Телеграм канал «Клуб CDO»

Пост с артефактами в комментариях 🙂

Поведение системы определяется её структурой, а не отдельными событиями. Хочешь другой результат — меняй структуру, а не пинай выходы.

Это ядро «Thinking in Systems» Донеллы Медоуз. Перечитал её на днях — за годы только обострилось.

Звучит банально ровно до того момента, пока не начинаешь честно считать, на что уходит время. План квартала не сходится — давим на сейлз. Команда выгорает — устраиваем тимбилдинг. Продукт буксует — добавляем фичи. Структуру никто не трогает, потому что её не видно. Видно только события.

В этот раз я решил не ограничиваться чтением. Сделал из книги рабочий инструмент:

• Claude собрал саммари ключевых идей в HTML
• ChatGPT нарисовал инфографику
• Claude написал промпт-фреймворк для разбора любой системы по Медоуз: её циклы, петли обратной связи, точки рычага

Положил этот промпт в своего персонального ассистента как skill и прогнал через него пару своих проектов. Получил пищи для размышления на неделю вперёд: несколько мест, где я годами пинал выходы, оказались прямым следствием структуры, которую я сам же и собрал.

Сам учебник пересказывать смысла нет — это нужно читать. А вот артефакты, которые помогут применить идеи Медоуз к вашей системе, — все три в комментариях.

Забирайте 🙂

Пост с артефактами в комментариях 🙂

Поведение системы определяется её структурой, а не отдельными событиями. Хочешь другой результат — меняй структуру, а не пинай выходы.

Это ядро «Thinking in Systems» Донеллы Медоуз. Перечитал её на днях — за годы только обострилось.

Звучит банально ровно до того момента, пока не начинаешь честно считать, на что уходит время. План квартала не сходится — давим на сейлз. Команда выгорает — устраиваем тимбилдинг. Продукт буксует — добавляем фичи. Структуру никто не трогает, потому что её не видно. Видно только события.

В этот раз я решил не ограничиваться чтением. Сделал из книги рабочий инструмент:

• Claude собрал саммари ключевых идей в HTML
• ChatGPT нарисовал инфографику
• Claude написал промпт-фреймворк для разбора любой системы по Медоуз: её циклы, петли обратной связи, точки рычага

Положил этот промпт в своего персонального ассистента как skill и прогнал через него пару своих проектов. Получил пищи для размышления на неделю вперёд: несколько мест, где я годами пинал выходы, оказались прямым следствием структуры, которую я сам же и собрал.

Сам учебник пересказывать смысла нет — это нужно читать. А вот артефакты, которые помогут применить идеи Медоуз к вашей системе, — все три в комментариях.

Забирайте 🙂

https://www.amazon.co.uk/Thinking-Systems-Primer-Donella-Meadows/dp/1603580557/

🚀 Открываем приём заявок на Лето с AIRI 2026!

Юбилейная Летняя школа по искусственному интеллекту пройдёт в Первом университетском лицее имени Н.И. Лобачевского при МГУ в городе Усть-Лабинск, Краснодарский край. Даты проведения — с 21 июля по 4 августа.

На школе вы сможете лично пообщаться с известными учёными в области ИИ и найти единомышленников, зарядиться вдохновением и получить новые знания для будущих исследований. В программе — лекции, семинары, постерная сессия, работа над проектами и, конечно, внеучебные активности.

Подать заявку на участие можно по ссылке до 24 мая включительно.

Обучение, питание и проживание обеспечивают организаторы — на вас только транспортные расходы.

Подавайте заявки и делитесь постом с друзьями и коллегами!

ИИ-риск это не отдельная категория в risk register. Это сквозной слой через всю компанию. APRA (Австралийский регулятор) в конце 2025 они провели deep-dive по крупнейшим игрокам, в апреле 2026 опубликовали выводы. Главный - ИИ внедряется быстрее, чем созревает управление им. Советы директоров с энтузиазмом одобряют слайды от вендоров, но не имеют ни грамотности, ни инструментов задать правильный вопрос. Кибербезопасность не успевает за новой поверхностью атак: prompt injection, утечки через интеграции, манипуляция автономными агентами, identity-management, не рассчитанный на нечеловеческих акторов.

APRA перечисляет, какие домены организации одновременно затрагивает ИИ-риск: операционный риск, кибер- и информационная безопасность, управление данными, модельный риск, контроль изменений и релизов, правовое и нормативное соответствие, конфиденциальность, профессиональное поведение, закупки, зависимость от третьих сторон.

Минимум, который APRA ожидает выстроить:

• Нормативные рамки: политики, стандарты, руководящие принципы и линии отчётности
• Ответственность за весь жизненный цикл ИИ — от проектирования до вывода из эксплуатации
• Инвентарь моделей и use-cases
• Человек в петле для высокорисковых решений
• Обучение сотрудников

Главный месседж APRA - перестаньте относиться к ИИ как к очередной технологии. Это другой класс систем: вероятностный, обучающийся, деградирующий со временем, с нечеловеческой агентностью. Sample-based аудит здесь не работает. Нужен непрерывный мониторинг и интегрированная гарантия по нескольким доменам сразу.

В общем следует ожидать больше регулирования и надзора.

https://www.apra.gov.au/apra-letter-to-industry-on-artificial-intelligence-ai

Anthropic научил агентов «спать»

https://zenvanriel.com/ai-engineer-blog/claude-code-autodream-memory-consolidation-guide/

В новую эпоху GenAI и LLM данные стали еще более ценным и важным ресурсом от которого зависит качество работы агентов.

Разница лишь в том, что раньше экспертиза и участие в процессе человека компенсировала недостаток качества данных, а ИИ, наоборот, каждую ошибку в данных может усилить и экстраполировать не задавая вопросов и не испытывая сомнений.

Раньше между сырой таблицей и бизнес-решением всегда стоял аналитик. Он знал, что в этой таблице выручка считается без возвратов, а в той - с возвратами. Помнил, что финансовый квартал кончается 28-го, а не 30-го. Умел сказать «это число выглядит странно, давайте перепроверим». Его экспертиза компенсировала кривизну данных.

LLM-агент таким фильтром не является и не будет. Он не сомневается, не спрашивает коллегу, не перепроверяет. Берёт первую правдоподобную таблицу с похожим названием, пишет правдоподобный SQL, возвращает уверенный ответ. С отличным форматированием и без единого вопроса.

В этом разборе Modern Data 101 хорошо показаны пять точек отказа на тривиальном вопросе «какой был рост выручки в прошлом квартале»: определение выручки, определение квартала, выбор источника среди трёх таблиц с одинаковым именем, актуальность данных, аудируемость ответа. Аналитик прошёл бы через эту же мину и заметил все пять. Агент проедет, не моргнув.

Автор статьи, конечно, ведёт к своему продукту - он сооснователь компании, делающей платформу для тех самых дата-продуктов, которые он рекомендует строить. Понятный интерес. Но диагноз эпохи от этого интереса не зависит: проблема enterprise AI - это не проблема моделей. Модели за прошлый год выросли драматически, и проблема не ушла. Слой компенсации между данными и решением исчез, а слой источника никто не починил. Раньше можно было держать данные в относительно сыром состоянии, потому что между ними и реальностью была человеческая экспертиза. Теперь так нельзя.

Хороший повод вернуться к скучным разговорам про data quality, контракты, lineage и семантический слой. Не потому что это модно, а потому что без этого автоматизация превращается в автоматизацию ошибок.

https://moderndata101.substack.com/p/data-products-the-essential-context