Если вы работаете в продуктовой сфере или IT, вы, вероятно, не раз сидели на таком совещании. Приходит демо от поставщика или вирусный пост, и вдруг в дорожной карте понадобился агент, приложение MCP или harness. Встречи с клиентами часто начинаются так же: «нам нужен агент для этого». Когда запрос разбирают с первых принципов, часто выясняется, что клиенту нужно другое: специализированная прогностическая модель, лучшее использование уже имеющихся у него LLM или вообще отсутствие ИИ. Кто-то должен сказать «не так быстро», не звуча при этом оборонительно. Это непросто, потому что разговор об ИИ громкий и убедительный.
Статья предлагает три шага, чтобы сохранять трезвый взгляд. Во-первых, понять цепочку ценности ИИ и то, где вы реально в ней находитесь. Во-вторых, построить базу знаний, которая позволяет структурировать и повторно использовать то, что вы узнаете об ИИ. В-третьих, потреблять информацию осознанно, сохраняя собственную точку зрения. Вместе эти практики делают вас более сильным собеседником, когда в команду придет очередная волна ажиотажа.
Цепочка ценности простирается от чипов наверху до предприятий внизу. Наверху доходность почти гарантирована: кремний оплачивается при поставке. Ниже по цепочке ценность становится все менее определенной. Облачные провайдеры и лаборатории моделей делают ставку на будущий спрос, и значительная его часть циркулирует внутри самой экосистемы. Реальный спрос конечных пользователей определяется только в конце цепочки.
Если вы внедряете ИИ в компании или разрабатываете приложения, вы находитесь на стороне получателя. Компании ИИ продвигают «иллюзию доступности»: ИИ дешев, прост и способен всё изменить, тогда как поставщики знают пределы своих продуктов гораздо лучше вас. Опросы подчеркивают разрыв: по данным опроса McKinsey за 2025 год, более 80% компаний, использующих генеративный ИИ, не отметили заметного влияния на общую прибыль.
Источник: Towards Data Science · Сводку подготовил HeadlinesBriefing