Гриненко про

Владимир Гриненко про ИИ, технологии, образование и бизнес

Гриненко про is a general podcast hosted by Unknown Host, with 0 episodes on record and a Required Pod Score of 80. PitchCentric scores this show on Booking Probability, Listen Score, and live audience signals refreshed every 24 hours.

Unknown Host hosts Гриненко про, a general show with 0 episodes published.

Our AI reads these to draft pitches. Use them as grounding for a pitch that cites a real guest and a specific topic.

• 

  Episode #23

  AI-агенты в разработке: почему программистам больше не платят за код | Глеб Михеев, Сбер

  Aug 27, 20261h 56mS1

  Telegram-канал — https://t.me/devspotting<p>Чат сообщества — https://t.me/grinenko_pro</p><p>Сайт — https://grinenko.pro</p><p><br /></p><p>Coding agents уже умеют за часы делать то, на что раньше уходили месяцы работы команды. Но означает ли это, что разработчики становятся не нужны — или, наоборот, инженер наконец перестаёт быть «человеком, который пишет код» и поднимается на уровень продукта, архитектуры и управления агентами?</p><p><br /></p><p>Говорим с Глебом Михеевым https://glebmikheev.ru — разработчиком с более чем 20-летним опытом, который сейчас развивает ГигаАгента в Сбере, — о новой роли инженера, экономике софта в эпоху AI и о том, почему главный дефицит теперь не код, а понимание того, что и зачем нужно построить.</p><p><br /></p><p>Глеб работал в NVIDIA, основал и девять лет развивал собственную компанию по заказной разработке, затем работал в Skillbox и Сбере. Сейчас развивает ГигаАгента — автономного AI-агента Сбера — и руководит программным комитетом AgenticDevConf. Автор Telegram-канала «Уставший техдир» https://t.me/tired_glebmikheev и подкаста «Фичи Катятся» ⁨@tired_glebmikheev⁩.</p><p><br /></p><p>ТАЙМКОДЫ</p><p>00:00 — В этом выпуске</p><p>00:44 — Кто такой Глеб Михеев: NVIDIA, свой бизнес, Skillbox и Сбер</p><p>04:18 — Как coding agents вернули Глеба из менеджмента в разработку</p><p>07:33 — Переход в GigaChat и работа над автономным агентом</p><p>10:04 — Зачем идти в Individual Contributor внутри бигтеха</p><p>14:17 — Лидерство без административной власти</p><p>17:09 — Как самостоятельные инженеры работали ещё до AI</p><p>20:21 — Почему coding agents возвращают эпоху универсальных инженеров</p><p>22:00 — Product engineer вместо фронтендера и бэкендера</p><p>25:40 — Реальна ли компания на миллиард долларов из одного человека</p><p>33:14 — Почему AI увеличивает количество попыток, но не количество хороших идей</p><p>36:36 — Стартап теперь можно проверить за вечер</p><p>38:49 — Как Глеб за два дня сделал продукт вместо нескольких месяцев работы команды</p><p>42:32 — Бизнес или найм: где сегодня проще зарабатывать</p><p>48:07 — Что будет с SaaS, когда производство софта станет дешёвым</p><p>50:35 — Во что инвестировать, если любой эксперт может собрать конкурентный продукт</p><p>52:32 — Зачем Сберу делать собственного автономного агента</p><p>55:27 — Зачем нужны национальные и суверенные AI-модели</p><p>01:02:45 — Можно ли просто взять открытую модель и дообучить её</p><p>01:13:49 — Почему технологическая независимость может быть важнее цены</p><p>01:18:24 — Станут ли фундаментальные модели новой стратегической технологией</p><p>01:24:14 — Модели превращаются в commodity, а ценность переезжает в harness?</p><p>01:29:50 — Почему мы используем лишь небольшую часть возможностей современных моделей</p><p>01:34:35 — Зачем вообще нужен персональный AI-ассистент</p><p>01:38:22 — Где проактивные агенты действительно пол

  ListenShow Notes
• 

  Episode #22

  LLM и мышление | философ Андрей Морозов

  Aug 20, 20262h 24mS1

  Что такое мышление, если большую часть времени мы действуем по привычным схемам, а LLM уже умеют воспроизводить почти любую описанную практику? Разбираемся, зачем бизнесу корпоративный философ, почему определения и метрики одновременно помогают и ограничивают нас и где проходит граница между накопленным знанием и созданием принципиально нового.<p><br /></p><p>Говорим с <b>Андреем Морозовым</b> — корпоративным философом, который в аспирантуре занимался компьютерным зрением и машинным обучением, затем прошёл путь от разработчика и тимлида до CTO, бизнеса и управленческого консалтинга — о философском мышлении в бизнесе, способности LLM мыслить и навыках, которые останутся людям.</p><p><br /></p><p>По второму образованию Андрей — психолог-консультант; до философского консультирования также занимался маркетинговыми и стратегическими исследованиями.</p><p><br /></p><p><b>В ЭТОМ ВЫПУСКЕ</b></p><p>— Чем мышление отличается от знания большого количества фактов</p><p>— Почему мы воспринимаем мир через «схемы» и как они предопределяют наши решения</p><p>— Что такое философское мышление и зачем бизнесу постоянно спрашивать «зачем?»</p><p>— Закон Гудхарда</p><p>— Может ли LLM мыслить, удивляться и создавать новое</p><p>— Почему нейросеть можно представить как «идеального отличника», прочитавшего почти всё</p><p>— Где проходят границы между алгоритмом, творчеством, субъектностью и свободой воли</p><p>— Какие навыки сохраняют ценность рядом с ИИ: креативность, коммуникация и критическое мышление</p><p><br /></p><p><b>ТАЙМКОДЫ</b></p><p>00:00 — Хайлайты выпуска</p><p>00:35 — Кто такой корпоративный философ</p><p>02:04 — От инженера к философскому консультированию</p><p>03:11 — Почему история философии — ещё не философское мышление</p><p>04:00 — Отличник против троечника</p><p>14:23 — Что происходит, когда привычная картина мира перестаёт работать</p><p>18:04 — Мышление как создание новой схемы</p><p>21:01 — Что такое философское мышление: три уровня взгляда на проблему</p><p>25:34 — Как определения заранее программируют решения бизнеса</p><p>29:23 — Как компании конструируют проблемы</p><p>33:05 — Метрики, закон Гудхарда и хрупкие модели реальности</p><p>38:32 — Чем на практике занимается корпоративный философ</p><p>41:14 — Коучи, эзотерика, серебряные пули и страх неопределённости</p><p>47:52 — Философ как «психотерапевт для бизнеса»</p><p>56:51 — Почему невозможно один раз всё обдумать и выйти из рутины</p><p>01:01:12 — AGI без определения и гонка компаний за ИИ</p><p>01:09:14 — Способны ли LLM мыслить</p><p>01:17:31 — Где нейросеть перестаёт быть «идеальным отличником»</p><p>01:26:14 — Свобода воли, субъектность и технологическая сингулярность</p><p>01:38:53 — Как философ смотрит на прогнозы будущего</p><p>01:48:39 — Заменят ли LLM самих философов</p><p>01:52:36 — Как ИИ меняет маркетинговые исследования и работу с пользователями</p><p>01:57:06 — Три навыка для эпохи ИИ</p><p>02:12:04 — Как Андрей сам использует нейросети в работе</p><p>02:14:35 — Зачем делат

  ListenShow Notes
• 

  Episode #21

  Внедрение ИИ в компании: как перестроить команды и процессы | Дмитрий Бобылёв, CEO Fast Forward

  Aug 13, 20261h 43mS1

  ИИ уже радикально ускоряет производство, но чтобы получить реальный эффект, приходится заново разбираться с устройством команд, корпоративными знаниями, данными, контролем качества и самой ролью человека в производственном процессе.<p><br /></p><p>Говорим с <b>Дмитрием Бобылёвым</b> — CEO и главным экспертом управленческого консалтинга FastForward — о том, как внедрять ИИ в уже работающие компании, почему организационный контекст становится одним из главных активов бизнеса и как может выглядеть AI-first организация, если строить её с нуля.</p><p><br /></p><p><b>О ГОСТЕ</b></p><p>Дмитрий прошёл путь от разработчика до вице-президента по информационным технологиям СберМаркета, где руководил командой из более чем 1 000 человек. Сейчас строит AI-first консалтинг. Автор канала «Боб в помощь» https://t.me/ZhogloTech.</p><p><br /></p><p><b>В ЭТОМ ВЫПУСКЕ</b></p><p>— Как внедрять ИИ через конкретную бизнес-боль, а не абстрактную «AI-трансформацию»</p><p>— Почему накопленный контекст компании становится ценнее погони за новыми моделями и инструментами</p><p>— Как выращивать внутренних AI-амбассадоров и что делать с сопротивлением сотрудников</p><p>— Почему производство становится дешевле, а постановка задачи и валидация — важнее</p><p>— Что произойдёт с программистами, которым нравится писать код руками</p><p>— Как могут измениться роли, оргструктура и место самых опытных инженеров в производственной цепочке</p><p>— Что Дмитрий перестроил бы в большой технологической компании, если бы снова управлял командой из 1 000+ человек</p><p>— Почему при всей AI-революции требования к хорошему менеджменту практически не меняются</p><p><br /></p><p><b>ТАЙМКОДЫ</b></p><p>00:00 — Хайлайты выпуска</p><p>00:28 — Дмитрий Бобылёв</p><p>01:45 — Почему AI-консалтинг сложно продавать через обещания</p><p>04:20 — ИИ возвращает разработку к здравому смыслу</p><p>06:51 — Почему классическому консалтингу придётся перестраиваться</p><p>13:58 — AI-лабы и внутренние эксперты в компании</p><p>16:04 — Как выглядит AI-first консалтинг</p><p>20:33 — Главный актив компании — организационный контекст</p><p>25:00 — Почему сотрудники не хотят «выгружать» свои знания</p><p>27:22 — Внедрение ИИ через конкретную боль и быстрый результат</p><p>33:22 — SDLC схлопывается, а валидация становится важнее</p><p>39:02 — Что делать, если программисту нравится писать код руками</p><p>41:48 — Как изменится оргдизайн компаний в 2026–2030 годах</p><p>47:36 — Почему самых опытных людей нужно ставить на валидацию результата</p><p>50:53 — Код становится commodity: где остаётся инженерное мастерство</p><p>57:07 — Как ИИ меняет диагностику компаний и производство</p><p>01:01:22 — Почему ручное ревью перестаёт масштабироваться</p><p>01:09:13 — Передача знаний и зависимость компаний от моделей</p><p>01:13:19 — Что в управлении не меняется из-за ИИ</p><p>01:16:06 — Как строить AI-first компанию с нуля</p><p>01:25:32 — Что Дима сделал бы иначе, снова управляя 1 000+ людьми</p><p>01:29

  ListenShow Notes
• 

  Episode #20

  Разработка AI-продуктов: контекст, evals и агенты | Федя Морозов, CTO ботов поддержки, Т-Банк

  Aug 6, 20261h 34mS1

  Как превратить недетерминированную LLM в продукт, которому можно доверить ответы и действия с реальными последствиями? <p><br /></p><p>Разбираем инженерный путь от классического чат-бота и точечных LLM-классификаторов до полноценной агентной системы: контроль качества, разметку, гардрейлы, A/B-эксперименты, контекст и инструменты.</p><p><br /></p><p>Говорим с <b>Федей Морозовым</b> — CTO в Т-Банке и разработчиком инфраструктуры одной из крупнейших рекомендательных систем — о безопасном внедрении генеративных моделей, устройстве команд и личных принципах делегирования задач агентам.</p><p><br /></p><p><b>В ЭТОМ ВЫПУСКЕ</b></p><p>— Как измерять качество генеративного продукта, работающего с реальными пользователями</p><p>— Почему наивный LLM-as-a-judge создаёт второй слой галлюцинаций</p><p>— Как выстроить пирамиду разметки и контролировать качество самих оценщиков</p><p>— Какие гардрейлы нужны агенту, способному выполнять действия</p><p>— Почему контекст и правильные инструменты важнее выбора конкретной модели</p><p>— Как внедрять LLM постепенно, не разрушая работающую систему</p><p>— Когда достаточно гибридного workflow, а когда нужен полноценный агент</p><p>— Как использовать агентов в разработке, управлении командой и повседневной жизни</p><p>— Какие решения и части собственного голоса не стоит делегировать</p><p>— Какие навыки сохранят ценность, когда большую часть кода начнут писать агенты</p><p><br /></p><p>ТАЙМКОДЫ</p><p>00:00 — Хайлайты выпуска</p><p>00:50 — Начало</p><p>01:17 — Знакомство с Федей Морозовым</p><p>02:15 — Что генеративные модели изменили в ML-продуктах</p><p>05:43 — Avito.Tech.Conf</p><p>06:31 — Может ли банковский бот выполнять действия</p><p>09:09 — Главные риски генеративного продукта</p><p>11:49 — Как построить пирамиду оценки качества</p><p>15:10 — Почему наивный LLM-as-a-judge не работает</p><p>18:53 — Как устроена поддержка Т-Банка</p><p>23:25 — Гардрейлы, авторизация и детерминированные проверки</p><p>27:07 — A/B-эксперименты и контролируемые выкладки</p><p>31:57 — Почему контекст и тулы важнее модели</p><p>34:21 — Безопасная точка внедрения LLM: классификация запросов</p><p>36:47 — Гибридные сценарии вместо полного перехода на агентов</p><p>42:36 — Как перейти к полноценному агенту</p><p>45:18 — PydanticAI, Qdrant, Python, n8n и текстовые файлы</p><p>46:53 — Кто должен входить в команду AI-продукта</p><p>50:07 — Почему генеративная поддержка всё ещё остаётся ресёрчем</p><p>52:39 — Заменит ли диалоговый интерфейс кнопки и приложения</p><p>56:45 — Персональные ассистенты, доступ к данным и контроль</p><p>01:04:49 — Единственная вещь, которую Федя не делегирует агентам</p><p>01:12:11 — Как агент освобождает руководителя от рутины</p><p>01:19:05 — Агенты в разработке и архитектурных решениях</p><p>01:27:59 — Идеальный процесс разработки новой фичи</p><p>01:30:24 — Какие навыки останутся важными для разработчиков</p><p>01:34:29 — Что стоит делегировать агентам</p><p>01:34:58 — Итоги</p><p><br /></p><p>

  ListenShow Notes
• 

  Episode #19

  AI-разработка в продакшне: почему обвязка важнее моделей | Алексей Ярошевич, руководитель команды Я Банка, ex-CTO Я Образования

  Jul 25, 20261h 30mS1

  Что действительно ускоряет разработку с ИИ: новая модель, толпа субагентов или правильно собранная обвязка? Разбираем процесс AI-кодинга — от постановки задачи и подготовки контекста до тестирования, code review и ответственности за результат в продакшне.<p><br /></p><p>Говорим с <b>Алексеем Ярошевичем</b> — руководителем команды Яндекс Банка и ex-CTO Яндекс Образования — о harness и скиллах для кодинговых агентов, spec-driven development, изменении ролей в продуктовой команде и образовании в мире, где инструменты устаревают быстрее учебных программ.</p><p><br /></p><p><b>В ЭТОМ ВЫПУСКЕ</b></p><p>— Интуиция при работе с моделями</p><p>— Почему качество AI-разработки сегодня сильнее зависит от harness и контекста, чем от очередной модели</p><p>— Когда skills экономят время, а когда ухудшают результат</p><p>— Почему многоэтажная оркестрация агентов накапливает ошибки и расходует слишком много токенов</p><p>— Как применять spec-driven development, тесты и контракты при работе с микросервисами</p><p>— Что делать, когда модель не справилась: исправлять, декомпозировать или начинать заново</p><p>— Как AI смещает узкие места разработки от написания кода к проверке качества и согласованию решений</p><p>— Почему QA, ответственность и инженерная экспертиза остаются критически важными</p><p>— Как меняются роли продакта, дизайнера и разработчика, когда прототип можно собрать за несколько минут</p><p>— Чему учиться, если конкретные инструменты и навыки быстро устаревают</p><p>— Как использовать модели для структурирования данных, анализа продукта и управления организацией</p><p>— Какие рабочие роли и процессы, возможно, уже стали лишними, хотя компании пока этого не осознали</p><p><br /></p><p><b>ТАЙМКОДЫ</b></p><p>00:00 — Хайлайты выпуска</p><p>00:33 — Знакомство с гостем</p><p>02:10 — Алексей — AI-энтузиаст или скептик?</p><p>03:33 — Остался ли кайф от программирования вручную</p><p>05:35 — Почему всё упирается в harness, контекст и предсказуемость</p><p>07:59 — Рабочий баланс: написать самому, поручить модели или доработать вместе</p><p>10:38 — Cursor, Claude Code и постоянно меняющаяся обвязка</p><p>12:33 — Skills как новые CLI-утилиты и проблема публичных инструкций</p><p>18:36 — Почему Алексей пока не верит в оркестраторов и толпы субагентов</p><p>22:12 — Практический процесс: от задачи и контекста до готового кода</p><p>25:12 — Что делать, когда модель не справилась</p><p>28:00 — Spec-driven development, тесты и контракты микросервисов</p><p>30:31 — Несколько AI-сотрудников, ручная оркестрация и ответственность человека</p><p>36:53 — Модели вышли на плато? Где искать следующий скачок</p><p>39:31 — Как AI-разработка работает в реальной продуктовой команде</p><p>42:19 — Продакт, дизайнер и разработчик: прототип вместо идеи</p><p>46:00 — От тикета до pull request: когда задача действительно решается за 15 минут</p><p>48:35 — Почему стартап может выпускать AI-код без проверки, а enterprise — нет</p><p>55:47 — Кто должен проверять сгенерированный код и поче

  ListenShow Notes

Based on semantic analysis of episode topics and host coverage, this show is a strong guest fit for executives in:

Industry fit is computed by PitchCentric using vector embeddings of the show's episode catalog.