Розмова з Лю Є: OpenClaw - це лише «кінцівки», нам потрібно перейти від «цифрових працівників» до «цифрових організацій», від «створення військових» до «розстановки військ»

Діалог｜Чжан Пеньг

Коли всі масово починають розробляти «цифрових співробітників» та інструменти Agent, і в деталізованих сценаріях безперервно змагаються, де насправді знаходиться справжня захисна стіна AI-стартапів?

Нещодавно засновник і президент Geek Park Чжан Пеньг разом із засновником VisionFlow Люй Єй після вибуху OpenClaw провели дискусію про подальший розвиток. Як перше покоління китайських програмістів, народжений у 1979 році, Люй Єй пройшов повний цикл — від низькорівневого апаратного забезпечення до програмного забезпечення, від корпоративної інтеграції (ToB) до онлайн-освіти (індустріальний інтернет). Після кількох місяців закритого дослідження з провідними дослідниками глобальних AI-компаній і топ-стартаперами країни, він зробив холодний висновок: сприймати AI як «цифрового співробітника» для заміни окремих завдань — це надмірне спрощення реального бізнесу з точки зору інженерного мислення.

У цій розмові Люй Єй висловив низку натхненних концепцій і рамок, таких як «послідовне розкриття» та «матриця високих і низьких рівнів завдань». У процесі обговорення поступово сформувалася ідея: наступний крок AI — це не безконтрольне створення інструментів, а побудова «цифрової організації», яка має механізми співпраці, звітності та рефлексії. Коли корпоративна культура стане необов’язковою, а низькорівневі завдання — повністю автоматизованими, майбутній CEO, можливо, вже не буде «генеральним директором», а стане «продюсером» з надзвичайним смаком.

Це дослідження організаційної форми епохи AI, бізнесових бар’єрів і нової екосистеми підприємців. Сподіваємося, воно спровокує глибші дискусії серед майбутніх стартаперів.

Нижче — короткий виклад діалогу, підготовлений Geek Park:

01 Війна за мільярд A вже почалася, можливостей багато,

але що саме важливо робити?

Чжан Пеньг: Від «作业盒子» до сьогоднішнього захоплення дослідженнями змін, які приніс OpenClaw, — які зміни ви особисто пережили?

Люй Єй: Я — представник першого покоління китайських програмістів, з дитинства вивчав програмування. Пройшов шлях від BASIC до DOS, потім Windows і сучасного Mac. Свідок зростання трьох головних порталів. Працював у сфері інформаційних технологій для підприємств, мріяв зробити китайський IBM; потім перейшов до «作业盒子», глибоко залучений у онлайн-освіту. Це дуже глибока індустрія — вершина індустріального інтернету і «останній вагон». Цей досвід показав мені, що ядро індустріального інтернету — не технології, а сама галузь, бізнес. Закон індустріального інтернету — спершу інформаційне співставлення, потім стандартизовані продукти, далі — ланцюги постачання, і нарешті — складні послуги без стандартів. Чим далі, тим вищий маржінал і складність.

Тому, коли прийшла хвиля AI, перше, що я зробив — майже півроку нічого не робив, щоб HR обговорили з усіма можливими кандидатами. Від головних науковців провідних стартапів до ключових алгоритмів і дослідників великих компаній, а також нових AI-стартаперів — все обговорювали, накопичили майже тисячу годин спілкування. До якої міри? Що на початку я вже знав, що скажуть співрозмовники, ще до того, як вони закінчать фразу. Усі вже майже погодилися.

Після кількох раундів обговорень висновок був приголомшливий: всі роблять одне й те саме — створюють «цифрових співробітників». Це нагадало мені стратегічну помилку одного великого гравця щодо хмарних обчислень: він казав, що Alibaba робить хмари, по суті, — це просто хмарне сховище. Використовувати старі рамки для розуміння нових речей — означає бачити лише поверхню.

Зараз усі вважають, що створити цифрового співробітника — це просто написати «цифровий продаж» або «цифровий сервіс» на Claude. В чому бар’єри? В чому захисна стіна? Коли один день компанія спалює мільярди токенів — це вже більше схоже на виробництво, і воно не може швидко злетіти. Тому я ставлю одне й те саме питання кожному стартаперу: Чому ти? Чому ти можеш? Ти молодший? Ти розумніший? Ти здатний працювати ночами? Конкуренція за одним рівнем — це лише різниця між «10 секунд 69» і «10 секунд 70».

Чжан Пеньг: Так, сьогодні можливостей багато, але що саме потрібно робити — це найважливіше. У тебе є думки з цього приводу?

02 Десять років індустріального інтернету — сьогодні повторюється

Люй Єй: AI — зовсім інша сфера, але я вірю, що в ній все одно є схожі закономірності з індустріальним інтернетом. Спершу робимо інструменти, потім — бізнес, і в кінці — консалтинг. Коли технології ще не зрілі, перша хвиля — це інженери, які люблять надмірно абстрагувати світ, наприклад, Baidu з «фреймовими обчисленнями», вважаючи, що все — це рамки. Але друга половина мобільного інтернету — це контент і послуги, а не рамки.

Інженери, що походять із цієї сфери, часто надмірно спрощують уявлення про організацію. Подивіться на перше покоління інтернет-порталів — найуспішнішими були Tencent і Alibaba, які були трохи далекими від технологій, але близькими до індустрії. Те саме і сьогодні: технології стають дедалі менш важливими.

Чжан Пеньг: Ця хвиля «літераторів» — це радість, бо їм не потрібно писати код. Але що довше, то більше змінюється — якими будуть вимоги до людей в епоху AI? Що змінюється?

Люй Єй: У Китаї структура талантів має проблему. Перше покоління програмістів — це були продукт-менеджери, бо тоді ще не було такої посади. Визнання продукт-менеджера почалося близько 2010 року, після презентації iPhone 4 Джобсом і концепції продукту від Цзянь Сяолун. До того програмісти виконували і функції продукт-менеджерів одночасно. Перші програмісти вчилися кодувати не для роботи, а з інтересу, з пристрасті. Саме ці люди, які виходили за межі стандартів, були найкращими.

Але за останнє десятиліття індустріальний інтернет перетворив програмістів у «кодогризів», а продукт-менеджерів — у архітекторів. Ці «кодогризі» стали більш покірними, не думають про бізнес. З приходом AI «код» зникає, і вони залишаються лише «фермерами». Ця молодь — талановита, але їхнє розуміння індустрії — порожнє. Тому, у «битві за мільярд A», по суті, йдеться про масовий потік інструментів.

У пізніх стадіях індустріального інтернету компанії, як Alibaba і Meituan, обов’язково залучають консультантів з MBB для бізнес-аналізу, а менеджери з консалтингу — керують бізнес-процесами, бо інтернет-продукт-менеджери за своєю природою не системні. Так само і Feishu — створений за цим принципом. ByteDance, хоч і чисто інтернет-компанія, теж активно використовує консалтингові фірми для внутрішніх процесів. У епоху AI цей закон лише посилиться.

03 Проблема компанії — не співробітники, а організація

Чжан Пеньг: Тобто, ти вважаєш, що «битва за цифрового співробітника» — це не головне.

Люй Єй: Це — мій найголовніший висновок: цифровий співробітник — не кінцева мета, справжня ціль — це «цифрова організація». Якщо цифрових співробітників стане багато, і вакансії зникнуть, і всі матимуть хороших цифрових співробітників — і що тоді? Чи стане компанія успішною? Насправді, усі проблеми компанії — це стратегія і організація, а не співробітники.

Тому, сьогодні агент — це ще не прийняття рішень, а виконання роботи за людину. Ми оновили OpenClaw і створили MetaOrg — ядро, яке може генерувати команду агентів. Для будь-якого завдання ми не відправляємо одного співробітника, а створюємо «організацію», яка його вирішить. Вона має механізми співпраці, звітності, місії, цілі та способи дій.

Чжан Пеньг: А чи можливо, що в майбутньому один співробітник стане цим самим відділом? Або навіть компанією?

Люй Єй: Це дуже цікаве питання. Ми все ще працюємо з мікро-завданнями, наприклад, створення короткого відео або написання документа — потрібно кілька раундів діалогу. Ви скажете щось — я відповім, і так далі. Це інструментальне використання, воно дуже розумне.

Тому поняття «людина» і «відділ» — не кількісне, а якісне. Коли ми описуємо вакансію високого рівня, зазвичай говоримо: перше — здатність виконувати різні завдання; друге — вміння користуватися різними інструментами. Високий рівень — це здатність розуміти наміри, самостійно планувати, виконувати, доставляти, регулярно звітувати, рефлексувати і коригувати стратегію на основі результатів. Це — високий рівень компетенцій.

Чжан Пеньг: Тоді «L4 рівень автоматичного водіння» — це і є ідеал.

Люй Єй: Так. Якщо дати йому навик, він виконає складне завдання; якщо створити систему навиків — виконає комплексне завдання; коли кілька агентів працюють разом, вони зможуть зробити ще складніші речі, наприклад, зняти короткометражний фільм. Я часто кажу співробітникам: коли використовуєте MetaOrg, не сприймайте себе як керівника, а як директора. Ви повинні досліджувати його межі.

Майбутні молоді підприємці, раніше говорили, що на старті дають 50 тисяч юанів — тепер, можливо, дають бюджет у токенах для експериментів. Скільки ви готові витратити — визначає рівень вашої позиції. Чим вищий рівень, тим довше ланцюг роздумів, більше проб і помилок, ітерацій і підсумків.

Чжан Пеньг: Повертаючись до попереднього питання, якщо є група агентів, які можна розбити на дрібніші одиниці або, скажімо, розкласти за ролями і навичками, і вони формують команду — тоді якість кожної людини визначає успіх або провал. Це повертає нас до логіки конкуренції в старих бізнес-організаціях: «щільність талантів», тобто високий рівень компетенцій, — і тоді основне завдання організації — досягти цілей і перемогти.

Якщо в майбутньому AI стане універсальним і ми зможемо викликати найкращих AI, то окрім створення більш ефективних сервісів і цим самим створення цінності, ще й потрібно враховувати «щільність талантів» — тобто, наскільки агент або бот у цій системі здатен розкладати навички до атомарних рівнів. Чи правильна ця логіка?

Люй Єй: Я підтримую цю ідею. Внутрішньоорганізаційний департамент, наприклад OD у великих компаніях, — це оцінка і розвиток організаційних можливостей. Щоб перемогти, потрібно порівнювати всі таланти конкурентів, аналізувати відповідність навичок і посад, прогнозувати результати. Відтак, успіх залежить від організаційних здібностей, а не лише від бізнес-стратегії. Найкращий приклад — Alibaba. Вони дуже цінують організаційний розвиток, тому й мають «друге дихання». Хоча команда старіє, організація може жити і розвиватися безперервно. Якщо уявити, що ми — конкуренти і обидва використовуємо AI, я створю сильну AI-організацію з високою здатністю до розвитку. Як її побудувати? Я відкрию всі навички конкурентів, проаналізую їх, напишу кращі, доповню їх. Наприклад, маю стратегічний відділ — спостерігаю і аналізую.

Huawei має методологію «П’ять поглядів і три визначення». Я жартую, що, використовуючи цю систему, можна перемогти 99% конкурентів. П’ять поглядів — це аналіз галузі, ринку, конкурентів, власних можливостей і стратегічних шансів; три визначення — контрольні точки, цілі і стратегії. Ця методика дозволяє відсіяти більшість конкурентів, бо більшість грають у хаос, швидко реагуючи, тоді як майстри — глибоко аналізують і мислять. Вони думають, як командири, — що робити далі.

Чжан Пеньг: «П’ять поглядів і три визначення» — це, по суті, запобігання «реактивним» діям, тобто закріплення довгострокового логічного процесу.

Люй Єй: Майстри — це глибокі дослідження і моделі мислення, які спершу вивчають світовий досвід і інформацію, потім підсумовують і аналізують, глибоко мислять і роблять один хід, що перемагає.

Я вважаю, що майбутня конкуренція зосереджена лише на одній — моделюванні бізнесу традиційних галузей, перетворенні їх у системні можливості, здатні до управління агентами. Це — новий рівень організаційного розвитку (OD), який з часом перетвориться на AIOD — єдину конкурентну перевагу майбутнього.

Ключова перевага Alibaba — у побудові організацій. Коли організація сформована правильно, вона здатна конкурувати з будь-яким супротивником і в будь-якому бізнесі. Мільярдний досвід Мі Яня показує, що війна — не обов’язково про захоплення ринку, а про зростання організації через боротьбу. Alibaba оцінює успіх війни саме через розвиток організації. Це — високий рівень мислення. Мі Янь — як надзвичайний інформаційний вузол, що щороку літає 200 разів, щоб отримати нову інформацію і покращити організацію. Він — справжній «директор», а не просто «генеральний директор».

Це — найвищий рівень організаційної форми — здатність переходити через кілька поколінь, охоплювати різні галузі, зберігати успіх і після кризи повертатися до зростання. Зазвичай, якщо компанія протягом десяти років призначає неправильного керівника, вона швидко занепаде. Тому, дивлячись на історію, з високою перспективою, можна зменшити ризики і зробити розвиток більш ефективним, навіть якщо потрібно трохи скоригувати і оптимізувати існуючу модель.

Зараз будь-хто може легко створити агента, і для співробітника вхід — дуже простий. Завдяки відкритому коду і спільноті, у цій галузі вже майже немає секретів. Внутрішня конкуренція на рівні інструментів — це ніколи не зрівняється з відкритими спільнотами. Тому що основна конкурентна перевага — це не інструменти, а саме здатність створювати унікальні рішення.

Що ж тоді не може повторити відкритий код і спільноти?

04 Фізика AI-організацій: чому «послідовне розкриття» — ключ?

Чжан Пеньг: У «старій епосі» говорили про організаційну культуру, цінності, KPI тощо. Перехід у нову епоху AI-агентських організацій — що можна повністю відкинути, а що зберегти і трансформувати?

Люй Єй: Anthropic створила концепцію «skills» саме через ідею «послідовного розкриття» — якщо AI отримує багато хаотичної інформації, воно може «загубитися» у контексті, увага знижується, і результат погіршується. Послідовне розкриття дозволяє зберегти увагу AI і отримати якісний результат. Якщо це робити вручну — це повністю людський діалог, що дуже неефективно. Тому основна цінність «skills» — це ієрархічне розбиття складних завдань, поступове розкриття AI.

Це збігається з логікою управління компанією: рада директорів зосереджена на стратегії, CEO — на тактиці і керівництві топ-менеджерами, а співробітники — на простих завданнях. Якщо 300 людей одночасно беруть участь у нараді — вона не відбудеться. Головна функція організації — це ієрархічне оброблення інформації, як у базі даних, що через нормалізацію підвищує ефективність. Складні завдання потрібно розбивати і поступово розкривати, а не подавати одразу великий обсяг контексту — це і є суть традиційної організаційної логіки, адже обчислювальні ресурси обмежені.

Чжан Пеньг: Модель кожного разу витрачає багато ресурсів, щоб створити щось з нуля — це дуже неефективно.

Люй Єй: Це неможливо. Головне — ієрархічне послідовне розкриття, і ресурси, які потрібно — потрібно залучати. Це визначається можливостями AI-моделі. Крім того, ще одна причина, чому Anthropic запустила «skills» — це те, що складні завдання вже перевищують фізичні закони, і «skills» дозволяє розбити їх на низько-розмірні прості завдання. Вони відрізняються за складністю — є низько- і високорівневі. Наприклад, програміст, що пише код, або розв’язує математичні задачі — це низько-розмірні, але високорівневі завдання — це, наприклад, створення короткометражних фільмів. Чим вищий рівень, тим менше даних потрібно, але й більше ресурсів — тому що високорівневі завдання мають менше даних, але вимагають більшої кількості тренувань.

Лю Хай з Horizon запропонував класичну модель: всі професії можна поділити за «ступенем конкуренції» і «рівнем складності» на чотири квадранти: високий рівень і конкуренція, низький рівень і конкуренція, низький рівень і високий рівень конкуренції, високий рівень і низька конкуренція. Продажі і інженери — це низько-розмірні і висококонкурентні сфери, менеджери і CEO — високорозмірні і висококонкурентні, а вчені — високорівневі і з низькою конкуренцією — їхні теми досліджують лише один у світі, і конкуренція тут низька, але рівень — дуже високий. Такі високорівневі завдання, як створення якісних коротких серіалів або хороших романів, наразі AI ще не може виконати; натомість, низько-розмірні і висококонкурентні — це, наприклад, оптимізація коду, і AI вже цим добре володіє. Чим вищий рівень, тим менше даних потрібно, але й тренувальні дані — більше. Це — причина, чому моделі тексту з’явилися раніше, ніж моделі зображень і відео, і чому важко реалізувати короткі відео. Високорівневі завдання і високорівневі дані — це протиріччя попиту і пропозиції, і їх можна компенсувати лише через «skills», розбиваючи завдання на частини, як у компаніях, коли висококваліфікованих фахівців розбивають на кілька базових посад. Єдині високорівневі посади, які не можна замінити — це, наприклад, CEO.

Чжан Пеньг: Низько-розмірні і висококонкурентні завдання — цілком можуть бути замінені AI.

Люй Єй: Це — 100% так, і вже відбувається.

Чжан Пеньг: Тоді всі низько-розмірні і висококонкурентні завдання потрібно швидко автоматизувати, розбивши їх на skills, і реалізувати через агентські організації — і в цьому процесі людська участь не обов’язкова.

Люй Єй: У мене є попередня ідея: найбільші консалтингові компанії — IBM і Accenture — по суті, займаються вилученням найкращих практик галузі і їхньою цифровою адаптацією, продаючи процеси, а не інструменти. Вони допомагають компаніям впроваджувати ризикові процеси, IP. Наше основне завдання — створити «skills»-кластер, залучити провідних експертів у різних сферах, вилучити їхні можливості і стандартизувати їх у набір навичок. Це схоже на модель «作业盒子»: об’єднати школи, університети, тестові групи і викладачів для вилучення методів створення тестів, викладання і перевірки, а потім — побудувати систему на основі алгоритмів Baidu. Головна організаційна здатність — формувати висококласні міжгалузеві команди, що розуміють галузь і інженерію, і мають навички управління і найму. Це — ядро нової AI SaaS-компанії.

Чжан Пеньг: Далі — потрібно з бізнесу назад визначити потрібну організаційну структуру. Організація — це структура управління, схожа на операційну систему бізнесу: якщо поставити людину в правильну організацію, вона максимально розкриє свій потенціал. Зараз виробничі ресурси змінюються: замість людських ресурсів з’являється безмежний AI, і при правильній системі він може безперервно масштабуватися. Колишня культура компанії — тепер може трансформуватися у цілі і контексти, без слоганів, нарад і «трьох кроків» для розблокування.

Люй Єй: Культура — це управлінська ідеологія, а не бізнесова. У «старій епосі» стратегія починалася з бачення, цінності визначалися цим баченням, організація слідувала стратегії, а культура — це інструмент управління, а не безпосередньо бізнес. Вона може бути особистою перевагою засновника.

Чжан Пеньг: У минулому людські ресурси служили стратегії, але AI зменшує цю різницю?

Люй Єй: Так, у епоху AI культура вже не має значення. Це — віра людської організації, але AI її не потребує. AI — це обчислювальні потужності.

Чжан Пеньг: Тобто, AI потребує цілей і принципів. Документ із цим — достатній. Всі виробничі одиниці одразу будуть їх дотримуватися і виконувати без відхилень. Це зменшує багато внутрішніх тертя.

Люй Єй: Так. Колишня структура — стратегія → культура → таланти → виконання. Нова — цілі → принципи → skills → управління. Управлінський ланцюг скоротився наполовину.

05 Останній бар’єр: естетика і управління

Чжан Пеньг: Що тепер — новий бар’єр для компаній? Якість талантів замінена на Skill Set, і якщо я маю хороший смак, можу отримати найкращі навички з усього світу. А що далі? Це «оркестрування» (Orchestration), так? Що це змінить?

Люй Єй: Як у Хуачженьбі — можна купити всі електронні компоненти, але чому не всі можуть зробити Apple? У книзі про Стів Джобса чітко визначено: щоб зробити щось високоякісне, потрібно мати хороший смак — розрізняти хороше і погане. Якщо ніколи не бачив хороших продуктів, процесів або організацій — не зможеш зробити щось дійсно якісне.

Чжан Пеньг: Вміння бачити — це передумова смаку.

Люй Єй: Це — поєднання бачення і таланту.

Чжан Пеньг: Смак проявляється двома способами: активним проектуванням і оркеструванням, а також — виявленням і вибором кращих з-поміж випадкових появ. Ці підходи не суперечать один одному.

Люй Єй: Це — правда. Частина продуктів Apple — це самостійна розробка, частина — купівля сторонніх компаній. Головне — мати хороший смак — не потрібно винаходити колесо з нуля, достатньо зробити самостійно, коли потрібно.

Чжан Пеньг: Важливо — агент працює у встановленому модулі і підтверджує шлях, або ж усі шляхи заздалегідь визначені і відбувається проектне оркестрування?

Люй Єй: Виникає «неуправляєме» явище — потрібно спершу задати «насіннєві» правила і принципи, що і відображає смак. Як досвідчений інженер, який за 500 рядків коду створює хорошу систему, або некомпетентний — і 50 тисяч рядків не дають того ж результату. Основи — це людська установка.

Чжан Пеньг: Тоді не можна чекати появи «виходу з хаосу», бо це — дуже довгий процес. Управління все одно потрібно, і воно — як «продюсер».

Люй Єй: Це — дуже хороша ідея. Навіть за наявності масштабних ефектів і «саморозвитку», потрібно постійно займатися даними, їхньою обробкою і алгоритмічною синхронізацією, щоб уникнути хаосу.

Управління залежить від складності бізнесу — складні проекти, наприклад, знімання короткометражних фільмів або написання сценаріїв, вимагають участі людини. Тому концепція «один бізнес — один продюсер» — не зовсім правильна. Хоча комп’ютер може керуватися одним, але один не може охопити всі високорівневі навички. Люди, як Ілон Маск або Лі Фейфей, що володіють кількома галузями і можуть керувати будь-якою позицією — це рідкість.

Чжан Пеньг: Якщо ми зможемо викликати найкращих агентів і навички у світі, наприклад, найкращого сценариста, чи можливо створити за допомогою цих ресурсів світовий хіт і прибутковий фільм? Хоча сценарист має ключову ідею (хороший сценарій), але не може зробити все сам — чи можливо закрити цей «цикл» з «ключовою ідеєю + глобальні ресурси»?

Люй Єй: Це — питання даних. Чи існує збереження високорівневої інформації? Наприклад, для тренування навичок CEO — поки що немає достатніх даних: довгі статті Жан Женьфея, усні виступи Ма Юня — все це не дає повного уявлення про їхній високий рівень знань. Навіть збір усіх фінансових звітів компаній і висловлювань CEO — не дає змоги створити модель, здатну бути CEO, бо головні навички — це приховані знання, які не можна повністю викласти у тексті.

Чжан Пеньг: Тобто, основні навички CEO ще не можна векторизувати. Це обмежує ідею «один бізнес — одна людина», навіть якщо кожен зможе проявити один аспект, і з’єднатися з глобальними ресурсами, — все одно бракує головного — навички управління.

Люй Єй: Так само і менеджер продукту — його приховані знання не можна повністю зафіксувати у тексті. Це — причина, чому AI-партнери і AI-генерація контенту ще не «живі», — через брак даних високорівневих прихованих знань. Коли даних мало — потрібно зосередитися на навичках, а коли їх багато — на моделях. Роботи ще не можуть реалізуватися через брак високорівневих даних.

Чжан Пеньг: Виходить, що майбутня конкуренція компаній зводиться не до доступу до найкращих моделей — початкові ресурси AI здаються однаковими, потужність — залежить від фінансів і бізнес-цих циклів, — але в кінцевому підсумку все зводиться до «продюсера» — його навичок управління і цінності цілей, що і формує конкурентну перевагу.

Люй Єй: Мені казав колишній партнер McKinsey, що їхній головний бізнес — вилучення найкращих практик і побудова моделей, потім — допомога компаніям у впровадженні. Наприклад, для автомобільної промисловості вони звертаються до японських колег за досвідом — по суті, копіювання і впровадження найкращих практик.

Приклад Мі Мон — створення коротких серіалів — дуже корисний. Вона з’явилася з гуманітарної сфери, але її команда — випускники Цинхуа, Пекінського університету і технічних вузів, — аналізують логіку популярних коротких відео і досягають високих показників. Це — соціальне моделювання галузі, навіть з можливими переобученнями, але напрямок правильний.

IBM, Accenture, McKinsey — це все роблять. Перше покоління McKinsey — це моделювання найкращих практик у партнерів, IBM — це цифрові процеси, і все це — «продаж управління і процесів».

Чжан Пеньг: Головне — вилучити найкращі практики і постійно їх перевіряти і впроваджувати. Це — ключ до майбутнього успіху бізнес-організацій. Тому ваші подальші пріоритети — рухатися саме в цьому напрямку?

Люй Єй: Останні три роки ми займалися AI ToC — використовуючи MetaOrg, відновили всю систему навчання і досліджень. Це — не просто «підвищення ефективності за допомогою AI». Ми створили цілі агентські дослідницькі команди: команда досліджень мовного навчання — слідкує за новими теоріями, команда збору корпусів — збирає автентичні вирази з реальних контекстів, команда оцінки — створює багатовимірні стандарти для оцінки мовних навичок, команда дизайну — перетворює методики навчання у природний інтерфейс людина-машина, команда розробки завдань — адаптує форми і контент. Всі ці команди мають свої навички, робочі процеси і стандарти оцінки. Більше 80% роботи