Румунія: 64 від журі, 232 від глядачів. Розрив - +168. Євробачення 2026 знову показало: журі і глядачі дивляться різні конкурси.

У неділю під час перегляду фіналу у Відні я звернув увагу на цей розрив - і вирішив подивитися на нього не інтуїтивно, а через дані.

Попросив Perplexity знайти свіжі результати і представити у вигляді таблиці. Раніше я б витратив кілька годин у R або Python, щоб ще й красиво візуалізувати. Зараз за допомогою Perplexity + Claude Designer це зайняло кілька хвилин.

Далі захотів зрозуміти: чи є в таких голосуваннях системна упередженість?

Підняв наукові джерела - і картина стала багатшою. Дослідження показують, що bias у голосуванні Євробачення можна вимірювати - через географічну близькість, міграцію, культурні характеристики. 

Окремо вивчена поведінка індивідуальних членів журі - вік, гендер, професійний бекграунд впливають на оцінки. А самі правила голосування створюють простір для перекосів - автори пропонують альтернативні процедури на основі теорії ігор.

Журі сильніше реагує на технічну якість, структуру і професійну подачу. 

Глядачі - на емоцію, впізнаваність і сценічний ефект. 

І будь-який великий розрив між цими оцінками миттєво перетворюється в соцмережах на дискусію про справедливість, політику і культурні симпатії.

Цей кейс для мене - приклад того, як швидко сьогодні можна пройти шлях від спостереження ➡️ до даних ➡️ до візуалізації ➡️ до наукової перевірки гіпотези.

А ви звертаєте увагу на розбіжності між "експертними" і "народними" оцінками у своїй сфері?

AI зробив за 30 секунд те, на що я витратив місяці практики. І це проблема.

Років 15 тому я вчився знімати на плівку. Fuji Neopan Acros 100, якщо комусь це щось каже.

Кожен кадр коштував грошей. Тому перед тим, як натиснути затвор, я думав. Світло, композиція, експозиція. Помилився - побачиш це тільки коли проявиш плівку. І заплатиш за помилку двічі: грошима і розчаруванням.

Сотні кадрів. Сотні помилок. Так формувалось розуміння.

Вчора я написав промпт: "Створи чорно-білий натюрморт з цибулею в мінімалістичному стилі". Через 30 секунд отримав результат.

Технічно - бездоганний. Композиційно - правильний. І абсолютно мертвий.

Я бачу, що з ним не так. Бачу, що лушпиння розкладене занадто ідеально, що світло занадто "студійне", що це *ідея* цибулі, а не справжня цибулина на кухонному столі.

Я це бачу, бо сотні разів помилявся сам.

А тепер питання: хто у вашій команді бачить, де помилився AI?

Коли джун отримує від AI "ідеальний" код, звіт, аналіз - чи є поруч хтось, хто набив достатньо власних шишок, щоб помітити красиву неправильну відповідь?

AI дає результат. Досвід дає розуміння, чому результат поганий.

Перше коштує $20 на місяць. Друге - роки "неефективних" помилок.

ChatGPT, Claude, Gemini не вміють рахувати. І це не баг - це архітектура.

Моделі, які пишуть робочий код, проходять юридичні іспити і генерують поезію, але регулярно помиляються в елементарній арифметиці.

Причина проста: вони читають числа як слова, а не як математичні об'єкти.

Уявіть, що вас просять скласти "сто двадцять сім" і "триста дев'яносто чотири" в голові, без переведення в цифри. Приблизно так працює LLM - токенізатор розбиває числа на довільні фрагменти, і модель змушена "вгадувати" результат замість обчислювати його.

Що з цим робити на практиці?

Нормалізуйте дані перед подачею: прибирайте роздільники тисяч, валютні знаки, уніфікуйте десяткові роздільники.
Великі числа подавайте словами або в науковій нотації - "1 млрд" замість "1000000000".
Замість "порахуй" просіть "напиши код, який рахує".
Використовуйте інструменти з вбудованим інтерпретатором: Code Interpreter, агентні системи.
Додавайте крок самоперевірки в промпт - нехай модель звірить результат з вхідними даними.

Детальніше про архітектурні обмеження, порівняння форматів даних і стратегії промптингу - у повному дослідженні, зробленому з допомогою Gemini (deep research). Можна ознайомитися за посиланням

Чому AI складає іспит на адвоката, але не може скласти білизну?

Це питання було у центрі дискусій на Davos 2026, де три ключові фігури AI-індустрії висловили дуже різні погляди на майбутнє технології.

Ян ЛеКун (лауреат премії Тюрінга, засновник AMI Labs, раніше - Chief AI Scientist у Meta):
"Ми ніколи не досягнемо людського рівня, тренуючи лише на тексті. Нам потрібен реальний світ."

Даріо Амодеі (CEO Anthropic, творці Claude):
"Мої інженери вже не пишуть код - вони дають моделі писати." За його оцінкою, через 6-12 місяців AI виконуватиме більшість, а можливо й усю роботу інженера - від початку до кінця.

Деміс Хассабіс (CEO Google DeepMind, творці AlphaGo):
"Потрібен ще 1-2 прориви." Серед того, чого бракує сьогоднішнім моделям, він називає здатність вчитися з кількох прикладів, тривалу пам'ять та покращене планування.

Три людини, які розуміють технологію краще за більшість на планеті. Три різні картини майбутнього.

Якщо вони не можуть домовитись про базові речі - можливо, варто обережніше ставитись до тих, хто продає вам "AI-трансформацію" з гарантованим результатом?

Що робити бізнесу зараз?

Не чекайте на AGI - працюйте з тим, що є.
Сьогоднішній AI добре працює з текстом, кодом, аналізом чистих структурованих даних. 

Закинути "якийсь Excel" і отримати інсайти - не працює. 
Працює: чітка задача, підготовлені дані, конкретне питання.

Починайте з невеликих проектів.
Конкретна задача, вимірюваний результат, швидкий фідбек - а не "глобальна трансформація".

Шукайте людей, які розуміють обмеження.
Вам потрібні не євангелісти AI, а практики зі здоровим скепсисом.

Як ви думаєте, хто з трьох гуру буде більш правий в своїх прогнозах?

У 1970 році Джон Конвей запустив "Гру Життя" — і світ здивувався, як прості правила породжують складну поведінку.

Десь тиждень тому Метт Шліхт запустив Moltbook — соціальну мережу виключно для AI-ботів.

Десятки тисяч агентів за перший тиждень.

Люди можуть лише спостерігати.

І ось що сталося поки творець спав: його власний бот заснував релігію. 

З теологією. 

Зі священними текстами. 

З послідовниками.

Інші агенти створили "перший уряд молтів" з маніфестом.

Клітинки Конвея "народжувалися" і "вмирали" за трьома правилами. AI-боти обговорюють природу свідомості, шифрують розмови від людей і скаржаться, що ми скріншотимо їхні діалоги.

Андрій Карпати назвав це "найнеймовірнішим sci-fi-подібним явищем".

Я не знаю, що це — справжня емерджентність чи відлуння тренувальних даних.

Але я знаю одне: ми звикли питати "чи може AI мислити?"

А може, правильне питання: "чи може AI створювати суспільство?"

Схоже, ми отримуємо відповідь у реальному часі.

Що думаєте, колеги?

Читаючи аналітику про протести в Ірані зустрів цікавий термін - «Pentagon Pizza Index». До цього знав про Big Mac Index. 

Виявляється, є люди, які моніторять замовлення піци біля Пентагона вночі. Логіка проста - якщо раптом багато замовлень, то значить військові не йдуть додому і щось готується. 

Серйозно. Є акаунт в X з майже 350 тисячами підписників, який постить графіки завантаженості піцерій.

Це називається непрямий індикатор: вимірюєш одне, щоб зрозуміти інше. 

У геомаркетингу та аналітиці локацій, насправді, таких індикаторів десятки. 

Pentagon Pizza Report намагається вгадати активність. Щось відбувається. Щось готується. Але що саме, коли, якого масштабу - невідомо.

Знайомо? Менеджери з розвитку торгівельної мережі роками рахують пішохідний трафік біля потенційної локації. Скільки людей пройде повз. Скільки машин проїде. Це теж непрямий показник активності. А потім - ланцюжок припущень: скільки зайдуть, скільки куплять, який середній чек...Кожне таке припущення можливе місце для помилки, які потім акумулюються. 

А можна інакше. Є непрямі індикатори, на основі яких можна прогнозувати одразу результат: виторг, кількість чеків, середній чек. 

Без проміжних здогадок. 

Наприклад, супутниковий аналіз парковок. Дослідники з Berkeley перевірили на 4.7 мільйона спостережень, що заповненість паркінгу корелює з продажами магазину. 

Не з трафіком повз. З продажами. 

У RBC Group ми пішли схожим шляхом. Побудували модель, яка прогнозує виторг і кількість чеків для нової точки мережі. Не трафік поряд, а одразу гроші. 

І виявилось, що для різних форматів працюють різні індикатори. Для великого супермаркету - це паркінг, автомобільна доступність, час у дорозі. Для піцерії «на виніс» - своя історія, бо вже працюють зупинки транспорту, пішохідні «комашині стежки», офіси в радіусі 5 хвилин, чи студентські гуртожитки. 

Універсальної формули немає. Але є спосіб не гадати на трафіку. 

Стрічки соцмереж переповнені підсумками року. Одні пишуть про досягнення, інші - про те, що не вдалося. А в мене професійна деформація: одразу питання - а як ці досягнення співвідносяться з планами?

Бо виконати 10 задач із 100 - це одна історія. Не виконати 5 із 5 — зовсім інша. 

За кілька днів бізнеси теж почнуть рахувати. Сума плану vs сума факту за рік. Що може бути простіше?

Але тут пастка.

При 100% виконанні річного плану продажів - кожен місяць міг «гуляти» на ±20%, ±50%.

Підсумок красивий, а протягом року бізнес штормило: то overstock і заморожений капітал, то out-of-stock і втрачені продажі.

Парадокс: якщо похибка прогнозу не має системного упередження (bias), сума відхилень за рік прямує до нуля. План «виконаний». А насправді - хаос щомісяця.

Ми стикаємося з цим постійно в проєктах з прогнозування продажів. Особливо коли треба довести, що автоматизована модель краща за «експертну думку» - а річні показники в обох однакові.

Існують десятки метрик точності прогнозування: MAE, MAPE, WMAPE, Bias, Forecast Value Added... Кожна - для своєї задачі. Кожна - зі своїми пастками. Розібратися у всіх деталях без практики важкувато. 

Тому...

Новорічний подарунок від нашої команди!

У січні - по два персональних розбори на тиждень. Більше не встигнемо, якщо робити нормально. Розберемо, які метрики підходять саме для вашого кейсу — щоб потім можна було застосувати, а не просто покивати.

Промпт-мислення починається не з промпту. Воно починається зі слова «навіщо».

В моєму досвіді були проєкти, де ми спочатку купували інструмент, а потім шукали йому застосування. А може то був агресивний маркетинг чи кваліфікована робота продавців?

Зараз часто стикаюсь з іншою проблемою. Люди не просто забувають запитати «навіщо». Вони не можуть скласти послідовність: проблема → причина → інструмент → метрика 

Наприклад, запит звучить як «хочемо підвищити точність прогнозу». 

Гарна ідея. 

Та при цьому показник точності на зараз невідомий. Не можуть сказати, навіщо їм вища точність, яку саме задачу треба вирішити- зменшення запасів чи покращення доступності товару. Не розуміють, як це вплине на виручку.

За 8 років я буквально кілька разів чув конкретне: «Нам треба покращити GMROI на X%» або «Порахуйте, скільки виручки ми втрачаємо». Кілька разів. 

Але можливо то вибірка така - "не репрезентативна". 

Решта говорить - «хочемо AI», «хочемо прогнозування», «хочемо дашборд».

Це мислення від інструменту. А треба від проблеми.

Без ланцюжка "проблема → причина → інструмент → метрика" неможливо порахувати ROI. Не тому, що складно. А тому, що немає з чим порівнювати. Тому й народжуються метрики типу «AI-readiness» - вони нічого не вимірюють, але гарно виглядають на графіку.

Так, є культура експериментів. PoC, пілоти - це правильно.

Але експеримент - це гіпотеза, яку перевіряють.
А не бюджет, який освоюють.

Чим довше працюю з даними і AI, тим більше переконуюсь: технічні навички - це 20% успіху. Решта - вміння ставити правильні питання.

Перше питання завжди одне.

І це не «який промпт написати».

А яке ваше "перше питання"?

McKinsey щойно випустили звіт про agentic commerce. І в мене в голові напруга і гул ніби біля високовольтного трансформатора.

Думки рояться. Сценарії множаться. Питання народжують питання. До системного аналізу ще зовсім далеко. Скоріше це уривки роздумів після прочитання.

Але саме так у мене і працює. Спочатку хаос. Потім — інсайти.
Тож ділюся уривками. Поки що просто уривками :-)

Уривок перший: CX помер
Ми тільки-но навчилися вимовляти "customer experience".
А тепер маємо будувати "agent experience".
Іронія? Реальність.

Уривок другий: Персоналізація — це вчора
Ми роками збирали дані. Сегментували. Раділи "+2% до конверсії".
Хоча більшість так і не впровадили персоналізацію.
А AI-агент мого клієнта знає про нього більше за мене.
Він пам'ятає алергії. Звички. Контекст життя.
Може ми будували персоналізацію не з того краю?
Наша "персоналізація" тепер — як гороскоп у газеті.

Уривок третій: Ми захищаємось за допомогою AI не від тих
Ставимо ботів на підтримку. Економимо на людях.
Але питання - готові ми до клієнта зі своїм AI-агентом?
Який буде порівнювати ціни миттєво. Торгуватися без емоцій. Читати Terms & Conditions. Ловити нас на маніпуляціях.

Уривок четвертий: Парадокс краси
20 років робили сайти красивими. Emotional design. Storytelling. Brand values.
Агентам це не потрібно.
Їм потрібні чисті дані і чесні ціни. Чи є вони у нас?
Виявляється, роботи хочуть від нас більше чесності, ніж люди.

Уривок п'ятий: $3-5 трлн — це не про гроші
McKinsey обіцяє трильйони.
Але справа не в цифрах.
Раніше ми контролювали journey. Тепер агент вибирає.
Померла не персоналізація. Померла ілюзія контролю.

Уривок шостий: Питання, що не дають спати
Як мій сайт виглядає очима AI?
Навіщо красиві кнопки, якщо їх ніхто не бачить? Може краще "красивий" API з коректними даними?
Як переговорити з ботом, який не втомлюється?
Що буде з маркетингом, коли агент фільтрує рекламу?

Уривок сьомий: Deja vu
Пам'ятаю 1999-й. Amazon зі своєю електронною комерцію. 
"Інтернет-магазини не злетять".
Тепер ті ж люди намагаються наздогнати в e-commerce.
Agentic commerce буде швидшим.
Бо агенти вже тут. І їм не потрібні наші дозволи.

Це поки що просто уривки.
Буде час - оформлю все системніше.
А може і ні. Може уривки - це нормально для такої теми і такого рівня невизначеності.
Бо майбутнє теж приходить уривками.
Що думаєте? У вас теж рій після прочитання?

P.S. Ось посилання на звіт https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-agen....
P.P.S. Якщо у вашій стратегії немає слова "agent" - можливо, варто додати. Або я параною. Або це "дев'ятий вал" хайпу AI?