Блог mysummit.school

В предыдущем материале «Анализ конкурентов с ИИ: где модель выдумывает факты» мы показали, как наивный чат-бот сочиняет конкурентов: пять компаний в списке, две не существуют, обороты назначены на глаз. Рецепт там был один – проверять каждый факт руками. Но есть способ сократить количество выдумок ещё до проверки: проводить ресёрч не в чате, а в агентском инструменте, который сам ищет, открывает страницы и сверяет найденное за несколько итераций.

Этот материал – практический цикл такого ресёрча: от настройки инструмента до проверенного результата. Тот же пример, что и раньше, – оборудование для установок замедленного коксования (УЗК) для НПЗ. Боль та же, но инструмент другой.

Мы знаем эту боль не из презентаций вендоров. В одном из заданий курса {{ }} мы спросили сорок человек, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Полный разбор ответов опубликован отдельно; здесь остановимся на одном кластере, который сошёлся ровно вокруг клиентской переписки. Один человек сформулировал цель с цифрой: классифицировать обращения, предлагать ответы и снизить время отклика на 50%. Другой хотел рассылать ценовые предложения так, чтобы каждый клиент получал только интересное ему, а при молчании система напоминала бы менеджеру вернуться. Третий просто устал набирать руками одни и те же письма.

Запрос здравый, и ИИ в нём действительно силён – но не так, как обещает реклама. Разберём по частям, где реальная экономия, а где красиво упакованный риск.

Отчётность и статусы оказались второй по размеру группой запросов в этом наборе данных. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению месячного бюджета, материалы к ежедневным планёркам. Спрос реальный, и он попадает ровно туда, где языковые модели сильны. Разберём, как выстроить под него повторяемый процесс.

Это реальный тип запроса. В наборе ответов наших студентов на вопрос «какую рабочую задачу вы хотели бы ускорить с помощью ИИ» набралась целая группа про ресёрч: найти магазины машинной пряжи в Европе, проанализировать мировой объём продаж картофеля, собрать кейсы применения ИИ в нефтегазе, провести анализ конкурентов по узкому промышленному оборудованию, систематизировать нормативную базу проекта и подтягивать по ней новости. Общую картину всех 40 запросов мы разобрали в отдельном материале – ресёрч занял там заметное место. Запросы из разных миров, но боль одна – собрать информацию о рынке, которой у тебя пока нет.

И ровно здесь ИИ опаснее всего. Когда он не знает ответа, он его не оставляет пустым. Он его сочиняет – уверенно, складно и в том же тоне, что и правду.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.

Это открывающий кейс исследования HBR, которое задаёт неудобный вопрос: если ИИ действительно повышает производительность, почему компании этого не видят? Глобальное исследование KPMG и Мельбурнского университета – более 48 тысяч респондентов – нашло ответ: 57% сотрудников признаются, что скрывают, как используют ИИ на работе.

52% руководителей в компаниях, использующих генеративный ИИ, уже запустили AI-агентов в продакшен. Не пилотируют. Не тестируют. Работают. Это данные из отчёта Google Cloud «AI Agent Trends 2026» – опрос 3 466 руководителей по всему миру, проведённый совместно с Google DeepMind.

Цифра выглядит впечатляюще, но стоит вспомнить, кто её сообщает. Google – крупнейший продавец облачной инфраструктуры для агентов. Их мотивация – показать, что будущее уже наступило, и вам пора покупать Vertex AI. Это не делает данные бесполезными, но требует более внимательного чтения.