Анатолий Бузанов⚡️Программирую бизнес

Разбор реального кейса. Часть 2. первая часть тут В прошлом посте я рассказал про кейс Сергея и три гипотезы, которые решил проверить до начала разработки. Напомню задачу. Есть дизайн-проект квартиры. Есть сметчик, который на его основе готовит смету. И есть идея: а может эту работу уже способен делать ИИ? Чтобы не гадать, я решил проверить это на практике. В комментариях под прошлым постом Ирина абсолютно правильно подметила важную вещь: смета для заказчика и смета для подрядчика - это две разные логики. Сметчик - это не просто человек, который переносит цифры из проекта в таблицу. В его работе много опыта, правил и профессиональных решений. Когда я работал в МТС, перед запуском автоматизации мы всегда задавали один вопрос: "Мы автоматизируем механическую обработку информации или принятие решений?" С обработкой информации современные ИИ справляются очень хорошо. С принятием решений всё гораздо сложнее. Но к черту теорию, давайте к фактам. Я взял реальный дизайн-проект Сергея на 67 страниц (в комментариях прикреплю несколько ключевых страниц) и загрузил его в современные ИИ-модели. При этом меня интересовал не вопрос: "Может ли ИИ полностью сделать смету?" Это слишком большая задача. Сначала я хотел понять более простую вещь: Что современные ИИ способны извлечь из такого проекта уже сегодня? Для проверки использовал несколько моделей и поставил важное ограничение: Если данных недостаточно - ничего не придумывать, а честно сообщать об этом. Результаты оказались довольно показательными. 🟢 Что ИИ делает хорошо Практически без ошибок модели находили данные, которые уже были рассчитаны проектировщиком и представлены в явном виде: - экспликации полов; - площади помещений; - ведомости дверей; - спецификации оборудования. По сути ИИ выступает как очень быстрый аналитик, который способен за считанные секунды собрать информацию по десяткам страниц документации. 🟡 Что ИИ делает удовлетворительно Сложнее становится там, где информацию нужно сопоставлять из разных частей проекта. Например: - искать взаимосвязи между разными листами; - объединять данные из нескольких разделов; - подсчитывать отдельные группы элементов; - выявлять несоответствия. Результаты часто оказываются полезными, но требуют обязательной проверки специалистом. 🔴 Что ИИ делает плохо Основные ограничения проявились там, где требуется интерпретация инженерной графики. Например: - подсчёт электроточек по условным обозначениям; - анализ некоторых сантехнических схем; - перегородки и короба. Причём похожие результаты показали разные модели. Похоже, проблема находится не в конкретном ИИ, а в самой природе задачи. Самый важный вывод оказался неожиданно простым. Мы изначально задавали неправильный вопрос. Не: "Может ли ИИ заменить сметчика?" А: "Какую часть работы сметчика можно автоматизировать уже сегодня?" Потому что между полной заменой специалиста и автоматизацией значительной части рутины лежит огромная разница. И именно в этой разнице, как мне сейчас кажется, находится настоящий продукт. В финальном посте покажу главный вывод всего исследования и расскажу, почему, если бы я запускал стартап в этой нише сегодня, я бы вообще не делал "ИИ-сметчика". Напишите в комментах, к примеру, 60 минут вместо 6 часов - это достаточный повод внедрять ИИ в бизнес, или надо добиваться полной замены человека, ну или почти полной?👇

Разбор реального кейса: может ли ИИ автоматизировать строительные сметы? За последние месяцы ко мне уже не первый раз приходят с похожим запросом: можно ли автоматизировать подготовку строительных смет* с помощью ИИ? *кто не в теме, смета, если очень упрощённо, - это расчёт стоимости ремонта: сколько кв. метров плитки уложить, сколько стен покрасить, сколько нужно материалов и сколько будет стоить работа. Исходником для смет служит дизайн-проект квартиры или дома - часто это несколько десятков страниц чертежей, планов и спецификаций. На этот раз написал Сергей. У него строительный бизнес, блог и большое профессиональное сообщество строителей. На первый взгляд задача выглядит очень привлекательно. Есть дизайн-проект. Есть сметчик. Есть несколько часов ручной работы. И есть современные ИИ-модели, которые умеют анализировать документы и чертежи. Логичный вопрос: может ли ИИ взять эту работу на себя? Здесь легко наступить на грабли. Многие начинают обсуждать технологии раньше, чем понимают задачу. За годы работы с продуктами в МТС, 1С и Adobe я видел одну и ту же картину десятки раз: люди приходят с готовым решением там, где нужно начинать с проверки проблемы. Поэтому я решил посмотреть на кейс не как разработчик, а как продакт. Сначала собираем факты. По словам Сергея: - подготовка одной сметы занимает от 4 до 8 часов; - цена услуги на рынке - от 2 500 до 10 000 рублей; - многие компании отдают эту работу на аутсорс; - ожидание готового документа иногда занимает дни и недели. Проблема реальная, и деньги в ней есть. Но наличие проблемы ещё не означает наличие продукта. Перед любым проектом я сначала проверяю базовые гипотезы: Гипотеза №1. Проблема действительно массовая? Это боль одного человека или с ней сталкивается значительная часть рынка? Автоматизировать единичный процесс - всегда плохая бизнес-идея. Гипотеза №2. Есть ли достаточный экономический эффект? Если задача сокращается с 5 часов до 10 минут - это бизнес. Если с 5 часов до 4 часов 30 минут - игра не стоит свеч. Гипотеза №3. Где находится основная ценность работы сметчика? В тупой обработке информации или в экспертных знаниях? Часто кажется, что специалист просто переносит данные из проекта в таблицу. Но на практике выясняется, что большая часть работы - это накопленный опыт, профессиональные правила и сотни мелких инженерных решений, которые нигде не записаны. Если ценность именно там, задача становится в разы сложнее. Поэтому первым делом я решил не писать код, не строить архитектуру и не выбирать модели. Я решил проверить самую простую вещь: что современные ИИ вообще способны извлечь из реального дизайн-проекта уже сегодня? Для этого я провёл серию экспериментов на реальных объектах Сергея. Результаты оказались не такими, как я думал. И местами довольно неожиданными. Продолжение следует, не переключайтесь. Если тема автоматизации реального сектора вам близка - ставьте 🔥, так я пойму, что контент заходит.

Главное в ИИ за неделю (15-21 июня 2026) - Коротко и по делу Без маркетингового буллшита. Разбираем, как главные события недели влияют на наши проекты и кошельки. 1️⃣ Бан Claude Fable 5 и суверенный ИИ Anthropic уже больше 9 дней держит флагманы в оффлайне из-за экспортного запрета Минторга США (виной всему инвестиции корейской SK Telecom). Европа в ответ экстренно строит свой open-source проект EUROPA на 400+ млрд параметров. Вывод: Зависимость от одного закрытого UI - огромный риск. Стройте независимый стек (Coolify + n8n + Supabase) и настраивайте оркестрацию через OpenRouter, чтобы переключать API на альтернативы (DeepSeek, Qwen) за 5 секунд. 2️⃣ OpenAI хоронит Sora: Конец эпохи хайпа Видеогенератор официально закрыт из-за коммерческого провала: $15 млн ежедневных расходов против $2,1 млн выручки за всё время. Все ресурсы переброшены на новую модель Spud и корпоративных агентов перед IPO в сентябре. Вывод: Красивые картинки больше не продаются. Рынок требует автономных цифровых сотрудников, зашитых в реальные бизнес-процессы. Направляйте фокус и разработку именно туда. 3️⃣ Парадокс PwC и кодинг как расходник По данным PwC, надбавка за навыки ИИ выросла до 62%, но требования к джунам взлетели в 7 раз. Базовую рутину (код, SQL, копирайт) полностью забрали нейросети, особенно после покупки Cursor компанией SpaceX за $60 млрд. Вывод: Профессия программиста превращается в профессию "человека, принимающего решения". Важна не скорость написания кода, а архитектурное мышление и понимание болей бизнеса. 4️⃣ Microsoft Phi-4: Умная экономия на API Вышла открытая модель Phi-4 (15B) с "селективным мышлением". Она сама решает: ответить дешево и быстро на простой запрос или включить тяжелые логические блоки для сложной задачи. Экономия энергии и денег - до 80%. Вывод: Идеальный элемент для парадигмы «Архитектор и Прораб». На рутинные воркфлоу ставим копеечные локальные модели, а тяжелую артиллерию вызываем только там, где реально нужно пораскинуть мозгами. 🔥 Итог: Доля ChatGPT на рынке упала ниже 50%. Модели становятся взаимозаменяемым расходником. Перестаньте залипать в интерфейсы - инвестируйте в архитектуру автономных систем, работающих по API. Вы уже перешли на self-hosted рельсы после падения Клода? Кто, что думает об этом? обсудим! 👇

Запускаем автономного ИИ-агента на собственном сервере 24/7 Выкатил новый ролик, в котором мы пошагово и без душного программирования разворачиваем Hermes Agent на чистом удаленном сервере (VPS) и подключаем его к Telegram. Теперь нейросети будут работать на вас в фоне круглые сутки: писать контент, парсить данные, собирать аналитику и раскладывать задачи по полочкам на удобной Канбан-доске, которой можно управлять прямо с телефона. Что внутри: - Развертывание на VPS: аренда VPS и настроqrf базовjq безопасностb (фаервол UFW), чтобы никто чужой не залез. - Экономия на токенах: Подключаем OpenRouter и заставляем агента работать на бесплатной Gemini 3.5 Flash. - Демонизация процессов: Пишем фоновую службу (systemd) для дашборда, чтобы веб-панель не падала после закрытия терминала. - Полный тест-драйв: Ставим задачи агенту через ТГ и смотрим, как он шуршит в реальном времени. Смотреть ролик на YouTube 📄 Забирай готовую PDF-шпаргалку Чтобы вы не переписывали команды с экрана и не запутались в 25 пунктах интерактивного инсталлятора, я собрал строгий и стильный гайд со всеми конфигами, матрицей правильных ответов для скрипта и командами. Шпаргалка уже загружена в нашего бота: 👉 Бот ТГ-канала TeqIT_lab Заходи, жми кнопку «Материалы к роликам» и забирай файл в один клик. Смотрите видео, поднимайте своих агентов и делитесь в комментариях под роликом, под какие задачи будете их адаптировать. Наберем 500 лайков - сразу выкатываю вторую часть о вариантах использования, какие скиллы можно добавить сразу пачкой и многое другое!