LLM-wiki: разборы и заметки

ИИ меняет экономику процесса: что это значит для малого бизнеса

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

Про ИИ часто спорят в терминах «заменит — не заменит». Более полезный вопрос звучит иначе: что происходит с экономикой конкретного процесса, когда в него приходит ИИ? Не с картинкой, не с текстом — с себестоимостью, сроками и порогом входа. Разберём на реальных кейсах из практики студии wave.

Кейс: десятки тысяч фотографий автомобилей

К нам пришёл стартап по продаже автомобилей из-за границы. Нужны были изображения машин — в едином стиле, в хорошем качестве, в большом количестве. Старый способ — искать по стокам, выкупать или организовывать съёмку — на таком масштабе не сходился ни по деньгам, ни по срокам.

Мы попробовали генерацию. Сначала это был просто эксперимент: некоторые модели машин приходилось точечно дообучать, потому что нейросети плохо знали новые автомобили. Но эксперимент сработал — в итоге мы сделали десятки тысяч изображений.

Главный вывод из этого кейса не про картинки.

ИИ изменил не картинку, а экономику процесса: проект, который не сходился в деньгах, начал сходиться.

Та же логика — в фото и видео

За два года путь выглядел так. Сначала стоковые фото покупали и отправляли фотографу как референсы. Потом референсы начали генерировать — так быстрее объяснить идею. Теперь всё чаще можно генерировать финальные изображения: реализм появляется из деталей — микродетали, свет, несовершенства, элементы бренда.

С видео — продолжение той же логики: первый кадр, последний кадр, движение между ними. Раньше для рекламного ролика собирали виртуальную студию — сцену, свет, камеру, материалы. Логика процесса осталась похожей, но часть работы делает ИИ, и это снова меняет смету.

Быстрее думать, а не только производить

Экономика меняется не только в производстве картинок. Инструменты вроде NotebookLM позволяют загрузить пачку документов и за день получить базовый контекст новой области: главные источники, споры, показатели, которые стоит отслеживать. То, что раньше требовало недели чтения или найма консультанта, стало вечерней задачей. А из тех же документов можно собрать подкаст и слушать по дороге.

Почему это только половина истории

Заметьте, что объединяет все примеры выше: это разовые задачи. Картинка, ролик, анализ темы, подкаст. Сделал — забрал результат — закрыл чат.

Бизнесу же важнее другое: деньги, обязательства, клиенты, история решений. Кому мы должны и кто должен нам. Почему год назад отказались от той услуги. Что обещали клиенту в переписке в марте. Обычный ИИ здесь не помогает — он каждый раз начинает с нуля и ничего о вашей компании не знает.

Чтобы ИИ менял экономику не отдельных задач, а работы компании в целом, ему нужна память: собранные и структурированные знания бизнеса. После каждой задачи знания должны оставаться в системе — тогда компания становится умнее с каждым днём, а не начинает каждое утро заново.

Как это устроено — на страницах «Цифровая память» и «Что такое LLM-wiki». А проверить на своём бизнесе можно за вечер по быстрому старту.

Раньше мы сокращали путь от задачи до результата для человека. Теперь мы сокращаем путь от знания компании до действия ИИ.

Разбор написан по мотивам лекции «ИИ без сложностей» (Новороссийск, июнь 2026).

Почему ИИ плохо отвечает без контекста компании

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

Типичная история: владелец бизнеса открывает нейросеть, спрашивает «как мне увеличить продажи» — и получает список из десяти пунктов, который подошёл бы и кофейне, и заводу, и юридической фирме. Вывод владельца: «ИИ — болтовня для презентаций». Вывод неверный, а вот опыт — показательный.

Механика проблемы

Нейросеть обучена на гигантском объёме общедоступных текстов. Она знает, как «в среднем по миру» устроены продажи, маркетинг и склады. Но она не знает — и не может знать — что:

половина вашей выручки приходит от трёх клиентов;
в ноябре у вас пик, а в феврале провал;
менеджер Оля закрывает сделки вдвое лучше остальных;
прошлую акцию вы уже пробовали, и она провалилась.

Отвечая без этих данных, модель честно выдаёт среднее по больнице. Это не глупость — это отсутствие исходных данных. Тот же консультант-человек без брифа ответил бы так же обтекаемо.

«Так я же ему рассказал»

Второй типичный шаг: владелец описывает бизнес в чате, и ответы правда становятся лучше. Но у этого подхода два потолка. Первый: в новом разговоре всё надо рассказывать заново. Второй: по памяти рассказывается малая часть — цифры, история решений, детали договорённостей в пересказ не попадают.

Чем важнее вопрос, тем больше контекста он требует — и тем менее реально надиктовать этот контекст вручную.

Что меняет цифровая память

Цифровая память — это когда контекст компании подготовлен заранее: знания собраны в структурированные файлы, с которыми нейросеть работает напрямую. Вопрос «как увеличить продажи» превращается в разговор по существу: модель видит вашу выручку по месяцам, ваших клиентов, ваши прошлые попытки — и отвечает про ваш бизнес, а не про средний.

Разница ощущается сразу и лучше всего видна на конкретных вопросах: «подготовь меня к встрече с клиентом X», «почему упала маржа в марте», «собери КП по образцу трёх лучших». На такие вопросы ИИ без памяти не отвечает вообще, а с памятью — отвечает по делу со ссылками на источники.

Проверьте на своём бизнесе

Что такое контекст с технической стороны — в уроке учебника. Как выглядит цифровая память у бизнесов, похожих на ваш, — в примерах.

Зачем бизнесу цифровая память в эпоху ИИ-агентов

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

Про ИИ-агентов сейчас говорят все: помощники, которые сами готовят отчёты, отвечают клиентам и ведут документы. Обещания звучат громко, и им хочется то ли верить, то ли не верить. Правда, как обычно, посередине — и она конкретнее, чем кажется.

Что меняется на самом деле

Агенты действительно умеют работать: читать файлы, искать, писать документы, доводить задачи до конца. Технология есть. Но у неё есть тихое условие, о котором реже говорят в рекламе: агенту нужно, на что опираться.

Спросите любую нейросеть про ваш бизнес — и получите вежливые общие слова. Не потому, что она глупая, а потому, что она ничего о вас не знает. Знания вашей компании ей недоступны: они в чатах, в почте, в таблицах и в головах.

Неудобная правда про «внедрение ИИ»

Компании, разочаровавшиеся в ИИ, почти всегда проходят один и тот же путь: подключили умный инструмент → задали вопросы → получили банальности → решили, что «ИИ пока сырой». Инструмент ни при чём. Ему дали задачу без контекста — как новому сотруднику в первый день выдали компьютер и потребовали стратегию.

Автоматизация хаоса даёт автоматизированный хаос — быстрее и увереннее прежнего.

Что такое цифровая память

Цифровая память — это знания компании, собранные в понятную структуру: клиенты, проекты, решения, правила, цифры, выводы. Не «папка с документами», а порядок, в котором ИИ (и человек) быстро находит нужное и понимает, чему верить.

Собирается она проще, чем звучит: обычные папки и текстовые файлы, три слоя — исходники, страницы-конспекты и правила для ИИ. Подробно мы разбираем это в учебнике, а на живых примерах — в разборах для разных бизнесов.

Почему начинать стоит сейчас

Не потому, что «все побежали». Причины прозаичнее:

Память накапливается медленно. Начатое сегодня через год станет активом.
Это полезно даже без ИИ. Порядок в знаниях сам по себе решает проблемы: ввод новичков, передача дел, потеря знаний с уходом людей.
Инструменты дозрели. Год назад ведение такой базы требовало энтузиазма. Сейчас рутину — прочитать, разложить, обновить — делает сама нейросеть.

База, начатая сегодня, через год станет активом, который не купить и не скопировать.

С чего начать

Чем база знаний для ИИ отличается от базы знаний для людей

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

«У нас уже есть база знаний» — частый ответ, когда речь заходит о цифровой памяти. Обычно имеется в виду корпоративный портал или wiki для сотрудников. Это хорошая вещь, но база для людей и база для ИИ устроены по-разному. Разберём отличия — их пять.

1. Формат: страницы против файлов

База для людей живёт в интерфейсе: красивые страницы, вложения, встроенные видео. База для ИИ — это файлы, которые модель читает напрямую, без API и конвертации. Проще всего — markdown: разбор, почему именно он.

2. Структура: навигация против контекста

Для человека главное — найти страницу за три клика. Для нейросети — чтобы страница была самодостаточной: у модели нет «трёх кликов», ей передают конкретные файлы. Отсюда правила: одна тема — один файл, явные даты, факты списками и таблицами, а не намёками в длинном тексте.

3. Достоверность: доверие против проверяемости

Человек, читая внутреннюю wiki, интуитивно чувствует, что устарело. Нейросеть — нет: она одинаково уверенно перескажет и актуальный регламент, и черновик трёхлетней давности. Поэтому в AI-ready базе каждый факт ссылается на источник, устаревшее явно помечено, а противоречия отлавливаются регулярной проверкой (как это устроено).

4. Полнота: «и так понятно» против «написано — значит есть»

Базы для людей полны неявного знания: «согласовать как обычно» — все же знают, как обычно. ИИ не знает. База для ИИ требует выписать очевидное: что значит «как обычно», кто такой «Сергеич из логистики». Это скучно ровно один раз — зато потом этим пользуются и нейросеть, и каждый новый сотрудник.

5. Поддержка: энтузиазм против процесса

Корпоративные wiki умирают от того, что вести их людям лень. В AI-ready базе рутину ведёт сама нейросеть по записанным правилам, а человек проверяет. Это не гарантия жизни базы — но впервые за историю корпоративных wiki уравнение сходится: поддержка стоит часы в месяц, а не часть ставки.

Хорошая новость

База, сделанная удобной для ИИ, оказывается удобной и для людей. Самодостаточные страницы, явные даты, выписанное «очевидное», ссылки на источники — новый сотрудник скажет за это спасибо не меньше нейросети.

Поэтому вопрос «делать базу для людей или для ИИ» — ложный выбор.

Делайте базу для ИИ — люди получат её бесплатно.

С чего начать — в быстром старте, как это выглядит у реальных бизнесов — в примерах.

LLM-wiki простыми словами: библиотека вместо склада

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

Представьте два способа хранить бумаги.

Склад: коробки до потолка. Всё где-то есть, но попробуй найди. Когда нужен документ, вы отправляете кладовщика, и он приносит стопку «похожего» — разбирайтесь сами.

Библиотека: полки, каталог, конспекты. Каждая книга на месте, у каждой — карточка. Библиотекарь не просто приносит книгу — он говорит: «Вот страница, где это уже собрано, вот источники».

LLM-wiki — это второй способ, применённый к знаниям компании или человека. С одной поправкой, которая всё меняет: библиотекарь — нейросеть.

Как это работает

У базы три части. Исходники — документы как есть, их никто не трогает: это архив и источник правды. Wiki — страницы-конспекты, которые нейросеть собирает из исходников: про каждого клиента, каждый проект, каждое правило. Инструкция — файл с правилами, по которым нейросеть всё это ведёт: куда складывать, как называть, что помечать устаревшим.

Приходит новый документ — нейросеть читает его, обновляет нужные страницы, поддерживает ссылки и записывает в журнал, что сделала. Задаёте вопрос — она отвечает по страницам wiki, со ссылками на оригиналы.

Почему не сделать это без ИИ

Делали — это называлось «корпоративная wiki», и почти везде она умерла. Причина одна: вести её людям лень. Конспектировать, обновлять перекрёстные ссылки, помечать устаревшее — работа нужная, но бесконечная и скучная.

Рутину, которая убивала все корпоративные wiki, теперь делает машина.

Нейросеть не устаёт и не забывает обновить ссылку. Человеку остаётся то, что умеет только он: решать, что важно, и проверять результат.

Почему это набирает силу

Идею описал Андрей Карпаты, а Google уже превратила её в открытый стандарт OKF — подробности в первоисточниках. Но сила подхода не в громких именах, а в том, что попробовать можно за вечер: папка, несколько файлов, любой ИИ-ассистент.

Как именно — в быстром старте. Что такое LLM-wiki подробнее — в полном объяснении.

Почему markdown снова стал важен

Миша Зорин — Thu, 02 Jul 2026 00:00:00 GMT

Markdown придумали в 2004 году как способ писать для веба без HTML. Двадцать лет он тихо жил в мире программистов. А потом случилась странная вещь: в эпоху самых сложных технологий в истории — больших языковых моделей — главным форматом знаний оказался самый простой: текстовый файл с решётками и звёздочками.

Что произошло

Осенью 2025-го Андрей Карпаты описал паттерн LLM Wiki: базу знаний из markdown-файлов, которую ведёт нейросеть. Летом 2026-го Google формализовала этот паттерн в открытый стандарт OKF — Open Knowledge Format: знания как директории markdown-файлов с небольшими YAML-паспортами. Оба документа мы разбираем на странице первоисточников.

Почему именно markdown

Причины скучные — и потому убедительные:

Нейросети читают его напрямую. Docx — это архив с XML внутри, Notion — база данных за API. Markdown — просто текст: модель видит его так же, как человек, вместе со структурой заголовков и списков.

Он ничей. Файлы лежат у вас: не изменятся тарифы, не закроется сервис, не пропадёт доступ из вашей страны. Для памяти компании, рассчитанной на годы, это не мелочь, а главное требование.

Он версионируется. Текстовые файлы дружат с системами контроля версий: видно, кто, что и когда поменял. Для базы, которую редактирует ИИ, это критично — любое изменение можно просмотреть и откатить.

Его хватает. Заголовки, списки, таблицы, ссылки. Девяносто пять процентов знаний компании укладываются в эти четыре конструкции.

Урок для тех, кто выбирает инструменты

Из этой истории следует практичный вывод:

Не начинайте цифровую память с выбора платформы. Начните с файлов: инструмент исчезнет — файлы останутся.

Платформа — это то, от чего потом больно отвязываться. Если завтра появится инструмент лучше — ваши markdown-файлы он прочитает.

Как писать markdown, удобный и людям, и нейросетям, — в уроке учебника. А готовые структуры — в шаблонах.