просто смешны для описания масштаба. Математикам пришлось изобрести специальную «стрелочную нотацию Кнута» (↑↑↑), чтобы хоть как-то его обозначить.

Почему оно может вас убить? Звучит как шутка, но есть физическое обоснование того, почему Число Грэма нельзя представить целиком.

Согласно современной физике, информация - это энергия, а энергия эквивалентна массе (E=mc^2). Чтобы запомнить информацию, нейроны вашего мозга должны изменить состояние. Если вы попытаетесь загрузить в голову все десятичные знаки Числа Грэма, плотность информации (энтропия) станет настолько высокой, что ваш мозг сколлапсирует под собственным весом. Буквально: Ваш череп превратится в маленькую черную дыру задолго до того, как вы запомните даже ничтожную долю этого числа.

Зачем оно вообще нужно?

Это не просто бред сумасшедшего ученого. Число Грэма появилось как верхняя граница решения серьезной задачи в Теории Рамсея (раздел математики, изучающий порядок в хаосе). Оно отвечает на вопрос о гиперкубах в многомерных пространствах. Ответ находится где-то между 6 и... Числом Грэма.

Итог: Математика - это единственная наука, где можно оперировать объектами, которые физически не могут существовать в нашей реальности, потому что они ее сломают.

Источник. @Pomatematike

Как измерить безопасность шифрования? В литрах кипятка!

Как измерить безопасность шифрования? В литрах кипятка!

Криптограф Билл Бьюкенен предложил наглядный способ говорить о стойкости алгоритмов. Обычно её выражают в битах безопасности, но можно перевести вычислительные затраты в энергию, а энергию — в количество воды, которое можно вскипятить. Тогда «лёгкий» взлом соответствует чайной ложке кипятка, более серьёзный требует энергии, чтобы довести до кипения олимпийский бассейн, а самые надёжные схемы сравнимы с океанами планеты.

Подобные оценки впервые прозвучали на конференции Crypto 2010, когда было показано, что для факторизации 768-битного RSA понадобилось бы энергии, достаточной, чтобы нагреть и довести до кипения два олимпийских бассейна. Это около полумиллиона киловатт-часов.

Из этих идей родилась терминология: 65 бит симметричного шифрования дают «защиту бассейна», а 114 бит — «глобальную защиту», то есть взлом эквивалентен кипячению всей воды Земли (1,4 млрд км³). Для сравнения: годовое производство энергии во всём мире (примерно 30 000 ТВт·ч) хватило бы только на взлом 91-битного шифрования или на кипячение Женевского озера.

Формула, связывающая длину ключа n с объёмом воды, выглядит так: число литров воды, которое можно вскипятить с энергией, необходимой для перебора, равно 6,777 × 10⁻¹⁴ × 2ⁿ.

Каждый дополнительный бит безопасности увеличивает требования не просто немного, а экспоненциально — от чайной ложки к бассейну, а от бассейна к океанам.

Конфликт

Конфликт с точки зрения разных интеллектуальных теорий.

Когнитивное определение, опирающееся на интеллектуальную составляющую конфликта:
Конфликт — это столкновение различных типов мышления, каждый из которых претендует на репрезентативность.

Интерактивное определение, акцентирующее внимание на специфике взаимодействия на разных стадиях конфликта:
Конфликт есть процесс развития взаимодействия субъектов от конфронтации к коммуникации.

Рефлексивное определение, основанное на анализе всех компонентов конфликтной ситуации:
Конфликт — это ситуация, в которой есть возможность для углубленного исследования объекта (среды), после чего осуществляется переход к исследованию собственных форм мышления и выяснению того, почему мнения о фактах и проблемах действительно различаются.

Некоторые группы причин конфликта.

Производственные конфликты.

1. Непосредственная технологическая взаимосвязь работников, когда действия одного из них влияют (в данном случае негативно) на эффективность действий другого (например, при работе на конвейере);
2. Перенос проблем, решение которых должно было идти по вертикали, на горизонтальный уровень отношений (нехватка оборудования, инструментов нередко приводит к конфликтам между рядовыми работниками, хотя решать эту проблему должны не они, а их руководители);
3. Невыполнение функциональных обязанностей в системе «руководство-подчинение» (например, руководитель не обеспечивает надлежащие условия для успешной деятельности подчиненных, или, наоборот, подчиненные не выполняют соответствующих требований руководителя).

Факторы, препятствующие достижению вторичных целей трудовой деятельности — достаточно высокого заработка, благоприятных условий труда и отдыха.

1. Взаимосвязь людей, при которой достижение целей одним из них зависит и от других членов коллектива;
2. Нерешимость ряда организационных вопросов «по вертикали» (то есть руководством), следствием чего может явиться обострение отношений между людьми, которые находятся на организационной горизонтали;
3. Функциональные нарушения в системе «руководство-подчинение», препятствующие достижению личных целей как руководителем, так и подчиненным.

Еще можно дать следующую характеризацию причин конфликта.

1. Распределение ресурсов. Люди, как правило, ближе принимают свою проблему и всегда желают получить больше. Необходимость делить ресурсы почти неизбежно ведет к различного рода конфликтам.
2. Различия в целях. Специализированные подразделения организации и даже подгруппы формируют свои цели. Различия в целях просматриваются между личностью и группой.
3. Взаимозависимость задач. Ни функции, ни средства, ни обязанности, ни власть, ни ответственность не распределены четко по подразделениям и рабочим местам.
4. Различия в представлениях и ценностях.
5. Неудовлетворительная коммуникация. Она может действовать как катализатор конфликта, мешая отдельным работникам или группе понять ситуацию или точки зрения других.Проблемы могут возникать или углубляться из-за неспособности руководителей разработать и довести до сведения подчиненных точное описание должностных обязанностей.
6. Несбалансированность рабочих мест. Должностная функция не подкреплена в полной мере средствами и, соответственно, правами и властью.
7. Неправильный контроль. Циничная власть использует неопределенный, тотальный контроль: каждый в любое время находится под подозрением и поэтому уже наполовину виновен.

* * *

Работники по конфликтности делятся на:

• устойчивые к конфликтам;
• удерживающиеся от конфликтов;
• конфликтные: где-то 7-10%.

9/10 работников стремятся к упорядоченности.
1/10 Брамсоном разделена на пять типов.

• Агрессивные. Подразделяются на три подтипа: танки, снайперы и взрывники. Танки абсолютно уверены в том, что их советы самые компетентные. Единственное, чего они не любят, — агрессивных реакций со стороны тех, с кем они общаются. Чтобы добиться в споре с танками каких-либо успехов, надо дать им возможность «выпустить пар», и тогда они нередко становятся «ручными». Снайперы стреляют в людей различными колкостями и остротами и тем самым вносят расстройство в коллективные действия персонала. Самый эффективный прием воздействия на них — это потребовать подробно объяснить, что он подразумевает под той или иной своей остротой. Но при этом снайпер не должен терять своего лица, иначе он «взрывается» или затаивается «с камнем за пазухой». Взрывники — типы, которые обрушиваются на оппонентов с бранью, при этом так артистично выходят из себя, что создается впечатление, будто их сильно обидели. Им нужно дать выплеснуть накопившиеся эмоции.
• Жалобщики. Эти типы так красочно описывают свои «беды», что слушатель нередко начинает им сочувствовать. Лучшее, что можно сделать в таких случаях, — это рассказать об их жалобах своими словами, дать им понять, что их переживание замечено.
• Нерешительные. Подобного типа люди делают так много пробных шагов перед тем, как что-либо сделать, что вызывают раздражение у окружающих. Нерешительные сторонятся тех, кто на них оказывает давление. Навязанные им предписания они выполняют без энтузиазма.
• Безответственные. В какой-то степени, это тревожные личности, однако тревога порождает у них не уход от конфликта, а агрессию. Если они почувствуют к себе теплоту отношения, поведение их как бы само собой войдет в рамки.
• Всезнайки. Они, в сущности, являются ценными работниками, но ведут себя так вызывающе, что у окружающих может возникнуть чувство неполноценности. Следует помнить, что они редко признают свои ошибки.

* * *

С большой уверенностью можно сказать, что бесконфликтность - худшее, что можно представить для организации.

Одна из организаций, по свидетельству очевидцев, это уже попыталась доказать. Это банк Lehman. В банке во главу угла был поставлен мир и покой. Покой и был достигнут в 2008 году - банк обанкротился. Не мало тому способствовал тот факт, что сотрудники банка попросту боялись говорить руководству о тревожных сигналах. Те кто не боялся, очевидно, сменили место работы. Добиваясь бесконфликтности, руководство банка добровольно оглохло и ослепло.

Получается, что если нет конфликта - его нужно создать. Но будьте осторожный, конфликт должен быть особого рода - конструктивный.

Признаки конструктивности конфликта:

• конфликт конструктивный, если ее объектом будущее, а не прошлое; обсуждение прошлого переводит конфликт в неконструктивную фазу;
• конфликт конструктивный, если конфликт отвечает на вопрос "Что делать?", а не на вопрос "Кто виноват?"; если в ходе конфликта решается вопрос "Кто виноват?" - конфликт не конструктивный;
• конфликт не затрагивает личные качества, не затрагивает вкусы; спор о вкусах, о личных качествах (а ты сам такой...) переводит конфликт в неконструктивное русло.

Конфликт - это соревнование. В спорте каждое соревнование ведется по правилам.
Зачем правила? Чтобы не ошибиться с выбором победителя. В конфликте тоже не мешает иметь правила.

Можно обозначить как минимум следующие правила конструктивной фазы конфликта:

• у каждого должны быть равные шансы на победу (нельзя одному бойцу завязывать одну руку, или, например, затыкать ему рот);
• в споре должен быть судья; судья конечно должен быть независим - но как этого добиться? возможно для побуждения судьи к независимости следует возложить на него наказание за нечестное судейство в таком размере, что ни одной из конфликтующих сторон не было бы выгодно покупать судейство в свою пользу; - победитель не должен вознаграждаться или карьерой, или премией, или прибавкой зарплаты.

И еще одно замечание, материальное и измеримое, поэтому важное. Конфликт должен быть выгоден компании.

Как? Например.

• в ходе конфликта удасться сэкономить
• больше 10% ресурсов, наверное, определеннее - затрат;
• больше 10% времени;
• в ходе конфликта удастся
• заработать более 10%
• -увеличить долю рынка более чем на 10% от существующей доли
• -предотвратить ущерб
• противоречие, лежащее в основе конфликта, невозможно решить обычным путем, используя повседневные процедуры.
• неопределенность настолько велика, что никто не решается лезть в неизвестное, чтобы не нарваться на неприятности; конфликт в этом случае нужен для преодоления нерешительности перед неизвестностью; этот страх легче всего преодолевать посредством конфликта;
• новое решение для проведения в жизнь требуется радикально изменить организацию, как принято говорить, изменить корпоративную культуру.

Вывод. Конфликт - это важно для развития компании.

Характеристики конфликта. Где место конфликта? Снаружи или в нем/ней? А может в плохой погоде? Или сглазе, мистических силах?

Нет - конфликт внутри нас и в этом все дело!

Далее. Если бы конфликта не было, чтобы осталось? Осталось бы – взаимодействие. И еще – пространство выбора. Пространство выбора из двух альтернатив:

• объединить свое пространство с другим пространством
• оставаться в своем пространстве.

Если бы конфликта не было, не было бы отрицательных эмоций. А раз конфликт есть, то он внутри нас. И это отрицательные эмоции, не удовлетворенные и не погашенные, не «разруленные». А отрицательные эмоции, это как обычно:

• Обида
• Агрессивное воздействие
• Боль
• Унижение

Эти отрицательные эмоции, вот незадача, основа других конфликтов. Других - внутренних, конфликтов. Не внешних, а внутренних.

 
А что можно сказать по поводу внешних конфиктов? Оказывается, внешние конфликты решить легко: нужно просто обсудить варианты и выбрать приемлемый вариант. И все.

Отрицательные эмоции не сглаживаются. Хотя бы потому, что они эмоции!
Отрицательные эмоции – как окна, как windows в операционной системе. Они как окна, открываются и просто перекрывают друг друга. Но не исчезают. А системе нужно поддерживать все окна. А окна – это конфликты. Вот психика и поддерживает эти окна-конфликты, и на это тратятся ресурсы. Ресурсы психики.

А как закрыть окно-конфликт? Конфликт нужно прожевать, проговорить, прописать и возможно тогда окно закроется и ресурсы психики освободятся.

А как узнать, закрылось ли окно-конфликт? Каков он признак перекрытого и погребенного другими окнами-конфликтами конфликта? Признак таков.

 
Если вы играете одни и те же роли, то вы попали. Вы - в окне-конфликте. В вашем случае – это ваш внутренний конфликт. Задача – идентифицировать и убрать конфликт. Проговорить, прожевать, прописать. Да просто хотя бы вспомнить по-детально обстоятельства и последовательности.

Использование возможностей искусственного интеллекта в частных рынках

Поскольку все больше инвестиций направлено на поиск перспективных возможностей, каждое конкурентное преимущество имеет значение. Искусственный интеллект представляет собой, казалось бы, мощный инструмент: возможность использовать большие языковые модели (LLM) для быстрого анализа инвестиционных идей с ранее невообразимой скоростью. Уже сейчас около 67% инвесторов считают, что искусственный интеллект окажет «трансформационное» воздействие на их бизнес через пять лет, а 82% рассматривают его использование как приоритетную задачу.

LLM анализ инвестиций бесспорно отличается высокой скоростью, а рынок компаний, предлагающих продукты для инвестиционных фирм и участников сделок, никогда не был таким разнообразным и быстро меняющимся. Но грамотные инвесторы должны использовать эту скорость с помощью первоклассного процесса, который соответствует корпоративной культуре фирмы, оперативно выявляя риски и перераспределяя ресурсы на самые лучшие возможности. 

Осознание ограничений gen AI

Принятие инвестиционных решений требует точности. Одна из проблем, с которой сталкиваются инвестиционные команды при работе с крупнейшими корпоративными моделями управления рисками (LLM), заключается в том, что когда эти модели используют обширный массив данных (например, общедоступный интернет), они подвержены предвзятости, непреднамеренным расхождениям и противоречиям. Они могут представлять ответы как авторитетные, но при этом предлагать ложную точность, которую инвесторы, как правило, умеют отфильтровывать. Это может стать серьезной проблемой: например, чрезмерно оптимистичные или упрощенные предварительные оценки могут привести к нерациональному распределению времени инвестиционных команд.

Предвзятость «позитивных разговоров»

В семи из десяти проанализированных отраслей отчеты, основанные на углубленных исследованиях в области искусственного интеллекта, демонстрировали гораздо более оптимистичный взгляд на ситуацию — или «позитивные прогнозы» — чем отчеты, основанные на интервью с экспертами. Последние, как правило, основывали анализ на осторожном реализме, отражая как рыночный потенциал, так и реальные проблемы. Например, крупный корпоративный эксперт может представить успех того или иного продукта как повсеместно подтвержденный. Напротив, участники отрасли (эксперты) могут внести больше нюансов, указав на положительные результаты среди корпоративных покупателей и меньшую потребность в продукте среди сегментов клиентов в малых и средних предприятиях.

Расхождения и противоречия

Были выявлены некоторые расхождения в отчетах, подготовленных LLM, с тем, что говорили отраслевые эксперты. И эти расхождения часто были весьма существенными — они затрагивали ключевые показатели, такие как размер рынка, темпы роста, динамика ценообразования и структура маржи, подчеркивая риск использования непроверенных общедоступных данных. Такие несоответствия требуют от инвестиционных команд проведения дополнительной работы или смены места работы.

Ключевые упущения

Примерно 40% важных данных, выявленных в ходе интервью с экспертами, отсутствовали в соответствующих ответах на вопросы в рамках программы LLM по тем же темам и не могли быть получены с помощью дополнительных запросов от пользователей. Эти недостающие данные включали в себя жизненно важную информацию, которая часто имеет решающее значение в сделках, но невидима в массиве данных, доступного в рамках общедоступных программ LLM — от традиционных структур контрактов в отрасли до экономики продукции, структуры каналов сбыта и нормативных препятствий.

Применение сбалансированного подхода

Ни в одной из этих трех категорий — предвзятость в сторону оптимистичных заявлений, расхождения и противоречия, а также ключевые упущения — не утверждается, что какие бы конфиденциальные данные ни имелись у пользователя, они являются универсально верными по сравнению с общедоступным ответом, полученным в рамках программы LLM. На самом деле, зачастую ни один из источников сам по себе не даст полного и исчерпывающего ответа инвестиционной команде. Такие несоответствия инвестиционные команды должны активно искать и использовать в качестве инструмента для распределения времени и ресурсов в процессе исследований и оценки. Именно благодаря этому процессу они могут сформировать собственное мнение по наиболее важным открытым вопросам, которые определят успех инвестиционного проекта.

Более сбалансированный подход предполагает использование инвестиционными командами собственных данных в дополнение к продуктам LLM. Инвестиционным командам следует рассмотреть возможность использования экспертных оценок в конкретных отраслях для получения реалистичного понимания операционных реалий и рыночных рисков. Кроме того, инвестиционным командам следует внедрить строгую культуру и набор процессов проверки всех источников информации. Искусственный интеллект может ускорить поиск информации, но он не обеспечит ее качество без участия пользователя.

Такой подход обеспечивает аналитическую тщательность, позволяя заинтересованным сторонам уверенно выявлять реальные возможности для роста и предвидеть потенциальные операционные проблемы. Он также повышает уровень инвестиционной строгости, поддерживая комплексную проверку команд исчерпывающими и отраслевыми данными, которые могут напрямую повлиять на точность оценки и оценки рисков.

Когда заинтересованные стороны располагают большим объемом детализированных, отслеживаемых данных, они могут принимать более обоснованные решения о распределении капитала и времени на протяжении всего инвестиционного процесса. Действительно, оптимизация сбора информации инвестиционными командами становится критически важной частью управления эффективным процессом инвестиционных исследований.

ОБ АВТОРЕ(АХ)

Альфонсо Пулидо — старший партнер в офисе McKinsey в районе залива Сан-Франциско; Эндрю Маллин — старший партнер в офисе в Торонто; а Крис Маллиган — партнер в офисе в Нью-Йорке, где Гуннар Грегори является ассоциированным партнером, а Набель Хатут — руководителем подразделения по управлению активами.

Использование возможностей искусственного интеллекта в частных рынках
5 января 2026 г. Статья. Альфонсо Пулидо, Эндрю Маллин, Крис Маллиган, Гуннар Грегори, Набелm Хатут.

https://www.mckinsey.com/industries/private-capital/our-insights/harnessing-the-power-of-gen-ai-in-private-markets

Тестирование устройства "Генератор грозы"

Перевод заметки из блога
Тестирование генератора грозовых облаков. Брайан Даннинг, 16 декабря 2025 г.

Утверждается, что это устройство способно значительно повысить эффективность и снизить выбросы любого двигателя внутреннего сгорания.

Сегодня мы рассмотрим небольшую сенсацию последних нескольких лет на YouTube — самодельное устройство, которое можно подключить к двигателю внутреннего сгорания и которое (по утверждению производителя) может значительно повысить эффективность двигателя, вплоть до того, что вместо бензина можно использовать воду, одновременно делая выхлопные газы настолько чистыми, что ими можно дышать напрямую. Люди покупают и собирают их самостоятельно, устанавливают на двигатели и демонстрируют, что эффективность действительно повышается — по-видимому. Это детище австралийца Малкольма Бендалла, и называется оно «Генератор грозы», и сторонники утверждают, что это самое значительное изобретение в истории человечества.

Многие узнали о Генераторе Гроз от чудака из древней развитой цивилизации Рэндалла Карлсона, когда он рекламировал его в подкасте Джо Рогана в ноябре 2022 года. Бендалл утверждает, что его технология основана на Модели Плазмоидного Объединения, божественной магической системе, которая была открыта только ему. Вот лишь часть технологий, которые, по утверждению Бендалла, использует его машина: частоты, земные циклы, разумный замысел, октавный тангенциальный резонанс, сеть из 24 законов энергии, система из 16 плазмоидных предписаний тора, герметический текст VIII века, теософия и оккультизм, эфирная световая энергия, Эпоха Водолея, Книга Откровений, вавилонская астрономия, преобразование энергии в материю и обратно, плазмоидная тороидальная имплозивная турбина, разряд Земли суммированных частот в полость Шумана и холодный термоядерный синтез. Бендалл описывает свое устройство как «запатентованный процесс высвобождения атомной энергии, инициируемый плазмоидами и контролируемый процесс, позволяющий использовать воду в качестве атомного топлива».

И все же, если взглянуть на генератор грозовых разрядов (далее я буду сокращать его до TG), он представляет собой пару обычных водяных фильтров и трубу с несколькими шлангами для соединения с впускным и выпускным патрубками любого небольшого бензинового двигателя, например, газонокосилки или генератора. Никаких явных признаков вавилонянства или теософии.

Это может показаться знакомым некоторым из наших слушателей старшего поколения, потому что устройство TG Бендалла — не первое подобное устройство, появившееся на рынке. На конференции ExtraOrdinary Technology в 1984 году некий Пол Пантон представил устройство, которое он назвал GEET, что означает Global Environmental Energy Technology (Глобальная экологическая энергетическая технология). Хотя он дал разные названия своей коллекции шлангов и камер, по сути, это была точно такая же система, как у Бендалла; только Пантон также пропускал часть выхлопных газов через впускные смеси и добавил внешний резервуар, куда можно было поместить практически любую жидкость, которая испарялась бы и впрыскивалась. Устройство GEET Пантона получило патент США (№ 5794601).

В то время как Бендалл приводит в качестве обоснования своего устройства всевозможные спекулятивные псевдонаучные технологии (плюс кучу бессмысленной новомодной болтовни), Пантон сосредоточился на этом небольшом отдельном резервуаре и на том, что в него заливали — пиво, мочу, воду, что угодно — и утверждал, что GEET сжигал это в качестве топлива. На самом деле двигатель по-прежнему работал на обычном бензине из своего обычного бака, просто пропуская пары дополнительной жидкости через двигатель. Даже сегодня энтузиасты GEET на YouTube, похоже, верят, что в качестве топлива используется вода. Помните, вода не является топливом. Она находится в низкоэнергетическом состоянии, не имея извлекаемой потенциальной химической энергии.

Бизнес-проект Пантона оказался неудачным. И штат Юта, и федеральное правительство предъявили ему многочисленные обвинения в мошенничестве, лжи инвесторам и сокрытии других уголовных обвинений. Он был осужден, но признан психически недееспособным и отбывал наказание в психиатрической больнице штата Юта. После освобождения он погрузился в культуру выживания и ополчения и продолжал продавать свой GEET до своей смерти в 2015 году. Сегодня ютуберы собирают и демонстрируют их, всё ещё веря, что они спасут мир; и очевидно, что компоненты GEET такие же, как у устройства Бендалла, просто имеют другую форму.

Стоит отметить, что вдохновением для обоих, возможно, послужил француз Жан-Шамберлен, который создавал подобные системы в 1970-х годах.

Хотя Бендалл — австралиец, его компания по производству и продаже TG, Plasmoid Power, находится в Таиланде. Мы не знаем почему, но можем предположить. Вероятно, Бендалл знает, что нарушает патент Pantone, а Таиланд, как известно, не уважает американские патенты. Кроме того, почти наверняка Бендалл знает о юридических проблемах, в которые попала Pantone, привлекая инвесторов ложными заявлениями о его продукте. И у Бендалла есть свои проблемы в Австралии — то, что в Таиланде не имеет значения.

Его предыдущая карьера заключалась в том, что он выдавал себя за нефтяника. Утверждая, что получил видение от Бога о огромных запасах нефти на Тасмании, острове, известном полным отсутствием пригодных для разработки запасов жидкой нефти, Бендалл основал компанию и привлек миллионы долларов от примерно 16 000 инвесторов, а затем позволил своей 10-летней лицензии на разведку нефти истечь, так и не пробурив ни одной скважины. В любом случае, он присвоил все деньги инвесторов. Поэтому мой совет всем, кто рассматривает возможность инвестирования в его нынешнее предприятие или даже просто покупки одного из его устройств, — проявлять крайнюю осторожность.

Вот что я имею в виду. Первая камера термоэлектрического генератора называется камерой предварительной ионизации. Она всасывает воздух, который проходит мимо 25-ваттной белой компактной люминесцентной лампы, такой, у которой длинная трубка свернута в спиральную форму. Бендалл утверждает, что это ионизирует воздух — что абсолютно неверно. Даже если предположить, что лампа предназначена для производства УФ-излучения, у которого отсутствует защитное внутреннее люминофорное покрытие, полный спектр света от такой лампы производит фотоны с энергией от 3 до 5 эВ. Минимальный уровень энергии для ионизирующего фотона составляет >10 эВ, что соответствует длине волны менее 124 нанометров. Лампа такого типа не может производить такое излучение, поэтому она не может ионизировать молекулы воздуха, проходящие через эту камеру.

Вторая камера называется генератором плазмоидов, и именно там этот фактически не ионизированный воздух поднимается через аквариумный камень в воде. Бендалл использует одно из определений настоящего плазмоида в качестве источника вдохновения: когда кавитационный пузырек в воде резко схлопывается, может кратковременно существовать временная плазменная структура, и это один из типов плазмоидов. Бендалл говорит, что экзотические силы внутри аквариумной камеры вызывают этот вид кавитации, подобно тому, как кавитация происходит внутри вихревой трубки Ранке-Хильша. Это реальное явление, но для него требуется разрежение в 80-100 фунтов на квадратный дюйм. Однако вакуум, создаваемый двигателем внутреннего сгорания, который приводит в движение всю вихревую трубку, составляет всего около 4-10 фунтов на квадратный дюйм, примерно столько же, сколько два человека, сосущие соломинку. Этого уровня энергии далеко недостаточно для возникновения кавитации. Таким образом, помимо того, что ионизационная камера ничего не ионизирует, генератор плазмоидов не генерирует никаких плазмоидов.

Последний компонент — предположительно самый экзотический — подает всасываемый воздух через трубу внутри более крупной трубы, по которой проходят горячие выхлопные газы двигателя, нагревая их. Это просто теплообменник, в результате которого всасываемый воздух нагревается. И это несмотря на бесчисленные страницы псевдонаучной болтовни, утверждающей, что там происходят всякие вещи: трансмутации, ядерные эффекты, квантовая физика. Нет. Это просто теплообменник.

Итак, вот что на самом деле делает генератор грозовых разрядов, и я начну с оговорки: он работает только со старым двигателем. Представьте себе двигатель газонокосилки или генератора, у которого нет современного компьютерного управления, как у автомобильного двигателя. Возьмите простой двигатель, двухтактный или четырехтактный, с простым воздухозаборником, простым выхлопом и базовым механическим карбюратором. Это единственный двигатель, для которого полезны такие дополнения, как TG или GEET.

Всё это работает потому, что поршневой двигатель, по сути, представляет собой большой воздушный насос. Как только двигатель запускается в обычном режиме, можно включить турбокомпрессор. Вакуум, создаваемый двигателем, засасывает воздух через первую бесполезную камеру, вторую, которая добавляет небольшое количество водяного пара, через теплообменник, который всё это нагревает, и в впускной коллектор двигателя.

И водяной пар, и более тёплый воздух на впуске оказывают как положительное, так и отрицательное влияние на производительность двигателя, но, как правило (в зависимости от нагрузки и температуры двигателя), преобладают положительные эффекты. Поэтому, если вы посетите демонстрацию генератора грозовых облаков и увидите улучшение показателей, будь то топливная экономичность или чистота выхлопных газов, это, вероятно, правда, если эти показатели представляют собой небольшие, постепенные улучшения и не являются кардинальными изменениями. Но давайте не будем забегать вперёд. Вот что делает каждый из этих двух эффектов.

Дополнительный нагрев смеси может улучшить испарение и распыление топлива. Это приводит к повышению эффективности сгорания за счет более полного сгорания топлива. При определенных условиях работы двигателя это может повысить его эффективность, но за счет снижения мощности. Термогравиметрический генератор (ТГ) осуществляет этот нагрев с помощью горячего теплообменника выхлопных газов; современные двигатели делают это, направляя выхлопные газы через каналы во впускном коллекторе, называемые теплоотводящими каналами выхлопных газов. ТГ может добавить эту же функцию в двигатель газонокосилки; любой другой двигатель, например, современный автомобиль, уже на несколько шагов впереди.

Дополнительная влага из водяного пара вытесняет молекулы кислорода, препятствуя горению. Влага оказывает лишь негативное воздействие на эффективность сгорания, но имеет одно преимущество: снижая температуру сгорания, она уменьшает количество образующихся оксидов азота и угарного газа; не сильно, но существенно. Если вы видите заявления об улучшении чистоты выхлопных газов, то это и есть суть проблемы; выбросы парниковых газов, таких как CO₂, не уменьшаются.

В некоторых установках генератора грозовых газов Бендалла или устройства GEET в состав впускной смеси добавляются отработавшие газы. Это может существенно повлиять на показатели. Сегодня это делают все современные автомобильные двигатели; это называется рециркуляцией отработавших газов (EGR). Выхлопные газы содержат инертные газы, которые уже сгорели и не могут сгореть снова, поэтому они вытесняют кислород из впускного коллектора, уменьшая его доступность для сгорания в двигателе. Это приводит к более обедненной смеси в цилиндре. При определенной нагрузке и температуре двигателя повышение эффективности и чистоты выхлопных газов может достигать двузначных значений — хотя всегда за счет мощности.

Важно помнить, что эти переменные фиксированы и не регулируются в системах, устанавливаемых «на болтах», таких как TG или GEET. Но современный бортовой компьютер двигателя адаптирует эти и другие переменные в режиме реального времени в соответствии с состоянием двигателя каждую микросекунду. Именно поэтому мир не будет перевернут якобы грандиозными открытиями TG и GEET; бортовые компьютеры оставили системы, устанавливаемые «на болтах», далеко позади еще в 1972 году, когда Chrysler представил электронные системы зажигания, и с тех пор они постоянно совершенствуются на протяжении более чем полувека.

Есть еще одна причина, по которой такая система не получила широкого распространения, — она почти полностью зависит от нагрузки двигателя. И TG, и GEET приводятся в действие исключительно за счет вакуума, создаваемого двигателем. Этот вакуум достигает своего максимума, когда двигатель не работает под нагрузкой, то есть просто на холостом ходу; и он достигает своего минимума, когда двигатель находится под максимальной нагрузкой и когда повышение эффективности может принести наибольшую пользу. Но при таком минимальном вакууме TG и GEET практически перестают работать. Поэтому они полезны для двигателя — парадоксально — только тогда, когда двигатель не выполняет никакой полезной для вас функции.

Излишне говорить, что вся эта псевдонаучная техно-жаргонная тарабарщина и новомодные рассуждения не меняют того факта, что потрясающее изобретение Малкольма Бендалла — это всего лишь устройство для отвода тепла от выхлопных газов и система впрыска воды, о которых мы знаем уже более 100 лет; и всё это основано на патенте, выданном психически больным человеком в 1980-х годах. Как я уже говорил: инвестируйте с осторожностью.

Источник

Даннинг, Б. (2025, 16 декабря) Тестирование генератора грозовых явлений. Skeptoid Media. https://skeptoid.com/episodes/1019

Список литературы и дополнительные материалы

Dix, R. "Sceptics question vision of local oil strike." ABC News. Australian Broadcasting Corporation, 3 Apr. 2009. Web. 10 Dec. 2025. <https://www.abc.net.au/news/2009-04-03/sceptics-question-vision-of-local-oil-strike/1640876>

Gregory's Automotive Publications. Automotive Mechanics: Service, repair, diagnosis. Sydney: Gregory's Scientific Publications, 1993.

Heinicke, O.H., Vandeman, J.E. Effect of Water-Alcohol Injection and Maximum Economy Spark Advance on Knock-Limited Performance and Fuel Economy of a Large Air-Cooled Cylinder. Washington, DC: National Advisory Committee for Aeronautics (NACA), 1945.

Lenz, R. "The Madman and His Motor." Intelligence Report. 1 Oct. 2012, Fall 2012, Issue 147: 38-41.

Pantone, P. "Fuel pretreater apparatus and method." Patent Public Search. US Patent & Trademark Office, 18 Aug. 1998. Web. 8 Dec. 2025. <https://patents.google.com/patent/US5794601A/en>

Various. "Claim: The Plasmoid Unification Model (PUM) of Malcolm Bendall provides free energy." Metabunk. Mick West, 14 Mar. 2023. Web. 6 Dec. 2025. <https://www.metabunk.org/threads/claim-the-plasmoid-unification-model-pum-of-malcolm-bendall-provides-free-energy.12899/>

Те же источник, но с переводом где это возможно:

Дикс, Р. «Скептики ставят под сомнение целесообразность местной забастовки нефтяников». ABC News. Австралийская телерадиовещательная корпорация, 3 апреля 2009 г. Web. 10 декабря 2025 г. <https://www.abc.net.au/news/2009-04-03/sceptics-question-vision-of-local-oil-strike/1640876>

Издательство Gregory's Automotive Publications. Автомобильная механика: обслуживание, ремонт, диагностика. Сидней: Gregory's Scientific Publications, 1993.

Хайнике, О.Х., Вандеман, Дж.Е. Влияние впрыска водно-спиртовой смеси и максимального опережения зажигания на работу двигателя, ограниченную детонацией, и экономию топлива в большом цилиндре с воздушным охлаждением. Вашингтон, округ Колумбия: Национальный консультативный комитет по аэронавтике (NACA), 1945.

Ленц, Р. «Безумец и его мотор». Отчет разведки. 1 октября 2012 г., осень 2012 г., выпуск 147: 38-41.

Пантон, П. «Устройство и метод предварительной обработки топлива». Публичный поиск патентов. Ведомство по патентам и товарным знакам США, 18 августа 1998 г. Веб. 8 декабря 2025 г. <https://patents.google.com/patent/US5794601A/en>

Разное. «Утверждение: Модель плазмоидного объединения (PUM) Малкольма Бендалла обеспечивает свободную энергию». Metabunk. Мик Уэст, 14 марта 2023 г. Web. 6 декабря 2025 г. <https://www.metabunk.org/threads/claim-the-plasmoid-unification-model-pum-of-malcolm-bendall-provides-free-energy.12899/>

Распространение инноваций

В эпоху одержимости технологическими прорывами книга Джеффри Дина «Технологии и подъем великих держав» предлагает противоречащее здравому смыслу откровение: страны, которые будут доминировать в будущем, не обязательно будут теми, кто изобретает больше всего, а скорее теми, кто быстрее всего распространяет инновации. Перемещая центр внимания с изобретения на распространение, Дин фундаментально переосмысливает дебаты о глобальной конкурентоспособности — с глубокими последствиями для политиков, предприятий и обществ.

Определение технологий общего назначения

Анализ Дина основан на распространении технологий общего назначения, фундаментальных инноваций, таких как паровая энергия, электричество и цифровые вычисления, которые фундаментально меняют экономику, стимулируя рост производительности во многих секторах. Эти преобразующие технологии не только повышают эффективность, но и катализируют совершенно новые отрасли и экономические парадигмы. Дин убедительно доказывает, что истинное конкурентное преимущество страны проистекает не только из изобретений, но и из способности быстро и эффективно масштабировать эти технологии в экономике, институтах и ​​обществе.

Урок истории: диффузия способствует лидерству

Аргумент Дина основывается на четкой исторической закономерности: статус великой державы редко определялся одним лишь изобретением, а скорее системным распространением технологий общего назначения. Во время Первой промышленной революции подъем Британии был обусловлен не просто знаковыми изобретениями, такими как паровой двигатель, и не только ее первоначальным доминированием в ведущих секторах, таких как хлопчатобумажные ткани. Скорее, истинное преимущество Британии проявилось в ее исключительной способности распространять железоделательное оборудование в различных видах экономической деятельности. Такие достижения, как процесс пудлингования Генри Корта, значительно расширили возможности страны по производству доступного высококачественного железа, способствуя распространению машин и обеспечивая широкое внедрение промышленных методов во многих секторах, помимо текстильной промышленности. Дополненная целевыми инвестициями в практическое образование и развитие навыков, Британия вырастила рабочую силу, уникально искусную в эксплуатации, обслуживании и постоянном совершенствовании этих технологий, закрепив свое глобальное экономическое лидерство.

Вторая промышленная революция усилила эту модель, основанную на диффузии. Вопреки предположению, что промышленное доминирование требует передовой научной инфраструктуры или передовых промышленных возможностей НИОКР, Соединенные Штаты превзошли своих промышленных конкурентов в значительной степени за счет институционализации механизмов, которые ускорили широкое внедрение специализированной техники. Америка достигла этого посредством стратегических адаптаций в образовательных и профессиональных структурах: быстрое расширение технического высшего образования, специализированных инженерных институтов и профессионализация машиностроения значительно расширили базу талантов страны. Более того, стандартизированные взаимозаменяемые детали и методы сборочной линии преобразили эффективность производства. Вместе эти институциональные инновации создали надежную экосистему, способную распространять преобразующие технологии, такие как электричество и механизированное производство, практически во всех секторах экономики.

Еще больше подчеркивая важность диффузии, Дин подчеркивает конкуренцию между Соединенными Штатами и Японией в конце 20-го века. Быстрый захват Японией долей мирового рынка потребительской электроники и полупроводников вызвал широко распространенные прогнозы о неизбежном переходе экономической власти. Однако этот ожидаемый переход так и не материализовался, именно потому, что Соединенные Штаты преуспели в широком распространении компьютеризации по всей экономике. Вместо того чтобы полагаться на доминирование в нескольких ведущих секторах, преимущество Америки заключалось в ее широком принятии и интеграции вычислительных технологий во многих отраслях, что позволило обеспечить устойчивый экономический рост и рост производительности за пределами узко определенных технологических секторов.

Эти исторические примеры в совокупности подчеркивают центральный тезис Дина: устойчивое технологическое лидерство в меньшей степени связано с изолированными инновациями или доминированием в определенных отраслях, а в гораздо большей степени с системными возможностями — надежными институтами, масштабными инвестициями в образование и политикой, способствующей широкому распространению технологий общего назначения.

Не искра изобретения, а корни распространения являются основой длительных переходов.

Развенчание мифа, основанного на угрозе

Дин развенчивает опасный миф о том, что технологическое лидерство достигается в первую очередь за счет геополитического соперничества и военной конкуренции. Хотя напряженность в отношениях между США и Китаем доминирует в текущих заголовках, настоящее долгосрочное преимущество достигается не за счет реактивной конкуренции, а за счет терпеливых стратегических инвестиций в образование, подготовку рабочей силы, институциональную адаптивность и стандарты взаимодействия. Подлинное и устойчивое лидерство возникает не из громких прорывов, вызванных внешними угрозами, а из последовательных и часто более тихих фундаментальных инвестиций.

История подтверждает эту точку зрения. Устойчивые технологические преимущества редко возникают из одних лишь реактивных, краткосрочных инициатив. Вместо этого они возникают из всесторонней подготовки — создания надежной инфраструктуры диффузии, которая может поглощать, масштабировать и интегрировать инновации в обществе. Поэтому лидеры должны переключить свое внимание с краткосрочного конкурентного позиционирования на эти критические, основополагающие элементы технологической диффузии.

Производительность как истинная мера воздействия

Если диффузия — это двигатель технологического лидерства, то производительность — это его топливо. Дин прослеживает, как каждая крупная технологическая революция — от пара до кремния — обеспечивала преобразующие экономические выгоды только в сочетании с системными изменениями в трудовых практиках, инфраструктуре, образовании и управлении. Современные новые технологии, такие как искусственный интеллект и квантовые вычисления, требуют столь же строгих усилий для обеспечения повсеместного роста производительности.

Однако эта трансформация, ориентированная на производительность, влечет за собой существенные социальные и этические проблемы, включая перемещение рабочей силы и неравенство. Лидеры должны заранее предвидеть эти нарушения, разрабатывая стратегии для смягчения негативных последствий и обеспечения инклюзивных выгод. Создание адаптивных образовательных систем, поддерживающих социальных структур и всеобъемлющей диффузионной инфраструктуры станет важнейшими задачами в управлении предстоящим сложным переходом

За пределами промышленных революций

Хотя производительность остается центральной для исторического анализа Дина, его работа поднимает интригующие вопросы о природе нашего текущего момента: находимся ли мы все еще в рамках промышленных революций или переживаем что-то принципиально иное? Конвергенция искусственного интеллекта, синтетической биологии и квантовых вычислений предполагает, что мы можем выйти за рамки традиционных промышленных парадигм в период более глубокой, экзистенциальной трансформации.

Заключение

В конечном счете, «Технологии и возвышение великих держав» дают ясный урок: в гонке за технологическое превосходство прорывы имеют значение, но диффузия определяет судьбу. Страны, лучше всего подготовленные к масштабированию и интеграции технологий общего назначения в экономические и социальные системы, будут определять грядущее столетие. Смещая коллективное внимание от простого изобретения технологий к преднамеренному культивированию их широкомасштабного распространения, мы можем активно репетировать будущее, разрабатывая стратегии, которые максимизируют выгоды и минимизируют сбои.

Источник

Рецензия на книгу: «Технологии и возвышение великих держав» Джеффри Дина. 28 марта 2025 г. Фрэнк Диана.

Book Review: Technology And The Rise of Great Powers By Jeffrey Ding

https://frankdiana.net/2025/03/28/book-review-technology-and-the-rise-of-great-powers-by-jeffrey-ding

* * * 

Исторически распространение преобразующих технологий сдерживалось институциональной инерцией, адаптацией рабочей силы и проблемой передачи неявного практического опыта. В результате десятилетия часто отделяли изобретение от широкого внедрения. Однако сегодня мощные технологии общего назначения — искусственный интеллект, квантовые вычисления и синтетическая биология — могут бросить вызов этой модели, распространяясь быстрее, чем когда-либо. Что отличает эту эпоху, и как должны реагировать компании и правительства?

ИСТОРИЧЕСКИЕ ОГРАНИЧЕНИЯ РАСПРОСТРАНЕНИЯ ТЕХНОЛОГИЙ

Прошлые технологии общего назначения сталкивались со значительными препятствиями. Например, паровому двигателю потребовалось почти столетие, чтобы выйти за пределы горнодобывающей и текстильной промышленности, в основном из-за ограниченных начальных применений и необходимости дополнительных разработок, таких как железные дороги. Электричество, изобретенное в конце 19 века, потребовало перепроектирования заводов и систем приводов для полной реализации своего потенциала — достижения, на которые ушли десятилетия. В каждом случае путь от прорывного изобретения до повсеместного внедрения требовал структурных изменений, квалифицированных рабочих и новых бизнес-моделей.

ФАКТОР ИИ

Аналогичные препятствия существуют для ИИ, квантовых вычислений и синтетической биологии, включая нормативную неопределенность, этические проблемы и организационное сопротивление. Однако ИИ, в частности, действует как умножитель силы, быстро собирая и передавая неявные знания. Например, инструменты на основе ИИ в предиктивном обслуживании кодифицируют экспертные идеи для быстрого распространения по глобальным производственным площадкам. Аналогичным образом, передовые системы медицинской визуализации преобразуют тонкие суждения опытных специалистов в масштабируемую диагностическую поддержку на основе данных — ускорение передачи опыта, которое когда-то было немыслимым.

УСКОРЕНИЕ КОНВЕРГЕНЦИИ ТЕХНОЛОГИЙ ОБЩЕГО НАЗНАЧЕНИЯ

Беспрецедентная конвергенция лежит в основе сегодняшнего технологического всплеска. ИИ, квантовые вычисления и синтетическая биология развиваются параллельно, каждое из которых продвигает вперед другие. Достижения в области сворачивания белков, основанные на ИИ, сокращают сроки разработки лекарств с нескольких лет до нескольких месяцев, а квантовые вычисления обещают более глубокое понимание молекулярного моделирования. Это взаимное усиление сокращает интервал между научным открытием и коммерческим применением, способствуя более быстрому распространению, чем любая отдельная GPT могла бы достичь сама по себе.

Циклы истории рушатся. Следующая революция не за горами – она уже началась

НЕОБХОДИМОСТЬ КАК ДВИЖУЩАЯ СИЛА РАСПРОСТРАНЕНИЯ

В отличие от предыдущих технологических революций, движимых в основном экономическими стимулами, сегодняшний переход обусловлен экзистенциальными проблемами — изменением климата, нехваткой ресурсов и неотложными угрозами общественному здравоохранению. ИИ оптимизирует энергосети, управляет хрупкими цепочками поставок и предвидит экстремальные погодные явления. Синтетическая биология решает сельскохозяйственные и медицинские проблемы в режиме реального времени. Квантовые вычисления обещают прорывы в области улавливания углерода и материаловедения. Срочность этих проблем оставляет мало места для вялых циклов принятия.

ГЕОПОЛИТИЧЕСКИЙ КАТАЛИЗАТОР

Геополитика еще больше ускоряет эти траектории. Исторически сложилось так, что одна доминирующая держава часто задавала глобальный темп промышленных изменений. Напротив, сегодняшняя жесткая конкуренция между Соединенными Штатами и Китаем вынуждает к быстрой разработке и развертыванию в областях ИИ, квантовых и биотехнологий. Быстрое развертывание ИИ Китаем — от управления до военного использования — заставляет другие страны ускорить инновации. Эта динамика напоминает Вторую мировую войну, когда экзистенциальные угрозы сжали распространение технологий до считанных лет вместо десятилетий.

УРОКИ ВТОРОЙ МИРОВОЙ ВОЙНЫ

Военная необходимость неоднократно показывает, как конкуренция преодолевает типичные барьеры диффузии. Радары, авиация, вычисления и ядерные технологии развивались с головокружительной скоростью из-за приоритетов военного времени. Например, Манхэттенский проект сжал десятилетия теоретической работы всего до трех лет. Сегодня стратегический императив лидировать в области ИИ, квантовых вычислений и биотехнологий отражает эту динамику — интересы национальной безопасности и экономическое благосостояние зависят от того, чтобы оставаться впереди.

РЕШЕНИЕ ОГРАНИЧЕНИЙ ДИФФУЗИИ

Несмотря на мощные ускорители, трения сохраняются. Надзор со стороны регулирующих органов, этические дебаты и переподготовка рабочей силы приводят к задержкам. Отрасли, требующие серьезной модернизации инфраструктуры, такие как энергетика и транспорт, могут внедрять технологии общего назначения медленнее, чем такие секторы, как финансы или цифровая коммерция, которые подготовлены к трансформации на основе данных. Квантовые вычисления сталкиваются с аппаратными проблемами, а синтетическая биология сталкивается с проблемами безопасности и моральными соображениями. Эти факторы приведут к неравномерному внедрению, при этом первопроходцы вырвутся вперед.

КТО БУДЕТ ВЕДУЩИМ, КТО ОТСТАЕТ?

Отрасли с интенсивным использованием данных — финансы, логистика, электронная коммерция — хорошо подготовлены к быстрой интеграции ИИ. Здравоохранение и фармацевтика, подкрепленные исследованиями, основанными на ИИ, также демонстрируют большие перспективы. Напротив, такие строго регулируемые секторы, как коммунальные услуги и тяжелая промышленность, должны преодолеть препятствия в области соответствия и логистики, прежде чем добиться широкого внедрения. Между тем, страны с надежными экосистемами ИИ и цифровой инфраструктурой, особенно США и Китай, намерены диктовать темп, оставляя другие регионы под угрозой отставания.

ПОСЛЕДСТВИЯ ДЛЯ БИЗНЕСА И ПРАВИТЕЛЬСТВА

Несмотря на общие черты с историческими технологиями общего назначения, синергия передачи знаний с использованием ИИ, конвергентных прорывов, глобальных кризисов и стратегического соперничества предполагает, что этот цикл диффузии превзойдет любой из тех, что были в современной памяти. Вопрос не в том, преобразуют ли эти технологии отрасли, а в том, насколько быстро — и будут ли организации лидировать или им будет трудно догнать их.

Уроки прошлого очевидны: когда срочность и конкуренция сходятся, барьеры могут рухнуть практически в одночасье. Быстрый переход этой эпохи требует от бизнеса и правительств решительных действий — инвестирования в инфраструктуру, развитие навыков и стратегические отношения — чтобы оставаться актуальными в мире, где завтрашние прорывы, скорее всего, появятся гораздо раньше, чем ожидалось.

ИСТОЧНИК

Самый быстрый технологический переход в истории: как бизнес и правительства могут лидировать или отставать. 27 марта 2025 г. Фрэнк Диана

The Fastest Tech Transition In History: How Businesses And Governments Can Lead Or Lag

https://frankdiana.net/2025/03/27/the-fastest-tech-transition-in-history-how-businesses-and-governments-can-lead-or-lag/

Нет - закону исключенного третьего

«Математика — свободное творчество, независимое от опыта; она создаётся из единственной априорной интуиции, которую можно назвать “постоянством в изменении”, или “единством в множественности”».

27 февраля 1881 г. родился Лёйтзен Эгберт Ян Брауэр — голландский философ и математик, работавший в таких областях математики, как топология, теория множеств, математическая логика, теория меры и комплексный анализ.

Брауэр положил начало новому направлению в математике — интуиционизму. В теории множеств, на основании которой хотелось бы построить математику, в начале XX в. обнаружились всякие парадоксы и противоречия. Чтобы выйти из кризиса, математики пробовали идти разными путями, и один из них — интуиционизм.

Брауэр подверг сомнению неограниченную приложимость в математических рассуждениях классических законов исключённого третьего, (снятия) двойного отрицания, косвенного доказательства (доказательства от противного). Одним из результатов анализа таких рассуждений явилось возникновение интуиционистской логики, сформулированной в 1930 г. учеником Брауэра А. Гейтингом и не содержащей указанных законов.

Интуиционистская логика отличается от классической. Например, в классической логике каждое высказывание либо истинно, либо ложно. А у интуиционистов есть истинные высказывания, ложные и все остальные, пока ещё непроверенные. Если высказывание не является истинным, отсюда ещё не следует, что оно ложно.

Интуиционисты не признают доказательств от противного и вообще всех неконструктивных доказательств, с особой осторожностью работают с бесконечностями. Взять какие-то высказывания, потом манипулировать ими по формальным правилам и делать формальные выводы — занятие не для них. Каждый отдельный вывод должен быть очевиден и ясен индивидуально.

 
Используя термин «ложный» как «противоположность истинного», классическая логика признаёт, что благодаря так называемому закону исключённого третьего каждое утверждение, в частности, утверждение о существовании, либо истинно, либо ложно независимо от того, знает ли кто-либо это на самом деле. Однако, как замечают интуиционисты, закон исключённого третьего действителен только для рассуждений о конечных областях объектов. Язык и логика не способны обеспечить достоверность математических рассуждений в бесконечной области. Закон исключённого третьего, истинный в любой сколь угодно большой конечной области, бесполезен в бесконечной. Поэтому ни сведение математики к логике, ни аксиоматизация математических теорий не годятся для её обоснования. Бесплодие этих проектов объясняется просто — они не способны создавать математические объекты, истинные в бесконечных областях.

Интуиционистское исчисление высказываний строил, в частности, А.Н. Колмогоров. Его ученик Пер Мартин-Лёф создал интуиционистскую теорию типов. Его подход использовал В.А. Воеводский для создания гомотопической теории типов. Он ввёл аксиому унивалентности и довёл свои идеи до этапа практических применений.

 
Математики продолжают работать над основаниями своей науки. Интуиционизм к настоящему времени ещё до конца не выкристаллизовался, его значение в обосновании математики предстоит узнать в будущем.

Источник

Математика не для всех

Практики лидеров

Задайте направление

Определение четкого направления занимает первое место в списке практик отличных лидеров.

Важны три конкретные практики:

• Определите целенаправленное видение и воплотите его в жизнь. Формулирование видения необходимо, но недостаточно. Отличные лидеры воплощают свое видение в жизнь, делая его подлинным и значимым для себя, своей организации и людей, которым они служат.
• Переводите видение в стратегию и политику. Отличные лидеры прагматично подходят к переводу общей картины в реальные решения. Это особенно актуально в первые 100 дней, когда лидерам необходимо определить как свои не подлежащие обсуждению реформы, так и более широкий набор вариантов вмешательства, включая некоторые, которыми они готовы пожертвовать. Особенно с учетом шквала активности, совпадающего с новым сроком полномочий, лидерам необходимо быть прагматичными и расставлять приоритеты на основе своих стратегических целей.
• Креативно мобилизуйте и распределяйте ресурсы. Учитывая ограниченные бюджеты, отличные лидеры открыто говорят о необходимых им ресурсах и умеют мобилизовать необходимую политическую поддержку для их обеспечения. Они также умело привлекают ресурсы извне своих организаций, например, через стратегические партнерства.

Превосходные лидеры основывают усилия на четком долгосрочном планировании и глубоком понимании цикла ассигнований. Они также остро осознают, как быстро все может измениться. Они постоянно работают над тем, чтобы их планы и бюджеты были устойчивыми и вдумчиво перераспределяют ресурсы для соответствия меняющимся стратегическим и политическим приоритетам.

Мобилизация усилиями лидеров

Отличные лидеры внедряют мысли и усилия в топ-команду и преодолевают ограничения, которые могут затруднить привлечение и удержание старших сотрудников: низкая компенсация по сравнению с другими секторами, нехватка критически важных талантов и нехватка рычагов для решения проблем низкой производительности.

Важны три практики:

• Создайте команду, которая сделает все возможное. Одним из важнейших решений руководителей, особенно недавно назначенных, является формирование руководителей отделов, которые «разделяют ту же страсть и точку зрения и готовы сделать все возможное». С другой стороны, некоторые советуют не проводить полную перезагрузку топ-команды (известную как «spill and fill»).
• Будьте образцом ответственности и ответственности. Отличные лидеры открыто делятся намерениями и ожиданиями со своими командами, являются образцом ответственности. Однако лидерство в конечном итоге оценивается по результатам, а не только по намерениям. В эпоху, когда исполнение часто является недостающим звеном между амбициями и воздействием, наиболее эффективные лидеры выделяются тем, что отдают приоритет неустанному выполнению. Это подразумевает признание и использование сильных сторон членов команды для достижения коллективных целей, поддержку их посредством творческого решения проблем и подчеркивание важности адаптации по мере возникновения новой информации и обстоятельств.
• Адаптируйте то, что унаследовали. Как только команда топ-менеджеров будет на месте и намерения лидера станут ясны, команда сможет перейти в новый рабочий ритм. Лучшие лидеры находят способ интегрировать рабочий ритм в существующее управление, а не переопределять его, чтобы сохранить институциональную преемственность и построить доверие в команде.

Выровняйте организацию

Лучшие лидеры относятся к «мягким вещам» культуры и вовлеченности с той же строгостью, что и к «жестким вещам» операционного и финансового управления. Они знают, что организационное здоровье («как мы управляем местом») является критическим фактором производительности, поскольку самые здоровые организации превосходят наименее здоровые в три раза.

В основе такого лидерства лежат три ключевые практики:

• Установите культуру, живите и дышите ею. Отличные лидеры тратят время на то, чтобы определить «большую вещь», которая определит их культуру, а затем активно ролевой моделью.
• Проектирование успеха. Лучшие лидеры намеренно создают структуру, подотчетность и процессы, которые дают как стабильность, так и гибкость. Обычно это включает в себя создание стабильного выполнения задач и проектов, создание команд, которые выполняют основную миссию, одновременно создавая кросс-функциональные группы — или «претендентов», — которые могут быстро действовать для разрешения возникающих задач и определения приоритетов. Некоторые создают централизованные подразделения для управления эффективностью, чтобы ускорить выполение проектов с повышением качества и экономической эффективности.
• Сопоставьте таланты с воздействием.

Управляйте личной эффективностью

Отличные лидеры постоянно и намеренно совершенствуют свою персональную операционную систему.

Есть три подхода, которые отличают лучших:

Определите личное присутствие. Отличные лидеры — это преднамеренные люди. Они устанавливают лидерское намерение и определяют, кто они, как они проявляются, а также действия и поведение, которые они воплощают. Они аутентичны; они руководят с честностью и прозрачностью, искренне говоря о своих ценностях и убеждениях, и думая о своем долгосрочном влиянии и репутации. И они адаптивны — они понимают тип проблемы, с которой сталкиваются, и применяют к ней правильные инструменты. Характер — это золотая нить, которая связывает эти практики.

• Создайте свой офис. Отличные лидеры понимают, что неотъемлемой частью личной эффективности является наличие правильной команды вокруг них, чей главный приоритет — сделать индивидуального лидера успешным и безопасным. Требования роли, естественно, выше того, с чем может справиться отдельный человек, поэтому важно иметь доверенных людей, которые будут управлять вашим графиком, подсказывать вам, где расставлять приоритеты, и выступать в качестве резонатора.
• Управляйте своей энергией. Лидеры часто фокусируются на времени: на присутствии, эффективности и принятии правильных компромиссов в отношении того, на кого и на что они тратят свое время. Однако, когда требования на рабочем месте возрастают, многие лидеры чувствуют, что их главная проблема — нехватка времени. Проблема с работой сверхурочно заключается в том, что время — конечный ресурс, а энергию можно расширить и обновить.

Источник

Оттачивание лидерского мастерства в государственном секторе. 4 апреля 2025 г.| Статья
Юлия Клиер, Роланд Диллон, Скотт Блэкберн, Тарек Мансур

https://www.mckinsey.com/industries/public-sector/our-insights/honing-leadership-excellence-in-the-public-sector

Honing leadership excellence in the public sector

Агентский ИИ в автокредитах

Автокредитная отрасль находится на пороге трансформации. Исторически характеризуясь сложными, трудоемкими процессами и фрагментированными системами данных, этот сектор сталкивался с постоянной неэффективностью по всей цепочке создания стоимости. Такие проблемы, как несогласованные форматы данных, неполные записи и ограниченный доступ в режиме реального времени, приводили к задержкам и ошибкам. Отрасль также остается в значительной степени регионализованной, с локализованными правилами, существенной неэффективностью и уникальной спецификой рынка в разных регионах.

Искусственный интеллект нового поколения (Gen AI) и другие технологии ИИ предоставляют своевременный и мощный способ извлечения значительной выгоды по всей цепочке создания стоимости. Gen AI может выходить за рамки взаимодействия с клиентами и поддерживать принятие внутренних решений, генерировать аналитические данные и оптимизировать процессы в масштабе. При эффективном использовании ИИ имеет потенциал для устранения давних неэффективностей и изменения экономики отрасли. Анализ McKinsey показывает, что Gen AI может снизить соотношение затрат к доходам за счет снижения операционных расходов (которые обычно составляют около 60% дохода) на пять-восемь процентных пунктов.

Чтобы максимально эффективно использовать новые технологии искусственного интеллекта, лизинговые компании могут внедрять агентные системы — то есть автономные системы, которые используют ИИ и машинное обучение для выполнения конкретных задач. Эти системы выходят за рамки традиционной автоматизации, обеспечивая динамическое принятие решений и их выполнение с учетом контекста. Они могут обеспечивать полностью автономное выполнение задач или использоваться в качестве инструментов, дополняющих принятие решений человеком и персонализацию, в зависимости от конкретного сценария использования и желаемых результатов. Интеграция агентных технологий открывает перед отраслью уникальную возможность переосмыслить свои процессы, повысить прибыльность и обеспечить более бесперебойное обслуживание клиентов.

Агенты, управляемые искусственным интеллектом, как решение.

Агенты искусственного интеллекта — это специализированные системы, которые сочетают в себе передовые алгоритмы машинного обучения для принятия решений с генерацией искусственного интеллекта для общения и взаимодействия. Эти агенты могут помогать как во внутренних, так и во внешних процессах организации, повышая эффективность за счет использования существующих и новых источников данных. Однако не каждая проблема требует агентного решения — традиционные модели машинного обучения или ИИ могут быть более подходящими для определенных сценариев использования.

Предлагается организациям, заинтересованным в создании концепции предприятия, управляемого искусственным интеллектом, начать с рассмотрения вопроса о формировании и интеграции четырех групп агентов: группы ремаркетинга, группы обслуживания и операций, группы продаж и ценообразования, а также группы закупок и максимизации стоимости на всем протяжении процесса.

Группа агентов по ремаркетингу. Цель группы агентов по перепродаже автомобилей, использующих искусственный интеллект, — автоматизировать обширную документацию и координацию, связанные с процессом перепродажи транспортных средств. Агенты этой группы также могут связываться с клиентами лизинговых компаний для бронирования времени осмотра, общаться с транспортными компаниями для планирования вывоза автомобилей и взаимодействовать с дилерами по вопросам восстановления автомобилей. Кроме того, эта группа агентов может проводить комплексные рыночные исследования, генерируя отчеты о наиболее прибыльных каналах и анализируя тенденции на рынке подержанных автомобилей с точки зрения объема и цены.

Для эффективной работы группы агентов по перепродаже автомобилей необходимы некоторые базовые технологические возможности. Инструмент прогнозирования, использующий статистическое моделирование и машинное обучение для прогнозирования возвратов автомобилей, необходим для планирования и распределения. Кроме того, оптимизатор ценообразования и каналов сбыта, требующий точных кривых эластичности, гарантирует направление автомобилей в наиболее подходящие и прибыльные каналы. Доступ к рыночным данным в реальном времени, исторической информации о продажах и показателям прибыльности имеет решающее значение для принятия обоснованных решений с помощью этих инструментов. Интегрируя эти алгоритмы машинного обучения, группа агентов по перепродаже автомобилей может предоставлять точные, основанные на данных рекомендации, которые максимизируют прибыльность и оптимизируют операции.

Группа агентов по обслуживанию и операциям. Эта группа агентов на основе ИИ повышает уровень автоматизации задач обслуживания и эксплуатации. В этой группе один агент может связываться с клиентами для организации планового технического обслуживания или ремонта и направлять их в предпочтительные сети. Второй агент может координировать оказание помощи на дороге после аварий, а третий — управлять операциями по вводу и выводу автомобилей из эксплуатации, такими как планирование получения и доставки транспортных средств.

Кроме того, эта группа агентов может генерировать исчерпывающие отчеты для обеспечения прозрачности и контроля затрат на техническое обслуживание, ремонт, шины и страхование. Эти агенты способны выявлять аномальные страховые случаи, определять необычные расходы дилеров на техническое обслуживание и ремонт, а также обнаруживать нерегулярное использование шин клиентами, обеспечивая экономическую эффективность и операционную целостность. Чат-боты и виртуальные помощники могут дополнительно поддерживать эту группу, обрабатывая рутинные запросы, назначая встречи, отслеживая страховые случаи и взаимодействуя с клиентами напрямую, повышая оперативность и снижая нагрузку на колл-центры.

Для эффективного функционирования агентов ИИ в сфере обслуживания и эксплуатации необходима надежная система калибровки пороговых значений для аномальных расходов по различным категориям. Алгоритмы ИИ и машинного обучения могут помочь установить и скорректировать эти пороговые значения на основе исторических данных и входных данных в реальном времени. Для этого необходим доступ к подробным финансовым данным, историческим записям о техническом обслуживании и оперативным показателям в реальном времени.

Группа агентов по продажам и ценообразованию. Искусственный интеллект в группе продаж и ценообразования фокусируется на взаимодействии с целевыми группами клиентов (включая сегменты B2C и B2B) с коммерческими предложениями по лизингу, финансированию и сервисным услугам. В этой группе один агент может управлять стратегиями коммерческого ценообразования и предлагать новые ежемесячные цены, используя динамические алгоритмы, основанные на анализе конкурентов. Этот агент также может предоставлять дилерам информацию и рекомендации на протяжении всего взаимодействия с клиентом. На первом этапе интеграции ИИ-агентов в существующие операции один ИИ-агент может поддерживать агентов по продажам в их коммерческих переговорах, предлагая индивидуальные коммерческие предложения, которые стимулируют продажи и удовлетворенность клиентов. На более позднем этапе или в рамках пилотного проекта с розничными клиентами другой ИИ-агент может активно взаимодействовать с клиентами. Эта группа также занимается трансграничным ценообразованием и коммерческим управлением, при этом ИИ-агенты адаптируют предложения и стратегии к местным рыночным условиям, налоговым структурам и различиям в законодательстве. Это особенно актуально для международных автопарков и многонациональных клиентов.

Для надежной работы агенты искусственного интеллекта в области продаж и ценообразования используют надежные технические модели ценообразования, включая оценку остаточной стоимости. Ключевая часть группы продаж и ценообразования – это передовые алгоритмы машинного обучения, которые прогнозируют будущую стоимость автомобилей и оптимизируют стратегии ценообразования. Кроме того, алгоритмы динамического ценообразования необходимы для корректировки цен в режиме реального времени на основе данных конкурентов (только для розничной торговли) и рыночных условий. Для трансграничной оптимизации этим агентам необходим доступ к локализованным рыночным данным, налоговым правилам и валютным трендам. Интегрируя рыночные, конкурентные и исторические данные, а также используя возможности ИИ, группа агентов искусственного интеллекта в области продаж и ценообразования может предоставлять точные, основанные на данных стратегии ценообразования, которые максимизируют прибыльность и конкурентоспособность на разных рынках.

Искусственный интеллект также расширит возможности клиентов на протяжении всего процесса покупки автомобиля. Все чаще покупатели смогут использовать собственные инструменты ИИ для оптимизации поиска, сравнения предложений и заключения более выгодных сделок. Эта динамика, вероятно, выровняет условия конкуренции, ограничив возможности дилеров и финансовых компаний извлекать выгоду в долгосрочной перспективе.

Группа по закупкам и комплексному агентскому сопровождению. В этой группе агенты стремятся проводить комплексный анализ затрат и оценку стоимости автомобиля на протяжении всего срока его эксплуатации. Эти агенты предоставляют всестороннюю картину финансовой рентабельности всех автомобилей на протяжении всех циклов лизинга и перепродажи, с целью помочь компаниям вести переговоры и сотрудничать с производителями оригинального оборудования (OEM) для выбора автомобилей и шин с наибольшей окупаемостью инвестиций. Эта группа агентов также может создавать отчеты для совместного анализа людьми и агентами искусственного интеллекта.

Группа агентов искусственного интеллекта для закупок нуждается в передовых инструментах финансовой оценки для определения стоимости транспортного средства на протяжении всего срока его службы. Крайне важен доступ к исчерпывающим финансовым данным, историческим данным о затратах (например, на ремонт, техническое обслуживание, шины и аккумуляторы) и оперативным показателям в режиме реального времени.

Поэтапный план развития, основанный на достижении зрелости и ценности.

Внедрение генеративного и агентного искусственного интеллекта в автомобильную финансовую отрасль требует прочной технической базы. Ключевые предпосылки включают в себя развитую инфраструктуру данных, алгоритмы машинного обучения и возможности интеграции данных в режиме реального времени. При разработке плана внедрения ИИ-агентов важно понимать, на каком этапе технологической зрелости находится организация. Организации, полностью использующие агентные технологии, обладают хорошо развитыми возможностями в каждой из следующих областей:

• Техническая база, включая агентную среду.
• Квалифицированный оперативный персонал, понимающий технологические процессы и умеющий взаимодействовать с агентами.
• Подготовленные технические группы для поддержки проектирования, обслуживания и совершенствования агентов.

Чтобы ощутить первоначальный эффект, организации могут начать с интеграции ИИ в маркетинговые кампании, поскольку оптимизация ценообразования по всем каналам продаж является одновременно эффективным и относительно простым в реализации процессом. Эта область, как правило, выигрывает от более высокой степени цифровизации процессов, лучшей доступности данных и меньшей зависимости, что делает ее идеальной отправной точкой для внедрения агентов ИИ.

Далее компании могут рассмотреть возможность расширения использования инструментов ИИ в более широких стратегиях ценообразования, поддерживаемых более надежной системой ИИ и обученными техническими командами. Эти возможности могут развить успех, достигнутый при создании группы агентов ИИ для ремаркетинга, и продолжать приносить значительную коммерческую выгоду.

Операционные сценарии использования, такие как координация обслуживания и вывод из эксплуатации, как правило, более сложны из-за фрагментации процессов и ограниченной цифровой зрелости. Эти проблемы можно решить на более поздних этапах, после того как компании создадут базовую технологическую инфраструктуру и повысят квалификацию как оперативных, так и технических команд.

Баланс возможностей, затрат и рисков

Внедрение агентов искусственного интеллекта сопряжено с определенными затратами, включая переобучение моделей, разметку данных и использование облачных ресурсов. Организациям необходимо тщательно оценить эти затраты и определить приоритетные задачи для решения, чтобы обеспечить положительную отдачу от инвестиций.

Наконец, организациям необходимо учитывать риски, связанные с ИИ, особенно в контексте кредитования.

Интеграция групп агентов на основе ИИ в процесс автокредитования позволяет компаниям повысить эффективность и снизить операционные расходы, одновременно предоставляя агентам-людям возможность быстрее реагировать на перспективные возможности. Внедрение этих инструментов в существующие организации должно осуществляться обдуманно, но в случае успеха потенциальные выгоды будут огромными.

Источник

Agentic AI: A new path to value in the auto finance industry. November 12, 2025. Article.

Агентный ИИ: новый путь к созданию ценности в автомобильной финансовой отрасли.
12 ноября 2025 г. Статья. Бенджамин Кёк, Ромен Зилахи, Урсула Вайгль, Лена Крюгер.

https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/agentic-ai-a-new-path-to-value-in-the-auto-finance-industry