Николай Сенин

Продуктивность
AI-системы
управление знаниями

Исследует продуктивность, консультирует и разрабатывает системы интеллектуального усиления. Работу начинает с описания и перестройки процесса, а затем встраивает AI. Свои методы проверяет в продуктах, на курсах и в работе с клиентами.

с 2013преподавательская практика

17 000+заметок в личной базе знаний Obsidian

до ×10ускорение проработки видео в Knowlume

7AI-кейсов собрано в портфолио

О спикере

По образованию прикладной математик. С 2013 года преподаёт точные науки, с 2017 занимается разработками в сфере профессионального развития

Называет свой подход системной инженерией продуктивности: работа, обучение, здоровье, коллективы и AI-инфраструктура связаны в одну систему

Автор книги «Инструменты личной эффективности», курса «Продуктивность 101», додзё по привычкам и курса по стратегии; ведёт консультации, наставничество и открытые лекции

Разрабатывает Knowlume и другие AI-системы для работы со знаниями: исследует задачу, проектирует архитектуру, пишет код и промпты

Изучает результативные коллективы и пишет о них книгу

Темы

AI для информационно-знаниевой работы

Как отбирать из длинных видео, статей, PDF и транскриптов знания, которые пригодятся в работе: источник, фрагментация, оценка, фильтрация, экспорт в рабочую систему.

Сначала процесс, потом AI

Участники описывают процесс, находят потери и границы автоматизации, а затем выбирают инструмент: агента, RAG, автоматизацию или обычный скрипт. Отдельно — контроль качества и передача спорных случаев человеку.

Продуктивность интеллектуала как система

Планирование дня и недели, сложные и монотонные задачи, переключения, отвлечения и восстановление. Участники проектируют рабочий процесс под свою нагрузку.

База знаний как рабочий процесс

Архитектура личных и командных баз, семантический поиск и AI-слой поверх хранилища — от реальных задач: исследование, решения, поиск аналогов, повторное использование опыта.

AI-агенты и надёжная автоматизация

Как связать LLM с инструментами и данными компании: агентная архитектура, RAG, оркестрация, тестовые наборы, оценка качества и анализ трасс.

Результативные коллективы и коллективный интеллект

Как собирать фактуру о сильных командах и проверять, повторим ли найденный способ работы в другом месте.

Кейсы

Knowlume: фильтрация и повторное использование знаний

Система разбивает длинные источники на фрагменты, оценивает их полезность и воспроизводимость, а окончательный выбор оставляет человеку. Ускоряет проработку видео до ×10: около 40 видео за час.

Система поставки контента

Сквозной процесс от записи и транскрибации до нарезки на посты, проверки и публикации. Результат — контент на две недели за один час.

AI-агент для коммерческой недвижимости

Мультиагентная система квалифицирует лиды: отвечает по базе знаний, ищет проекты и лоты, ведёт разговор по сценарию продаж и передаёт сложные случаи менеджеру. Клиент получает ответ мгновенно и в нерабочее время.

Смысловой поиск по исследовательской базе

Система ищет механизм изменения: исходное состояние, преобразование, результат. Запрос раскладывается по трём полям, а найденные связки помогают сформулировать следующие вопросы.

«Продуктивность 101»

Курс прошёл минимум в трёх потоках: планирование дня, сценарии сложных работ, обучение, монотонные задачи, скелет недели, переключения и отвлечения.

Аудитория

Специалисты интеллектуального труда, которым нужно быстрее перерабатывать информацию и доводить сложные задачи до результата

Исследователи, аналитики, консультанты, руководители проектов и продуктов, работающие с большим объёмом источников

Руководители и AI-чемпионы, которые встраивают AI в рабочий процесс и отвечают за результат автоматизации

Команды, которые строят внутренние базы знаний, агентные процессы и повторно используют накопленный опыт

Продуктивность и управление знаниями — базовый и средний уровень, архитектура AI-систем — средний+

Подключаем эксперта под конкретную часть результата

Содержание и глубина зависят от роли участников, текущего уровня и рабочего контура компании. До старта согласуем, что команда должна собрать или изменить на практике.

Обсудить задачу ↗