В марте в Crunchbase Unicorn вошли 37 компаний
это максимум за четыре года
Лидером стал сектор робототехники: он добавил шесть стартапов с оценкой от $1 млрд, включая три компании из Китая. Еще четыре новых unicorn появились среди frontier AI-лабораторий, две из них разрабатывают модели для робототехники.
AI-инфраструктура также добавила четыре компании, связанные с дата-центрами и их обеспечением. Fintech, включая управление капиталом, платежи и цифровые активы, принес еще четыре новых unicorn.
США дали 20 новых компаний, из них 11 — из San Francisco Bay Area. Китай добавил шесть стартапов в робототехнике, AI и квантовых вычислениях.
Самым дорогим новичком стала Seychelles-based криптобиржа OKX с оценкой $25 млрд. Крупнейший раунд получил Advanced Machine Intelligence — новый AI-стартап Yann LeCun из Paris привлек $1 млрд.
Почти половина новых компаний моложе трех лет. Пять из них существуют меньше года.
это максимум за четыре года
Лидером стал сектор робототехники: он добавил шесть стартапов с оценкой от $1 млрд, включая три компании из Китая. Еще четыре новых unicorn появились среди frontier AI-лабораторий, две из них разрабатывают модели для робототехники.
AI-инфраструктура также добавила четыре компании, связанные с дата-центрами и их обеспечением. Fintech, включая управление капиталом, платежи и цифровые активы, принес еще четыре новых unicorn.
США дали 20 новых компаний, из них 11 — из San Francisco Bay Area. Китай добавил шесть стартапов в робототехнике, AI и квантовых вычислениях.
Самым дорогим новичком стала Seychelles-based криптобиржа OKX с оценкой $25 млрд. Крупнейший раунд получил Advanced Machine Intelligence — новый AI-стартап Yann LeCun из Paris привлек $1 млрд.
Почти половина новых компаний моложе трех лет. Пять из них существуют меньше года.
👍2❤1
Про графы знаний в компаниях
Тренд на онтологию данных и контекстный граф компании набирает обороты (большая часть этого — взлёт Palantir, их платформа Foundry построена на онтологическом моделировании. Microsoft сейчас переносит онтологию в Fabric), потому что структурированные онтологии предлагают то, в чем GenAI отчаянно нуждается: grounding.
Компаниям нужны агенты, которые могут рассуждать о внутренних данных — клиентах, активах, процессах. Им нужна семантическая ясность, применённая к их собственной запутанной реальности. Разъяснение значения теперь не просто полезно. Это необходимо.
В чём проблема: вы не можете передать свою онтологию на аутсорс. Компаниям нужна собственная внутренняя версия schema.org — полностью собственная, основанная на открытых стандартах. Вы не можете останавливаться только на «схемах/векторах/чанках» и называть это «знанием». Без онтологии интеграция данных и корпоративный ИИ часто рушатся именно потому, что нет общей формальной модели смысла.
От онтологии к графу знаний: объяснение
А как же RAG?
KG – нечто отличное от RAG, хотя они отлично дополняют друг друга (и часто объединяются в GraphRAG), это разница между системой, которая может отвечать на вопросы, для которых вы написали запросы, и системой, которая может получить ответы, которые вы не дали. RAG – релевантный поиск, KG – cмысл, сущности, отношения и логические правила, сущности (nodes) + typed отношения (edges) + аксиомы.
По сути это цифровой двойник вашей организации, на котором вы можете обкатывать гипотезы и смотреть, что из этого выйдет. пример:
↓
↓↓↓
Основное отличие от RAG: графы позволяют обогатить рассуждения ИИ (внешние системы, интернет), превращая рассуждения в логическую взаимосвязь:
- определить ассортимент и объемы товаров
- оценить наличие товаров на складе в период простоя
- составьте карту моделей замещения товаров и показателей каннибализации
- рассчитать потери, вызванные дефицитом ключевых товаров
- расчет влияния на выручку, включая неудачи при замене
Графы представляют собой запись «следа» действий ИИ агентов внутри компании и их относительного успеха или неудачи.
С чего начать?
Строить как «ontology as business modeling», а не просто DB-дизайн. Компаниям это нужно, граф фиксирует decision traces, а не просто данные.
База. вам нужны данные, например:
• группы пользователей
• кластеры важности
• отображение связей
• правила квалификации бизнеса
• множественные условия
• деревья решений
• ценообразование
Далее вы моделируете бизнес-объекты (customers, products, processes) и связи между ними. ИИ отслеживает принятые решения, правила реагирования на них → анализ → корректировка
Процесс: вы начинаете с задачи, затем ИИ разрабатывает проект плана реагирования, рассматривая множество возможных действий и последствий, консультируясь с множеством (часто изолированными) системами (CRM например) / другими агентами, выбирают лучший план и затем выполняют действия из плана.
Важно: мы не заменяем SQL, вектора, а добавляем графовые и даже RDF данные (для знаний корпоративного уровня). Также важно на старте не строить схему, агенты — это строители графа, а не его потребители
Решения: есть готовые сервисы (например RelationalAI), или можно собрать такое самому: Graphiti, Neo4j + Neosemantics + источники событий (SQL) + собирай трейсы: какие сущности агент трогал (логи), в каком порядке, какие связи проходил (EventStoreDB или просто Kafka)
Ещё нашел интересный open-source тул для интерактивной визуализации составных графов на основе архитектурных описаний ArchiCG
Один и преуспевших в построении графов на триллионы фактов — Mike Tung (Founder Diffbot), он много🎞 рассказывает о уроках построения, поддержания и использования KG
Тренд на онтологию данных и контекстный граф компании набирает обороты (большая часть этого — взлёт Palantir, их платформа Foundry построена на онтологическом моделировании. Microsoft сейчас переносит онтологию в Fabric), потому что структурированные онтологии предлагают то, в чем GenAI отчаянно нуждается: grounding.
Компаниям нужны агенты, которые могут рассуждать о внутренних данных — клиентах, активах, процессах. Им нужна семантическая ясность, применённая к их собственной запутанной реальности. Разъяснение значения теперь не просто полезно. Это необходимо.
В чём проблема: вы не можете передать свою онтологию на аутсорс. Компаниям нужна собственная внутренняя версия schema.org — полностью собственная, основанная на открытых стандартах. Вы не можете останавливаться только на «схемах/векторах/чанках» и называть это «знанием». Без онтологии интеграция данных и корпоративный ИИ часто рушатся именно потому, что нет общей формальной модели смысла.
От онтологии к графу знаний: объяснение
А как же RAG?
KG – нечто отличное от RAG, хотя они отлично дополняют друг друга (и часто объединяются в GraphRAG), это разница между системой, которая может отвечать на вопросы, для которых вы написали запросы, и системой, которая может получить ответы, которые вы не дали. RAG – релевантный поиск, KG – cмысл, сущности, отношения и логические правила, сущности (nodes) + typed отношения (edges) + аксиомы.
По сути это цифровой двойник вашей организации, на котором вы можете обкатывать гипотезы и смотреть, что из этого выйдет. пример:
Как задержка поставок от нашего шанхайского поставщика на одну неделю повлияет на продажи в праздничный сезон?
↓
это затронет 12 товарных позиций, запланированных на праздничный сезон, с общей прогнозируемой выручкой в 3,2 млн долларов.
При текущем уровне запасов в период с 18 по 24 декабря произойдет дефицит 5 товарных позиций, что приведет к потере продаж примерно на 840 тыс. долларов.
↓↓↓
Основное отличие от RAG: графы позволяют обогатить рассуждения ИИ (внешние системы, интернет), превращая рассуждения в логическую взаимосвязь:
- определить ассортимент и объемы товаров
- оценить наличие товаров на складе в период простоя
- составьте карту моделей замещения товаров и показателей каннибализации
- рассчитать потери, вызванные дефицитом ключевых товаров
- расчет влияния на выручку, включая неудачи при замене
Графы представляют собой запись «следа» действий ИИ агентов внутри компании и их относительного успеха или неудачи.
С чего начать?
Строить как «ontology as business modeling», а не просто DB-дизайн. Компаниям это нужно, граф фиксирует decision traces, а не просто данные.
База. вам нужны данные, например:
• группы пользователей
• кластеры важности
• отображение связей
• правила квалификации бизнеса
• множественные условия
• деревья решений
• ценообразование
Далее вы моделируете бизнес-объекты (customers, products, processes) и связи между ними. ИИ отслеживает принятые решения, правила реагирования на них → анализ → корректировка
Процесс: вы начинаете с задачи, затем ИИ разрабатывает проект плана реагирования, рассматривая множество возможных действий и последствий, консультируясь с множеством (часто изолированными) системами (CRM например) / другими агентами, выбирают лучший план и затем выполняют действия из плана.
Важно: мы не заменяем SQL, вектора, а добавляем графовые и даже RDF данные (для знаний корпоративного уровня). Также важно на старте не строить схему, агенты — это строители графа, а не его потребители
Решения: есть готовые сервисы (например RelationalAI), или можно собрать такое самому: Graphiti, Neo4j + Neosemantics + источники событий (SQL) + собирай трейсы: какие сущности агент трогал (логи), в каком порядке, какие связи проходил (EventStoreDB или просто Kafka)
Ещё нашел интересный open-source тул для интерактивной визуализации составных графов на основе архитектурных описаний ArchiCG
Один и преуспевших в построении графов на триллионы фактов — Mike Tung (Founder Diffbot), он много
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
4 плагина, которые превратят твой Obsidian в ИИ-второй мозг
Claudian сам по себе меняет всё. Остальные три делают картину полной.
Claudian → встраивает Claude Code прямо в твоё хранилище. Общайся с Claude прямо поверх своих файлов, не покидая Obsidian. Создавай презентации, анализируй документы, проводи мозговые штурмы — там, где живёт всё твоё знание.
https://github.com/YishenTu/claudian
Show Hidden Files → делает скрытые папки, например .claude, видимыми внутри хранилища. Именно там хранятся твои установленные навыки.
https://github.com/polyipseity/obsidian-show-hidden-files
VS Code Editor → позволяет открывать и редактировать файлы с кодом как обычный текст, не запуская их. В настройках я включил следующие расширения: ts, js, py, css, c, cpp, go, rs, java, lua, php, cs
https://github.com/sunxvming/obsidian-vscode-editor
Git → синхронизирует хранилище с облаком. А ещё — страховочная сетка на случай, если Claude сделает что-то неожиданное.
https://github.com/Vinzent03/obsidian-git
Первые два плагина отсутствуют в официальном магазине. Укажи Claude Code в десктопном приложении на эти ссылки — и он установит их сам.
Claudian сам по себе меняет всё. Остальные три делают картину полной.
Claudian → встраивает Claude Code прямо в твоё хранилище. Общайся с Claude прямо поверх своих файлов, не покидая Obsidian. Создавай презентации, анализируй документы, проводи мозговые штурмы — там, где живёт всё твоё знание.
https://github.com/YishenTu/claudian
Show Hidden Files → делает скрытые папки, например .claude, видимыми внутри хранилища. Именно там хранятся твои установленные навыки.
https://github.com/polyipseity/obsidian-show-hidden-files
VS Code Editor → позволяет открывать и редактировать файлы с кодом как обычный текст, не запуская их. В настройках я включил следующие расширения: ts, js, py, css, c, cpp, go, rs, java, lua, php, cs
https://github.com/sunxvming/obsidian-vscode-editor
Git → синхронизирует хранилище с облаком. А ещё — страховочная сетка на случай, если Claude сделает что-то неожиданное.
https://github.com/Vinzent03/obsidian-git
Первые два плагина отсутствуют в официальном магазине. Укажи Claude Code в десктопном приложении на эти ссылки — и он установит их сам.
😁2❤1🔥1
Почему AI-проекты закрывают через полгода
Я видел это раз пять. Клиент говорит: "Мы внедрили, точность 90%, пользователи не пользуются". Или другой вариант: "Мы сделали — а нам финансы сказали, что эффекта нет".
Проблема почти всегда одна и та же. IT и бизнес смотрят на разные экраны.
IT смотрит на метрики модели.
Бизнес смотрит на деньги.
И между ними — пропасть, которую никто не потрудился построить.
Вот как это выглядит на практике.
Приходишь к заказчику после трёх месяцев работы. Говоришь: "Смотри, точность 91%, latency 800 мс., hallucination rate снизили до 4%". Он кивает. Потом спрашивает: "Хорошо. Я могу сократить двух менеджеров?"
Ты говоришь: "Нет".
Он говорит: "Тогда зачем?"
И вот тут проект умирает. Не потому что ты сделал плохо. А потому что вы изначально говорили о разных вещах.
Есть инструмент, который это фиксит. И это пирамида метрик. Четыре уровня, каждый следующий строится на предыдущем.
Уровень 1. Метрики модели.
Accuracy, precision, recall, latency. Это твоя зона ответственности. Бизнесу неинтересно. Но если здесь всё плохо — развалится всё выше.
Уровень 2. Метрики системы.
Override rate — как часто люди меняют решение AI руками. Adoption rate — какой процент вообще пользуется. Если override rate больше 20–25% — система создаёт больше работы, чем экономит. Люди перестают доверять и начинают саботировать.
Был кейс: банк внедрил антифрод-систему. Хорошая точность. Но давала слишком много ложных срабатываний. Операторы через месяц просто начали игнорировать её алерты. Технически система работала. Практически — нет.
Уровень 3. Операционные метрики.
Время принятия решения. Количество ошибок в процессе. Скорость обработки задачи. Здесь ты уже разговариваешь с операционным директором, не с CTO.
Уровень 4. Бизнес-метрики.
Выручка, стоимость операции, NPS, retention. Единственный язык, который понимает финансовый директор.
Хитрость в том, что договариваться с бизнесом нужно сверху вниз — начиная с четвёртого уровня. А строить и измерять — снизу вверх, начиная с первого.
Ещё один кейс. Производственная линия. Внедрили дашборд, который показывал ранние сигналы отклонений за 20–40 минут. Эффект — ноль. Начали разбираться. Оказалось: руководитель физически не смотрел на дашборд — встречи, люди, другие задачи. Сигнал не доходил до лица, принимающего решение.
Решение: добавили сообщение в мессенджер. С требованием отреагировать за 10 секунд. Простои резко сократились.
Технология не изменилась. Изменился сигнальный путь.
Это и есть главный инсайт: ROI живёт не в коде. Он живёт в изменённом поведении людей.
Написанный код, которым не пользуются — это ноль. Модель с 94% accuracy, алерты которой игнорируют — это ноль. Дашборд, на который никто не смотрит — это ноль.
Поэтому прежде чем начинать любой AI-проект, я теперь задаю три вопроса:
— Как вы хотите увидеть результат — в каких конкретно числах?
— Кто тот человек, который скажет "это успех" или "это провал"?
— Как сигнал от AI дойдёт до него в его реальном рабочем контексте?
Если нет ответа хотя бы на один из них — проект не стартует.
Потому что красивый пилот без ответа на эти вопросы — это просто дорогой proof of concept, который потом закроют на квартальном ревью.
Я видел это раз пять. Клиент говорит: "Мы внедрили, точность 90%, пользователи не пользуются". Или другой вариант: "Мы сделали — а нам финансы сказали, что эффекта нет".
Проблема почти всегда одна и та же. IT и бизнес смотрят на разные экраны.
IT смотрит на метрики модели.
Бизнес смотрит на деньги.
И между ними — пропасть, которую никто не потрудился построить.
Вот как это выглядит на практике.
Приходишь к заказчику после трёх месяцев работы. Говоришь: "Смотри, точность 91%, latency 800 мс., hallucination rate снизили до 4%". Он кивает. Потом спрашивает: "Хорошо. Я могу сократить двух менеджеров?"
Ты говоришь: "Нет".
Он говорит: "Тогда зачем?"
И вот тут проект умирает. Не потому что ты сделал плохо. А потому что вы изначально говорили о разных вещах.
Есть инструмент, который это фиксит. И это пирамида метрик. Четыре уровня, каждый следующий строится на предыдущем.
Уровень 1. Метрики модели.
Accuracy, precision, recall, latency. Это твоя зона ответственности. Бизнесу неинтересно. Но если здесь всё плохо — развалится всё выше.
Уровень 2. Метрики системы.
Override rate — как часто люди меняют решение AI руками. Adoption rate — какой процент вообще пользуется. Если override rate больше 20–25% — система создаёт больше работы, чем экономит. Люди перестают доверять и начинают саботировать.
Был кейс: банк внедрил антифрод-систему. Хорошая точность. Но давала слишком много ложных срабатываний. Операторы через месяц просто начали игнорировать её алерты. Технически система работала. Практически — нет.
Уровень 3. Операционные метрики.
Время принятия решения. Количество ошибок в процессе. Скорость обработки задачи. Здесь ты уже разговариваешь с операционным директором, не с CTO.
Уровень 4. Бизнес-метрики.
Выручка, стоимость операции, NPS, retention. Единственный язык, который понимает финансовый директор.
Хитрость в том, что договариваться с бизнесом нужно сверху вниз — начиная с четвёртого уровня. А строить и измерять — снизу вверх, начиная с первого.
Ещё один кейс. Производственная линия. Внедрили дашборд, который показывал ранние сигналы отклонений за 20–40 минут. Эффект — ноль. Начали разбираться. Оказалось: руководитель физически не смотрел на дашборд — встречи, люди, другие задачи. Сигнал не доходил до лица, принимающего решение.
Решение: добавили сообщение в мессенджер. С требованием отреагировать за 10 секунд. Простои резко сократились.
Технология не изменилась. Изменился сигнальный путь.
Это и есть главный инсайт: ROI живёт не в коде. Он живёт в изменённом поведении людей.
Написанный код, которым не пользуются — это ноль. Модель с 94% accuracy, алерты которой игнорируют — это ноль. Дашборд, на который никто не смотрит — это ноль.
Поэтому прежде чем начинать любой AI-проект, я теперь задаю три вопроса:
— Как вы хотите увидеть результат — в каких конкретно числах?
— Кто тот человек, который скажет "это успех" или "это провал"?
— Как сигнал от AI дойдёт до него в его реальном рабочем контексте?
Если нет ответа хотя бы на один из них — проект не стартует.
Потому что красивый пилот без ответа на эти вопросы — это просто дорогой proof of concept, который потом закроют на квартальном ревью.
❤8
Собираем Hermes AI agent
Берем VPS тут за 5$/мес. 4 vCPU Cores, 8 GB RAM
Ставим через SSH (команда). Если планируете несколько агентов — разверните отдельные Docker контейнеры
Апдейтим сервисы:
- node -v должен быть 22+.
- python3 --version должен быть 3.11+.
- pnpm -v у тебя уже есть.
- git должен быть установлен.
Далее онбординг:
- команда
- вводим ключ OpenRouter (ставим DeepSeek v4 pro)
- команда
- подключаем к ТГ боту / Diskord / MatterMost
Вам потребуются скраперы, пихаем API keys в nano ~/.hermes/.env :
- tavily
- fireclaw
- github
Ставим CLI пакеты:
- google cli
- browser-harness + browser-use
- playwright
- UI-TARS-desktop
- и т.п.
Ставим skills из Skills Hub
Можно десктоп версию поставить hermes-desktop
Далее автоматизируем, ставим крон задачи
===
Видео:
🎞 Hermes Agent: Zero to Personal AI Assistant
🎞 Hermes Agent is insane… 100,000+ github stars
🎞 100 hours of Hermes Agent lessons in 46 minutes
Берем VPS тут за 5$/мес. 4 vCPU Cores, 8 GB RAM
Ставим через SSH (команда). Если планируете несколько агентов — разверните отдельные Docker контейнеры
Апдейтим сервисы:
- node -v должен быть 22+.
- python3 --version должен быть 3.11+.
- pnpm -v у тебя уже есть.
- git должен быть установлен.
Далее онбординг:
- команда
hermes gateway setup – создаем пользователя, БД и т.п.- вводим ключ OpenRouter (ставим DeepSeek v4 pro)
- команда
hermes tools – настройка сервисов и API ключей - подключаем к ТГ боту / Diskord / MatterMost
Вам потребуются скраперы, пихаем API keys в nano ~/.hermes/.env :
- tavily
- fireclaw
- github
Ставим CLI пакеты:
- google cli
- browser-harness + browser-use
- playwright
- UI-TARS-desktop
- и т.п.
Ставим skills из Skills Hub
Можно десктоп версию поставить hermes-desktop
Далее автоматизируем, ставим крон задачи
===
Видео:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤1
Product Hunt top 10 tools daily & weekly
Запустил канал с топ-10 daily и топ-10 weekly инструментами:
🔗 https://t.me/producthunt_com
===
В этот канал также будет приходить недельная подборка
Запустил канал с топ-10 daily и топ-10 weekly инструментами:
===
В этот канал также будет приходить недельная подборка
Please open Telegram to view this post
VIEW IN TELEGRAM
Кто ещё выбирает Claude Code vs Codex
Интересная статья со сравнением
Если вкратце — GPT-5.5 в Codex
==
Если рассматривать не Агентные сценарии, то есть уже обновление по бенчмарку ProgramBench. Авторы прогнали GPT 5.5 на high/xhigh (максимальная длина рассуждений и время работы) и Opus 4.7: «GPT 5.5 xhigh значительно превосходит Claude Opus 4.7 xhigh по всем параметрам»
Интересная статья со сравнением
Если вкратце — GPT-5.5 в Codex
==
Если рассматривать не Агентные сценарии, то есть уже обновление по бенчмарку ProgramBench. Авторы прогнали GPT 5.5 на high/xhigh (максимальная длина рассуждений и время работы) и Opus 4.7: «GPT 5.5 xhigh значительно превосходит Claude Opus 4.7 xhigh по всем параметрам»
❤1👍1
Умные заметки вышли на новый уровень
Shadow не пишет саммари и todo как tl;dv, fireflies и т.п. Она делает это, пока вы еще участвуете в разговоре.
План Starter бесплатен навсегда и включает 10 встреч в месяц
Shadow подключается к вашей CRM-системе, календарю, документам и инструментам управления проектами и выполняет действия без необходимости переключения вкладок.
Shadow не пишет саммари и todo как tl;dv, fireflies и т.п. Она делает это, пока вы еще участвуете в разговоре.
План Starter бесплатен навсегда и включает 10 встреч в месяц
Shadow подключается к вашей CRM-системе, календарю, документам и инструментам управления проектами и выполняет действия без необходимости переключения вкладок.
❤1👍1
76% компаний теперь имеют директора по ИИ
ИИ больше не «фича для экспериментов». Это новый уровень управления компанией.
IBM опросили 2000+ организаций и цифры выглядят как тревожный сигнал:
- 76% компаний уже создали роль Chief AI Officer
- В 2025 было всего 26%
- 93% компаний упираются не в технологии, а в культуру и людей
Что это значит на практике?
Раньше ИИ был задачей CTO или CDO
Теперь — это отдельный контур управления
Потому что ИИ влияет не на IT , а на то, как принимаются решения, как работают команды и как зарабатываются деньги
Что делает CAIO:
- Определяет, где ИИ даёт максимум ROI
- Сшивает разрозненные инициативы (продукт, данные, автоматизация)
- Вводит правила: где можно рисковать, а где нельзя
- Ускоряет внедрение без хаоса
не «внедряет ИИ», а меняет операционную модель компании
С одной стороны:
- 100k+ увольнений в tech с начала года
- SaaS-компании могут вытащить $100 млрд маржи, заменяя людей софтом
С другой:
- 59% компаний усиливают роль HR
- Потому что главный bottleneck — не код, а люди
Получается парадокс: ИИ автоматизирует работу, но без трансформации людей он не работает
Кейс из жизни (типовой):
Компания внедряет GPT в поддержку экономия 40% времени, а через 3 месяца эффект падает
Почему?
- Сотрудники не меняют поведение
- Процессы не перестраиваются
- Ответственность размазана
Именно здесь появляется CAIO. Но есть нюанс.
Gartner заявляет: эта роль может быть временной:
- сейчас — отдельный C-level
- через 3–5 лет — ИИ встроится во все функции
И вопрос уже не в должности, а в другом:
Кто у вас сегодня владеет ИИ-трансформацией?
- CTO? → будет думать про инфраструктуру
- CPO? → про фичи
- COO? → про процессы
А кто думает про системный эффект на бизнес?
Если ответа нет — у вас уже есть проблема
Просто она ещё не проявилась в P&L
Вывод простой:
ИИ — это не инструмент Это новая управленческая функция
И её нельзя «размазать по ролям»
ИИ больше не «фича для экспериментов». Это новый уровень управления компанией.
IBM опросили 2000+ организаций и цифры выглядят как тревожный сигнал:
- 76% компаний уже создали роль Chief AI Officer
- В 2025 было всего 26%
- 93% компаний упираются не в технологии, а в культуру и людей
Что это значит на практике?
Раньше ИИ был задачей CTO или CDO
Теперь — это отдельный контур управления
Потому что ИИ влияет не на IT , а на то, как принимаются решения, как работают команды и как зарабатываются деньги
Что делает CAIO:
- Определяет, где ИИ даёт максимум ROI
- Сшивает разрозненные инициативы (продукт, данные, автоматизация)
- Вводит правила: где можно рисковать, а где нельзя
- Ускоряет внедрение без хаоса
не «внедряет ИИ», а меняет операционную модель компании
С одной стороны:
- 100k+ увольнений в tech с начала года
- SaaS-компании могут вытащить $100 млрд маржи, заменяя людей софтом
С другой:
- 59% компаний усиливают роль HR
- Потому что главный bottleneck — не код, а люди
Получается парадокс: ИИ автоматизирует работу, но без трансформации людей он не работает
Кейс из жизни (типовой):
Компания внедряет GPT в поддержку экономия 40% времени, а через 3 месяца эффект падает
Почему?
- Сотрудники не меняют поведение
- Процессы не перестраиваются
- Ответственность размазана
Именно здесь появляется CAIO. Но есть нюанс.
Gartner заявляет: эта роль может быть временной:
- сейчас — отдельный C-level
- через 3–5 лет — ИИ встроится во все функции
И вопрос уже не в должности, а в другом:
Кто у вас сегодня владеет ИИ-трансформацией?
- CTO? → будет думать про инфраструктуру
- CPO? → про фичи
- COO? → про процессы
А кто думает про системный эффект на бизнес?
Если ответа нет — у вас уже есть проблема
Просто она ещё не проявилась в P&L
Вывод простой:
ИИ — это не инструмент Это новая управленческая функция
И её нельзя «размазать по ролям»
👍3❤1
Большинство страниц, занимающих верхние позиции в поисковой выдаче, созданы с помощью ИИ
Ребята взяли 100 000 случайных ключевых слов из Ahrefs Keywords Explorer и выделили 20 URL-адресов с наивысшим рейтингом. Затем мы извлекли контент из этих URL-адресов, которых в нашей базе данных было 600 000:
- 4,6% страниц были отнесены к категории «чисто ИИ».
- 13,5% были отнесены к категории «чисто человеческие».
- 81,9% были отнесены к категории смешанных двух типов.
Выводы:
1. Контент, созданный исключительно с ИИ, редко занимает первое место.
2. Нет четкой взаимосвязи между количеством контента, сгенерированного ИИ, на странице и ее высоким рейтингом в Google. Это говорит о том, что Google не поощряет и не наказывает страницы только за использование ИИ.
3. Google, вероятно, не интересует, как вы создали контент. Ему важно лишь то, насколько полезным он окажется для пользователей поисковых систем.
Ребята взяли 100 000 случайных ключевых слов из Ahrefs Keywords Explorer и выделили 20 URL-адресов с наивысшим рейтингом. Затем мы извлекли контент из этих URL-адресов, которых в нашей базе данных было 600 000:
- 4,6% страниц были отнесены к категории «чисто ИИ».
- 13,5% были отнесены к категории «чисто человеческие».
- 81,9% были отнесены к категории смешанных двух типов.
Выводы:
1. Контент, созданный исключительно с ИИ, редко занимает первое место.
2. Нет четкой взаимосвязи между количеством контента, сгенерированного ИИ, на странице и ее высоким рейтингом в Google. Это говорит о том, что Google не поощряет и не наказывает страницы только за использование ИИ.
3. Google, вероятно, не интересует, как вы создали контент. Ему важно лишь то, насколько полезным он окажется для пользователей поисковых систем.
❤2👍1
Перешел на DeepSeek v4-pro в Ollama
не из-за блокировок (Claude всё также работает на Pro подписке), а из-за смены стека (писал тут)
Пока ребята спорят:
- какая модель лучше
- куда переходить после блокировок Claude
- у кого какие бенчмарки по агентным сценариям / тул-колам / браузер-юзам / shell-командам
и т.п.
Всё решает:
- ваши навыки работы с ИИ
- ваше понимание плюсов и минусов каждой модели (*я одинаково люблю Grok, Gemini, Kimi, DeepSeek, Claude, но каждую под свои задачи, поэтому так важно использовать роутинг)
- ваши наработки (спеки, skills, md инструкции, memory)
- ваше железо (* я в РФ уже ничего не хостю, всё на бурж VPS, вызовы через CLI)
- владение рабочими фреймворками
И дальше уже всё это зашивать в ИИ агента (в тот же Hermes).
Но если всем выше описанным можно овладеть , то запрограммировать и структурировать это все внутри агента выходит довольно дорого в токенах. Поэтому отличным решением было переехать на Ollama Cloud за 20$, так выгоднее в разы.
Эффективность в бабках х10-20 раз (пруф🎞 )
Но, ещё более эффективным способом будет всё же настроить правила:
- для разработки планов — Opus 4.7
- для выполнения — DeepSeek v4-pro
- для написания отчетов — haiku / gemini flash из OpenRouter
Это и настрою позже. Кому интересно как — вот🎞 гайд
не из-за блокировок (Claude всё также работает на Pro подписке), а из-за смены стека (писал тут)
Пока ребята спорят:
- какая модель лучше
- куда переходить после блокировок Claude
- у кого какие бенчмарки по агентным сценариям / тул-колам / браузер-юзам / shell-командам
и т.п.
Всё решает:
- ваши навыки работы с ИИ
- ваше понимание плюсов и минусов каждой модели (*я одинаково люблю Grok, Gemini, Kimi, DeepSeek, Claude, но каждую под свои задачи, поэтому так важно использовать роутинг)
- ваши наработки (спеки, skills, md инструкции, memory)
- ваше железо (* я в РФ уже ничего не хостю, всё на бурж VPS, вызовы через CLI)
- владение рабочими фреймворками
И дальше уже всё это зашивать в ИИ агента (в тот же Hermes).
Но если всем выше описанным можно овладеть , то запрограммировать и структурировать это все внутри агента выходит довольно дорого в токенах. Поэтому отличным решением было переехать на Ollama Cloud за 20$, так выгоднее в разы.
Эффективность в бабках х10-20 раз (пруф
Но, ещё более эффективным способом будет всё же настроить правила:
- для разработки планов — Opus 4.7
- для выполнения — DeepSeek v4-pro
- для написания отчетов — haiku / gemini flash из OpenRouter
Это и настрою позже. Кому интересно как — вот
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2❤1
Forwarded from Константин Доронин
Orgforge – проект для управляемой генерации правдоподобных данных о происходящем в компании.
Искал датасет с реальными данными компаний. Да так, чтобы были не только какие-то конкретные данные, а артефакты из разных отделов и источников данных.
И я нашёл такой датасет. Вот он.
Но! Помимо датасета, я также обнаружил:
1. Статья на arxiv, в которой рассказывается про фреймворк для генерации реалистичных корпоративных данных.
2. Рабочий github-проект, который, собственно, позволяет генерировать данные.
Система генерирует информацию из следующих систем виртуальной компании:
1. Confluence
2. E-mails
3. Jira
4. Salesforce
5. Slack
6. Zendesk
7. Zoom
8. Полноценный лог
симуляции
9. Финансовые документы
Помимо прочего, есть возможность симуляции разного рода событий:
1. Сотрудник уволился и забрал с собой часть контекста компании.
2. Устроился новый сотрудник на ту или иную позицию.
3. Сотрудник ушёл в отпуск.
4. В продакшне произошёл инцидент по той или иной причине.
В конфигурации для генерации можно настраивать даже характер сотрудников и что они вообще знают/умеют.
Для того, чтобы генерация получилась более качественной, стоит попросить Codex CLI провести с вами интервью, которое позволит полностью и качественно заполнить конфиг.
Из минусов:
1. Под русский язык Orgforge пришлось немного перепилить.
2. Система сама по себе не особо умеет справляться с рейт-лимитами от провайдеров. Допиливали ретраи с Codex-ом.
3. Судя по всему, Orgforge, в случае прервавшейся генерации, не умеет продолжать её с того момента, на котором остановился. Стоит это учесть.
4. Ещё один относительный минус – объём данных, который генерирует инструмент. Сперва стоит попробовать генерацию на небольшом периоде, чтобы иметь возможность спланировать большую генерацию.
P.S.: половина переписок в личных чатах сотрудников – про еду 😄
Искал датасет с реальными данными компаний. Да так, чтобы были не только какие-то конкретные данные, а артефакты из разных отделов и источников данных.
И я нашёл такой датасет. Вот он.
Но! Помимо датасета, я также обнаружил:
1. Статья на arxiv, в которой рассказывается про фреймворк для генерации реалистичных корпоративных данных.
2. Рабочий github-проект, который, собственно, позволяет генерировать данные.
Система генерирует информацию из следующих систем виртуальной компании:
1. Confluence
2. E-mails
3. Jira
4. Salesforce
5. Slack
6. Zendesk
7. Zoom
8. Полноценный лог
симуляции
9. Финансовые документы
Помимо прочего, есть возможность симуляции разного рода событий:
1. Сотрудник уволился и забрал с собой часть контекста компании.
2. Устроился новый сотрудник на ту или иную позицию.
3. Сотрудник ушёл в отпуск.
4. В продакшне произошёл инцидент по той или иной причине.
В конфигурации для генерации можно настраивать даже характер сотрудников и что они вообще знают/умеют.
Для того, чтобы генерация получилась более качественной, стоит попросить Codex CLI провести с вами интервью, которое позволит полностью и качественно заполнить конфиг.
Из минусов:
1. Под русский язык Orgforge пришлось немного перепилить.
2. Система сама по себе не особо умеет справляться с рейт-лимитами от провайдеров. Допиливали ретраи с Codex-ом.
3. Судя по всему, Orgforge, в случае прервавшейся генерации, не умеет продолжать её с того момента, на котором остановился. Стоит это учесть.
4. Ещё один относительный минус – объём данных, который генерирует инструмент. Сперва стоит попробовать генерацию на небольшом периоде, чтобы иметь возможность спланировать большую генерацию.
P.S.: половина переписок в личных чатах сотрудников – про еду 😄
❤2👍1🔥1
Кто едет на Product Camp?
Я буду участвовать в треке собеседований: проводить тестовые собесы с 11:30 до 13:00
Кстати, найм очень сильно изменился. Напишу об этом позже.
Где и когда?
5-7 июня, AZIMUT Парк Отель Переславль
регистрация (можно бесплатно)
В закрепах оф. чата вся инфа (🔗 инвайт ссылка, если не открывает)
Я буду участвовать в треке собеседований: проводить тестовые собесы с 11:30 до 13:00
Кстати, найм очень сильно изменился. Напишу об этом позже.
Где и когда?
5-7 июня, AZIMUT Парк Отель Переславль
регистрация (можно бесплатно)
В закрепах оф. чата вся инфа (
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
ИИ для продакта & CPO | Влад Прошинский
Перешел на DeepSeek v4-pro в Ollama не из-за блокировок (Claude всё также работает на Pro подписке), а из-за смены стека (писал тут) Пока ребята спорят: - какая модель лучше - куда переходить после блокировок Claude - у кого какие бенчмарки по агентным…
↓↓↓
Paperclip + hermes agents
Кстати, есть интересный проект (а точнее игра) – Gladiator, который оркестрирует агентов Hermes (я тестировал Paperclip и он работал хорошо как совет директоров, но в исполнении плохо работал).
Gladiator — это демонстрация, где две AI-команды с разными стратегиями улучшают один и тот же продукт и соревнуются за GitHub stars.
Репо предлагает запустить соревнование: 9 агентов выполняют 10 заданий примерно за 5-6 минут, развивая навыки, увеличивая память и написав код.
Смысл?
Смысл в том, что он превращает абстрактную идею “автономные AI-компании” в проверяемый прототип с метриками и наблюдаемым результатом.
Там есть не просто “игровая механика”, а набор измеримых артефактов: навыки, память, коммиты, дашборд, аудит следов и итоговый победитель. Проект выглядит как игра, потому что упакован как соревнование, но по сути это лаборатория для проверки автономных агентов и управленческой логики.
Зачем это бизнесу?
Везде есть своя «валюта» чтобы понять что работает , а что нет: агент что-то делает → выкладывает в репо / постит контент → замеряет кол-во лайков → корректирует подход
Авторы использовали платформы (GitHub + соцсети) как поле для тестирования поведения автономных AI‑агентов в реальном социальном контексте (привлечение звезд, реакция сообщества, коммиты, PR, посты).🎞 Демо в котором показано:
- табло результатов, табло задач, диаграмма Ганта по активности агентов, развитию навыков и памяти
- дифференциации кода, представления сравнения стратегий, управление слиянием после победы с передачей навыков между компаниями
- Разведывательным отчётом с отслеживанием доказательств, следами со стратегическими инсайтами, историей сердечных ритмов
Paperclip + hermes agents
Кстати, есть интересный проект (а точнее игра) – Gladiator, который оркестрирует агентов Hermes (я тестировал Paperclip и он работал хорошо как совет директоров, но в исполнении плохо работал).
Gladiator — это демонстрация, где две AI-команды с разными стратегиями улучшают один и тот же продукт и соревнуются за GitHub stars.
Репо предлагает запустить соревнование: 9 агентов выполняют 10 заданий примерно за 5-6 минут, развивая навыки, увеличивая память и написав код.
Смысл?
Смысл в том, что он превращает абстрактную идею “автономные AI-компании” в проверяемый прототип с метриками и наблюдаемым результатом.
Там есть не просто “игровая механика”, а набор измеримых артефактов: навыки, память, коммиты, дашборд, аудит следов и итоговый победитель. Проект выглядит как игра, потому что упакован как соревнование, но по сути это лаборатория для проверки автономных агентов и управленческой логики.
Зачем это бизнесу?
Везде есть своя «валюта» чтобы понять что работает , а что нет: агент что-то делает → выкладывает в репо / постит контент → замеряет кол-во лайков → корректирует подход
Авторы использовали платформы (GitHub + соцсети) как поле для тестирования поведения автономных AI‑агентов в реальном социальном контексте (привлечение звезд, реакция сообщества, коммиты, PR, посты).
- табло результатов, табло задач, диаграмма Ганта по активности агентов, развитию навыков и памяти
- дифференциации кода, представления сравнения стратегий, управление слиянием после победы с передачей навыков между компаниями
- Разведывательным отчётом с отслеживанием доказательств, следами со стратегическими инсайтами, историей сердечных ритмов
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Как нас видят ИИ агенты
Попросил собрать со всех нейронок как они меня видят, что обо мне знают, чтобы заполнить user.md в Hermes, и неожиданно обнаружил у себя уровни Advanced в языках программирования 😁 Да, я базово понимал синтаксис Python, JS, HTML/CSS, SQL, но выдать нужный результат не мог.
Благодаря нейронкам, специалист понимающий фундамент / фреймворки / принципы становится специалистом ур. Advanced / Expert, в связи с чем легче становится тем самым T-shape, способным создавать в Solo продукты и компании.
Пословица Стива Джобса гласит:
Когда это говорил, ещё не было ИИ агентов, теперь твои "вместе" это ты и твои ИИ агенты.
Кстати, кто хочет себе автономного ИИ агента по цене 25$ / мес. (я нашел способ сделать это очень эффективным по цене) —📨 пишите, в рамках CustDev установлю и покажу как делегировать рутину агенту.
Попросил собрать со всех нейронок как они меня видят, что обо мне знают, чтобы заполнить user.md в Hermes, и неожиданно обнаружил у себя уровни Advanced в языках программирования 😁 Да, я базово понимал синтаксис Python, JS, HTML/CSS, SQL, но выдать нужный результат не мог.
Благодаря нейронкам, специалист понимающий фундамент / фреймворки / принципы становится специалистом ур. Advanced / Expert, в связи с чем легче становится тем самым T-shape, способным создавать в Solo продукты и компании.
Пословица Стива Джобса гласит:
Если хочешь идти быстро — иди один. Если хочешь идти далеко — идите вместе
Когда это говорил, ещё не было ИИ агентов, теперь твои "вместе" это ты и твои ИИ агенты.
Кстати, кто хочет себе автономного ИИ агента по цене 25$ / мес. (я нашел способ сделать это очень эффективным по цене) —
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Forwarded from Product Management & AI
Письмо Цукерберга уволенным вчера 8,000 сотрудникам, которое все получили в 4 утра:
Всем привет!
Я хочу выразить огромную благодарность всем, кто покидает нас сегодня, за тот колоссальный труд, который вы вложили в служение нашему сообществу.
Всегда тяжело прощаться с людьми, которые внесли свой вклад в реализацию нашей миссии и в создание этой компании. Я в полной мере осознаю всю тяжесть этого момента и трачу много времени на то, чтобы гарантировать, что мы справимся с этой ситуацией наилучшим образом.
Я никогда не видел нашу индустрию столь динамичной, как сейчас. Я с оптимизмом смотрю на всё, что мы создаём, чтобы дать миллиардам людей возможность самовыражаться и поддерживать связь с теми, кто им дорог.
Я также с оптимизмом отношусь к перспективе предоставления каждому пользователю доступа к «персональному суперинтеллекту». Мы всегда стремились передавать власть в руки людей. Мы убеждены: именно так достигается прогресс в этом мире. Эти ценности отличают нас от других, и именно благодаря им компания Meta добилась успеха.
Однако успех не дается просто так. ИИ — это самая значимая технология нашего времени. Компании, которые станут лидерами в этой области, определят облик следующего поколения.
Мы трансформируем нашу компанию, чтобы она всегда оставалась лучшим местом, где талантливые люди могут оказывать максимальное влияние на мир. Сотрудники говорят нам, что ценят возможность брать на себя больше ответственности и воплощать свое видение в жизнь, сталкиваясь при этом с меньшим количеством бюрократии и управленческих барьеров.
В то же время мы хотим обеспечить каждому сотруднику максимально возможную стабильность. Нам не всегда будет удаваться идеально выдерживать этот баланс, но для меня это вопрос первостепенной важности; поэтому мы продолжим вносить коррективы и будем усердно работать над тем, чтобы поступать по отношению к людям справедливо на каждом этапе этого пути.
В связи с этим я хочу внести полную ясность: мы не ожидаем проведения других масштабных сокращений штата в масштабах всей компании в этом году.
Я также хочу признать, что в наших коммуникациях нам не всегда удавалось достичь той ясности, к которой мы стремимся; это именно та область, которую мы намерены в обязательном порядке улучшить.
Я твердо верю в то, что мы все вместе создаём. Мы — одна из немногих компаний, обладающих всеми возможностями для того, чтобы определять будущее. У Meta есть и таланты, и инфраструктура, и приложения с широким охватом аудитории, и эффективная бизнес-модель. Впереди у нас еще много работы, но результат, к которому мы идем, будет поистине выдающимся.
И ещё раз: я благодарен тем, кто покидает нас сегодня. И я благодарен всем сотрудникам компании за ту исторически значимую работу, которую мы продолжим выполнять вместе.
——
8,000 человек.
Людей со "стабильной" зарплатой.
Людей с "опционами" на "акции".
Людей, которые делали "всё правильно".
И всё же это случилось в одночасье.
——
ИИ-сокращения в 2026:
Oracle 30,000
Amazon 16,000
Meta 8,000
Block 4,000
Cisco 4,000
Intuit 3,000
WiseTech 2,000
Atlassian 1,600
Snap 1,000
Ocado 1,000
Livspace 1,000
Autodesk 1,000
eBay 800
Coinbase 700
Pinterest 700
Playtika 500
Workday 400
Всем привет!
Я хочу выразить огромную благодарность всем, кто покидает нас сегодня, за тот колоссальный труд, который вы вложили в служение нашему сообществу.
Всегда тяжело прощаться с людьми, которые внесли свой вклад в реализацию нашей миссии и в создание этой компании. Я в полной мере осознаю всю тяжесть этого момента и трачу много времени на то, чтобы гарантировать, что мы справимся с этой ситуацией наилучшим образом.
Я никогда не видел нашу индустрию столь динамичной, как сейчас. Я с оптимизмом смотрю на всё, что мы создаём, чтобы дать миллиардам людей возможность самовыражаться и поддерживать связь с теми, кто им дорог.
Я также с оптимизмом отношусь к перспективе предоставления каждому пользователю доступа к «персональному суперинтеллекту». Мы всегда стремились передавать власть в руки людей. Мы убеждены: именно так достигается прогресс в этом мире. Эти ценности отличают нас от других, и именно благодаря им компания Meta добилась успеха.
Однако успех не дается просто так. ИИ — это самая значимая технология нашего времени. Компании, которые станут лидерами в этой области, определят облик следующего поколения.
Мы трансформируем нашу компанию, чтобы она всегда оставалась лучшим местом, где талантливые люди могут оказывать максимальное влияние на мир. Сотрудники говорят нам, что ценят возможность брать на себя больше ответственности и воплощать свое видение в жизнь, сталкиваясь при этом с меньшим количеством бюрократии и управленческих барьеров.
В то же время мы хотим обеспечить каждому сотруднику максимально возможную стабильность. Нам не всегда будет удаваться идеально выдерживать этот баланс, но для меня это вопрос первостепенной важности; поэтому мы продолжим вносить коррективы и будем усердно работать над тем, чтобы поступать по отношению к людям справедливо на каждом этапе этого пути.
В связи с этим я хочу внести полную ясность: мы не ожидаем проведения других масштабных сокращений штата в масштабах всей компании в этом году.
Я также хочу признать, что в наших коммуникациях нам не всегда удавалось достичь той ясности, к которой мы стремимся; это именно та область, которую мы намерены в обязательном порядке улучшить.
Я твердо верю в то, что мы все вместе создаём. Мы — одна из немногих компаний, обладающих всеми возможностями для того, чтобы определять будущее. У Meta есть и таланты, и инфраструктура, и приложения с широким охватом аудитории, и эффективная бизнес-модель. Впереди у нас еще много работы, но результат, к которому мы идем, будет поистине выдающимся.
И ещё раз: я благодарен тем, кто покидает нас сегодня. И я благодарен всем сотрудникам компании за ту исторически значимую работу, которую мы продолжим выполнять вместе.
——
8,000 человек.
Людей со "стабильной" зарплатой.
Людей с "опционами" на "акции".
Людей, которые делали "всё правильно".
И всё же это случилось в одночасье.
——
ИИ-сокращения в 2026:
Oracle 30,000
Amazon 16,000
Meta 8,000
Block 4,000
Cisco 4,000
Intuit 3,000
WiseTech 2,000
Atlassian 1,600
Snap 1,000
Ocado 1,000
Livspace 1,000
Autodesk 1,000
eBay 800
Coinbase 700
Pinterest 700
Playtika 500
Workday 400
😢3
This media is not supported in your browser
VIEW IN TELEGRAM
AI для одежды и др. товаров
Всё вокруг делают ИИ для решения задач в digital среде, ребята же сделали сервис для физического мира.
Они запустили genpire.com — это agentic-платформа, которая превращает текстовые описания и скетчи в реальные продукты: от визуалов и рендеров до полноценного factory-ready tech pack. А дальше — сразу к производству: через свою фабрику или сеть проверенных поставщиков с быстрым расчётом, сэмплами и запуском тиража.
Один workflow — от идеи до конвейера.
Сегодня, несмотря на весь прогресс в AI, запустить физический продукт всё ещё кратно сложнее, чем AI-приложение.
Чтобы сделать даже простой бренд (например, шлёпанцы или аксессуары), тебе нужно:
- дизайн и прототипирование
- tech packs и спецификации
- поиск фабрик
- коммуникация и контроль производства
Это долго, дорого и до сих пор очень вручную.
Genpire это меняет.
Они взяли концепцию vibe-coding (как в Lovable) и применили её к физическим продуктам.
Теперь ты просто описываешь идею — и получаешь:
- продуктовые визуалы
- multi-view рендеры
- технические чертежи
- полноценный tech pack для фабрики
Без опыта в дизайне или производстве.
Можно создавать:
- обувь и одежду
- сумки и аксессуары
- игрушки
- beauty-девайсы
- лампы и гаджеты
Всего — 8 категорий, которые покрывают большую часть consumer goods.
Дополнительно:
- Brand DNA — система, которая подстраивает генерацию под твой стиль и бренд
- Manufacturer Quotes — доступ к проверенным фабрикам для быстрого запуска производства
Всё вокруг делают ИИ для решения задач в digital среде, ребята же сделали сервис для физического мира.
Они запустили genpire.com — это agentic-платформа, которая превращает текстовые описания и скетчи в реальные продукты: от визуалов и рендеров до полноценного factory-ready tech pack. А дальше — сразу к производству: через свою фабрику или сеть проверенных поставщиков с быстрым расчётом, сэмплами и запуском тиража.
Один workflow — от идеи до конвейера.
Сегодня, несмотря на весь прогресс в AI, запустить физический продукт всё ещё кратно сложнее, чем AI-приложение.
Чтобы сделать даже простой бренд (например, шлёпанцы или аксессуары), тебе нужно:
- дизайн и прототипирование
- tech packs и спецификации
- поиск фабрик
- коммуникация и контроль производства
Это долго, дорого и до сих пор очень вручную.
Genpire это меняет.
Они взяли концепцию vibe-coding (как в Lovable) и применили её к физическим продуктам.
Теперь ты просто описываешь идею — и получаешь:
- продуктовые визуалы
- multi-view рендеры
- технические чертежи
- полноценный tech pack для фабрики
Без опыта в дизайне или производстве.
Можно создавать:
- обувь и одежду
- сумки и аксессуары
- игрушки
- beauty-девайсы
- лампы и гаджеты
Всего — 8 категорий, которые покрывают большую часть consumer goods.
Дополнительно:
- Brand DNA — система, которая подстраивает генерацию под твой стиль и бренд
- Manufacturer Quotes — доступ к проверенным фабрикам для быстрого запуска производства
🔥2
LobeHub — это система, созданная для сотрудничества человека и агента, в центре которой находится CAO — ваш главный оператор агентов. Задайте ему цель, и CAO соберет команду из более чем 273 000 навыков и 51 000 серверов MCP, запустит Claude Code, Codex и OpenClaw параллельно в облаке и будет отправлять вам один ежедневный бриф вместо того, чтобы заставлять вас проверять 15 вкладок. Агенты появляются там, где вы уже общаетесь — Slack, Discord, Telegram, WeChat, Feishu, Lark, LINE, QQ, iMessage — поэтому вы остаетесь у руля, даже не находясь в сети.
❤2👍1
ИИ для продакта & CPO | Влад Прошинский
Собираем Hermes AI agent Берем VPS тут за 5$/мес. 4 vCPU Cores, 8 GB RAM Ставим через SSH (команда). Если планируете несколько агентов — разверните отдельные Docker контейнеры Апдейтим сервисы: - node -v должен быть 22+. - python3 --version должен быть…
Быстро сжигаешь все токены?
Я тоже. Есть 2 пути:
1. Купить подписку за 100$
2. Купить вторую подписку за 20$ и накатить Key Rotator
Я выбрал 2е. Регнул второй кабинет Ollama, агент поднял прокси → накатил скрипт.
Ротатор — это тупой скрипт, что он делает:
- Запускает Watchdog cron каждую минуту → проверяет: порт жив?
- При HTTP 429 (rate limit) → переключает индекс, ретраит с новым ключом
- При HTTP 401 (invalid key) → тоже переключает
Итого 40$ вместо 100$.
OpenRouter и прочие — сильно дороже.
❌ HTTP 403: Error code: 403 - {'error': 'this model requires a subscription, upgrade for access: https://ollama.com/upgrade
Я тоже. Есть 2 пути:
1. Купить подписку за 100$
2. Купить вторую подписку за 20$ и накатить Key Rotator
Я выбрал 2е. Регнул второй кабинет Ollama, агент поднял прокси → накатил скрипт.
Ротатор — это тупой скрипт, что он делает:
- Запускает Watchdog cron каждую минуту → проверяет: порт жив?
- При HTTP 429 (rate limit) → переключает индекс, ретраит с новым ключом
- При HTTP 401 (invalid key) → тоже переключает
Итого 40$ вместо 100$.
OpenRouter и прочие — сильно дороже.
❤1👍1
Тестовые собесы продактов на ProductCamp
🎁 Бонус ниже
Буду проводить на ProductCamp уже в эту сб тестовые собесы для продактов.
Проходить будет на втором этаже. Кто будет — приходите, познакомимся 🙂
===
В кратце что с рынком? В РФ спад, в мире — всё ок, но изменился целевой кандидат, т.к. изменилась модель принятия инвест. решений (писал тут), из которых собственно и платят зарплату. Компании и их инвесторы хотят видеть управленцев нового времени (в т.ч. продуктом).
Ленни Рачитски об этом пишет так:
Резюме: Хотят видеть пересобранных экспертов, которые пересобрали свои soft + hard skills: адаптация к ИИ (агенты, evaluation, governance). PM перестаёт быть “органайзером фич” и становится стратегом, лидером, оркестратором (пока что) ИИ агентов.
Роль PM диверсифицируется — появляются AI PM (пример), Growth PM и т.д., middle-уровень сжимается. PM всё чаще отвечают за revenue, а не только за фичи.
Если раньше PM тратил ~50% времени на админ работу (тикеты, апдейты, отчеты). Щас ИИ-агенты берут это на себя. PM теперь: judgment, выбор что важно/что нет, строительство feedback loops, строительство context graph из всех источников (Slack, GitHub, analytics, calls) + agent, который его потребляет. По сути это AgentOps — как сделать так, чтобы работа делалась, получали тот же результат, но быстрее.
====
Какого "обновленного" продакта хотят видеть (по моему мнению)?
Очень важно отметить, что есть некая «лестница зрелости» (новичок → практик → оркестратор), и на каждую позицию ищут определенный уровень.
Если бы я искал, то определенно это был бы продвинутый практик, он:
Научился работать с ИИ → может выполнять работу в 2-5 раз эффективнее за счет встройки ИИ в процессы исследований, валидации, прототипирование и т.д. Настроил MCP, Shell-команды, поставил себе автономного агента (OpenClaw / Hermes), который помогает выполнять задачи.
↓
Умеет подбирать разные типы промптов (CoT, Cove, Role based и т.п.) под задачи → обучился управлять контекстом → пробует/умеет собирать графы знаний → онтологию продукта/бизнеса
↓
Управляет 4 типами памяти (текущий контекст, который не засоряется лишней инфой, md-файлы, семантическая память memSearch / mem0, процедурная память = skills)
↓
Уже собрал 25+ агентов на 5 loops (discovery, strategy, spec, execution, people) → отладил → получает стабильный результат (не забил) → показывает GitHub / real-time работу своей "армии"
↓
Оцифровывал результаты агентов. Умеет в Observability, работал с LangFuse / LangSmith, может продемострировать практический опыт трейсинга, evals (LLM-as-Judge, DeepEval)
↓
Вайбкодит с применением таких техник, как GSD, BMAD, Superpowers. Для фронта с UX использует эффективные техники/фреймворки, для Back-end аналогично (context7 и др. полезные инструменты)
↓
Думает о безопасности через атаку агентами. Знает про защиты от Prompt / Tool injections , Guardrails
(проекты в n8n, LangGraph, Mastra и др. фреймворки тоже как плюс, но это всё же про какой-то реальный продакшн, для личного пользования не обязательно на мой взгляд)
=====
🎁 Бонус. Где искать такие позиции?
Я собрал автоматизацию поиска таких вакансий:🔗 таблица с remote вакансиями , каждый чт ИИ ищет вакансии по 12 источникам:
- hh.ru
- superjob.ru
- career.habr.com
- geekjob.ru
- talent-move.ru
- hirify.me
- linkedin.com
- weworkremotely.com
- wellfound.com
- remoteok.com
- remotive.com
- arc.dev
и т.п.
======
В сб на тестовых собесах как раз пройдёмся по этим уровням вживую — приходите на 2 этаж.
А пока: на какой ступени видите себя и какой пункт самый болезненный?
🎁 Бонус ниже
Буду проводить на ProductCamp уже в эту сб тестовые собесы для продактов.
Проходить будет на втором этаже. Кто будет — приходите, познакомимся 🙂
===
В кратце что с рынком? В РФ спад, в мире — всё ок, но изменился целевой кандидат, т.к. изменилась модель принятия инвест. решений (писал тут), из которых собственно и платят зарплату. Компании и их инвесторы хотят видеть управленцев нового времени (в т.ч. продуктом).
Ленни Рачитски об этом пишет так:
на секунду забудьте о заголовках и посмотрите на реальные данные о найме, потому что данные говорят совсем другое. Количество вакансий для менеджеров проектов находится на самом высоком уровне за более чем три года. Компании, правильно внедряющие ИИ, не сокращаются. Они нанимают больше людей, особенно тех, кто, по его словам, обладает навыками работы с ИИ. Так что, по сути, паника громче, чем данные.
Резюме: Хотят видеть пересобранных экспертов, которые пересобрали свои soft + hard skills: адаптация к ИИ (агенты, evaluation, governance). PM перестаёт быть “органайзером фич” и становится стратегом, лидером, оркестратором (пока что) ИИ агентов.
Роль PM диверсифицируется — появляются AI PM (пример), Growth PM и т.д., middle-уровень сжимается. PM всё чаще отвечают за revenue, а не только за фичи.
Если раньше PM тратил ~50% времени на админ работу (тикеты, апдейты, отчеты). Щас ИИ-агенты берут это на себя. PM теперь: judgment, выбор что важно/что нет, строительство feedback loops, строительство context graph из всех источников (Slack, GitHub, analytics, calls) + agent, который его потребляет. По сути это AgentOps — как сделать так, чтобы работа делалась, получали тот же результат, но быстрее.
====
Какого "обновленного" продакта хотят видеть (по моему мнению)?
Очень важно отметить, что есть некая «лестница зрелости» (новичок → практик → оркестратор), и на каждую позицию ищут определенный уровень.
Если бы я искал, то определенно это был бы продвинутый практик, он:
Научился работать с ИИ → может выполнять работу в 2-5 раз эффективнее за счет встройки ИИ в процессы исследований, валидации, прототипирование и т.д. Настроил MCP, Shell-команды, поставил себе автономного агента (OpenClaw / Hermes), который помогает выполнять задачи.
↓
Умеет подбирать разные типы промптов (CoT, Cove, Role based и т.п.) под задачи → обучился управлять контекстом → пробует/умеет собирать графы знаний → онтологию продукта/бизнеса
↓
Управляет 4 типами памяти (текущий контекст, который не засоряется лишней инфой, md-файлы, семантическая память memSearch / mem0, процедурная память = skills)
↓
Уже собрал 25+ агентов на 5 loops (discovery, strategy, spec, execution, people) → отладил → получает стабильный результат (не забил) → показывает GitHub / real-time работу своей "армии"
↓
Оцифровывал результаты агентов. Умеет в Observability, работал с LangFuse / LangSmith, может продемострировать практический опыт трейсинга, evals (LLM-as-Judge, DeepEval)
↓
Вайбкодит с применением таких техник, как GSD, BMAD, Superpowers. Для фронта с UX использует эффективные техники/фреймворки, для Back-end аналогично (context7 и др. полезные инструменты)
↓
Думает о безопасности через атаку агентами. Знает про защиты от Prompt / Tool injections , Guardrails
(проекты в n8n, LangGraph, Mastra и др. фреймворки тоже как плюс, но это всё же про какой-то реальный продакшн, для личного пользования не обязательно на мой взгляд)
=====
Я собрал автоматизацию поиска таких вакансий:
- hh.ru
- superjob.ru
- career.habr.com
- geekjob.ru
- talent-move.ru
- hirify.me
- linkedin.com
- weworkremotely.com
- wellfound.com
- remoteok.com
- remotive.com
- arc.dev
и т.п.
======
В сб на тестовых собесах как раз пройдёмся по этим уровням вживую — приходите на 2 этаж.
А пока: на какой ступени видите себя и какой пункт самый болезненный?
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥1