Они только что раскрыли свой внутренний процесс становления ИИ-инженерами по развертыванию (AI FDE)
AAI LABS
Computing/SoftwareManagementJob Search
Transcript
00:00:00если вы умеете пользоваться ИИ, прямо сейчас перед вами открывается огромная возможность, и
00:00:04что интересно, несмотря на то, что это одна из самых востребованных компаниями ролей, они с трудом могут
00:00:09найти хоть кого-то, кто способен это делать; эта возможность называется «инженер по внедрению» (FDE), и
00:00:14дело не в том, что эту работу сложно освоить, просто люди вообще не знают о существовании такой роли,
00:00:19и за последний месяц эта роль приобрела такое значение, что руководители
00:00:24этих команд в OpenAI, Anthropic и Cursor выступили с докладами на этот счет, и вам не
00:00:29обычно удается услышать ничего подобного, потому что они разбирают реальные проекты внутри реальных
00:00:33компаний; поэтому мы изучили их все и выделили то, что вы можете применить на практике уже сейчас. Если
00:00:38вы впервые на канале, то добро пожаловать: мы — софтверная компания, и это AI Labs, где мы показываем,
00:00:43как оптимизировать бизнес с помощью ИИ, используя проверенные методы нашей собственной команды, и в этом видео мы
00:00:48разберем, что такое FDE, как крупные компании на самом деле выполняют эту работу и как вы можете начать
00:00:53заниматься этим самостоятельно. Но прежде чем переходить к чему-либо, давайте начнем с определения того, что такое FDE.
00:00:58Инженер по внедрению, или сокращенно FDE (Forward Deployed Engineer) — это по сути человек, чья главная задача заключается в том,
00:01:03чтобы заставить бизнес реально использовать ИИ. И это не значит приходить с советами или передавать какой-то
00:01:09документ со стратегией; это значит внедрить ИИ в уже используемые ими системы, чтобы работа,
00:01:14которую люди делали вручную, просто выполнялась ИИ вместо них, независимо от характера процесса.
00:01:20В любом процессе участвуют три составляющие: либо задачу выполняет человек, либо это программное обеспечение,
00:01:25которое следует жестким правилам, либо это ИИ. И FDE — это тот, кто действительно понимает, какая из
00:01:30этих трех составляющих должна обрабатывать конкретную задачу в процессе. Например, одна компания подключила агента к своим запросам
00:01:36на возврат средств, и на бумаге это работало: агент читал каждый запрос, сверял его с политикой возврата и отклонял
00:01:41те, которые не подходили под критерии. Но через несколько недель компания стала терять клиентов, с которыми работала
00:01:46годами, и никто не мог понять почему, потому что каждый отклоненный агентом возврат соответствовал правилам политики.
00:01:52Тогда FDE пошел и пообщался с сотрудником, который раньше выполнял эту работу, и выяснилось, что у них был собственный шаг,
00:01:57который нигде не фиксировался: они проверяли, как была оплачена покупка, и если товар был приобретен
00:02:02с корпоративной карты, они просто одобряли возврат, не читая дальше, потому что такие покупки совершают
00:02:06компании, закупающие каждый месяц, и споры из-за одного возврата грозят потерей аккаунта. В политике
00:02:11об этом ничего не говорилось — они выработали это правило сами много лет назад. Так что эта проверка была добавлена
00:02:16в рабочий процесс в качестве фиксированного правила перед любыми решениями модели. Теперь, когда вы работаете с людьми, возникает
00:02:22проблема: большинство из них не могут четко сформулировать свои потребности; они описывают то, что уже вообразили,
00:02:26вместо проблемы, с которой на самом деле сталкиваются. И это главная трудность при внедрении ИИ
00:02:31в бизнес. Вот почему: люди, которые непосредственно выполняют работу, всегда стремятся просто завершить ее,
00:02:36они хотят, чтобы результат получался как можно проще, они не анализируют сам процесс,
00:02:41поэтому очень сложно создать то, что они действительно будут использовать. Именно в таком положении сейчас находится
00:02:46большинство компаний: с тех пор как ИИ стал популярным, они пичкают им все подряд, даже не понимая,
00:02:51а нужен ли он им вообще. Вот почему все внезапно начали нанимать специалистов, способных
00:02:55разобраться с этим: количество вакансий на эту роль выросло на 729% за год. AWS вложила миллиард
00:03:02долларов в создание целого департамента инженеров по внедрению, а собственная команда FDE в OpenAI выросла
00:03:08с двух человек в январе до 39. И все это произошло стремительно, ведь три года назад
00:03:13FDE был почти никому не нужен, а теперь более сотни стартапов ищут таких специалистов только внутри Y Combinator,
00:03:19где зарождаются многие из сегодняшних крупнейших стартапов. Колин Джарвис руководит командой по внедрению
00:03:24в OpenAI, и он говорит, что хороших инженеров по внедрению на рынке очень мало, поэтому спрос
00:03:29опередил предложение специалистов. Прежде чем мы углубимся в эту роль, было бы здорово, если вы подпишетесь на
00:03:34канал и нажмете кнопку лайка: этот небольшой жест поддержки очень важен для нас. Итак, спрос есть,
00:03:40но это все еще не объясняет, почему FDE должна быть отдельной профессией, ведь инструменты — не самая сложная часть,
00:03:45их может подключить каждый, и у большинства компаний они уже есть. В прошлом году Массачусетский технологический институт провел исследование
00:03:51на этот счет: они изучили 300 проектов по внедрению ИИ и опросили сотни сотрудников в компаниях,
00:03:56которые их запускали, и обнаружили, что 95% этих проектов не принесли никакой измеримой отдачи вообще. И вывод самого
00:04:03МТИ заключался в том, что причиной неудач были сами компании, а не модели. Те, кто не получил ничего,
00:04:08использовали стандартные инструменты, которые отлично выглядели в презентациях, но разваливались, как только их применяли к
00:04:13реальной работе, и ничто из созданного вокруг этих инструментов так и не поняло, как устроен их бизнес. Между тем,
00:04:18Васуман Моза зарабатывает на жизнь именно этим: он был инженером в Meta, а теперь его компания внедряет ИИ
00:04:24в крупные компании, выступая по сути в роли FDE. Так что он вблизи наблюдал крах множества таких проектов
00:04:30и говорит, что ИИ просто налезают поверх сломанных процессов, потому что никто предварительно не изучает
00:04:36сам процесс. Один топ-менеджер, с которым он общался, сжег бюджет в 10 миллионов долларов за три месяца,
00:04:41хотя он был рассчитан на год: его компания просто раздала инструменты всем сотрудникам и пустила все на самотек,
00:04:46поэтому каждый запустил то, что посчитал нужным, деньги утекли, и ничто из этого не улучшило показатели бизнеса в том,
00:04:51что он уже делал. И причина, по которой эта работа должна быть для кого-то полноценной должностью, заключается в том,
00:04:56что никто внутри компании не станет этим заниматься: у инженеров свои задачи,
00:05:00а люди, управляющие процессами, делают это так долго, что временные обходные пути кажутся им совершенно нормальными.
00:05:05Palantir потеряла целый год из-за одного такого обходного пути: переход на новый формат файлов
00:05:10застопорился, потому что один инженер постоянно твердила, что новый формат хуже, и никто не мог понять почему,
00:05:15пока кто-то не понаблюдал за ее работой. Оказалось, она проверяла данные,
00:05:20открывая файлы двойным кликом, а в новом формате не было ничего, на что можно было бы кликнуть дважды; поэтому команда в тот же вечер
00:05:26создала для нее инструмент, позволяющий открывать новые файлы привычным образом, и через два дня она одобрила переход.
00:05:31Вот почему стоит иметь специалиста, чья единственная обязанность — во всем этом разобраться, прежде чем что-либо
00:05:36создавать, поскольку альтернатива — это пустая трата средств и усилий. Многие крупные компании, такие как
00:05:42Anthropic и OpenAI, недавно выступали с рассказами о том, как они подходят к этому процессу изнутри.
00:05:47Мы обобщили лучшие из этих выступлений и при их анализе обнаружили, что одни и те же паттерны постоянно проявляются
00:05:52в каждом рабочем процессе. Первый шаг — выбрать процесс, который реально обходится бизнесу в копеечку,
00:05:57а в контексте ИИ это в основном означает объемы. Вы ищете сотрудника, который обрабатывает
00:06:02однотипные сообщения по 50 раз на день, потому что автоматизация одного сообщения ничего никому не дает, а вот автоматизация
00:06:08рассылки сообщений тысячу раз в неделю — это то, что действительно повышает продуктивность и доходы бизнеса.
00:06:13Эту задачу сейчас легко найти, так как у бизнеса уже есть вся его история в архивах техподдержки:
00:06:19вы загружаете их в модель, и она указывает, где сосредоточены объемы. Команда OpenAI проделала
00:06:24ровно это в одном из крупнейших банков мира: они взялись за ту самую задачу, которую тысячи
00:06:29консультантов выполняли ежедневно, и около 98% из них в итоге начали использовать созданное решение. Второй шаг — строить
00:06:35поверх того, чем бизнес уже пользуется, и с ИИ это гораздо важнее, чем раньше,
00:06:40потому что ценность агента определяется тем, до чего он может дотянуться. Поэтому, если команда уже ведет всю работу в Notion,
00:06:45вы не создаете им отдельную систему и не переносите туда все данные только ради того, чтобы агенту было проще их читать,
00:06:50вы подключаете агента к их Notion через MCP, и все продолжают работать в привычном режиме.
00:06:56Именно так большинство из них и поступает, поскольку они не хотят отказываться от системы, в которую уже вложили
00:07:00массу времени и денег. Один из клиентов Мозы потратил 5 миллионов долларов и 5 лет на переход на свою финансовую систему,
00:07:05поэтому об отказе от нее не могло быть и речи; вся задача заключалась в том, чтобы заставить
00:07:10все остальное в компании взаимодействовать с ней. Третий шаг — не менять привычный уклад работы сотрудников сильнее,
00:07:16чем это необходимо. Если человек годами выполнял 11-шаговый процесс, а вы предлагаете ему одношаговую версию,
00:07:21он перестает ею пользоваться: раньше он проверял работу по ходу дела, а теперь промежуточный этап исчез,
00:07:26и от него требуют довериться внезапно появившемуся ответу. Поэтому Моза советует оставлять процесс
00:07:31визуально знакомым: пусть агент выполняет работу внутри каждого шага, но сами шаги остаются на месте,
00:07:35чтобы у людей были привычные ориентиры, позволяющие убедиться в правильности ответа.
00:07:40И последний шаг — закладывать на завоевание доверия гораздо больше времени, чем на разработку. В том же банке
00:07:45техническая часть силами OpenAI была завершена за 6-8 недель, после чего потребовалось еще четыре месяца
00:07:50пилотных запусков и тестирования, прежде чем консультанты реально начали на него полагаться, ведь если вы делаете
00:07:55что-то изо дня в день так же, как делали весь последний год, любые изменения в этом процессе должны
00:08:00заслужить право на существование, независимо от того, внедряете вы это для 5000 человек или для пяти. Но прежде чем идти дальше,
00:08:05давайте скажем пару слов о нашем спонсоре — Dex AI, агентстве талантов для софтверных инженеров. У вас нет недостатка
00:08:10в возможностях, вам не хватает правильных. Лучшие вакансии никогда не публикуются открыто — они достаются тем,
00:08:15кто находится внутри сети контактов. Dex исправляет это: сервис работает исключительно в ваших интересах, это не доска объявлений и не рекрутер,
00:08:20а инсайдер, который приводит вас куда нужно. Я попробовал его сам: вы один раз описываете Dex свою работу и пожелания (честно говоря,
00:08:25меня покорил сам диалог — он задает правильные вопросы и понимает, что вам нужно), а затем он делает всю работу:
00:08:30никаких откликов и скрининга рекрутерами. Dex возвращается с коротком списком проверенных вакансий от стартапов вроде
00:08:36Linear и Atio с зарплатой в среднем более 150 000 долларов. Каждая вакансия подобрана вручную под ваш профиль, а не отобрана ботом.
00:08:43Вы получаете прямой контакт с нанимающей командой и информацию о зарплате сразу; путь от рекомендации до оффера занимает в среднем 29 дней против 55 на досках объявлений.
00:08:49Для инженеров это бесплатно, так что хватит рассылать резюме — пора знакомиться с нужными людьми. Ищите Dex по ссылке в закрепленном
00:08:55комментарии. Итак, вот как крупные компании внедряют ИИ в бизнес. Если вы хотите провернуть
00:09:00это самостоятельно, дорожная карта состоит из пяти шагов, и первый из них выполняется до того, как вы начнете что-либо строить.
00:09:06Сначала вам нужно понаблюдать за тем, как реально выполняется работа, и записать каждый отдельный шаг в порядке его
00:09:11фактического совершения. Затем нужно спросить, почему каждый из этих шагов делается именно так, и если никто не может дать
00:09:16вам конкретную причину, это, как правило, обходной путь, внедренный много лет назад, в целесообразности которого с тех пор никто не сомневался.
00:09:21Второй шаг — решить, какие части этого процесса действительно должны быть отданы под ИИ, а какие
00:09:26нет. Ведь если вы переложите на модель весь процесс целиком, то гарантированно окажетесь в числе тех 95%
00:09:32провалившихся ИИ-проектов, которые ничего не принесли. Поэтому вам нужно пропустить каждый записанный шаг через три
00:09:38фильтра. Первый: следует ли этот шаг жесткому правилу и должен ли результат быть безупречным каждый
00:09:43отдельный раз? Если да, он остается обычным ПО и не нуждается в автоматизации силами ИИ.
00:09:48Второй: должен ли кто-то изучать неструктурированные данные и принимать по ним экспертное решение? Ведь именно для этого
00:09:53предназначена модель. Третий: каковы издержки ошибки? Если ошибаться
00:09:58слишком дорого, этот шаг остается за человеком, даже если модель технически способна его выполнить. Выполнив
00:10:03это, вы почти никогда не обнаружите, что весь процесс должен управляться ИИ: некоторые шаги остаются обычным софтом,
00:10:08некоторые переходят к модели, а некоторые остаются за человеком. В примере Мозы с восьмишаговым процессом четыре шага
00:10:14в итоге выполнялись автономно, еще три — с проверкой результатов человеком перед отправкой куда-либо,
00:10:19а последний остался полностью человеческим. Причина, по которой этот шаг остался чисто человеческим, заключается в том,
00:10:24что это управленческое решение, на которое ИИ пока неспособен: либо стоимость ошибки слишком высока, чтобы делегировать ее,
00:10:29либо шаг возникает слишком редко, чтобы модель стоила хлопот. Третье: вам нужно
00:10:34проектировать систему с учетом возможных сбоев, а не только сценария, где все идет идеально. Моза говорит,
00:10:39что когда у чего-то есть лишь один путь к успеху, существует также тысяча путей к провалу,
00:10:44поэтому, если вы закладываетесь только на идеальный сценарий, ваша разработка ничего не стоит. В случае с ИИ это
00:10:50в основном означает обработку ситуаций, когда модель не уверена в ответах, но все равно выдает их, даже не имея понятия о предмете.
00:10:55Четвертое: необходимо убедиться, что система действительно работает, прежде чем подпускать ее к чему-то реальному.
00:11:00Модель каждый раз выдает немного другой ответ, даже если задавать ей один и тот же вопрос,
00:11:05поэтому, если протестировать систему всего пару раз, вы упустите те редкие моменты, когда она дает сбой.
00:11:09Вместо этого берутся реальные примеры из описанного вами процесса, где правильный ответ вам уже известен,
00:11:14система прогоняется по всем ним, подсчитывается количество верных ответов, а затем вы изучаете промахи и исправляете их.
00:11:20И наконец, вам нужно выразить в цифрах реальную ценность решения: вы должны быть способны доказать, принесло ли оно деньги,
00:11:25сократило ли издержки или снизило риски, поскольку ничто другое значения не имеет.
00:11:30В Cursor столкнулись с жалобой клиента на то, что агент обходится ему в две тысячи долларов в день. Когда они поинтересовались,
00:11:35что именно делает этот агент, оказалось, что он просто выбирает, какого инженера отправить на починку сломавшегося оборудования.
00:11:39Тогда они спросили его, во сколько ему обходится отправка не того специалиста, и эта сумма превышала две тысячи в день,
00:11:44так что он сразу согласился, ведь до этого он видел только затраты на агента и никогда — то, что он ему экономит.
00:11:49И эти пять шагов легли в основу создания внутреннего чат-бота в нашей собственной софтверной
00:11:54компании. Если вы смотрели наши прошлые видео, то знаете, что это по сути простой чат-интерфейс,
00:11:59который позволяет нетехническим сотрудникам нашей команды использовать Claude Code со всеми его возможностями.
00:12:03Мы создали его потому, что сотрудники отдела кадров и бухгалтерии — не инженеры, а все, что связано с Claude Code, предполагает обратное.
00:12:09Прежде чем Claude Code смог бы принести пользу в их работе, его пришлось бы связать со Slack, электронной почтой
00:12:14и остальными ежедневными инструментами, а настройкой такого рода никто из них заниматься бы не стал.
00:12:19Поэтому чат-интерфейс берет всю эту интеграцию на себя, а им достаточно просто написать то, что нужно.
00:12:24Но мы не бросились сразу что-то строить: наши инженеры сначала посидели вместе с сотрудниками HR и бухгалтерии,
00:12:29поскольку у разработчиков не было четкого понимания, как эти отделы проводят свои будни. Они потратили
00:12:34достаточно времени на работу с этими отделами, записали каждую рутинную задачу, выполняемую вручную,
00:12:39выяснили, какие из них модель может разумно взять на себя, и этот документ лег в основу разработки.
00:12:45Описанные процессы стали инструкциями для агентов и базой знаний, на основе которой чат-бот дает ответы.
00:12:50Затем мы передали первую версию обратно этим отделам для тестирования на реальных задачах,
00:12:54и они подтвердили, что это действительно экономит им время. Наконец, последний вопрос касается того,
00:12:59какими навыками нужно обладать, чтобы заниматься всем этим. Одна из компаний,
00:13:05нанимающих на эту роль, ищет специалистов, разбирающихся как в бизнес-процессах, так и в технологиях,
00:13:09причем в одной из областей у них должна быть глубокая экспертиза. Они отмечают, что бизнес-стороне можно обучить на рабочем месте,
00:13:15а технической — нет. Но для вас это, вероятно, работает наоборот, поскольку вам нужно сосредоточиться
00:13:20на бизнес-составляющей, ведь разработку теперь берут на себя агенты. И это нормально, так как один из топ-менеджеров Palantir
00:13:25говорит, что в этой роли терпит неудачу честный инженер, которому нужен код, способный прослужить 10 лет.
00:13:30Суть работы — быстро предоставить реальному пользователю что-то рабочее, но сырое, что и так выдает вам агент вроде Claude Code на первой итерации.
00:13:36Теперь, когда вы знаете, чем занимается FDE и как на самом деле выполняется эта работа, давайте посмотрим, что с этим делать.
00:13:41Начать стоит с наименьшего бизнеса, куда вы можете физически зайти: на вашей собственной работе или в компании знакомого.
00:13:47Вы спрашиваете руководителя, можно ли вам потратить час на то, чтобы посидеть рядом с человеком,
00:13:51выполняющим самую рутинную работу в компании, прямо во время процесса, а затем просто пройтись по пяти шагам на основе увиденного.
00:13:57То, что получается на выходе, называется аудитом, и это реальная услуга, за которую бизнес готов платить. Моза,
00:14:02который руководит такими ИИ-проектами в крупных компаниях, начинает абсолютно каждый из них с аудита до того, как что-либо построено,
00:14:07и утверждает, что первая фаза — это главный узел проблемы во всей работе.
00:14:12Именно это вы и демонстрируете людям, будь то при подаче заявки на вакансию FDE или при прямом питче бизнесу,
00:14:18ведь у вас на руках описание процессов реальной компании, шаги для делегирования ИИ
00:14:23и расчет ценности каждого из них в денежном выражении. Ну а для тех, кто хочет глубже погрузиться в роль FDE,
00:14:28у нас есть курируемые дорожные карты и руководства в нашем сообществе AI Labs Pro.
00:14:32Так что если вы нашли пользу в том, что мы делаем, и хотите поддержать канал, это лучший способ.
00:14:38Ссылки есть в описании. На этом наше видео подходит к концу; если вы хотите поддержать канал
00:14:44и помочь нам продолжать делать подобные ролики, вы можете сделать это с помощью кнопки Super Thanks ниже.
00:14:49Как всегда, спасибо за просмотр, и увидимся в следующем выпуске!
00:14:54и помогать нам продолжать выпускать подобные видео, вы можете с помощью кнопки Super Thanks ниже, как
00:14:59всегда, спасибо за просмотр, и до встречи в следующем выпуске!