Что такое самоуправляемые компании и как они работают?
Как обещал, выкладываю запись нашего стрима на тему "Самоуправляемые компании"
00:00 — Вступление, анонсы, макро ситуация на рынке труда
08:25 — Уровни автономии компании и роль навыков
13:50 — Что уже делают агенты в компаниях
23:45 — Автоматизация продаж и где все-таки нужен человек
32:20 — Обратная связь и самоулучшение агентов
47:05 — Стратегия, риски и новые возможности бизнеса
Последние 30 минут ответы на вопросы из чата
00:00 — Вступление, анонсы, макро ситуация на рынке труда
08:25 — Уровни автономии компании и роль навыков
13:50 — Что уже делают агенты в компаниях
23:45 — Автоматизация продаж и где все-таки нужен человек
32:20 — Обратная связь и самоулучшение агентов
47:05 — Стратегия, риски и новые возможности бизнеса
Последние 30 минут ответы на вопросы из чата
💬Discussion (6)
Суть
Стрим Stepan Gershuni (Cyberfund) и Байрама Анакова об уровнях автономности компаний на AI-агентах: от автоматизации рутины до полностью самоуправляемого бизнеса. Практический фокус — где сейчас реальная граница агентов, что автоматизировать первым, и как не потерять конкурентное преимущество в процессе.
Ключевые идеи
- 90% работы автоматизируется, последний 1% — нет. Агенты закрывают административную рутину (квалификация лидов, ресерч, аналитика, комплаенс). Но стратегические решения (инвестировать / не инвестировать, выбрать направление) остаются за человеком. Разрыв между 90% автоматизацией и 100% автономией — фундаментальный, не технический.
- Скиллы > промпты. Повторяющуюся задачу нужно превращать в скилл (переиспользуемую инструкцию для агента), а не решать каждый раз заново. Это единственный способ масштабировать экспертизу между контекстами. Один скилл, сделанный на первом отчёте, закрыл 80% работы на двух следующих.
- Харнес-инженерия — следующий слой. До 3-го уровня автономности агенты работают без обратной связи. Дальше нужно строить «зеркала» — инфраструктуру, которая показывает агенту результат его работы и позволяет самокорректироваться (пример: агент генерит слайды → генерит тамбнейлы → видит ошибки → исправляет).
- M-of-N как ценность масштабирования. Скейлить когнитивную функцию — не просто копировать результат 30 раз. Можно получить 30 разных интерпретаций одной ситуации и выбрать лучшую. Это качественно другая возможность, недоступная при ручной работе.
- Фулл-тайм роли → фрекшенал экспертиза. Вместо штатного юриста/дизайнера — краткосрочная аренда эксперта, который на 5 минут смотрит работу агента и говорит «тут проблема». Большинство позиций сжимаются до точечных ревью.
- Защитные рвы (moats) смещаются. Код и рациональные решения — перестают быть рвами. Остаются: регуляторные лицензии, проприетарные данные, офлайн-опыт, и скорость адаптации. Но data moat под вопросом: провайдеры моделей видят ваши трейсы и обучаются на них в масштабе миллионов пользователей.
Что делать
1. Приоритизируй автоматизацию по матрице «импакт × повторяемость». Начинай с задач, где человек работает на компьютере без взаимодействия с другими (квалификация лидов, парсинг документов, аналитика) — это низковисящие фрукты с измеримым ROI.
2. После каждой повторяющейся задачи с Claude проси его оформить результат в скилл. Формулировка: «отрефлексируй весь процесс и создай переиспользуемый скилл». Это превращает одноразовое решение в масштабируемый актив компании.
3. Стройте систему судей, а не улучшайте промпт. Для повышения качества агента — добавляй суб-агентов-критиков с конкретными критериями. Корректируй не выходной результат, а критику: «судья упустил X» → знание встраивается в петлю обратной связи, а не в одноразовую инструкцию.
4. Внедрите правило Shopify: при запросе ресурсов — докажите, почему AI это не сделает. Это меняет дефолт мышления с «нанять человека» на «сначала попробовать автоматизировать». Применимо и к себе лично, и к команде.
5. Наращивайте опыт, недоступный моделям: офлайн, живое общение, принятие решений в условиях неопределённости. Ценность «дирижёра» (знающего, какой вопрос задать) растёт. Ценность «исполнителя» (делающего по инструкции) падает. Инвестируйте время в первое.
Ограничения
Весь разговор — перспектива малых команд и стартапов (5–50 человек). Для enterprise с 500+ сотрудников добавляются организационные барьеры: саботаж, утечки данных, отсутствие когнитивного пространства у сотрудников для экспериментов. Байрам прямо говорит, что сценарий «один человек + агенты = миллиардная компания» не реалистичен: один человек не знает всех вопросов, которые нужно задать. Кроме того, обсуждение обходит стороной юридические риски (ответственность за решения агента) и вопрос защиты собственных данных от провайдеров моделей — при том, что сами спикеры эту проблему обозначают.
ребята, спасибо за лайв - оч круто!