Собрал туллкит для продактов - отдаю в опенсорс
Вчера во время эфира по AI-прототипированию собрал небольшой тул для продактов, который позволяет существенно упростить работу с продуктовой документацией.
Основные фичи:
- создание скриптов интервью под ваш продукт;
- анализ пользовательских интервью;
- рыночный анализ на основе вашего Elevator Pitch;
- создание PRD на основе пользовательского ввода и данных из предыдущих трех пунктов.
Решил поделиться проектом здесь, каждый может развернуть его у себя, модифицировать и использовать со своими API ключами Gemini и Perplexity. Есть мысли развить проект дальше. Например, хочу прикрутить Whisper для транскрибации аудио, добавить функционал проектов (чтобы была группировка по ним и все было в едином пространстве), добавить возможность использования своих шаблонов и экспорта в гугл докс. Что думаете? 🙂
Репозиторий проекта - ставьте звездочки, сохраняйте себе и следите за развитием :) Для использования вам нужно скопировать его к себе и следовать инструкциям из Readme.md.
Это лишь малый пример того, что можно сделать с AI. Напоминаю, что сегодня, в 19 00 стартуют два моих буткемпа по использованию ИИ для личной эффективности и AI-продакт менеджменту, покрывающим не только вопросы того, как использовать ИИ, но и того, как разрабатывать AI-продукты и фичи.
Забронировать свое место можно тут. Промокод
Вчера во время эфира по AI-прототипированию собрал небольшой тул для продактов, который позволяет существенно упростить работу с продуктовой документацией.
Основные фичи:
- создание скриптов интервью под ваш продукт;
- анализ пользовательских интервью;
- рыночный анализ на основе вашего Elevator Pitch;
- создание PRD на основе пользовательского ввода и данных из предыдущих трех пунктов.
Решил поделиться проектом здесь, каждый может развернуть его у себя, модифицировать и использовать со своими API ключами Gemini и Perplexity. Есть мысли развить проект дальше. Например, хочу прикрутить Whisper для транскрибации аудио, добавить функционал проектов (чтобы была группировка по ним и все было в едином пространстве), добавить возможность использования своих шаблонов и экспорта в гугл докс. Что думаете? 🙂
Репозиторий проекта - ставьте звездочки, сохраняйте себе и следите за развитием :) Для использования вам нужно скопировать его к себе и следовать инструкциям из Readme.md.
Это лишь малый пример того, что можно сделать с AI. Напоминаю, что сегодня, в 19 00 стартуют два моих буткемпа по использованию ИИ для личной эффективности и AI-продакт менеджменту, покрывающим не только вопросы того, как использовать ИИ, но и того, как разрабатывать AI-продукты и фичи.
Забронировать свое место можно тут. Промокод
ngi_ru даст скидку на все тарифы и годовую подписку на Perplexity AI стоимостью $200.❤9👍8
AI-видео, маркетинг и соцсети
За последние полгода в AI-видео был сделан огромный скачок. Мы прошли путь от восьмисекундных сниппетов без звука до полноценных роликов, которые зачастую стало сложно отличить от настоящих. Особенно это заметно с появлением Sora 2 и Google VEO 3.1.
Однако, как мы видели на примере безумия с GPT-4o, когда все бросились создавать Ghibli-картинки, появление более сильной технологии ведет к появлению большого количества нейромусора. Instagram* уже заполонили нейро-рилсы: как с мемами, так и, что интереснее, с UGC-роликами. Для тех, кто далек от маркетинга: UGC - это тип контента, когда блогеры нативно рекламируют продукт через личный опыт. Он хорошо конвертит за счет доверия к блогеру или за счет того, что зритель узнает себя и свою проблему. Кстати, часть из вас пришли в этот канал как раз с моего недавнего UGC-ролика 🙂
Отток из соцсетей
Соцсети и так отнимают уйму времени. А с валом нейроконтента возникает постоянное ощущение, что помимо слива жизни на тупые рилсы, тебя еще и пытаются обмануть везде: от мемов до рекламы продуктов. Я сам стараюсь сокращать время в соцсетях, ставя таймеры на приложения, и, наверное, даже назвал бы это скорее плюсом. По сути, это дополнительный стимул не открывать Shorts и прочие вертикальные ленты.
Переосмысление UGC
На мой взгляд, UGC с незнакомыми людьми просто умрет, вызывая эффект баннерной слепоты. Люди перестанут понимать, где реальная реклама, а где сгенерированная, а что хуже - где реальный продукт, а где нет. В результате возрастет цена личного бренда с живой аудиторией, бренды будут больше таргетироваться на конкретных людей, а цена рекламы у блогеров вырастет. При этом стартапам станет сложнее привлечь первых пользователей, т.к. бюджет на маркетинг у них зачастую ограничен.
AI - это становится некруто
С таким количеством нейромусора у пользователя неизбежно возникнет желание отдохнуть от него, найти "островок человечности". И здесь я вижу несколько возможных сценариев. Либо появятся отдельные соцсети, где весь контент будет гарантированно сделан человеком, эдакие эко-продукты. Либо разовьются фильтры в существующих платформах, возможно, даже в рамках платной подписки (лично я готов платить, чтобы в инсте видеть только фотки тех, на кого подписан, а рилсы вообще снести нафиг) 😁 Meta* уже начала помечать сгенерированный контент, и следующий логичный шаг - дать пользователям возможность полностью заблокировать его показ в своей ленте. Тренд на цифровой детокс получит новое дыхание, и настоящая, не сгенерированная реальность снова войдет в моду.
А как вы относитесь к AI-видео?
*Деятельность компании Meta Inc. и её продуктов признана в России экстремистской и запрещена.
За последние полгода в AI-видео был сделан огромный скачок. Мы прошли путь от восьмисекундных сниппетов без звука до полноценных роликов, которые зачастую стало сложно отличить от настоящих. Особенно это заметно с появлением Sora 2 и Google VEO 3.1.
Однако, как мы видели на примере безумия с GPT-4o, когда все бросились создавать Ghibli-картинки, появление более сильной технологии ведет к появлению большого количества нейромусора. Instagram* уже заполонили нейро-рилсы: как с мемами, так и, что интереснее, с UGC-роликами. Для тех, кто далек от маркетинга: UGC - это тип контента, когда блогеры нативно рекламируют продукт через личный опыт. Он хорошо конвертит за счет доверия к блогеру или за счет того, что зритель узнает себя и свою проблему. Кстати, часть из вас пришли в этот канал как раз с моего недавнего UGC-ролика 🙂
Отток из соцсетей
Соцсети и так отнимают уйму времени. А с валом нейроконтента возникает постоянное ощущение, что помимо слива жизни на тупые рилсы, тебя еще и пытаются обмануть везде: от мемов до рекламы продуктов. Я сам стараюсь сокращать время в соцсетях, ставя таймеры на приложения, и, наверное, даже назвал бы это скорее плюсом. По сути, это дополнительный стимул не открывать Shorts и прочие вертикальные ленты.
Переосмысление UGC
На мой взгляд, UGC с незнакомыми людьми просто умрет, вызывая эффект баннерной слепоты. Люди перестанут понимать, где реальная реклама, а где сгенерированная, а что хуже - где реальный продукт, а где нет. В результате возрастет цена личного бренда с живой аудиторией, бренды будут больше таргетироваться на конкретных людей, а цена рекламы у блогеров вырастет. При этом стартапам станет сложнее привлечь первых пользователей, т.к. бюджет на маркетинг у них зачастую ограничен.
AI - это становится некруто
С таким количеством нейромусора у пользователя неизбежно возникнет желание отдохнуть от него, найти "островок человечности". И здесь я вижу несколько возможных сценариев. Либо появятся отдельные соцсети, где весь контент будет гарантированно сделан человеком, эдакие эко-продукты. Либо разовьются фильтры в существующих платформах, возможно, даже в рамках платной подписки (лично я готов платить, чтобы в инсте видеть только фотки тех, на кого подписан, а рилсы вообще снести нафиг) 😁 Meta* уже начала помечать сгенерированный контент, и следующий логичный шаг - дать пользователям возможность полностью заблокировать его показ в своей ленте. Тренд на цифровой детокс получит новое дыхание, и настоящая, не сгенерированная реальность снова войдет в моду.
А как вы относитесь к AI-видео?
*Деятельность компании Meta Inc. и её продуктов признана в России экстремистской и запрещена.
❤11👍4🤔2
Открытая лекция по промпт-инжинирингу из текущего AI-буткемпа
В рамках текущего потока моих буткемпов по AI мы как раз дошли до одной из ключевых тем - “Промпт-инжиниринг и основы работы с ИИ”. Я решил провести эту лекцию в открытом формате.
Зачем?
Это возможность для тех, кто все еще находится в процессе принятия решения о покупке или хочет больше узнать о моих программах. Вы сможете вживую оценить мой стиль подачи, глубину материала и то, как я работаю с группой, чтобы понять, подходит ли вам такой формат.
Ну и, конечно, это возможность для всех желающих получить концентрированную практическую пользу по работе с LLM.
🗓️ Когда?
- В среду, 22 октября, в 19:00 по МСК.
🚀 На лекции разберем и покажу:
- Как управлять контекстом модели: что такое токены, когда много контекста хорошо, а когде не очень;
- Какие настройки есть у LLM, когда и какие использовать и что это нам дает;
- Реальные юзкейсы применения различных инструментов и моделей в Google AI Studio, когда и какая модель будет лучше и почему подход “всегда использовать PRO” - это плохо;
- В каких задачах достаточно базовых промптов, а где не обойтись без продвинутых стратегий вроде COT, Generated Knowledge prompting и других;
- Методы борьбы с галлюцинациями, включая RAG а также другие техники анбайасинга; - и много чего другого интересного
⏳ Сколько времени займет?
Рассчитывайте на 2 часа примерно. Также будет отдельная практика с участниками буткемпа, вы сможете посмотреть на сам процесс, но без активного вовлечения.
👉🏻 Этот бот пришлет напоминание и ссылку на лекцию
В рамках текущего потока моих буткемпов по AI мы как раз дошли до одной из ключевых тем - “Промпт-инжиниринг и основы работы с ИИ”. Я решил провести эту лекцию в открытом формате.
Зачем?
Это возможность для тех, кто все еще находится в процессе принятия решения о покупке или хочет больше узнать о моих программах. Вы сможете вживую оценить мой стиль подачи, глубину материала и то, как я работаю с группой, чтобы понять, подходит ли вам такой формат.
Ну и, конечно, это возможность для всех желающих получить концентрированную практическую пользу по работе с LLM.
🗓️ Когда?
- В среду, 22 октября, в 19:00 по МСК.
- Как управлять контекстом модели: что такое токены, когда много контекста хорошо, а когде не очень;
- Какие настройки есть у LLM, когда и какие использовать и что это нам дает;
- Реальные юзкейсы применения различных инструментов и моделей в Google AI Studio, когда и какая модель будет лучше и почему подход “всегда использовать PRO” - это плохо;
- В каких задачах достаточно базовых промптов, а где не обойтись без продвинутых стратегий вроде COT, Generated Knowledge prompting и других;
- Методы борьбы с галлюцинациями, включая RAG а также другие техники анбайасинга; - и много чего другого интересного
⏳ Сколько времени займет?
Рассчитывайте на 2 часа примерно. Также будет отдельная практика с участниками буткемпа, вы сможете посмотреть на сам процесс, но без активного вовлечения.
👉🏻 Этот бот пришлет напоминание и ссылку на лекцию
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥4
Вайбкодинг на собеседованиях продактов и дизайнеров: круто или дань моде?
В последнее время компании добавляют вайбкодинг в качестве этапа собеседований. Причём не только для разработчиков, но и для продактов и дизайнеров.
Одними из первых этот тренд подхватили в Яндекс, вчера узнал, что такой этап появился и в IVI. Казалось бы, компании молодцы, первыми подхватывают тренды, разве нет? Вот только проблема в том, что одно дело - тренд, а другое - практическая значимость.
Главная ценность вайбкодинга - быстрое прототипирование. Все стали буквально одержимы этой идеей, однако для продуктовых дизайнеров и менеджеров это не ключевой навык. У нас годами были инструменты no-code, с помощью которых можно сделать тот же лендинг для теста гипотезы за день, но их не пихали в каждое собеседование.
Большинство крупных компаний уже имеют существующий продукт, и если он не связан с AI - фичи пилятся сразу в продакшн. Вайбкод работает хорошо, когда вы пилите что-то с нуля, чтобы быстро обкатать гипотезы. Однако это не ключевой навык для собеса. Даже работая в R&D-команде, помимо прототипирования нужно уметь проектировать пользовательские пути, проводить исследования, быстро накидывать дизайн-концепты. Вайбкод не проверяет ни один из этих навыков.
Что тогда важно, когда AI проникает везде?
Мой товарищ Коля, канал которого многие из вас читают, буквально недавно писал пост на эту тему - очень рекомендую прочитать и подписаться. Здесь же опишу, что считаю важным со своей стороны.
1. Умение решать проблему чистого листа. Если раньше нужно было проводить тягомотные исследования, то сейчас с помощью LLM можно обрабатывать довольно большие массивы существующей информации о продукте и преобразовывать их в какие-то инсайты, а на базе этих концептов генерировать идеи продуктовых фич.
2. Критическое мышление и верификация работы AI. Часто вижу паттерн, когда результат работы GPT просто копируют. Мол, это быстро и GPT уже делает работу на уровне среднестатистического специалиста. Нанимая человека, я хочу видеть HiPo-спеца, а не среднячка. Умение разруливать ситуацию, когда AI косячит, отличает реального специалиста от GPT-дилетанта.
3. Вместо вайбкодинга. Предложите кейс, связанный с внедрением AI-фичи. Например:
4. Проектирование доверия и работа с ошибками AI. Реальные AI-продукты ошибаются. Дайте кандидату кейс:
Здесь проверяем основные принципы:
- Transparency: Понимает ли кандидат, что AI должен объяснять свои решения?
- Human-in-the-Loop: Есть ли у пользователя другой выход? Как легко исправить ошибку AI?
- Обработка ошибок: Как сообщать об ошибке, не разрушая доверие к продукту?
5. Представление об AI как части экосистемы продукта. Многие AI-фичи - просто обертка для GPT, не интегрированная в основной продукт, а мы хотим этого избежать. Можно дать кандидату такой кейс:
Здесь проверяем способность думать о всей системе:
- Как это изменит CJM?
- Где AI принесёт максимальную ценность, а где помешает?
- Какие данные ему нужны и как их получить?
- Как использовать данные от работы этой фичи?
Часто из-за FOMO и/или некомпетентности, менеджеры плодят ненужные этапы интервью. Вайбкодинг - яркий пример такого подхода. Если у вас не стартап, не R&D-команда, которая пилит по 10 инноваций в месяц, и не ультрасовременный AI-продукт - вайбкод не всегда ответ на ваш вопрос.
Вместо того чтобы слепо копировать модные практики, стоит задуматься: какие навыки действительно нужны вашим кандидатам в реальной работе? Именно их и проверяйте на собеседованиях.
В последнее время компании добавляют вайбкодинг в качестве этапа собеседований. Причём не только для разработчиков, но и для продактов и дизайнеров.
Одними из первых этот тренд подхватили в Яндекс, вчера узнал, что такой этап появился и в IVI. Казалось бы, компании молодцы, первыми подхватывают тренды, разве нет? Вот только проблема в том, что одно дело - тренд, а другое - практическая значимость.
Главная ценность вайбкодинга - быстрое прототипирование. Все стали буквально одержимы этой идеей, однако для продуктовых дизайнеров и менеджеров это не ключевой навык. У нас годами были инструменты no-code, с помощью которых можно сделать тот же лендинг для теста гипотезы за день, но их не пихали в каждое собеседование.
Большинство крупных компаний уже имеют существующий продукт, и если он не связан с AI - фичи пилятся сразу в продакшн. Вайбкод работает хорошо, когда вы пилите что-то с нуля, чтобы быстро обкатать гипотезы. Однако это не ключевой навык для собеса. Даже работая в R&D-команде, помимо прототипирования нужно уметь проектировать пользовательские пути, проводить исследования, быстро накидывать дизайн-концепты. Вайбкод не проверяет ни один из этих навыков.
Что тогда важно, когда AI проникает везде?
Мой товарищ Коля, канал которого многие из вас читают, буквально недавно писал пост на эту тему - очень рекомендую прочитать и подписаться. Здесь же опишу, что считаю важным со своей стороны.
1. Умение решать проблему чистого листа. Если раньше нужно было проводить тягомотные исследования, то сейчас с помощью LLM можно обрабатывать довольно большие массивы существующей информации о продукте и преобразовывать их в какие-то инсайты, а на базе этих концептов генерировать идеи продуктовых фич.
2. Критическое мышление и верификация работы AI. Часто вижу паттерн, когда результат работы GPT просто копируют. Мол, это быстро и GPT уже делает работу на уровне среднестатистического специалиста. Нанимая человека, я хочу видеть HiPo-спеца, а не среднячка. Умение разруливать ситуацию, когда AI косячит, отличает реального специалиста от GPT-дилетанта.
3. Вместо вайбкодинга. Предложите кейс, связанный с внедрением AI-фичи. Например:
Мы хотим добавить функцию, которая с помощью AI анализирует переписку пользователя и предлагает готовые ответы. Опиши пользовательский путь и риски. Какие инсайты из базы отзывов ты бы запросил у LLM для проверки гипотезы?
4. Проектирование доверия и работа с ошибками AI. Реальные AI-продукты ошибаются. Дайте кандидату кейс:
Наша AI-фича работает неверно в 30% случаев. Пользователи завалили саппорт жалобами. Как мы должны были спроектировать интерфейс, чтобы (а) этого не допустить и (б) что показать после ошибки?
Здесь проверяем основные принципы:
- Transparency: Понимает ли кандидат, что AI должен объяснять свои решения?
- Human-in-the-Loop: Есть ли у пользователя другой выход? Как легко исправить ошибку AI?
- Обработка ошибок: Как сообщать об ошибке, не разрушая доверие к продукту?
5. Представление об AI как части экосистемы продукта. Многие AI-фичи - просто обертка для GPT, не интегрированная в основной продукт, а мы хотим этого избежать. Можно дать кандидату такой кейс:
У нас продукт для X. Мы хотим внедрить AI-ассистента. Куда его встроим? Это будет отдельный чат-бот или контекстные подсказки в интерфейсе?
Здесь проверяем способность думать о всей системе:
- Как это изменит CJM?
- Где AI принесёт максимальную ценность, а где помешает?
- Какие данные ему нужны и как их получить?
- Как использовать данные от работы этой фичи?
Часто из-за FOMO и/или некомпетентности, менеджеры плодят ненужные этапы интервью. Вайбкодинг - яркий пример такого подхода. Если у вас не стартап, не R&D-команда, которая пилит по 10 инноваций в месяц, и не ультрасовременный AI-продукт - вайбкод не всегда ответ на ваш вопрос.
Вместо того чтобы слепо копировать модные практики, стоит задуматься: какие навыки действительно нужны вашим кандидатам в реальной работе? Именно их и проверяйте на собеседованиях.
❤14👍8🤔2
Как провести полноценный пользовательский ресерч всего с тремя инструментами
Не смотря на то, что я пробую много ИИ-инструментов, в моем регулярном воркфлоу инструментов не так много. Одна из основных моих рабочих задач как продакта - это общение с пользователями в поиске инсайтов по разрабатываемым продуктам. И данный процесс я стараюсь максимально оптимизировать.
Помогает мне в этом всего 3 инструмента, которые я использую для разных целей. На самом деле, обойтись можно даже двумя, но сегодня немного расскажу про свой воркфлоу.
Делаем транскрипты
Здесь вы можете использовать любой транскрибатор. У себя я писал про Macwhisper (платный) и Vibe (бесплатный). Вариантов куча и зависит от того, что удобнее вам, +, как писал выше, можно даже не иметь отдельного транскрибатора: вы можете сделать транскрипт в NotebookLM (о нем ниже). Основная цель здесь - преобразовать записи интервью в текст. В разных приложениях доступны разные модели транскрибации, если у вас доступен Parakeet v3 - используйте его, если нет - Whisper Large Turbo v3.
Индивидуальный анализ интервью
Здесь мой выбор - Google AI Studio. Работаю я в нем по следующему принципу:
- температуру ставим 0;
- проектируем системный промпт для анализа по методу SGR;
- модели достаточно будет даже Gemini Flash, т.к. мы используем SGR, это быстрее и экологичнее (меньше греем сервера, бережем окружающую среду);
- при дизайне системного промпта создаем себе ассистента, который в начале у нас спросит контекст по проекту и цели интервью, после чего задаст дополнительные вопросы для его понимания и только затем приступит к анализу транскрипта;
- стараемся держать контекст ниже 50к токенов для большей точности;
- в результате анализа я люблю просить LLM выписать мне заданные вопросы и ответы пользователя на них, добавляя цитаты там, где возникает сильная эмоция, после - задаем доп вопросы;
- максимум 3 интервью в контексте, но оптимально не более 2, после - чистим контекст;
- результаты анализа сохраняем в индивидуальные гугл-доки;
Групповой анализ интервью
Здесь у нас две опции. Первая - мы можем взять гугл-доки из предыдущего пункта и пульнуть их в AI Studio, но это работает хорошо только в том случае, если вы сами проводили интервью и уверены в их содержании. Но зачастую мне нужно найти какие-то общие патерны и инсайты с сылками на источники. Поэтому для группового анализа я предпочитаю использовать второй вариант - NotebookLM. Закидываем туда наши транскрипты или аудио (для русского языка я рекомендую все-таки транскрипты, т.к. точность для него не такая классная). После - задаем интересующие нас вопросы.
Какие задачи можно решить таким образом:
- создание обобщенного UJM;
- группировка пользовательских персон;
- поиск повторяющихся инсайтов;
- кластеризация потребностей или болей;
- вытаскивание конкретных цитат;
- формирование работ по JTBD;
- и много чего еще…
Отдельный плюс NotebookLM в том, что такой тетрадкой можно поделиться с командой, например, дизайнерами и инженерами, QA, чтобы они задали свои вопросы по транскриптам.
Такое сочетание позволяет мне копать в глубину с помощью AI Studio и в ширину - с NotebookLM. При этом стоит это максимально дешево, на малых объемах хватает бесплатных лимитов, на больших - вам нужна только подписка Google AI и транскрибатор по желанию.
Небольшой ремайндер: если хотите узнать больше про конкретные вокфлоу, инструменты, промпты и кейсы применения AI - еще можете залететь на оба моих буткемпа. Окно продаж закрываем завтра, следующие потоки пока не знаю, когда будут, т.к. не уверен, смогу ли выделить на это ресурс в ближайшие 3-4 месяца.
Не смотря на то, что я пробую много ИИ-инструментов, в моем регулярном воркфлоу инструментов не так много. Одна из основных моих рабочих задач как продакта - это общение с пользователями в поиске инсайтов по разрабатываемым продуктам. И данный процесс я стараюсь максимально оптимизировать.
Помогает мне в этом всего 3 инструмента, которые я использую для разных целей. На самом деле, обойтись можно даже двумя, но сегодня немного расскажу про свой воркфлоу.
Делаем транскрипты
Здесь вы можете использовать любой транскрибатор. У себя я писал про Macwhisper (платный) и Vibe (бесплатный). Вариантов куча и зависит от того, что удобнее вам, +, как писал выше, можно даже не иметь отдельного транскрибатора: вы можете сделать транскрипт в NotebookLM (о нем ниже). Основная цель здесь - преобразовать записи интервью в текст. В разных приложениях доступны разные модели транскрибации, если у вас доступен Parakeet v3 - используйте его, если нет - Whisper Large Turbo v3.
Индивидуальный анализ интервью
Здесь мой выбор - Google AI Studio. Работаю я в нем по следующему принципу:
- температуру ставим 0;
- проектируем системный промпт для анализа по методу SGR;
- модели достаточно будет даже Gemini Flash, т.к. мы используем SGR, это быстрее и экологичнее (меньше греем сервера, бережем окружающую среду);
- при дизайне системного промпта создаем себе ассистента, который в начале у нас спросит контекст по проекту и цели интервью, после чего задаст дополнительные вопросы для его понимания и только затем приступит к анализу транскрипта;
- стараемся держать контекст ниже 50к токенов для большей точности;
- в результате анализа я люблю просить LLM выписать мне заданные вопросы и ответы пользователя на них, добавляя цитаты там, где возникает сильная эмоция, после - задаем доп вопросы;
- максимум 3 интервью в контексте, но оптимально не более 2, после - чистим контекст;
- результаты анализа сохраняем в индивидуальные гугл-доки;
Групповой анализ интервью
Здесь у нас две опции. Первая - мы можем взять гугл-доки из предыдущего пункта и пульнуть их в AI Studio, но это работает хорошо только в том случае, если вы сами проводили интервью и уверены в их содержании. Но зачастую мне нужно найти какие-то общие патерны и инсайты с сылками на источники. Поэтому для группового анализа я предпочитаю использовать второй вариант - NotebookLM. Закидываем туда наши транскрипты или аудио (для русского языка я рекомендую все-таки транскрипты, т.к. точность для него не такая классная). После - задаем интересующие нас вопросы.
Какие задачи можно решить таким образом:
- создание обобщенного UJM;
- группировка пользовательских персон;
- поиск повторяющихся инсайтов;
- кластеризация потребностей или болей;
- вытаскивание конкретных цитат;
- формирование работ по JTBD;
- и много чего еще…
Отдельный плюс NotebookLM в том, что такой тетрадкой можно поделиться с командой, например, дизайнерами и инженерами, QA, чтобы они задали свои вопросы по транскриптам.
Такое сочетание позволяет мне копать в глубину с помощью AI Studio и в ширину - с NotebookLM. При этом стоит это максимально дешево, на малых объемах хватает бесплатных лимитов, на больших - вам нужна только подписка Google AI и транскрибатор по желанию.
Небольшой ремайндер: если хотите узнать больше про конкретные вокфлоу, инструменты, промпты и кейсы применения AI - еще можете залететь на оба моих буткемпа. Окно продаж закрываем завтра, следующие потоки пока не знаю, когда будут, т.к. не уверен, смогу ли выделить на это ресурс в ближайшие 3-4 месяца.
🔥12❤11👍3😁1
Новый AI-тул для маркетинга под ключ!
Google в последнее время разошлись и штампуют интересные инструменты буквально один за другим, закидывая их в Labs. И буквально вчера они релизнули очередной тул, который будет полезен каждому предпринимателю, маркетологу и продакту, который как-то приближен к маркетингу. Речь идет о Pomelli.
Суть платформы простая: она создает маркетинговые креативы для вашего бизнеса под ключ. Сам процесс создания креативов разбит на несколько шагов:
Шаг 1 - вы даете AI ссылку на свой сайт. В течение 5-10 минут сервис анализирует так называемый “ДНК вашего бизнеса”. Что входит в ДНК? Ваше ценностное предложение, дизайн-кит (включая шрифты, фирменные цвета, иконки, картинки), tone of voice и чем вы вообще занимаетесь.
Шаг 2 - AI сразу генерит вам несколько офферов, через которые можно рекламироваться. Вы нажимаете на оффер и внутри уже видите несколько сгенерированных креативов. Самое крутое, что креативы генерятся в стилистике вашего бренда и выглядят максимально нативно.
Шаг 3 - если вас не устроили автоматически созданные креативы - вы можете создать свои. Достаточно указать простым текстом, что вы хотите сделать. Например, я указывал ЦА, цели маркетинговой кампании и примеры кейсов.
Шаг 4 - вы можете отредактировать созданный креатив. Поправить тексты, сгенерить/изменить CTA, и, когда вас все устраивает - сохранить креатив и использовать его на любой рекламной площадке.
Я попробовал погенерить креативы для нашего агентства EAI - получилось довольно неплохо. В некоторых мне прямо очень зашел визуал. Офферы где-то неплохо, где-то надо докрутить, но проблему чистого листа оно точно решает. Еще что понравилось - так это то, что этот тул может в сторителлинг: посмотрите слайды начиная с Reliable AI Ready to integrate, после которого идет 3 столпа, на которых основаны наши решения.
К посту приложил еще пару примеров. Думаю, что мы немного посидим над офферами и попробуем даже запустить рекламку на то, что получится, интересно, как отработает :)
Попробовать тул можно тут. Сейчас на него повышенная нагрузка, поэтому генережка занимает некоторое время.
Google в последнее время разошлись и штампуют интересные инструменты буквально один за другим, закидывая их в Labs. И буквально вчера они релизнули очередной тул, который будет полезен каждому предпринимателю, маркетологу и продакту, который как-то приближен к маркетингу. Речь идет о Pomelli.
Суть платформы простая: она создает маркетинговые креативы для вашего бизнеса под ключ. Сам процесс создания креативов разбит на несколько шагов:
Шаг 1 - вы даете AI ссылку на свой сайт. В течение 5-10 минут сервис анализирует так называемый “ДНК вашего бизнеса”. Что входит в ДНК? Ваше ценностное предложение, дизайн-кит (включая шрифты, фирменные цвета, иконки, картинки), tone of voice и чем вы вообще занимаетесь.
Шаг 2 - AI сразу генерит вам несколько офферов, через которые можно рекламироваться. Вы нажимаете на оффер и внутри уже видите несколько сгенерированных креативов. Самое крутое, что креативы генерятся в стилистике вашего бренда и выглядят максимально нативно.
Шаг 3 - если вас не устроили автоматически созданные креативы - вы можете создать свои. Достаточно указать простым текстом, что вы хотите сделать. Например, я указывал ЦА, цели маркетинговой кампании и примеры кейсов.
Шаг 4 - вы можете отредактировать созданный креатив. Поправить тексты, сгенерить/изменить CTA, и, когда вас все устраивает - сохранить креатив и использовать его на любой рекламной площадке.
Я попробовал погенерить креативы для нашего агентства EAI - получилось довольно неплохо. В некоторых мне прямо очень зашел визуал. Офферы где-то неплохо, где-то надо докрутить, но проблему чистого листа оно точно решает. Еще что понравилось - так это то, что этот тул может в сторителлинг: посмотрите слайды начиная с Reliable AI Ready to integrate, после которого идет 3 столпа, на которых основаны наши решения.
К посту приложил еще пару примеров. Думаю, что мы немного посидим над офферами и попробуем даже запустить рекламку на то, что получится, интересно, как отработает :)
Попробовать тул можно тут. Сейчас на него повышенная нагрузка, поэтому генережка занимает некоторое время.
🔥14👍5❤2
Fake it till you make it: про робота NEO от 1x
Думаю многие из вас видели новость про запуск в продажу гуманоидного домашнего робота NEO, которого можно предзаказать за $20к, либо взять по подписке за $500 в месяц. Многие авторы начали на нем хайповать, Denis Sexy даже гордо заявил, что оформил предзаказ, будучи AI-чуваком (правда кажется, что потом удалил один из постов 😁)
Вот только весь хайп необоснован. Этот продукт - даже не дорогая игрушка, коей был Apple Vision Pro. Там хотя бы вы получали то, за что заплатили и не возникало никаких вопросов связанных с этикой и жизнеспособностью идеи.
Здесь мы имеем иное. Если посмотреть рекламный ролик, то мы видим, что кейсы применения данного робота максимально обтекаемы: открыть дверь, забрать стакан. При том, что для того, чтобы быть реально полезным домашним роботом - нужно иметь ОЧЕНЬ продвинутые ИИ-системы, которые позволят ориентироваться в домах с разной планировкой и мебелью. Это вам не LLM, а куча AI другого уровня, которого на данный момент пока не существует.
В сети есть ролик от WSJ, где они тестировали этого робота и оказалось, что большинство операций будет выполнять не AI, а удаленный оператор, управляющий роботом через VR-гарнитуру. Мол, это нужно, чтобы дообучить такого робота. Говорят, что да, есть такой трейдофф и мы защищаем ваши данные. И тут у меня возникает вопрос: вы серьезно?
Во-первых, платя 20к баксов, вы по-сути позволяете рандомным людям шаляться по своему дому. Мало того, что они будут шаляться - так еще вы им буквально доверяете копаться в своих трусах 🙂 Или подсматривать за вами в различных интересных сценариях 😏 Помимо самой абсурдности такого процесса, даже если убрать человека на том конце - проблема приватности никуда не уходит. Не так давно натыкался на новость об уязвимости в ряде роботов-пылесосов с камерами и кучей утекших фото людей на унитазах 😁 Короче, история вообще не про приватность. И я сомневаюсь, что большинство людей, у которых есть деньги на подобную игрушку, настолько не ценят свои границы.
Во-вторых, у меня вопросы к самому методу такого обучения. Можно сказать, что есть же Tesla с их автопилотом в авто. Вот только после стольких лет он до сих пор находится в бете. Другой важный момент состоит в том, что идея обучать AI на взаимодействие с реальными объектами через VR сама по-себе странная. У той же Tesla за рулем авто всегда сидит человек, который его поправляет. В то время как работая через VR мы во-первых, сталкиваемся с инпут-лагом (т.к. управляем роботом дистанционно), во-вторых, VR не позволяет нормально взаимодействовать с физическим миром, например, нет раздельного контроля пальцев руки (современные контроллеры работают так, что вы сгибаете с 3 по 5 палец одновременно нажатием одной кнопки), а в домашних задачах (для складывания того же белья) мелкая моторика как никогда важна.
Здесь более разумно было бы нанять реальных домработников, обвесить их кучей датчиков и камер либо засунуть внутрь подобного робота и отправить работать. Смысл здесь в том, чтобы сделать захват нужных движений и сценариев. Та же Tesla представила концепт домашнего робота гораздо раньше, вот только всей этой фигни с VR мы от них не видим. И я сомневаюсь, что в Tesla сидят более глупые инженеры, чем в 1x.
В общем, на мой взгляд, продукт рассчитан на слишком Early Adopters, готовых жертвовать приватностью, и я не верю в жизнеспособность их подхода. Время покажет, прав я или нет, но я больше верю в то, что делают другие компании вроде Boston Dynamics, стартапы из Японии и та же Tesla.
Думаю многие из вас видели новость про запуск в продажу гуманоидного домашнего робота NEO, которого можно предзаказать за $20к, либо взять по подписке за $500 в месяц. Многие авторы начали на нем хайповать, Denis Sexy даже гордо заявил, что оформил предзаказ, будучи AI-чуваком (правда кажется, что потом удалил один из постов 😁)
Вот только весь хайп необоснован. Этот продукт - даже не дорогая игрушка, коей был Apple Vision Pro. Там хотя бы вы получали то, за что заплатили и не возникало никаких вопросов связанных с этикой и жизнеспособностью идеи.
Здесь мы имеем иное. Если посмотреть рекламный ролик, то мы видим, что кейсы применения данного робота максимально обтекаемы: открыть дверь, забрать стакан. При том, что для того, чтобы быть реально полезным домашним роботом - нужно иметь ОЧЕНЬ продвинутые ИИ-системы, которые позволят ориентироваться в домах с разной планировкой и мебелью. Это вам не LLM, а куча AI другого уровня, которого на данный момент пока не существует.
В сети есть ролик от WSJ, где они тестировали этого робота и оказалось, что большинство операций будет выполнять не AI, а удаленный оператор, управляющий роботом через VR-гарнитуру. Мол, это нужно, чтобы дообучить такого робота. Говорят, что да, есть такой трейдофф и мы защищаем ваши данные. И тут у меня возникает вопрос: вы серьезно?
Во-первых, платя 20к баксов, вы по-сути позволяете рандомным людям шаляться по своему дому. Мало того, что они будут шаляться - так еще вы им буквально доверяете копаться в своих трусах 🙂 Или подсматривать за вами в различных интересных сценариях 😏 Помимо самой абсурдности такого процесса, даже если убрать человека на том конце - проблема приватности никуда не уходит. Не так давно натыкался на новость об уязвимости в ряде роботов-пылесосов с камерами и кучей утекших фото людей на унитазах 😁 Короче, история вообще не про приватность. И я сомневаюсь, что большинство людей, у которых есть деньги на подобную игрушку, настолько не ценят свои границы.
Во-вторых, у меня вопросы к самому методу такого обучения. Можно сказать, что есть же Tesla с их автопилотом в авто. Вот только после стольких лет он до сих пор находится в бете. Другой важный момент состоит в том, что идея обучать AI на взаимодействие с реальными объектами через VR сама по-себе странная. У той же Tesla за рулем авто всегда сидит человек, который его поправляет. В то время как работая через VR мы во-первых, сталкиваемся с инпут-лагом (т.к. управляем роботом дистанционно), во-вторых, VR не позволяет нормально взаимодействовать с физическим миром, например, нет раздельного контроля пальцев руки (современные контроллеры работают так, что вы сгибаете с 3 по 5 палец одновременно нажатием одной кнопки), а в домашних задачах (для складывания того же белья) мелкая моторика как никогда важна.
Здесь более разумно было бы нанять реальных домработников, обвесить их кучей датчиков и камер либо засунуть внутрь подобного робота и отправить работать. Смысл здесь в том, чтобы сделать захват нужных движений и сценариев. Та же Tesla представила концепт домашнего робота гораздо раньше, вот только всей этой фигни с VR мы от них не видим. И я сомневаюсь, что в Tesla сидят более глупые инженеры, чем в 1x.
В общем, на мой взгляд, продукт рассчитан на слишком Early Adopters, готовых жертвовать приватностью, и я не верю в жизнеспособность их подхода. Время покажет, прав я или нет, но я больше верю в то, что делают другие компании вроде Boston Dynamics, стартапы из Японии и та же Tesla.
1X Tech
Order NEO
Transform your Home. NEO takes care of the tasks around the house so you can focus on what matters to you.
👍12❤8👌3
Давненько не делал дайджесты: то постов было недостаточно, то времени. Ну что ж, подборка того, что я написал за последние 3 недели 😁
1. Почему нарративы про то, что AI сделает вас “настоящим разработчиком” - маркетинговый буллшит - разбор того, почему заявления о полной замене разработчиков на AI или создании "продакшен-реди" кода новичками - это ложь, требующая опытного человека для безопасности и архитектуры.
2. Собрал туллкит для продактов - отдаю в опенсорс - во время открытого вебинара собрал небольшой тул для работы с исследованиями и продуктовой документации
3. AI-видео, маркетинг и соцсети - про влияние нейросетей вроде Veo и Sora на то, что нас окружает.
4. Вайбкодинг на собеседованиях продактов и дизайнеров: круто или дань моде? - разобрал, что не так в популярной тенденции на собеседованиях
5. Как провести полноценный пользовательский ресерч всего с тремя инструментами - поделился своим вокфлоу и инструментами для этого
6. Новый AI-тул для маркетинга под ключ! - рассказал про очень классный инструмент, к посту прикрепил примерчики
7. Fake it till you make it: про робота NEO от 1x - мой тейк про робота-домохозяйку, и почему я не очень верю конкретно в этот продукт
Прошлый дайджест тут
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤1
Куда катится AI?
В последнее время все чаще ловлю себя на мысли, что мне не нравится то, что сейчас происходит в индустрии. Какая-то непонятная спешка непонятно куда, огромные вливания денег в строительство датацентров, нарративы про AGI и прочее.
Индустрия, которая раньше была про науку, все больше движется в сторону зарабатывания денег.
Еще пару лет назад AI был темой для гиков вроде меня. AI-команды концентрировались на научных задачах и не особо заботились о финансовых результатах. Это была наука в чистом виде, самый настоящий R&D. Именно с таким вайбом мы создавали R&D команду в Skyeng. В R&D-команде Skyeng у нас было ~35% операционки и 65% ресерча (эффективность обучения, мотивация, распознавание эмоций). В середине 23 менеджмент решил, что ресерч больше не в приоритете. Доля операционного AI существенно увеличилась, а численность нашей R&D команды сократилась.
Я думал, это локальная история, т.к. компания из РФ, но нет - вся индустрия отходит от R&D.
Каким AI был
Давайте посмотрим, каким был информационный фон всего несколько лет назад:
- 2020: DeepMind решила проблему сворачивания белков, над которой учёные бились 50 лет. AlphaFold предсказал структуру более 200 млн. белков с точностью, сравнимой с экспериментальными методами. Это дало понимание Альцгеймера/Паркинсона, методы борьбы с антибиотикорезистентностью, ускорило разработку лекарств. (Нобелевка 2024 г.)
- 2020: Исследователи из University of Warwick с помощью ML проанализировали данные NASA, подтвердив 50 экзопланет. AI отделил их от помех, на что раньше уходили месяцы
- 2020: Помните вакцины Pfizer и Moderna от Covid? Обе были разработаны с участием AI. Вот статьи: 1 и 2
- 2023: University of Texas разрабатывает AI, который с точностью 70% предсказывает землетрясения за неделю до их наступления. Традиционными способами такое невозможно.
- 2023: DeepMind представляет GNoME, и открывает 2.2 млн новых кристаллических структур (380,000 стабильных) которые могут быть использованы в реальных приложениях. Это эквивалентно примерно 800 годам научных изысканий в материаловедении.
Каким он становится
Вместе с развитием консьюмерского AI, ИИ становится средством выкачивания бабла через решение очень приземленных задач.
- Генерация видео? Жрет кучу ресурсов, при этом нужна очень ограниченному кругу лиц: маркетологам и киношникам (и то пока сомнительно).
- Генерация картинок? Тоже не тот тип задачи, который улучшит нашу жизнь. Генерация фоток себя любимого, картинок для презентации, либо, если ты продавец на Wildberries, можно делать карточки товаров.
- Написание кода? На этом помешались буквально все. Но код - не панацея. Для решения серьезных задач нужны не трансформеры с их шаблонными паттернами.
И ладно бы это было просто малополезно. Все эти вливания денег в консьюмерский AI и датацентры - плохая история для окружающей среды. Каждый запрос к LLM сжигает, по некоторым оценкам, в 10 раз больше воды на охлаждение, чем традиционный поиск в Google.
Получается парадокс: раньше мы делали AI, чтобы решать проблемы вроде глобального потепления, а сейчас мы делаем AI, который их создает.
Компании не перестали заниматься научным AI, та же DeepMind продолжает совершать прорывы, например, в квантовых вычислениях. Но доля таких проектов стала значительно меньше и они просто размываются на фоне всего остального. Кроме того, ведущие компании просто отказываются от исследователей, нанимая тех, кто дает measurable impact. Об этом писал Артем, автор канала эйай ньюз. Если не хочешь остаться без работы - ты должен давать импакт, а если хочешь заниматься наукой - будешь получать меньше денег. Все мне это напоминает мемную ситуацию с Медведевым, когда тот ляпнул, что учитель - это призвание, и этим не ради денег занимаются.
Вся эта гонка за "impact" держится на R&D, который заложили 5-10 лет назад. А когда этот фундамент кончится, что будут коммерциализировать? Игрушки, которые жрут мегаватты, но не решают проблем. А те, кто мог бы их решить, уйдут из науки. Ведь "призвание", в отличие от "импакта", ипотеку не оплачивает.
В последнее время все чаще ловлю себя на мысли, что мне не нравится то, что сейчас происходит в индустрии. Какая-то непонятная спешка непонятно куда, огромные вливания денег в строительство датацентров, нарративы про AGI и прочее.
Индустрия, которая раньше была про науку, все больше движется в сторону зарабатывания денег.
Еще пару лет назад AI был темой для гиков вроде меня. AI-команды концентрировались на научных задачах и не особо заботились о финансовых результатах. Это была наука в чистом виде, самый настоящий R&D. Именно с таким вайбом мы создавали R&D команду в Skyeng. В R&D-команде Skyeng у нас было ~35% операционки и 65% ресерча (эффективность обучения, мотивация, распознавание эмоций). В середине 23 менеджмент решил, что ресерч больше не в приоритете. Доля операционного AI существенно увеличилась, а численность нашей R&D команды сократилась.
Я думал, это локальная история, т.к. компания из РФ, но нет - вся индустрия отходит от R&D.
Каким AI был
Давайте посмотрим, каким был информационный фон всего несколько лет назад:
- 2020: DeepMind решила проблему сворачивания белков, над которой учёные бились 50 лет. AlphaFold предсказал структуру более 200 млн. белков с точностью, сравнимой с экспериментальными методами. Это дало понимание Альцгеймера/Паркинсона, методы борьбы с антибиотикорезистентностью, ускорило разработку лекарств. (Нобелевка 2024 г.)
- 2020: Исследователи из University of Warwick с помощью ML проанализировали данные NASA, подтвердив 50 экзопланет. AI отделил их от помех, на что раньше уходили месяцы
- 2020: Помните вакцины Pfizer и Moderna от Covid? Обе были разработаны с участием AI. Вот статьи: 1 и 2
- 2023: University of Texas разрабатывает AI, который с точностью 70% предсказывает землетрясения за неделю до их наступления. Традиционными способами такое невозможно.
- 2023: DeepMind представляет GNoME, и открывает 2.2 млн новых кристаллических структур (380,000 стабильных) которые могут быть использованы в реальных приложениях. Это эквивалентно примерно 800 годам научных изысканий в материаловедении.
Каким он становится
Вместе с развитием консьюмерского AI, ИИ становится средством выкачивания бабла через решение очень приземленных задач.
- Генерация видео? Жрет кучу ресурсов, при этом нужна очень ограниченному кругу лиц: маркетологам и киношникам (и то пока сомнительно).
- Генерация картинок? Тоже не тот тип задачи, который улучшит нашу жизнь. Генерация фоток себя любимого, картинок для презентации, либо, если ты продавец на Wildberries, можно делать карточки товаров.
- Написание кода? На этом помешались буквально все. Но код - не панацея. Для решения серьезных задач нужны не трансформеры с их шаблонными паттернами.
И ладно бы это было просто малополезно. Все эти вливания денег в консьюмерский AI и датацентры - плохая история для окружающей среды. Каждый запрос к LLM сжигает, по некоторым оценкам, в 10 раз больше воды на охлаждение, чем традиционный поиск в Google.
Получается парадокс: раньше мы делали AI, чтобы решать проблемы вроде глобального потепления, а сейчас мы делаем AI, который их создает.
Компании не перестали заниматься научным AI, та же DeepMind продолжает совершать прорывы, например, в квантовых вычислениях. Но доля таких проектов стала значительно меньше и они просто размываются на фоне всего остального. Кроме того, ведущие компании просто отказываются от исследователей, нанимая тех, кто дает measurable impact. Об этом писал Артем, автор канала эйай ньюз. Если не хочешь остаться без работы - ты должен давать импакт, а если хочешь заниматься наукой - будешь получать меньше денег. Все мне это напоминает мемную ситуацию с Медведевым, когда тот ляпнул, что учитель - это призвание, и этим не ради денег занимаются.
Вся эта гонка за "impact" держится на R&D, который заложили 5-10 лет назад. А когда этот фундамент кончится, что будут коммерциализировать? Игрушки, которые жрут мегаватты, но не решают проблем. А те, кто мог бы их решить, уйдут из науки. Ведь "призвание", в отличие от "импакта", ипотеку не оплачивает.
IntuitionLabs
Generative AI in mRNA Vaccine Development: COVID-19 Case Study | IntuitionLabs
Explore how generative AI is applied in mRNA vaccine development, using Moderna and Pfizer's COVID-19 vaccine as a case study to understand rapid immunization advancements.
🤔21❤14👍12🔥2😁1
Replit - круто, но не для всех
Как-то так произошло, что мое погружение в AI-кодинг началось с более сложных инструментов. Я начинал с CLI и Cursor, и только сейчас у меня дошли руки до максимально простых в освоении, вроде Replit.
Ситуация располагала: в моей подписке от Lenny, о которой я писал, идет годовой доступ к Replit. Моими основными инструментами всегда были Сursor и Bolt, но в этом месяце Bolt понадобился для командного прототипирования, а кредиты Cursor мне нужны для других проектов. Тут еще один из ребят на текущем потоке буткемпов как раз спрашивал меня про Replit. Поэтому я подумал: почему бы не использовать его?
Мое общее впечатление: идея и реализация классные, но я - не ЦА
Концептуально-то все круто: даешь задание агенту, он его планирует, затем пилит дизайн, после - реализует логику кода и сам же ее тестирует. Но на практике все не так радужно 🙂
Проблема №1: Ленивый агент
Если явно не прописать, например, наличие нескольких возможных опций (вкладок, вариантов взаимодействия) в интерфейсе - Replit забьет на это. Т.е. вам все равно нужно детализированное ТЗ. И ладно бы проблема была в этом. Вы можете указать агенту на это, но если не такие автономные Bolt и Cursor вам быстро все пофиксят и вы можете идти дальше, то здесь у вас вылезут проблемы другого рода: время и деньги (о них ниже).
Проблема №2: Скорость работы
Мне нужно было сделать так, чтобы в моем приложении документ экспортировался не в CSV, а в xls формате с поддержкой кириллицы.
Задача максимально простая: поставить библиотеку, включить кодировку UTF-8, добавить пару строк кода. В Cursor нечто подобное заняло бы у меня 5 минут вместе с тестами руками. Replit потратил 15 минут.
Проблема №3: Replit - это очень дорого
У высокой автономности есть своя цена. На одностраничное фронтенд-приложение без логики на бекенде и баз данных Replit потратил $5. При месячном лимите в $25 на базовом тарифе - это офигеть как много!
Под капотом, скорее всего, прожорливый Sonnet 4.5, плюс все эти агентские штучки и Computer Use жрут контекст как не в себя. И это при том, что у меня было хорошее ТЗ и я применял воркфлоу, которое позволяет мне собирать по 5-6 проектов более серьезного уровня в месяц в том же Bolt, но уже за $20.
И это мы еще не говорим про хостинг проектов. С Replit вы легко опубликуете свое приложение, но он будет чарджить с вас за хостинг, трафик и много чего другого. Вolt и Lovable щедрые бесплатные лимиты, либо вы можете арендовать уже свой сервер на любом хостинге за 5$ в месяц. В итоге за 25 баксов в Replit вы успеете сделать какую-то фигню и раскошелиться на ее содержание, в то время как с Lovable и Bolt пространства для экспериментов гораздо больше.
Так для кого же подойдет такой автономный агент?
На мой взгляд, основная ЦА Replit - это корпорации, нацеленные на большое количество экспериментов, которые хотят быстро заадоптить AI. У них нет времени на тщательное обучение сотрудников и гораздо проще дать им такого агента.
Также инструмент подойдет людям, чей рабочий час имеет очень высокую стоимость и они не хотят разбираться в сути, а просто хотят рабочий результат. В таком сценарии цена за автономность вполне оправдана.
Кому я не рекомендую идти в Replit?
Новичкам. Вы прожжете месячный лимит за пару часов. Отсутствие понимания архитектуры, типичных ошибок и возможностей кодинговых агентов дорого обойдутся. Кроме того, в Replit легко уйти в минус. На мой взгляд, на первых этапах знакомства с ИИ-кодингом более полезно проводить тесты самому для понимания особенностей работы таких инструментов. Именно поэтому я рекомендую начинать с Bolt, Lovable или v0.
Опытным пользователям. Вам, как и мне будет хотеться вмешаться в процесс: чтобы он был быстрее, конкретнее и агент не расходовал токены на элементарщину. Для нас оптимальнее будет написать автотесты в Cursor, где это необходимо, а фронт протестировать самостоятельно, особенно учитывая, что Replit, как и другие агенты, чаще ошибается в верстке и вам все равно придется ее фиксить.
А какое у вас впечатление от Replit? Используете или отдаете предпочтение другим инструментам?
Как-то так произошло, что мое погружение в AI-кодинг началось с более сложных инструментов. Я начинал с CLI и Cursor, и только сейчас у меня дошли руки до максимально простых в освоении, вроде Replit.
Ситуация располагала: в моей подписке от Lenny, о которой я писал, идет годовой доступ к Replit. Моими основными инструментами всегда были Сursor и Bolt, но в этом месяце Bolt понадобился для командного прототипирования, а кредиты Cursor мне нужны для других проектов. Тут еще один из ребят на текущем потоке буткемпов как раз спрашивал меня про Replit. Поэтому я подумал: почему бы не использовать его?
Мое общее впечатление: идея и реализация классные, но я - не ЦА
Концептуально-то все круто: даешь задание агенту, он его планирует, затем пилит дизайн, после - реализует логику кода и сам же ее тестирует. Но на практике все не так радужно 🙂
Проблема №1: Ленивый агент
Если явно не прописать, например, наличие нескольких возможных опций (вкладок, вариантов взаимодействия) в интерфейсе - Replit забьет на это. Т.е. вам все равно нужно детализированное ТЗ. И ладно бы проблема была в этом. Вы можете указать агенту на это, но если не такие автономные Bolt и Cursor вам быстро все пофиксят и вы можете идти дальше, то здесь у вас вылезут проблемы другого рода: время и деньги (о них ниже).
Проблема №2: Скорость работы
Мне нужно было сделать так, чтобы в моем приложении документ экспортировался не в CSV, а в xls формате с поддержкой кириллицы.
Задача максимально простая: поставить библиотеку, включить кодировку UTF-8, добавить пару строк кода. В Cursor нечто подобное заняло бы у меня 5 минут вместе с тестами руками. Replit потратил 15 минут.
Проблема №3: Replit - это очень дорого
У высокой автономности есть своя цена. На одностраничное фронтенд-приложение без логики на бекенде и баз данных Replit потратил $5. При месячном лимите в $25 на базовом тарифе - это офигеть как много!
Под капотом, скорее всего, прожорливый Sonnet 4.5, плюс все эти агентские штучки и Computer Use жрут контекст как не в себя. И это при том, что у меня было хорошее ТЗ и я применял воркфлоу, которое позволяет мне собирать по 5-6 проектов более серьезного уровня в месяц в том же Bolt, но уже за $20.
И это мы еще не говорим про хостинг проектов. С Replit вы легко опубликуете свое приложение, но он будет чарджить с вас за хостинг, трафик и много чего другого. Вolt и Lovable щедрые бесплатные лимиты, либо вы можете арендовать уже свой сервер на любом хостинге за 5$ в месяц. В итоге за 25 баксов в Replit вы успеете сделать какую-то фигню и раскошелиться на ее содержание, в то время как с Lovable и Bolt пространства для экспериментов гораздо больше.
Так для кого же подойдет такой автономный агент?
На мой взгляд, основная ЦА Replit - это корпорации, нацеленные на большое количество экспериментов, которые хотят быстро заадоптить AI. У них нет времени на тщательное обучение сотрудников и гораздо проще дать им такого агента.
Также инструмент подойдет людям, чей рабочий час имеет очень высокую стоимость и они не хотят разбираться в сути, а просто хотят рабочий результат. В таком сценарии цена за автономность вполне оправдана.
Кому я не рекомендую идти в Replit?
Новичкам. Вы прожжете месячный лимит за пару часов. Отсутствие понимания архитектуры, типичных ошибок и возможностей кодинговых агентов дорого обойдутся. Кроме того, в Replit легко уйти в минус. На мой взгляд, на первых этапах знакомства с ИИ-кодингом более полезно проводить тесты самому для понимания особенностей работы таких инструментов. Именно поэтому я рекомендую начинать с Bolt, Lovable или v0.
Опытным пользователям. Вам, как и мне будет хотеться вмешаться в процесс: чтобы он был быстрее, конкретнее и агент не расходовал токены на элементарщину. Для нас оптимальнее будет написать автотесты в Cursor, где это необходимо, а фронт протестировать самостоятельно, особенно учитывая, что Replit, как и другие агенты, чаще ошибается в верстке и вам все равно придется ее фиксить.
А какое у вас впечатление от Replit? Используете или отдаете предпочтение другим инструментам?
❤9👍1
Отчет Mircosoft по диффузии AI: эффективнее оказались вообще не те, кто его разрабатывает!
Наткнулся на свежий отчет от Microsoft про глобальное распространение AI. И знаете, что? За всей этой корпоративной риторикой скрывается одна простая мысль, которая мне очень резонирует: успех в AI сегодня - это не про изобретение, а про грамотное внедрение уже существующих технологий.
Кто меня давно читает - знают, как я люблю проводить исторические параллели. И тут Microsoft делает то же самое, я прямо кайфанул 🙂 Текущее развитие AI они сопоставляют с противостоянием двух стран: Южной Кореи и Филиппин.
В 1960 году обе страны были на одном уровне. Но корейцы не стали изобретать полупроводники. Они взяли чужие технологии, лицензии, экспертизу и просто начали внедрять их лучше, быстрее и дешевле всех. Строили заводы, обучали инженеров, создавали инфраструктуру. А Филиппины остались в сырьевой экономике. Результат мы видим сегодня.
Кто сегодня выигрывает в AI-гонке? Не те, о ком вы думали.
Если посмотреть на лидеров по внедрению AI, то на вершине не США с их GPT-5 и не Китай. Лидеры - ОАЭ (59.4%), Сингапур (58.6%), Норвегия (45.3%) и Ирландия (41.7%).
Что у них общего? Они не разработчики передовых моделей. Они - крутые внедренцы. Эти страны годами инвестировали в то, что Microsoft называет «строительными блоками AI»:
1. Электричество и интернет.
2. Цифровые навыки населения.
3. Господдержка и инфраструктура.
По сути, они сначала провели тотальную цифровизацию, а уже потом на эту готовую почву начали сажать AI.
Почему у 99% компаний AI не взлетит? Отсутствие цифровой базы.
А теперь посмотрим на тех, кто отстает. И здесь самое интересное. Дело не только в очевидных примерах вроде отстающей Африки.. В странах Азии, включая Китай интересующий нас показатель находится на уровне 10-20%. А что касается России и большинства стран СНГ - здесь цифры еще ниже, от 0 до 10%. Так что, если вы используете AI сейчас - вы уже в числе уникумов 🙂
И это касается не только стран, но и компаний. Ко мне постоянно приходят с запросом: «Влад, нам нужен AI». Начинаешь копать, а у них:
- Отсутствие структурированных данных. Вся информация разбросана по Excel-табличкам, личным папкам и головам сотрудников.
- Бизнес-процессы не описаны и держатся на «Васе, который все знает».
- Команда, которая боится технологий и не умеет применять какие-либо инструменты за пределами своего базового воркфлоу.
- Или обратная крайность - менеджмент, который воспринимает AI как волшебную пилюлю, не понимая сути технологии и пихая его везде.
О каком AI может идти речь, если нужно банально начать с самых простых инструментов цифровизации?
AI - это просто следующий, более продвинутый этап этой самой цифровизации, как бы нам ни пытались донести посыл, что это какая-то магия. Нельзя перепрыгнуть из каменного века сразу в космос.
Какие стоит предпринять действия компаниям и менеджменту?
1. Проведите аудит своей цифровой базы. Прежде чем мечтать об AI-агентах, убедитесь, что у вас есть доступные и структурированные данные, описанные процессы и команда, готовая к изменениям.
2. Фокусируйтесь на внедрении, а не на разработке. Рынок завален мощнейшими моделями (Gemini, Claude, Llama, Open Source). Ваша задача - найти, как с их помощью решить конкретную бизнес-проблему, а не пытаться построить свою. Как бы круто ни звучало выражение “Своя модель” - в большинстве случаев это больше про маркетинг, чем эффективность.
3. Начинайте с малого. Автоматизируйте один процесс. Внедрите AI-ассистента в один отдел. Соберите данные, оцените ROI. Действуйте как Южная Корея - итеративно и с фокусом на результат.
В общем, отчет Microsoft - это хороший инструмент, который позволяет трезво взглянуть на реальную картину, а не действовать импульсивно. Настоящее конкурентное преимущество сегодня не в доступе к самой крутой модели, а в способности системно и грамотно внедрять то, что уже есть.
А как у вас в компании? Уже есть база для AI или пока только мечтаете о внедрении, игнорируя бардак в процессах?
👉 Полный отчет Microsoft можно почитать тут
Наткнулся на свежий отчет от Microsoft про глобальное распространение AI. И знаете, что? За всей этой корпоративной риторикой скрывается одна простая мысль, которая мне очень резонирует: успех в AI сегодня - это не про изобретение, а про грамотное внедрение уже существующих технологий.
Кто меня давно читает - знают, как я люблю проводить исторические параллели. И тут Microsoft делает то же самое, я прямо кайфанул 🙂 Текущее развитие AI они сопоставляют с противостоянием двух стран: Южной Кореи и Филиппин.
В 1960 году обе страны были на одном уровне. Но корейцы не стали изобретать полупроводники. Они взяли чужие технологии, лицензии, экспертизу и просто начали внедрять их лучше, быстрее и дешевле всех. Строили заводы, обучали инженеров, создавали инфраструктуру. А Филиппины остались в сырьевой экономике. Результат мы видим сегодня.
Кто сегодня выигрывает в AI-гонке? Не те, о ком вы думали.
Если посмотреть на лидеров по внедрению AI, то на вершине не США с их GPT-5 и не Китай. Лидеры - ОАЭ (59.4%), Сингапур (58.6%), Норвегия (45.3%) и Ирландия (41.7%).
Что у них общего? Они не разработчики передовых моделей. Они - крутые внедренцы. Эти страны годами инвестировали в то, что Microsoft называет «строительными блоками AI»:
1. Электричество и интернет.
2. Цифровые навыки населения.
3. Господдержка и инфраструктура.
По сути, они сначала провели тотальную цифровизацию, а уже потом на эту готовую почву начали сажать AI.
Почему у 99% компаний AI не взлетит? Отсутствие цифровой базы.
А теперь посмотрим на тех, кто отстает. И здесь самое интересное. Дело не только в очевидных примерах вроде отстающей Африки.. В странах Азии, включая Китай интересующий нас показатель находится на уровне 10-20%. А что касается России и большинства стран СНГ - здесь цифры еще ниже, от 0 до 10%. Так что, если вы используете AI сейчас - вы уже в числе уникумов 🙂
И это касается не только стран, но и компаний. Ко мне постоянно приходят с запросом: «Влад, нам нужен AI». Начинаешь копать, а у них:
- Отсутствие структурированных данных. Вся информация разбросана по Excel-табличкам, личным папкам и головам сотрудников.
- Бизнес-процессы не описаны и держатся на «Васе, который все знает».
- Команда, которая боится технологий и не умеет применять какие-либо инструменты за пределами своего базового воркфлоу.
- Или обратная крайность - менеджмент, который воспринимает AI как волшебную пилюлю, не понимая сути технологии и пихая его везде.
О каком AI может идти речь, если нужно банально начать с самых простых инструментов цифровизации?
AI - это просто следующий, более продвинутый этап этой самой цифровизации, как бы нам ни пытались донести посыл, что это какая-то магия. Нельзя перепрыгнуть из каменного века сразу в космос.
Какие стоит предпринять действия компаниям и менеджменту?
1. Проведите аудит своей цифровой базы. Прежде чем мечтать об AI-агентах, убедитесь, что у вас есть доступные и структурированные данные, описанные процессы и команда, готовая к изменениям.
2. Фокусируйтесь на внедрении, а не на разработке. Рынок завален мощнейшими моделями (Gemini, Claude, Llama, Open Source). Ваша задача - найти, как с их помощью решить конкретную бизнес-проблему, а не пытаться построить свою. Как бы круто ни звучало выражение “Своя модель” - в большинстве случаев это больше про маркетинг, чем эффективность.
3. Начинайте с малого. Автоматизируйте один процесс. Внедрите AI-ассистента в один отдел. Соберите данные, оцените ROI. Действуйте как Южная Корея - итеративно и с фокусом на результат.
В общем, отчет Microsoft - это хороший инструмент, который позволяет трезво взглянуть на реальную картину, а не действовать импульсивно. Настоящее конкурентное преимущество сегодня не в доступе к самой крутой модели, а в способности системно и грамотно внедрять то, что уже есть.
А как у вас в компании? Уже есть база для AI или пока только мечтаете о внедрении, игнорируя бардак в процессах?
👉 Полный отчет Microsoft можно почитать тут
🔥17👍7❤4