EDU

Будущее консалтинга, или Отчет, в который можно "войти" Сегодня разговаривал с консультантами о том, как меняется аутпут их работы: классическая история - поработали-поработали, написали отчет, презентовали. Но дальше он пылится в рамках отдела, заказавшего исследование... Потому было интересно поразгонять, а как повысить усваиваемость и применение выводов и рекомендаций - мои 4 мысли: 1) Интерактивный прототип, а не презентация - вместо того, чтобы результаты исследования подавать в виде отчета/презентации, можно делать прототипы, в которых заказчик мог бы "взаимодействовать" с результатами в режиме "а что если?" или, к примеру, поговорить с персоной, которую выявили в результате исследования, или проследить логическую цепочку от входных данных через рассуждения к выводам. 2) Плагин/набор скиллов - который помог бы не только заказчику исследования применить его результаты (например, маркетинг), НО и другим подразделениям (например, разработка продукта). Вот как я рассказывал на стриме по team os с onsa copy, например. Иногда терминология одной команды делает невозможным не только применение, но даже и восприятие результатов другой командой - вот преодолеть эти барьеры, сделать результаты прикладными, помочь перевести смысл в действие - идея в этом 3) Видео - видео с помощью скилла, что я шерил ранее, или полностью сгенерированное в условном seedance, чтобы показать образ будущего, вызвать эмоции, помочь примерить на себя. Например, как тут по мотивам AI 2027 4) Игра или симуляция - как продолжение (1) и (3), как я недавно делал с Рыболовством, и как завещал Шварц в The Art of the Long View. А после звонка задумался: если условная Консалтинг Ко вот так изменит свои деливераблс, то это все еще консалтинг или уже продуктовая компания? o__O

Как я теперь копаю проблемы на пару с дружбаном? Почему у нас не растёт выручка? Задай это команде — и каждый ответит из своего угла. Sales скажет: продукт долго запускается. Те, кто запускает: Sales подписывает контракт, когда половины данных ещё нет. Маркетинг кивнёт на воронку. Все правы по-своему — и никто не видит систему целиком. Я годами вытаскивал это руками: сажаешь людей в комнату, формулируешь проблему как нежелательное явление и спрашиваешь «почему?» — пока не спустишься к корневой проблеме. По сути это два старых инструмента в одном: 5 почему Тойоты и дерево текущей действительности Голдратта. На днях завернул это в skill для Claude Code, прогнал на реальных проблемах — и прямо впечатлился инсайтами! Что зацепило: 1) Он думает шире меня. Разбирали, почему один процесс работает хуже бенчмарка — агент нашёл обоснование, которого я в голове не держал, и заодно переформулировал саму мою постановку проблемы. Потому что идёт вширь десятком линз сразу и параллельно ищет в интернете, и в ваших данных, а не крутит одну привычную нитку. 2) Каждое «почему» помечено: факт или гипотеза? Это видно в данных — или агент просто предположил? Люди ведь часто говорят «ну, наверное, из-за этого» — а тут отдельные скептики берут каждый лист и докапываются: «у нас мало сайнапов» — а ты посмотрел сколько? Окей, X в неделю — а почему ты решил, что это мало? Что не подтвердилось — выкидывается или помечается как "предположение". 3) Даже когда данных нет — он говорит, каких именно не хватает. Один клиент попросил оценить ROI всего их процесса, часть которого выполняют наши AI агенты; данных по их части у меня, понятно, нет. Вместо «извини, не посчитаю» я прогнал через дерево и получил точную постановку: вот ровно эти цифры дадут ответ. Она ушла собирать их у маркетолога. Дерево превратило «я не знаю» в «вот что нужно узнать, чтобы ответить на вопрос». Под капотом рой агентов копает «почему-почему-почему» вглубь по каждой линзе, склеивает похожие ветки, скептики проверяют листы дерева — и десятки причин сходятся к нескольким корням и одному узкому месту. На выходе — дерево с визуализацией. Внимание: очень много токенов! Я юзаю workflows фичу Claude Code и такой анализ быстро может обойтись в копеечку — поэтому сделал 2 варианта поиска Standard/Deep. Deep — это ~50 агентов и 3-4M токенов, поэтому лучше пробовать на проблемах, того стоящих. Скилл в любом случае предупредит и предложит выбрать глубину поиска. Как уже сказал выше, заюзал его на 5 реальных проблемах и ОЧЕНЬ доволен инсайтами, НО может у меня bias, поэтому попробуйте и дайте знать, помогло вам или зря потратили токены. https://github.com/BayramAnnakov/systems-thinking-skills/tree/main/skills/why-tree

На днях из подкаста узнал занимательный факт, в который я сначала не поверил и полез проверять: последние пару веков доля труда (labor share) в доходе экономики держится около 60%. Через промышленную революцию, конвейер, компьютеры — стабильно ~60% уходит людям в виде зарплат. Так вот, у Дваркеша Имас (Deepmind, упоминал его работу тут) и Траммелл (Epoch) задаются вопросом: сломает ли AI эту константу? И если да, то как именно? TLDR: через цену. Логика следующая: 1) машинная экономика бесконечно плодит сама себя — один робот превращается в много роботов, а значит полезность каждого следующего стремится к нулю (по экономике второе мороженое не такое классное как первое, но все же классное); 2) спрос на человеческое (балет, «живой» бариста, ручная работа) — фиксирован; 3) поэтому доля человека в общем пироге может схлопываться даже при полной занятости. Один робот в следующем году превращается в много роботов, а число балерин — то же самое Так за что тогда платят человеку? Их ответ — сектор "отношений" (relational sector), где ценность в том, что человек участвовал в создании этого товара/услуги. Имас провел забавный эксперимент: продавал один и тот же арт-принт с надписью «сделан человеком» vs «сделан AI». За человеческий ожидаемо платят заметно больше, НО премия схлопывается, как только тираж растёт до 500 (связь с «тем самым автором» теряется). У AI-версии разницы нет вообще: AI уже воспринимается как commodity. Вот и у меня под окном есть робо-кофейня и почему-то никогда в нее не вижу очередь, в отличие от другой - человеческой - рядом. К чему я это? Relational sector — это про «сделано человеком», про происхождение. И это makes sense, но мне кажется, это хрупкая, нишевая премия (суши от Jiro плохо масштабируются). Куда устойчивее, по-моему, другая: премия не за «сделано человеком», а за «человек подписался под результатом». За принятие ответственности. Как раз это мы недавно обсуждали на стриме про AGI Economics: в новой экономике организации платят не за работу (работу делает агент, harness её верифицирует) — а за то, что кто-то берёт на себя риск. По сути, бизнес становится страховщиком собственного результата. Как сформулировал один из AI нейтивов: Раньше мы продавали работу. Теперь работа стоит ноль — её сделает любой. Продавать будем то, что не каждый может: закоммититься под исход. Это и есть страхование. Но за ответственность готовы платить не везде - скорее там, где она обусловлена регуляторно или договором: 1) аудитор подписывает финансовую отчётность, а инженер ставит штамп на проекте — расчёты давно делает софт, но отвечать по закону должен лицензированный человек, и платят именно за эту подпись; 2) в штате Utah AI продлевает рецепты на хронические препараты — врачи соглашались с его решениями в ~91% случаев, к качеству вопросов почти нет. Но подписать рецепт по правилам всё равно должен лицензированный человек, а медсовет (11 из 14 врачей) и вовсе потребовал пилот приостановить. Человек тут не из-за точности AI — а чтобы было кому отвечать. Собственно, вопрос, на который я считаю нам всем надо ответить: за какую ошибку клиента засудят / уволят / оштрафуют (ответственность) или какой тип ЧЕЛОВЕЧЕСКОЙ деятельности для клиента значим и за него он будет готов платить премию? Ушёл думать...