Екатерина Шалель

Я изучаю скрытый слой между тем, чтобы быть известным, и тем, чтобы быть выбранным.

Первый бизнес я открыла еще во время учебы в Сеченовском университете. Четыре онлайн-магазина должны были просто обеспечивать меня до диплома. Они выросли гораздо сильнее, и через несколько лет я их продала.

Потом была косметология, достаточно близко к продуктам и решениям клиентов, чтобы видеть: выбирают далеко не всегда то, что объективно лучше. Позже я перешла в технологии и стала строить AI-продукты. Та же проблема вернулась в другой форме: системы принимают решения из неполных доказательств, сжатых категорий и несовершенного контекста.

Работая над SKINBOT, а затем исследуя, как универсальные AI-системы описывают и рекомендуют компании, я пришла к различию, которое теперь находится в центре моей работы: recognition не равно selection.

Модель может знать, что компания существует, правильно ее описывать и все равно не включить ее в ответ, когда пользователь спрашивает, кого нанять, кому доверять или что купить. Из этого разрыва выросла моя независимая работа по AI legibility.

Сегодня я измеряю, что AI-системы находят, как понимают сущность, какие утверждения способны подтвердить, какие альтернативы выбирают вместо нее и что меняется после контролируемого вмешательства. Метод: measure, diagnose, intervene, verify. Selection наблюдается, но не гарантируется.

Я также основала getmai.ai, AI engineering company, которая проектирует и строит custom AI systems вокруг реальных бизнес-процессов. Компания начинала с особенно глубокого знания appointment и repeat-visit workflows, но не ограничивается ими. Интеллектуальная линия та же: что происходит в скрытом слое между сигналом, решением и действием.

Медицина оставила мне привычку, которая здесь особенно полезна: отделять наблюдение от вывода и не утверждать больше, чем позволяют данные. Объяснение модели не является доказательством ее внутреннего механизма, а изменение before/after не становится автоматически причинным.