25 уроков первого года программы Solo Founders
(пост)
Мы верили, что строить бизнес в одиночку жизнеспособнее, чем принято считать. Оказалось, мы были правы. Соло-основательство не просто жизнеспособно — это будущее.
1. В одиночку можно сделать гораздо больше, чем вы думаете
Один основатель из программы вышел с нуля на $1 млн ARR за два месяца. Просто решали реальную проблему. Убеждение, что для серьёзной работы нужна команда, — ошибочно.
2. «Соло — вместе».
Соло не должно означать одиночество. Привлекай на подряд
3. Решение начать в одиночку меняет все последующие решения.
Как только вы решаете идти соло, вы не просто отказываетесь от сооснователя — вы меняете время найма, размер equity, подход к фандрейзингу и формирование команды лидеров.
4. Соло-основательство убирает слои менеджмента
Решения принимаются быстрее, а нанятые сотрудники могут получать куда большую компенсацию.
5. Поиск сооснователя может быть прокрастинацией.
6. Сооснователь «для галочки» хуже, чем его отсутствие.
Несколько основателей добавляли «сооснователя» в основном ради акселераторов или инвесторов. Это приводило к конфликтам эго, хаосу в команде и мёртвому equity.
7. Импульс важнее подбора сооснователя
Делайте наоборот: стройте, разговаривайте с клиентами, запускайте эксперименты — и тяга привлечёт будущего сооснователя.
8. Ваш продукт, скорее всего, может быть меньше
Фичи отвлекают от основного продукта, за который клиенты с удовольствием платит
9. Не держитесь за то, что было раньше
Один основатель предлагал облачную и self-hosted-версии продукта. Облако казалось необходимым — доступнее, проще попробовать. Но лучшие клиенты, готовые платить больше и искавшие наиболее дифференцированное решение, хотели self-hosted
10. В сложных нишах запускайте сервис до того, как строить продукт
11. Строить и продавать можно в один день
Расстояние между «есть идея» и «кто-то мне за это заплатил» может быть короче, чем вы думаете.
12. Соло-основатели должны быть значительно щедрее с equity.
Без сооснователей вы владеете 100% с самого начала. Это меняет возможности рекрутинга. Это конкурентное преимущество при найме: вы можете предложить значимую долю
13. Если не нанимаете сразу, нужно работать в нескольких потоках
Продажи, маркетинг, клиентский успех, продукт, поддержка — всё это делаете вы. Соло-основатели, которые испытывали трудности, — те, кто не умел переключаться между контекстами, как правило, инженеры, желающие просто строить. Либо учитесь постоянно переключаться между режимами, либо осознаёте, что соло-предпринримательство — не для вас.
14. Новые инструменты позволяют параллелить задачи
Пока Claude Code что-то генерирует — отвечаете на письма клиентов. Пока идёт деплой — пишете потенциальным клиентам. Основатели, которые хорошо используют ИИ, часто переключаются между задачами
15. Начинайте с подрядчиков
16. Вы могли бы двигаться быстрее. Но нужно увидеть, как выглядит «быстро».
Наблюдение за другими, работающими на высокой скорости, перекалибрует ваше ощущение возможного
17. Выносливость переносима.
Умение преодолевать долгие тяжёлые периоды в одной сфере переносится в стартапы.
18. Когда всё работает — работает быстро.
Циклы продаж разные. Но сигнал появляется рано.
19. Пивоты рождаются из вытянутой нити.
Перспективные пивоты в SFP не случайны. Следующая идея основателя почти всегда была связана с предыдущей
20. Фандрейзинг в неподходящее время — это отвлечение
21. Хорошая оценка может скрывать ужасные условия.
Всегда читайте сайд-леттер и никогда не подписывайте ничего, не зная всех условий.
22. Соло никогда не будет выглядеть менее рациональным, чем сейчас.
Стоимость интеллекта продолжает снижаться, инструменты улучшаются. Становиться соло-основателем будет только всё жизнеспособнее.
23. Соло усиливает эмоциональную нестабильность — планируйте поддержку.
24. Продолжайте.
Компании обычно умирают не от нехватки денег. Они умирают от нехватки надежды.
(пост)
Мы верили, что строить бизнес в одиночку жизнеспособнее, чем принято считать. Оказалось, мы были правы. Соло-основательство не просто жизнеспособно — это будущее.
1. В одиночку можно сделать гораздо больше, чем вы думаете
Один основатель из программы вышел с нуля на $1 млн ARR за два месяца. Просто решали реальную проблему. Убеждение, что для серьёзной работы нужна команда, — ошибочно.
2. «Соло — вместе».
Соло не должно означать одиночество. Привлекай на подряд
3. Решение начать в одиночку меняет все последующие решения.
Как только вы решаете идти соло, вы не просто отказываетесь от сооснователя — вы меняете время найма, размер equity, подход к фандрейзингу и формирование команды лидеров.
4. Соло-основательство убирает слои менеджмента
Решения принимаются быстрее, а нанятые сотрудники могут получать куда большую компенсацию.
5. Поиск сооснователя может быть прокрастинацией.
6. Сооснователь «для галочки» хуже, чем его отсутствие.
Несколько основателей добавляли «сооснователя» в основном ради акселераторов или инвесторов. Это приводило к конфликтам эго, хаосу в команде и мёртвому equity.
7. Импульс важнее подбора сооснователя
Делайте наоборот: стройте, разговаривайте с клиентами, запускайте эксперименты — и тяга привлечёт будущего сооснователя.
8. Ваш продукт, скорее всего, может быть меньше
Фичи отвлекают от основного продукта, за который клиенты с удовольствием платит
9. Не держитесь за то, что было раньше
Один основатель предлагал облачную и self-hosted-версии продукта. Облако казалось необходимым — доступнее, проще попробовать. Но лучшие клиенты, готовые платить больше и искавшие наиболее дифференцированное решение, хотели self-hosted
10. В сложных нишах запускайте сервис до того, как строить продукт
11. Строить и продавать можно в один день
Расстояние между «есть идея» и «кто-то мне за это заплатил» может быть короче, чем вы думаете.
12. Соло-основатели должны быть значительно щедрее с equity.
Без сооснователей вы владеете 100% с самого начала. Это меняет возможности рекрутинга. Это конкурентное преимущество при найме: вы можете предложить значимую долю
13. Если не нанимаете сразу, нужно работать в нескольких потоках
Продажи, маркетинг, клиентский успех, продукт, поддержка — всё это делаете вы. Соло-основатели, которые испытывали трудности, — те, кто не умел переключаться между контекстами, как правило, инженеры, желающие просто строить. Либо учитесь постоянно переключаться между режимами, либо осознаёте, что соло-предпринримательство — не для вас.
14. Новые инструменты позволяют параллелить задачи
Пока Claude Code что-то генерирует — отвечаете на письма клиентов. Пока идёт деплой — пишете потенциальным клиентам. Основатели, которые хорошо используют ИИ, часто переключаются между задачами
15. Начинайте с подрядчиков
16. Вы могли бы двигаться быстрее. Но нужно увидеть, как выглядит «быстро».
Наблюдение за другими, работающими на высокой скорости, перекалибрует ваше ощущение возможного
17. Выносливость переносима.
Умение преодолевать долгие тяжёлые периоды в одной сфере переносится в стартапы.
18. Когда всё работает — работает быстро.
Циклы продаж разные. Но сигнал появляется рано.
19. Пивоты рождаются из вытянутой нити.
Перспективные пивоты в SFP не случайны. Следующая идея основателя почти всегда была связана с предыдущей
20. Фандрейзинг в неподходящее время — это отвлечение
21. Хорошая оценка может скрывать ужасные условия.
Всегда читайте сайд-леттер и никогда не подписывайте ничего, не зная всех условий.
22. Соло никогда не будет выглядеть менее рациональным, чем сейчас.
Стоимость интеллекта продолжает снижаться, инструменты улучшаются. Становиться соло-основателем будет только всё жизнеспособнее.
23. Соло усиливает эмоциональную нестабильность — планируйте поддержку.
24. Продолжайте.
Компании обычно умирают не от нехватки денег. Они умирают от нехватки надежды.
❤2🔥1
Как PM-у дифференцироваться в AI-эпоху
Мне часто задают этот вопрос. И мне не нравится поверхностный ответ, который сейчас распространен: «важно только качество». Вкус, безусловно, важен, но вот мой гораздо более конкретный план действий, как выделиться среди продактов в эпоху ИИ:
1. Оставайтесь на передовой в области освоения ИИ — я думаю, слишком многие игнорируют этот момент, говоря, что «у всех будет доступ к одним и тем же инструментам». Но я занимаюсь этим уже полтора года и могу сказать, что разрыв между теми, кто умеет хорошо использовать ИИ в своей работе, и теми, кто не умеет, только увеличивается. И я не вижу, чтобы это изменилось в ближайшее время. Поэтому лучше всего подготовлены те, кто умеет эффективно использовать ИИ для получения отличных результатов, а это непростая задача.
2. Вкус / высокие стандарты / здравый смысл — об этом все говорят, и я согласен, что это важно. Например, недавно я продемонстрировал 13 навыков ИИ для управления проектами, которые я разработал в Claude Code. Но я не показал 16 других, которые я пытался создать, но в итоге отбросил, потому что результат не соответствовал моим ожиданиям. Я вижу, как многие другие выпускают эти навыки и просто мирятся с низким качеством получаемого продукта. Это ошибка. Первая задача — понять, как выглядит качественная работа над продуктом. Вторая задача — продолжать придерживаться этого стандарта. Не выпускайте халтуру.
3. Экспертиза в предметной области — по мере того, как функциональные аспекты роли становятся все более стандартизированными, я считаю, что экспертные знания в данной области приобретают еще большее значение. Я не думаю, что это случайность, что кардиолог победил опытных разработчиков программного обеспечения в недавнем конкурсе по программированию vibe от Anthropic. Это произошло потому, что его глубокие знания в предметной области позволили ему придумать столь убедительное решение проблемы, возникающей у пациента после визита, которую он глубоко понимал. Только эксперт в предметной области мог это сделать.
4. Продуктовая стратегия — ИИ ужасно справляется с продуктовой стратегией. Я перепробовал все способы, но он так и не смог разработать убедительную, дифференцированную продуктовую стратегию, которая имела бы хоть какие-то шансы завоевать рынок. Думаю, так будет еще долго. Поэтому это отличная область, в которой нужно продолжать совершенствовать свои навыки.
5. Дизайн — достижения, полученные благодаря Gemini и другим подобным проектам, впечатляют, но я до сих пор не могу сравниться с дизайнерами мирового класса, с которыми работал. Особенно это касается интерактивного дизайна, а не только визуального. Освоение этих навыков по-прежнему ценно.
Мне часто задают этот вопрос. И мне не нравится поверхностный ответ, который сейчас распространен: «важно только качество». Вкус, безусловно, важен, но вот мой гораздо более конкретный план действий, как выделиться среди продактов в эпоху ИИ:
1. Оставайтесь на передовой в области освоения ИИ — я думаю, слишком многие игнорируют этот момент, говоря, что «у всех будет доступ к одним и тем же инструментам». Но я занимаюсь этим уже полтора года и могу сказать, что разрыв между теми, кто умеет хорошо использовать ИИ в своей работе, и теми, кто не умеет, только увеличивается. И я не вижу, чтобы это изменилось в ближайшее время. Поэтому лучше всего подготовлены те, кто умеет эффективно использовать ИИ для получения отличных результатов, а это непростая задача.
2. Вкус / высокие стандарты / здравый смысл — об этом все говорят, и я согласен, что это важно. Например, недавно я продемонстрировал 13 навыков ИИ для управления проектами, которые я разработал в Claude Code. Но я не показал 16 других, которые я пытался создать, но в итоге отбросил, потому что результат не соответствовал моим ожиданиям. Я вижу, как многие другие выпускают эти навыки и просто мирятся с низким качеством получаемого продукта. Это ошибка. Первая задача — понять, как выглядит качественная работа над продуктом. Вторая задача — продолжать придерживаться этого стандарта. Не выпускайте халтуру.
3. Экспертиза в предметной области — по мере того, как функциональные аспекты роли становятся все более стандартизированными, я считаю, что экспертные знания в данной области приобретают еще большее значение. Я не думаю, что это случайность, что кардиолог победил опытных разработчиков программного обеспечения в недавнем конкурсе по программированию vibe от Anthropic. Это произошло потому, что его глубокие знания в предметной области позволили ему придумать столь убедительное решение проблемы, возникающей у пациента после визита, которую он глубоко понимал. Только эксперт в предметной области мог это сделать.
4. Продуктовая стратегия — ИИ ужасно справляется с продуктовой стратегией. Я перепробовал все способы, но он так и не смог разработать убедительную, дифференцированную продуктовую стратегию, которая имела бы хоть какие-то шансы завоевать рынок. Думаю, так будет еще долго. Поэтому это отличная область, в которой нужно продолжать совершенствовать свои навыки.
5. Дизайн — достижения, полученные благодаря Gemini и другим подобным проектам, впечатляют, но я до сих пор не могу сравниться с дизайнерами мирового класса, с которыми работал. Особенно это касается интерактивного дизайна, а не только визуального. Освоение этих навыков по-прежнему ценно.
🔥2
Помните кейс Intercom? Как спасли этот некогда прекрасный EU стартап каннибализировав его ИИ агентом?
(а ведь этот путь предстоит всем веб-продуктам)
Кто не в теме — читай: есть ровно один способ спасти SaaS как Intercom возродила бизнес с помощью ИИ-агента Fin, достигнув $400M ARR и удвоения роста за два года после радикальных изменений.
==
Что они делали (заметки):
Команда Intercom построила внутреннюю инженерную платформу на базе Claude Code — 13 плагинов, 100+ навыков и хуки, которые превращают Claude в полноценный full-stack инструмент разработки. Это не просто AI-помощник в редакторе — это производственная система с доступом к реальным данным, мониторингом и обратной связью.
Самое смелое:
- Rails-консоль в продакшне через MCP
- Claude получил read-only доступ к продакшн Rails-консоли и может выполнять произвольный Ruby-код против реальных данных
- Защита: только read-реплика, заблокированы критичные таблицы, обязательная верификация модели перед каждым запросом, Okta-аутентификация, аудит-лог в DynamoDB
📊 Полная наблюдаемость через OpenTelemetry
- логировали 14 типов событий (SessionStart, PreToolUse, PostToolUse и др.) стримятся в Honeycomb
- Промпты и сообщения пользователей намеренно не логируются — privacy-first подход
- Транскрипты сессий → S3 (username захэширован SHA256), анализируются Claude Haiku на предмет улучшений
Главный сюрприз: топ-5 пользователей — не инженеры, а дизайн-менеджеры, продакты и саппорт
🔁 Автоматическая петля обратной связи
- После каждой сессии Haiku автоматически классифицирует пробелы:
- Результат постится в Slack с готовой ссылкой на создание GitHub Issue → новые навыки → лучшие сессии
🧪 Исправление флакающих тестов
- 9-шаговый workflow расследования с таксономией из 20 категорий причин флакания
- Жёсткие правила: никогда не скипать тест как "фикс", никогда не гадать о причине без данных из CI
- Ищет "братские" экземпляры одного антипаттерна и фиксит массово — критично при сотнях тысяч тестов
🔒 Принудительный PR-воркфлоу на уровне shell
- PreToolUse хук блокирует
- Skill сначала извлекает бизнес-интент ("зачем?"), а не просто описание изменений
- Фоновый агент автоматически мониторит CI через ETag-polling (без затрат на rate limit)
🛡 Анализатор разрешений на основе реальных данных
- После 5 запросов разрешений за сессию система сканирует последние 14 дней транскриптов
- Классифицирует команды: GREEN (ls, grep), YELLOW (git, mkdir), RED (rm, sudo, curl)
- Безопасные команды автоматически записываются в settings.json — не угадывание, а evidence-based подход
📈 Платформа Claude4Data для аналитиков
- 30+ аналитических навыков: Snowflake-запросы, анализ Gong-звонков, финансовые метрики, здоровье клиентов
- Используют sales-репы, продакты и дата-сайентисты
- Дистрибуция через JAMF на все корпоративные Mac'и, качество контролируется через регулярные ревью
==
Intercom показал, как выглядит production-grade AI-платформа в реальной компании: не просто "попросил Claude написать код", а полноценная система с безопасностью, наблюдаемостью, автоматической самооптимизацией и доступом к продакшн-данным. Особенно показательно, что систему активно используют не только инженеры, но и продакты, дизайнеры и саппорт.
(а ведь этот путь предстоит всем веб-продуктам)
Кто не в теме — читай: есть ровно один способ спасти SaaS как Intercom возродила бизнес с помощью ИИ-агента Fin, достигнув $400M ARR и удвоения роста за два года после радикальных изменений.
==
Что они делали (заметки):
Команда Intercom построила внутреннюю инженерную платформу на базе Claude Code — 13 плагинов, 100+ навыков и хуки, которые превращают Claude в полноценный full-stack инструмент разработки. Это не просто AI-помощник в редакторе — это производственная система с доступом к реальным данным, мониторингом и обратной связью.
Самое смелое:
- Rails-консоль в продакшне через MCP
- Claude получил read-only доступ к продакшн Rails-консоли и может выполнять произвольный Ruby-код против реальных данных
- Защита: только read-реплика, заблокированы критичные таблицы, обязательная верификация модели перед каждым запросом, Okta-аутентификация, аудит-лог в DynamoDB
📊 Полная наблюдаемость через OpenTelemetry
- логировали 14 типов событий (SessionStart, PreToolUse, PostToolUse и др.) стримятся в Honeycomb
- Промпты и сообщения пользователей намеренно не логируются — privacy-first подход
- Транскрипты сессий → S3 (username захэширован SHA256), анализируются Claude Haiku на предмет улучшений
Главный сюрприз: топ-5 пользователей — не инженеры, а дизайн-менеджеры, продакты и саппорт
🔁 Автоматическая петля обратной связи
- После каждой сессии Haiku автоматически классифицирует пробелы:
missing_skill, missing_tool, repeated_failure, wrong_info- Результат постится в Slack с готовой ссылкой на создание GitHub Issue → новые навыки → лучшие сессии
🧪 Исправление флакающих тестов
- 9-шаговый workflow расследования с таксономией из 20 категорий причин флакания
- Жёсткие правила: никогда не скипать тест как "фикс", никогда не гадать о причине без данных из CI
- Ищет "братские" экземпляры одного антипаттерна и фиксит массово — критично при сотнях тысяч тестов
🔒 Принудительный PR-воркфлоу на уровне shell
- PreToolUse хук блокирует
gh pr create до активации специального skill'а- Skill сначала извлекает бизнес-интент ("зачем?"), а не просто описание изменений
- Фоновый агент автоматически мониторит CI через ETag-polling (без затрат на rate limit)
🛡 Анализатор разрешений на основе реальных данных
- После 5 запросов разрешений за сессию система сканирует последние 14 дней транскриптов
- Классифицирует команды: GREEN (ls, grep), YELLOW (git, mkdir), RED (rm, sudo, curl)
- Безопасные команды автоматически записываются в settings.json — не угадывание, а evidence-based подход
📈 Платформа Claude4Data для аналитиков
- 30+ аналитических навыков: Snowflake-запросы, анализ Gong-звонков, финансовые метрики, здоровье клиентов
- Используют sales-репы, продакты и дата-сайентисты
- Дистрибуция через JAMF на все корпоративные Mac'и, качество контролируется через регулярные ревью
==
Intercom показал, как выглядит production-grade AI-платформа в реальной компании: не просто "попросил Claude написать код", а полноценная система с безопасностью, наблюдаемостью, автоматической самооптимизацией и доступом к продакшн-данным. Особенно показательно, что систему активно используют не только инженеры, но и продакты, дизайнеры и саппорт.
👍2
n8n-as-code
Новая удобная утилита для создания agentic worfklow в n8n с помощью ИИ агента
Есть GitOps для n8n — Управляйте всем жизненным циклом рабочего процесса — получение изменений, редактирование, отправка, разрешение конфликтов, версионирование с помощью Git.
Рабочие процессы TypeScript
Преобразуйте рабочие процессы n8n JSON в чистый, типобезопасный TypeScript с помощью декораторов.
Встроенный n8n canvas
Специальная боковая панель, встроенный холст n8n и синхронизация в один клик.
Новая удобная утилита для создания agentic worfklow в n8n с помощью ИИ агента
Есть GitOps для n8n — Управляйте всем жизненным циклом рабочего процесса — получение изменений, редактирование, отправка, разрешение конфликтов, версионирование с помощью Git.
Рабочие процессы TypeScript
Преобразуйте рабочие процессы n8n JSON в чистый, типобезопасный TypeScript с помощью декораторов.
Встроенный n8n canvas
Специальная боковая панель, встроенный холст n8n и синхронизация в один клик.
👍1
Кстати, вот 9 техник из воркспейса CPO/CTO
Для тех, кто в бесконечных дедлайнах и стрессе.
==
Скорость ≠ больше часов. С-левел работает меньше, но умнее — защищает фокус системно, а не силой воли
Готовые скрипты снимают когнитивную нагрузку — не нужно каждый раз придумывать вежливый отказ, он уже написан
Async по умолчанию — синхронная коммуникация это исключение, а не норма
Делегирование 80% — перфекционизм убивает масштаб; лучше 80% чужими руками, чем 100% своими
Scope creep — главный враг спринта: любая "мелочь" ломает ритм, тесты и моментум
Для тех, кто в бесконечных дедлайнах и стрессе.
==
Скорость ≠ больше часов. С-левел работает меньше, но умнее — защищает фокус системно, а не силой воли
Готовые скрипты снимают когнитивную нагрузку — не нужно каждый раз придумывать вежливый отказ, он уже написан
Async по умолчанию — синхронная коммуникация это исключение, а не норма
Делегирование 80% — перфекционизм убивает масштаб; лучше 80% чужими руками, чем 100% своими
Scope creep — главный враг спринта: любая "мелочь" ломает ритм, тесты и моментум
👍2
остановил эту дневную рассылку
получал фидбек:
- слишком часто
- не успеваю читать → концентрация пользы упала
- не видно "тебя как эксперта" в канале
==
оставить / убрать?
↓↓↓
получал фидбек:
- слишком часто
- не успеваю читать → концентрация пользы упала
- не видно "тебя как эксперта" в канале
==
оставить / убрать?
↓↓↓
Нужны ли вам новости за день
Anonymous Poll
15%
Оставить
20%
Убрать
66%
Сделать реже (каждые 2-3 дня)
Крутое продуктовое решение для PDP в E-com
(PDP — product page)
Проблема пользователя: Сегодня проблема с процессом оформления заказа (PDP) возникает после того, как покупатель прочтет все описания и отзывы на странице. Как только покупатель нажимает «Добавить в корзину» и понимает, что следующий шаг — это потратить деньги, он колеблется и ищет подтверждения от реальных людей в социальных сетях, которым не платят за комментарии к товару.
+ 30% отзывов в интернете = фейк.
Решение: Добавляя отзывы, которые покупатели уже ищут, в каждое описание товара, потребители могут использовать эту информацию для принятия простого решения о покупке, вместо того чтобы теряться в информационном шуме интернета.
Продукт: Honestly расширение для Chrome, которое находит и проверяет реальные отзывы о товарах с Reddit, TikTok, YouTube и Instagram прямо на страницах товаров. Киллер-фича: определяет фейковые отзывы в соцсетях
==
Продактам E-com'a как идея в беклог
(PDP — product page)
Проблема пользователя: Сегодня проблема с процессом оформления заказа (PDP) возникает после того, как покупатель прочтет все описания и отзывы на странице. Как только покупатель нажимает «Добавить в корзину» и понимает, что следующий шаг — это потратить деньги, он колеблется и ищет подтверждения от реальных людей в социальных сетях, которым не платят за комментарии к товару.
+ 30% отзывов в интернете = фейк.
Решение: Добавляя отзывы, которые покупатели уже ищут, в каждое описание товара, потребители могут использовать эту информацию для принятия простого решения о покупке, вместо того чтобы теряться в информационном шуме интернета.
Продукт: Honestly расширение для Chrome, которое находит и проверяет реальные отзывы о товарах с Reddit, TikTok, YouTube и Instagram прямо на страницах товаров. Киллер-фича: определяет фейковые отзывы в соцсетях
==
Продактам E-com'a как идея в беклог
👍2
Чего люди хотят от ИИ?
Из исследования Антропик, интервью с 80 508 пользователями из 159 стран на 70 языках.
Что люди реально хотят от ИИ
Топ запросов выглядит так:
- Профессиональное совершенство — 19%
- Личная трансформация — 14%
- Управление жизнью — 14%
- Свобода времени — 11%
- Финансовая независимость — 10%
Но вот что интересно: когда исследователи спрашивали глубже — «а что ты сделаешь с этим временем?» — разговор о продуктивности превращался в разговор о семье, здоровье и смысле. Автоматизация почты → больше времени с детьми. Рутинная документация → терпение с пациентами.
Где ИИ уже работает
81% участников подтвердили: ИИ уже приближается к их ожиданиям. Конкретика:
- Программист, США: сократил 173-дневный процесс до 3 дней
- Медработник, США: 100–150 сообщений в день от врачей → нагрузка на документацию упала, появилось время на семью
- Предприниматель, Чили: 20 лет мясная лавка → с ИИ запустил новый бизнес, хотя до этого прикасался к компьютеру 2–3 раза в жизни
Цифры по предпринимателям особенно показательны: 47% независимых предпринимателей зафиксировали реальный экономический выигрыш — против 14% корпоративных сотрудников. Разрыв — в три раза. У тех, кто совмещает найм и свои проекты, показатель ещё выше — 58%.
Главные страхи: ненадёжность ИИ (27%), угроза занятости (22%), потеря автономии (22%). Интересная закономерность: оптимисты и пессимисты — не два разных лагеря. Это один и тот же человек. Тот, кто ценит эмоциональную поддержку ИИ, в 3 раза чаще боится от него зависеть. Адвокат из Израиля сформулировал точнее всех: «Использую ИИ для проверки контрактов, экономя время — и в то же время боюсь: не теряю ли я способность читать самостоятельно? Мышление было последним рубежом».
Из исследования Антропик, интервью с 80 508 пользователями из 159 стран на 70 языках.
Что люди реально хотят от ИИ
Топ запросов выглядит так:
- Профессиональное совершенство — 19%
- Личная трансформация — 14%
- Управление жизнью — 14%
- Свобода времени — 11%
- Финансовая независимость — 10%
Но вот что интересно: когда исследователи спрашивали глубже — «а что ты сделаешь с этим временем?» — разговор о продуктивности превращался в разговор о семье, здоровье и смысле. Автоматизация почты → больше времени с детьми. Рутинная документация → терпение с пациентами.
Где ИИ уже работает
81% участников подтвердили: ИИ уже приближается к их ожиданиям. Конкретика:
- Программист, США: сократил 173-дневный процесс до 3 дней
- Медработник, США: 100–150 сообщений в день от врачей → нагрузка на документацию упала, появилось время на семью
- Предприниматель, Чили: 20 лет мясная лавка → с ИИ запустил новый бизнес, хотя до этого прикасался к компьютеру 2–3 раза в жизни
Цифры по предпринимателям особенно показательны: 47% независимых предпринимателей зафиксировали реальный экономический выигрыш — против 14% корпоративных сотрудников. Разрыв — в три раза. У тех, кто совмещает найм и свои проекты, показатель ещё выше — 58%.
Главные страхи: ненадёжность ИИ (27%), угроза занятости (22%), потеря автономии (22%). Интересная закономерность: оптимисты и пессимисты — не два разных лагеря. Это один и тот же человек. Тот, кто ценит эмоциональную поддержку ИИ, в 3 раза чаще боится от него зависеть. Адвокат из Израиля сформулировал точнее всех: «Использую ИИ для проверки контрактов, экономя время — и в то же время боюсь: не теряю ли я способность читать самостоятельно? Мышление было последним рубежом».
👍1
Что изучают студенты Стэнфорда об ИИ
Стэнфорд выложил бесплатно то, за что студенты платят $60 000 в год. Вот что они реально изучают про ИИ
Большинство материалов об ИИ попадают в одну из двух ловушек. Либо слишком поверхностно — "нейросети учатся на данных, удивительно". Либо настолько плотно, что нужна степень PhD просто чтобы осилить введение.
Stanford CS221 — ни то, ни другое.
Что это такое
20 лекций. Полный математический фундамент ИИ — от того, как машина учится, до стратегических игр и принятия решений под неопределённостью. Курс покрывает четыре направления, которые большинство считает одним:
- Машинное обучение — как системы извлекают паттерны из данных
- Поиск и планирование — как ИИ рассуждает через последовательности действий
- Принятие решений под неопределённостью — как действовать, когда результат не гарантирован
- Теория игр — как рассуждать против другого агента
Почему это важно
Вы принимаете продуктовые решения с ИИ каждый день. Но знаете ли вы, почему LLM иногда "думает дольше" и даёт лучший ответ? Почему рекомендательная система ведёт себя именно так?
Это не случайность. Алгоритм поиска кратчайшего пути на карте → тот же алгоритм, который позволяет LLM перебирать варианты перед ответом. Test-time compute — это просто эвристический поиск из лекции 5.
Это меняет то, как вы проектируете продукты на базе ИИ.
Что внутри первых🔗 11 лекций
- Лекции 2–3: функции потерь → градиентный спуск → основа каждой модели, которую вы когда-либо использовали
- Лекция 4: почему один слой не работает → глубокие сети → почему трансформеры вообще возможны
- Лекции 5–6: поиск A* → та же логика, что стоит за "extended thinking" в Claude и GPT
- Лекции 7–8: Markov Decision Processes + Reinforcement Learning → математический фундамент RLHF и ChatGPT
- Лекции 10–11: теория игр → Nash equilibrium → почему alignment ИИ структурно сложен
- Лекции 12–14 — про то, как ИИ работает с миром, в котором ничто не гарантировано.
- Лекции 15–16 — про знание, которое либо истинно, либо нет.
- Лекция 17 — Три стадии современной LLM: Предобучение. Дообучение через RLHF
- Лекция 18 — пять структурных проблем, которые не видно из training loop: Модели наследуют исторические неравенства из данных, Reward hacking, Большинство продакшн-моделей — чёрные ящики
==
Где найти
Весь курс бесплатно:🔗 youtube.com/@stanfordonline
Стэнфорд выложил бесплатно то, за что студенты платят $60 000 в год. Вот что они реально изучают про ИИ
Большинство материалов об ИИ попадают в одну из двух ловушек. Либо слишком поверхностно — "нейросети учатся на данных, удивительно". Либо настолько плотно, что нужна степень PhD просто чтобы осилить введение.
Stanford CS221 — ни то, ни другое.
Что это такое
20 лекций. Полный математический фундамент ИИ — от того, как машина учится, до стратегических игр и принятия решений под неопределённостью. Курс покрывает четыре направления, которые большинство считает одним:
- Машинное обучение — как системы извлекают паттерны из данных
- Поиск и планирование — как ИИ рассуждает через последовательности действий
- Принятие решений под неопределённостью — как действовать, когда результат не гарантирован
- Теория игр — как рассуждать против другого агента
Почему это важно
Вы принимаете продуктовые решения с ИИ каждый день. Но знаете ли вы, почему LLM иногда "думает дольше" и даёт лучший ответ? Почему рекомендательная система ведёт себя именно так?
Это не случайность. Алгоритм поиска кратчайшего пути на карте → тот же алгоритм, который позволяет LLM перебирать варианты перед ответом. Test-time compute — это просто эвристический поиск из лекции 5.
Это меняет то, как вы проектируете продукты на базе ИИ.
Что внутри первых
- Лекции 2–3: функции потерь → градиентный спуск → основа каждой модели, которую вы когда-либо использовали
- Лекция 4: почему один слой не работает → глубокие сети → почему трансформеры вообще возможны
- Лекции 5–6: поиск A* → та же логика, что стоит за "extended thinking" в Claude и GPT
- Лекции 7–8: Markov Decision Processes + Reinforcement Learning → математический фундамент RLHF и ChatGPT
- Лекции 10–11: теория игр → Nash equilibrium → почему alignment ИИ структурно сложен
- Лекции 12–14 — про то, как ИИ работает с миром, в котором ничто не гарантировано.
- Лекции 15–16 — про знание, которое либо истинно, либо нет.
- Лекция 17 — Три стадии современной LLM: Предобучение. Дообучение через RLHF
- Лекция 18 — пять структурных проблем, которые не видно из training loop: Модели наследуют исторические неравенства из данных, Reward hacking, Большинство продакшн-моделей — чёрные ящики
==
Где найти
Весь курс бесплатно:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1🔥1
+1,560% ROI на автономном Research
(исследования тоже двигаются к автономии, Андрей Карпати недавно запушил autoresearch — скрипт для автономных ML-экспериментов на одном GPU. ~100 экспериментов за ночь, идея проста: исследователь не должен быть узким горлышком внутри цикла. Человек задаёт objective, metric и boundaries, и система сама запускает, проверяет, сравнивает и улучшает).
Короче.
Тема крутая, но где это дает бОльший импакт? продуктовые исследования? А/В тесты? (можно, вот как), но выгоднее — авто-корректировка трейдинг-стратегии.
Есть такой скилл для OpenClaw — PolyClaw, python-скилл (git), который позволяет Claude торговать на Polymarket через CLOB (Central Limit Order Book) и Polygon-смарт-контракты. Стратегия: split + sell — USDC.e делится на YES/NO токены, ненужная сторона продаётся на CLOB, оставляя нужную позицию по выгодной цене.
Перед первой сделкой нужно выставить апрувы на 6 Polymarket-контрактов. Делается один раз, стоит ~$0.01 на газ:
🎞 реальный трейд, который заработал 2$ со 100$ за 2 мин.
🎞 кейс +1,560% ROI — стратегия ставит против толпы, когда все паникуют
🎞 кейс внедрения авторесерч в торговый бот
Режим арбитража (hedge scan): именно это принесло +1,322% в эксперименте — поиск пар маркетов, где YES одного логически покрывает NO другого:
(нужен чип, минимум H100 для сетапа, но можно арендовать в облаке: Lambda, Vast ai, RunPod, Google Colab)
Можно форкнуть подход или подключить Claude Code и давать ему промпты вида:
🎞 гайд по установке
(исследования тоже двигаются к автономии, Андрей Карпати недавно запушил autoresearch — скрипт для автономных ML-экспериментов на одном GPU. ~100 экспериментов за ночь, идея проста: исследователь не должен быть узким горлышком внутри цикла. Человек задаёт objective, metric и boundaries, и система сама запускает, проверяет, сравнивает и улучшает).
Короче.
Тема крутая, но где это дает бОльший импакт? продуктовые исследования? А/В тесты? (можно, вот как), но выгоднее — авто-корректировка трейдинг-стратегии.
Есть такой скилл для OpenClaw — PolyClaw, python-скилл (git), который позволяет Claude торговать на Polymarket через CLOB (Central Limit Order Book) и Polygon-смарт-контракты. Стратегия: split + sell — USDC.e делится на YES/NO токены, ненужная сторона продаётся на CLOB, оставляя нужную позицию по выгодной цене.
Перед первой сделкой нужно выставить апрувы на 6 Polymarket-контрактов. Делается один раз, стоит ~$0.01 на газ:
uv run python scripts/polyclaw.py wallet approveРежим арбитража (hedge scan): именно это принесло +1,322% в эксперименте — поиск пар маркетов, где YES одного логически покрывает NO другого:
(нужен чип, минимум H100 для сетапа, но можно арендовать в облаке: Lambda, Vast ai, RunPod, Google Colab)
Можно форкнуть подход или подключить Claude Code и давать ему промпты вида:
Find me some hedging opportunities on Polymarket,
then buy $25 YES and $25 NO on the best pair.
Show my positions after.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1
↓↓↓
Если вы пользуетесь Claude Code skills или любыми промптами в рабочих процессах, вот неудобная правда: они нестабильны примерно в 30% случаев. Один и тот же промпт → разные результаты. Потому что все выходы языковых моделей — это распределения, не фиксированные ответы. Вы не можете «починить» промпт однажды и забыть. Нужна система, которая улучшает его сама.
Что такое AutoResearch на практике
Идея проста. В оригинале Карпати применял её для обучения nanoGPT: агент читает инструкции → запускает эксперимент → оценивает результат → правит код → повторяет. Без человека в петле.
Для промптов и скиллов механика идентична:
- Промпт — это ваш
- Инструкция агенту — это ваш
- Eval-набор — критерии качества, по которым агент судит каждый запуск
Три ингредиента
↓
1 - Объективная метрика — число, которое можно измерить. Не «звучит лучше» или «как-то красивее». Для скилла генерации диаграмм автор взял 4 бинарных критерия: читаемость текста, пастельная палитра, линейная структура, отсутствие цифр. Максимум — 40 баллов.
2 - Инструмент измерения — агент сам пишет тест-сьют. Генерирует 10 диаграмм → прогоняет через eval → считает баллы → правит промпт → повторяет каждые 2 минуты.
3 - То, что меняется — промпт, код, тема письма, структура лендинга. Всё, что имеет измеримый выход.
==
вот два видео гайда, которые можно посмотреть для закрепления:
🎞 Stop Fixing Your Claude Skills. Autoresearch Does It For You
🎞 Build Self-Improving Claude Code Skills. The Results Are Crazy.
Если вы пользуетесь Claude Code skills или любыми промптами в рабочих процессах, вот неудобная правда: они нестабильны примерно в 30% случаев. Один и тот же промпт → разные результаты. Потому что все выходы языковых моделей — это распределения, не фиксированные ответы. Вы не можете «починить» промпт однажды и забыть. Нужна система, которая улучшает его сама.
Что такое AutoResearch на практике
Идея проста. В оригинале Карпати применял её для обучения nanoGPT: агент читает инструкции → запускает эксперимент → оценивает результат → правит код → повторяет. Без человека в петле.
Для промптов и скиллов механика идентична:
- Промпт — это ваш
train.py, то, что меняется- Инструкция агенту — это ваш
program.md, задание на оптимизацию- Eval-набор — критерии качества, по которым агент судит каждый запуск
Три ингредиента
↓
1 - Объективная метрика — число, которое можно измерить. Не «звучит лучше» или «как-то красивее». Для скилла генерации диаграмм автор взял 4 бинарных критерия: читаемость текста, пастельная палитра, линейная структура, отсутствие цифр. Максимум — 40 баллов.
2 - Инструмент измерения — агент сам пишет тест-сьют. Генерирует 10 диаграмм → прогоняет через eval → считает баллы → правит промпт → повторяет каждые 2 минуты.
3 - То, что меняется — промпт, код, тема письма, структура лендинга. Всё, что имеет измеримый выход.
==
вот два видео гайда, которые можно посмотреть для закрепления:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
This media is not supported in your browser
VIEW IN TELEGRAM
SEO Pipeline: мультиагентный конвейер Контента
Это часть моего пайплайна по авто-генерациии SEO контента (пока текстового, Google например анализирует видео при GEO и AEO — в чем разница)
Цель?
Если посмотреть западные🔗 показатели по нишам в отношении видимости в ИИ ответах, то медиана на уровне 50-60%. Потенциал велик + нормальных рекламных площадок в РФ не осталось (ещё один большой минус, на Яндекс все жалуются, Авито тоже собирает куча хейта в рилсах в нише услуг).
Решение:
GEO и AEO генератор статей → авто-постилка в соцсети (об этом в др. посте)
Традиционные инструменты генерации контента часто создают поверхностные тексты, требующие значительной доработки.
Я заманьячил тему AI SEO за неделю, перелопатил тонны западного контента, мой подход основан на агентской оркестрации: каждый этап подготовки контента выполняется отдельным «специалистом» с узкой зоной ответственности. Это позволяет достичь качества, сопоставимого с работой целой редакции, за считанные минуты.
Кому нужно готовое решение (аналог) → берите с🔗 репо GitHub
Это готовое решение на LangGraph + LangFuse для мониторинга.
Я пошел дальше: создал 10 ИИ агентов
Конвейер состоит из последовательных и параллельных этапов, на каждом из которых работает свой эксперт:
1. Scraper (Парсер): Анализирует выдачу Google/Yandex и сайты конкурентов. Извлекает структуру, сущности (Entities) и определяет «пробелы в контенте» (Content Gaps).
2. Wordstat Agent: Работает с данными поисковых запросов, отбирает наиболее эффективные ключевые слова и LSI-фразы.
3. Audience Analyst: Сегментирует ЦА, определяет их «боли», возражения и стиль общения (Tone of Voice).
4. Pre-Planner: Формирует первичную структуру (Outline) статьи, основываясь на данных конкурентов и намерениях пользователей.
5. Researcher: Проверяет факты, ищет авторитетные источники и подтверждающие данные для повышения E-E-A-T (Expertise, Experience, Authoritativeness, Trustworthiness).
6. Final Planner: Создает итоговое редакционное задание для копирайтера, учитывая все данные предыдущих этапов.
7. Writer (Копирайтер): Генерирует основной текст статьи в формате HTML. Использует современные приемы сторителлинга и форматирования.
8. Refiner (Редактор): «Очеловечивает» текст, убирает типичные паттерны AI-генерации, проверяет связность и добавляет внутренние ссылки.
9. SEO Optimizer: Профессионально расставляет мета-теги (Title, Description), формирует Slug и генерирует JSON-LD разметку (Schema.org).
10. Quality Checker: Проводит финальную приемку по чек-листу: уникальность, читаемость, соответствие SEO-задаче и факт-чекинг.
===
Интерфейс
Центр управления запуском задач позволяет гибко настроить параметры генерации:
- Выбор этапа воронки продаж (TOFU / MOFU / BOFU).
- Категории TAYA (They Ask, You Answer) для создания ответов на вопросы клиентов.
- Указание Tone of Voice и целевой глубины проработки.
- Видимость этапов работы агентов, ошибок, ретраев
- Langfuse для мониторинга — полная трассировка каждого шага агента. Мы видим не только результат, но и логику рассуждений, затраты токенов и время выполнения каждого узла.
===
Почему это эффективно?
1. Масштабируемость: один редактор с помощью этой системы может выпускать до 50 качественных статей в день.
2. Consistency (Стабильность): AI-агенты не устают и строго следуют заданному Tone of Voice и SEO-стандартам.
3. Data-Driven Approach: Каждая статья базируется на реальном анализе конкурентов и частотности ключей, а не на догадках.
4. Полный контроль: Возможность в любой момент вмешаться в логику промптов и подстроить систему под новые реалии алгоритмов Google или Yandex.
Это часть моего пайплайна по авто-генерациии SEO контента (пока текстового, Google например анализирует видео при GEO и AEO — в чем разница)
Цель?
Если посмотреть западные
Решение:
GEO и AEO генератор статей → авто-постилка в соцсети (об этом в др. посте)
Традиционные инструменты генерации контента часто создают поверхностные тексты, требующие значительной доработки.
Я заманьячил тему AI SEO за неделю, перелопатил тонны западного контента, мой подход основан на агентской оркестрации: каждый этап подготовки контента выполняется отдельным «специалистом» с узкой зоной ответственности. Это позволяет достичь качества, сопоставимого с работой целой редакции, за считанные минуты.
Кому нужно готовое решение (аналог) → берите с
Это готовое решение на LangGraph + LangFuse для мониторинга.
Я пошел дальше: создал 10 ИИ агентов
Конвейер состоит из последовательных и параллельных этапов, на каждом из которых работает свой эксперт:
1. Scraper (Парсер): Анализирует выдачу Google/Yandex и сайты конкурентов. Извлекает структуру, сущности (Entities) и определяет «пробелы в контенте» (Content Gaps).
2. Wordstat Agent: Работает с данными поисковых запросов, отбирает наиболее эффективные ключевые слова и LSI-фразы.
3. Audience Analyst: Сегментирует ЦА, определяет их «боли», возражения и стиль общения (Tone of Voice).
4. Pre-Planner: Формирует первичную структуру (Outline) статьи, основываясь на данных конкурентов и намерениях пользователей.
5. Researcher: Проверяет факты, ищет авторитетные источники и подтверждающие данные для повышения E-E-A-T (Expertise, Experience, Authoritativeness, Trustworthiness).
6. Final Planner: Создает итоговое редакционное задание для копирайтера, учитывая все данные предыдущих этапов.
7. Writer (Копирайтер): Генерирует основной текст статьи в формате HTML. Использует современные приемы сторителлинга и форматирования.
8. Refiner (Редактор): «Очеловечивает» текст, убирает типичные паттерны AI-генерации, проверяет связность и добавляет внутренние ссылки.
9. SEO Optimizer: Профессионально расставляет мета-теги (Title, Description), формирует Slug и генерирует JSON-LD разметку (Schema.org).
10. Quality Checker: Проводит финальную приемку по чек-листу: уникальность, читаемость, соответствие SEO-задаче и факт-чекинг.
===
Интерфейс
Центр управления запуском задач позволяет гибко настроить параметры генерации:
- Выбор этапа воронки продаж (TOFU / MOFU / BOFU).
- Категории TAYA (They Ask, You Answer) для создания ответов на вопросы клиентов.
- Указание Tone of Voice и целевой глубины проработки.
- Видимость этапов работы агентов, ошибок, ретраев
- Langfuse для мониторинга — полная трассировка каждого шага агента. Мы видим не только результат, но и логику рассуждений, затраты токенов и время выполнения каждого узла.
===
Почему это эффективно?
1. Масштабируемость: один редактор с помощью этой системы может выпускать до 50 качественных статей в день.
2. Consistency (Стабильность): AI-агенты не устают и строго следуют заданному Tone of Voice и SEO-стандартам.
3. Data-Driven Approach: Каждая статья базируется на реальном анализе конкурентов и частотности ключей, а не на догадках.
4. Полный контроль: Возможность в любой момент вмешаться в логику промптов и подстроить систему под новые реалии алгоритмов Google или Yandex.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3🔥2
💰 Инвестиции
• Mercury ведет переговоры о раунде с оценкой $5B+ — Привлечение средств и покупка payroll-стартапа Central.
• Chime запускает Chime Prime: 5% cash back — Новый премиальный уровень при входящих переводах от $3,000.
• Mercury ведет переговоры о раунде с оценкой $5B+ — Привлечение средств и покупка payroll-стартапа Central.
• Chime запускает Chime Prime: 5% cash back — Новый премиальный уровень при входящих переводах от $3,000.
Для SaaS осталось всего два пути
Дэвид Джордж, партнёр a16z дает прогноз
Эпоха комфортной середины закончилась.
Путь первый: ускорить рост выручки на 10+ п.п. YoY за счёт по-настоящему новых AI-продуктов в течение 12–18 месяцев.
Путь второй: перестроить компанию для достижения истинной операционной маржи свыше 40% (в идеале — 50%), включая компенсации акциями (SBC).
1️⃣ Seat-based → Token/Consumption pricing
твоя модель ценообразования услуг агентства должна включать outcome/token компонент. У вас немного времени, ценообразование на основе мест не исчезнет за одну ночь. Но вы должны серьёзно отнестись к этому вызову: нельзя отмахнуться от новой модели ценообразования и нового интерфейса. Если агент не может автономно потреблять ваш продукт и платить за него, скорее всего, вы ещё не там.
Управленцы нового времени займут свои места. Всего 5 чел.
Что делать с этими людьми?
1. поставить их во главе непрезентабельных, но критически важных проектов по сбору информации:
- спринты по захвату процессов вокруг каждого высокоценного рабочего процесса;
- сбор стандартных операционных процедур, тикетов, расшифровок, документов с требованиями, политик, заметок CRM, логов поддержки, данных о событиях и маршрутов согласований.
2. Настройте оценки точности, обработки исключений, задержки и стоимости
3. Поручите этим пяти людям эту задачу — каждому в своей зоне ответственности — немедленно.
4. Тем кто не справился за месяц — уволить. Теперь у вас обновлённая и заряженная команда топ-менеджеров, готовая к борьбе.
5. Сократите накладные расходы на коммуникацию до как можно более близких к нулю.
6. Убедитесь, что все ваши лучшие продуктовые менеджеры максимально близки к клиентам. Они не могут тратить ни минуты. Их работа — поиск product market fit; убедитесь, что никакое устаревшее наследие их не блокирует.
7. Задача инженеров — обеспечить, чтобы основная инженерная архитектура компании развивалась так же быстро, как ваши передовые продуктовые менеджеры.
===
Помните: первый и самый очевидный источник экономии от AI для ваших клиентов — это эффективность труда, а значит, именно на местах (seats) они будут искать сокращение затрат. Новый же рост, напротив, будет всё больше сосредотачиваться в токенах, потреблении, автоматизациях, результатах и рабочих процессах под управлением машин.
Если вы не на пути токенов — значит, вы стоите не в самой быстрорастущей части бюджета.
2️⃣ Выход на прибыльность в 40%+
1. требует большего, чем 10% или 20% сокращений штата. Это означает: сглаживание уровней управления, стандартизацию внедрения, минимизацию нестандартных сервисов, уничтожение комитетов, повышение цен там, где вы контролируете рабочий процесс или издержки переключения, перевод клиентов из «длинного хвоста» на более высокие базовые тарифы или отпускание их, а также учёт каждой акции как трансфера от владельцев к сотрудникам.
2. AI должен изменить форму компании. Структура затрат должна измениться вместе с ним.
3. С первого дня вам нужно понять, как выглядит меньшая, но ещё более мотивированная и производительная рабочая сила
4. Первое, что вы сделаете — это радикально увеличите бюджет на токены в расчёте на одного инженера. Если ваши инженеры не тратят реальные деньги на токены, они, вероятно, недостаточно стараются. У лучших инженеров и об управлении 20–30 агентами одновременно.
5. готовиться к значительному сокращению штата
===
Ключевой вопрос
Основатели должны поместить один вопрос на первую страницу каждой презентации для совета директоров: по какому пути мы идём?
+10 п.п. роста выручки за счёт принципиально новых AI-продуктов? Или истинная операционная маржа 40%+, включая SBC?
Инвесторы должны задавать тот же вопрос — настойчивее, чем сейчас.
Дэвид Джордж, партнёр a16z дает прогноз
Эпоха комфортной середины закончилась.
Путь первый: ускорить рост выручки на 10+ п.п. YoY за счёт по-настоящему новых AI-продуктов в течение 12–18 месяцев.
Путь второй: перестроить компанию для достижения истинной операционной маржи свыше 40% (в идеале — 50%), включая компенсации акциями (SBC).
план на 12–18 месяцев должен быть нацелен на что-то одно
твоя модель ценообразования услуг агентства должна включать outcome/token компонент. У вас немного времени, ценообразование на основе мест не исчезнет за одну ночь. Но вы должны серьёзно отнестись к этому вызову: нельзя отмахнуться от новой модели ценообразования и нового интерфейса. Если агент не может автономно потреблять ваш продукт и платить за него, скорее всего, вы ещё не там.
И, не менее важно: вам нужно в ускоренном режиме перестраивать компанию — включая команду топ-менеджеров, — чтобы, найдя соответствие продукта рынку, вы действительно смогли воспользоваться этой возможностью.
Управленцы нового времени займут свои места. Всего 5 чел.
Что делать с этими людьми?
1. поставить их во главе непрезентабельных, но критически важных проектов по сбору информации:
- спринты по захвату процессов вокруг каждого высокоценного рабочего процесса;
- сбор стандартных операционных процедур, тикетов, расшифровок, документов с требованиями, политик, заметок CRM, логов поддержки, данных о событиях и маршрутов согласований.
2. Настройте оценки точности, обработки исключений, задержки и стоимости
3. Поручите этим пяти людям эту задачу — каждому в своей зоне ответственности — немедленно.
4. Тем кто не справился за месяц — уволить. Теперь у вас обновлённая и заряженная команда топ-менеджеров, готовая к борьбе.
5. Сократите накладные расходы на коммуникацию до как можно более близких к нулю.
6. Убедитесь, что все ваши лучшие продуктовые менеджеры максимально близки к клиентам. Они не могут тратить ни минуты. Их работа — поиск product market fit; убедитесь, что никакое устаревшее наследие их не блокирует.
7. Задача инженеров — обеспечить, чтобы основная инженерная архитектура компании развивалась так же быстро, как ваши передовые продуктовые менеджеры.
===
Помните: первый и самый очевидный источник экономии от AI для ваших клиентов — это эффективность труда, а значит, именно на местах (seats) они будут искать сокращение затрат. Новый же рост, напротив, будет всё больше сосредотачиваться в токенах, потреблении, автоматизациях, результатах и рабочих процессах под управлением машин.
Если вы не на пути токенов — значит, вы стоите не в самой быстрорастущей части бюджета.
1. требует большего, чем 10% или 20% сокращений штата. Это означает: сглаживание уровней управления, стандартизацию внедрения, минимизацию нестандартных сервисов, уничтожение комитетов, повышение цен там, где вы контролируете рабочий процесс или издержки переключения, перевод клиентов из «длинного хвоста» на более высокие базовые тарифы или отпускание их, а также учёт каждой акции как трансфера от владельцев к сотрудникам.
2. AI должен изменить форму компании. Структура затрат должна измениться вместе с ним.
3. С первого дня вам нужно понять, как выглядит меньшая, но ещё более мотивированная и производительная рабочая сила
4. Первое, что вы сделаете — это радикально увеличите бюджет на токены в расчёте на одного инженера. Если ваши инженеры не тратят реальные деньги на токены, они, вероятно, недостаточно стараются. У лучших инженеров и об управлении 20–30 агентами одновременно.
5. готовиться к значительному сокращению штата
===
Ключевой вопрос
Основатели должны поместить один вопрос на первую страницу каждой презентации для совета директоров: по какому пути мы идём?
+10 п.п. роста выручки за счёт принципиально новых AI-продуктов? Или истинная операционная маржа 40%+, включая SBC?
Инвесторы должны задавать тот же вопрос — настойчивее, чем сейчас.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
🛠 Инструменты
• Netflix выпускает VOID — Open-source фреймворк для удаления объектов из видео.
• Nous Research обновляет Hermes Agent v0.7.0 — Агентная архитектура с плагинами памяти и браузером Camofox.
• Generalist GEN-1 — Робототехническая модель с надежностью 99% на складах.
• Cursor Warp Decode — Ускорение инференса MoE-моделей в 1,84 раза.
• GLM-5.1 от Z AI — Open-source модель для кодинга, лидер SWE-Bench Pro.
• Google AI Edge Eloquent — Офлайн-приложение для диктовки на базе Gemma.
• Harrier от Microsoft — Open-source модель для RAG-поиска с поддержкой 100+ языков.
• Anthropic Managed Agents — API для развертывания облачных ИИ-агентов с поддержкой кода.
• Apple начинает производство Baltra ASIC in-house — Вертикализация выпуска собственных ИИ-чипов Apple.
• ALTK-Evolve — Инструмент обучения агентов через траектории без раздувания контекста.
💰 Инвестиции
• Anthropic: выручка превысила $30 млрд — Годовой темп выручки (ARR) вырос с $9 млрд до более чем $30 млрд.
• Intel, SpaceX и Tesla: Terafab — Коллаборация гигантов для выпуска чипов нового поколения.
• Zero Shot VC: ставка на прикладную автоматизацию — Фонд $100M инвестирует в автоматизацию заводов и Worktrace AI.
• Anthropic привлекает $1 млрд через private equity — Раунд с Blackstone для масштабной экспансии в корпоративный сектор.
• Poke привлек $25 млн — Инвестиции в упрощение доступа к ИИ-агентам через мессенджеры.
• Netflix выпускает VOID — Open-source фреймворк для удаления объектов из видео.
• Nous Research обновляет Hermes Agent v0.7.0 — Агентная архитектура с плагинами памяти и браузером Camofox.
• Generalist GEN-1 — Робототехническая модель с надежностью 99% на складах.
• Cursor Warp Decode — Ускорение инференса MoE-моделей в 1,84 раза.
• GLM-5.1 от Z AI — Open-source модель для кодинга, лидер SWE-Bench Pro.
• Google AI Edge Eloquent — Офлайн-приложение для диктовки на базе Gemma.
• Harrier от Microsoft — Open-source модель для RAG-поиска с поддержкой 100+ языков.
• Anthropic Managed Agents — API для развертывания облачных ИИ-агентов с поддержкой кода.
• Apple начинает производство Baltra ASIC in-house — Вертикализация выпуска собственных ИИ-чипов Apple.
• ALTK-Evolve — Инструмент обучения агентов через траектории без раздувания контекста.
💰 Инвестиции
• Anthropic: выручка превысила $30 млрд — Годовой темп выручки (ARR) вырос с $9 млрд до более чем $30 млрд.
• Intel, SpaceX и Tesla: Terafab — Коллаборация гигантов для выпуска чипов нового поколения.
• Zero Shot VC: ставка на прикладную автоматизацию — Фонд $100M инвестирует в автоматизацию заводов и Worktrace AI.
• Anthropic привлекает $1 млрд через private equity — Раунд с Blackstone для масштабной экспансии в корпоративный сектор.
• Poke привлек $25 млн — Инвестиции в упрощение доступа к ИИ-агентам через мессенджеры.
👍1
Вы даёте скидку 25%. Конкурент — 15%+10%. Угадайте, кто продаёт больше
Одинаковая скидка. Разная подача. Совершенно разный результат. Это не маркетинговый миф — это данные науки.
В декабре 2025 года исследователи Университета Бентли провели серию из 6 экспериментов и проанализировали более 9 000 реальных сделок. Вывод оказался неожиданным даже для опытных маркетологов.
Что именно выяснили
Когда скидку в 25% разбили на суммируемые части — например, 15% в магазине + 10% по купону — намерение совершить покупку выросло на 15,8% по сравнению с единой скидкой той же величины.
Это не всё. Предложения с суммируемыми скидками показали:
- На 66,3% больше просмотров
- На 52,7% больше положительных оценок
- На 52,3% больше комментариев
Люди не просто чаще кликали. Они чувствовали себя умнее: на 20,7% больше участников говорили, что ощущают себя выгодными покупателями. Это важно — ощущение "я нашёл выгоду" влияет на лояльность сильнее, чем сама скидка.
Почему мозг реагирует именно так
Суммируемые скидки встречаются редко. Редкость → ценность. Когда человек комбинирует несколько предложений, он вкладывает небольшое усилие — и это усилие психологически повышает воспринимаемую ценность сделки.
Одновременно срабатывает FOMO: "такая комбинация встречается нечасто, нужно брать сейчас". Дефицит создаёт срочность — и человек действует.
AG1 строит свою модель продаж именно на этом принципе: скидка за подписку + бонусные наборы + приветственное предложение суммируются, создавая ощущение исключительной сделки. Неслучайно бренд удерживает аудиторию на повторных покупках лучше большинства конкурентов.
Как применить у себя
Если вы управляете продуктом с монетизацией через акции, апселл или удержание — три конкретных шага:
- Разбейте крупную скидку на 2–3 части с разными триггерами: первая покупка + подписка + реферал
- Сделайте суммирование автоматическим или максимально простым — если клиент не понимает, как сложить предложения, эффект исчезает полностью
- Не дробите большие скидки от 50%+ — там эффект слабее, а усилие по комбинированию воспринимается как барьер, а не как игра
Главный вывод
Цифра в скидке — это не всё. То, как вы её подаёте, меняет конверсию на десятки процентов без изменения бюджета. Один и тот же маркетинговый расход может работать в разы эффективнее — просто за счёт структуры предложения.
Одинаковая скидка. Разная подача. Совершенно разный результат. Это не маркетинговый миф — это данные науки.
В декабре 2025 года исследователи Университета Бентли провели серию из 6 экспериментов и проанализировали более 9 000 реальных сделок. Вывод оказался неожиданным даже для опытных маркетологов.
Что именно выяснили
Когда скидку в 25% разбили на суммируемые части — например, 15% в магазине + 10% по купону — намерение совершить покупку выросло на 15,8% по сравнению с единой скидкой той же величины.
Это не всё. Предложения с суммируемыми скидками показали:
- На 66,3% больше просмотров
- На 52,7% больше положительных оценок
- На 52,3% больше комментариев
Люди не просто чаще кликали. Они чувствовали себя умнее: на 20,7% больше участников говорили, что ощущают себя выгодными покупателями. Это важно — ощущение "я нашёл выгоду" влияет на лояльность сильнее, чем сама скидка.
Почему мозг реагирует именно так
Суммируемые скидки встречаются редко. Редкость → ценность. Когда человек комбинирует несколько предложений, он вкладывает небольшое усилие — и это усилие психологически повышает воспринимаемую ценность сделки.
Одновременно срабатывает FOMO: "такая комбинация встречается нечасто, нужно брать сейчас". Дефицит создаёт срочность — и человек действует.
AG1 строит свою модель продаж именно на этом принципе: скидка за подписку + бонусные наборы + приветственное предложение суммируются, создавая ощущение исключительной сделки. Неслучайно бренд удерживает аудиторию на повторных покупках лучше большинства конкурентов.
Как применить у себя
Если вы управляете продуктом с монетизацией через акции, апселл или удержание — три конкретных шага:
- Разбейте крупную скидку на 2–3 части с разными триггерами: первая покупка + подписка + реферал
- Сделайте суммирование автоматическим или максимально простым — если клиент не понимает, как сложить предложения, эффект исчезает полностью
- Не дробите большие скидки от 50%+ — там эффект слабее, а усилие по комбинированию воспринимается как барьер, а не как игра
Главный вывод
Цифра в скидке — это не всё. То, как вы её подаёте, меняет конверсию на десятки процентов без изменения бюджета. Один и тот же маркетинговый расход может работать в разы эффективнее — просто за счёт структуры предложения.
👍3