Будущее research-индустрии (часть I) Последние два месяца мне пишут из исследовательских стартапов. У одних – свой движок по распознаванию речи. У других – несколько продуктов, включая расшифровку, но еще и с «синтетическим» модератором. Третьи переупаковали Conjoint и Maxdiff. Четвертый по поводу своего движка для расшифровки подсылает ко мне своего ИИ-агента, который предварительно «прочитал» мой канал и уже «знает», чем я занимаюсь. Будущее наступило. Правда, у меня вместо чувства shut up and take my money каждый раз возникает вопрос: зачем мне это покупать? И дело тут не в том, что продукты плохие. Если раньше за всеми продуктами такого плана стояли месяцы разработки, то приходилось сначала изучать рынок и не ходить туда, где нет денег или уже тесно. Потому что разработка была дорогой. А теперь порядок радикально поменялся: Сегодня увидели проблему → вечером завайбкодили MVP →завтра утром открыли стартап. Это даже в чем-то рационально – если продукт стоит дешевле «кастдева», то, может, сразу пилить продукт? Заодно и быстрее будет, если вынести исследование за скобки. Проблема в том, что для потенциального клиента разработка тоже подешевела. Этим летом у нас вместе с Global South Research был проект в Эфиопии. В числе прочего нам потребовались расшифровки на амхарском языке. Посидев с AI, я нашел открытую модель, понимающую амхарский на Hugging Face, сконвертировал ее в формат, который понимает noScribe – и после нескольких тестов получил работающий прототип. Это заняло 4 часа. SaaS есть у нас дома! Причем именно под решение моей проблемы и без корпоративной подписки за $79 в месяц. Так что с продуктами, чья основная функция уже стала commodity в сфере исследований, происходят интересные штуки. MaxDiff и conjoint известны давно. Whisper существует с 2022 года. Раньше ценностью мог бы стать продукт, в котором все эти вещи связали с помощью LLM и упаковали в условную «одну кнопку» (кто сказал Dovetail?). Но если кнопка тоже стала дешевой, возникает довольно неприятный вопрос: Почему я должен осваивать вашу кнопку, а не попросить LLM сделать мою? Ваши продукты конкурируют не с решениями, которые уже есть у исследователей. Ваши продукты конкурируют с ChatGPT и Claude – универсальными инструментами. Конечно, это работает не везде, где продукт - commodity. Я не собираюсь писать собственный Stripe, бухгалтерию или корпоративную почту (за которые я регулярно плачу). Но там значительная часть ценности не в самой функции, а в надежности и предсказуемости: я плачу именно за то, чтобы не думать, работает ли оно сегодня. И чем ближе ваш продукт к формату «мы запрограммировали функцию X» - тем сильнее проблема. Возникает забавный эффект: Все вокруг дешевеет, а вот время человека, которому все это предлагают – дорожает. Мне говорят «попробуй бесплатно». Но это «бесплатно» подразумевает, что я должен прочитать письмо, поучаствовать в коммуникации, зарегистрироваться в сервисе, разобраться, как он работает, найти и загрузить туда тестовый кейс (который не жалко отдать третьей стороне), сравнить с тем, что я использую, понять, что лучше, а что – хуже, и затем еще и дать фидбек. Да, цена продукта тут ноль. А как насчет цены моего времени? Ситуация кратно ухудшается, когда таких продуктов становится не 1-2, а 30. Производить стало дешево. Предлагать – тоже. Дорого теперь только одно: чтобы на тебя вообще посмотрели. (о том, что останется дорогим в эпоху дешевого AI и есть ли во всем этом место для исследований – напишем во второй части.)

Наука управления агентами? Недавно на AI Natives рассказывал, как я изучаю bias-ы агентов, чтобы дизайнить интересные задачки, в которых излишнее доверие агентам приводит к плохим выводам. А Илья К. пошутил: мол, вместо курса по системному мышлению мне надо сделать такой же по агентному :) И вообще-то этот коммент по делу: менеджмент как наука сложился для эффективной координации людей ради достижения цели, но уже очевидно, что мы всё чаще будем организовывать для этого агентов. Тогда какой может быть эта наука и на какие вопросы она будет отвечать? Начну с задачки, которая возникает у любого, кто имеет дело с организацией агентов: один агент vs команда? Когда эффективнее использовать одно или другое? Например, в уже упомянутом видео с Noam Brown он говорит, что пока совсем неочевидно, что рой агентов справляется с задачкой лучше/дешевле. Но на подходящих задачах может делать это быстрее, потому что работа параллелизируется. То есть соображение скорости имеет место быть. Но я считаю, что это не только про скорость: из-за принципов работы LLM они подвержены зависимости от пути (писал об этом тут) и могут сузить пространство поиска решения. А вот несколько агентов могут независимо исследовать разные направления, то есть группы нужны ещё и поэтому. И, разумеется, размер контекстного окна никто не отменял. Вообще наверняка кто-нибудь выведет некоторую зависимость, а-ля треугольник проджект-менеджмента, между скоростью, стоимостью и качеством решения задачи агентами. В эту тему мне зашла статья Google Research про систему Cogentic. Там задачку эффективной координации агентов для решения математических задач решают следующим образом: 1. Оркестратор распределяет направления ресерча. Затем одни агенты - provers - предлагают доказательства, а другие проверяют оные. 2. История всех попыток хранится отдельно от проверенных результатов. Агенты видят, что уже пробовали и почему не сработало, а проверенные находки используют в следующих итерациях. 3. Есть агент-эдвайзер, который наблюдает за процессом, повторяющимися ошибками и неэффективностями агентов и советует, как реорганизовать процесс. Мне лично подобный многоагентный процесс интересен в контексте задачи роста продукта: анализ метрик продукта, поведения пользователей, ограничений роста и потерь в воронке, ревью литературы, поиск и реализация экспериментов, фиксация результатов, в том числе неудачных, и повторный проход. Да, проверка экспериментов на юзерах требует времени и трафика, поэтому процесс не будет таким динамичным, как хотелось бы. Но точно можно организовать постоянное экспериментирование и улучшение продукта. В общем, как считаете - будет ли новая наука? P.S. тут ещё подумал: в некоторых экспериментах агенты уже вырабатывают свои языки, потому что человеческий не так эффективен. Так что, возможно, желание человека всё это читать и понимать само станет причиной неэффективности в координации :)

Micron - самая странная история AI-бума Micron дала прогноз на следующий квартал: около $51 млрд операционной прибыли. Это больше, чем у Amazon, Meta, AMD и Tesla вместе взятых, и это у компании, которую рынок годами оценивал как производителя commodity. Когда я разбирал диаграмму шести компаний с ожидаемым удвоением выручки, Micron была в списке самой дешёвой - P/E около 11. Рынок закладывал привычный сценарий для памяти: дефицит, рост цен, все строят фабрики, а через пару лет перепроизводство и обвал маржи. Сейчас цикл застрял на первой фазе. Фабрики строятся годами, а AI-дата-центры съедают HBM (быструю память для AI-ускорителей) и обычную DRAM быстрее, чем кто-либо планировал. Контракты уже подписывают до 2031 года. Производителей памяти в мире три. Пока они конкурировали за заказы, маржа была как у любого commodity. Когда спроса хватает на всех троих и ещё остаётся, ценовая конкуренция просто исчезает, и тот же самый продукт начинает приносить совсем другие деньги. Про память как новую нефть я уже писал, а теперь это видно и в отчётности. Цикл при этом никто не отменял. Все трое уже закладывают новые мощности, а долгосрочные контракты в прошлые циклы пересматривали, как только цены разворачивались. Так что цикл, скорее всего, просто растянулся, и важно, насколько. Растянется на несколько лет - значит, рынок всё ещё недооценивает память. Но стоит спросу гиперскейлеров дрогнуть раньше, и маржа памяти упадёт первой, как в каждом прошлом цикле. @maxvotek | linkedin | substack

Славную эру AI и вайбкодинга принято описывать через смерть софта как ценности. Мол, теперь каждый навайбкодит себе любой софт сам, и платить за чужой больше незачем. В пределе это правда, но только когда ИИ дойдёт до совсем другой структуры затрат. Пока мы от этого далеко. Чтобы собрать работающее приложение под iOS, вы в лучшем случае сожжёте пару сотен баксов на токены. По сути это подписка на год-два в каком-нибудь готовом аналоге. И это только старт, потому что дальше его придётся поддерживать и чинить каждый раз, когда что-то отвалилось после очередного обновления. Если у приложения есть бэкенд, нужна ещё инфра, и за неё неожиданно тоже нужно постоянно платить (хостинг, пуши через какой-нибудь Firebase, база вроде Supabase и так далее). В итоге сейчас таким занимаются жуткие ёрли адоптеры с синдромом NIH или люди, которым тупо по фану повозиться и изобрести себе всё самим (вроде меня). Чтобы история про самописный персональный софт стала более менее массовой, всё это должно стать эффективнее на 3-4 порядка. С другой стороны, видя прогресс кодинг агентов, не удивлюсь, если через год-два мы проснемся в таком мире.

Накопилось по #minimaxH3 - часть 30 github.com/Speach1sdef178/ComfyUI-VDN-H3-24GB - VDN-H3-24GB v1.1.0: чинит проблемы памяти и улучшает следование промпту github.com/DJBFilmz/ComfyUI-DJBFilmz-H3 - DJBFilmz: склейка клипов H3 одной нодой github.com/einhorn13/mmh3_media - MMH3_Media: упаковывает видео и аудио H3 в ComfyUI github.com/StanLukuvka/ComfyUI-MiniMax-H3-SPEED - SPEED: разбивает сэмплирование на части для ускорения github.com/Dantemss/ComfyUI-H3-Modality-Lora-Loader - раздельное применение LoRA к аудио и видео дорожкам H3 github.com/NikoDemon80/ComfyUI-FastH3-Lora-Converter - FastH3 превращается в простую LoRA github.com/nazgut/ComfyUI-MiniMaxH3-CLSS - CLSS: 16GB ПК в AI-медиа-студию github.com/TootsThielemans/ComfyUI-MMH3-Preset-Controller - переключение групп нод в один клик github.com/Zironic/H3-Optimizations - оптимизации: меньше памяти, быстрее генерация huggingface.co/xmarre/MiniMax-H3-Pruned-Ref-Delta-Fused-r1024-ComfyUI - прунинг-мерж: резко снижает требования к памяти github.com/halnovemil/H3TiledLoopSpaceTime - бесшовные зацикленные видео для H3 MAX

Как я работаю с агентами Каждый мажорный релиз модели (в данном случае Astra и Opus 5.5) меняет возможности моделей, но главный эффект - это меняет КАК и КАКАЯ работа может быть сделана с помощью ИИ. Помните, на заре этого рынка была такая профессия как промт-инженер. Сегодня, очевидно, это не просто бесполезная, а вредная история (есть пейперы которые доказывают что скилы и длинные промты делают результат ощутимо хуже). Потом были всякие контекст инженеры, RAG-монтажеры и n8n-ниндзя. Не сказать, что это прям активно вредно, но для 99% задач никакой пользы это не дает. Выясняется, что модель из коробки решает эти задачи лучше чем накостыленный софт. Сегодня эра мультиагентов, динных сессий, но все еще без continual learning (апдейта весов модели/лоры в процессе работы), нативной коммуникации агентов (градиентами и весами), и это все придет в ближайшие год-два. Прямо сейчас почти любая сессия, которую я запускаю - это: - оркестратор оркестраторов, то есть есть менеджер с которым я общаюсь, у него есть субагенты на отдельные куски проекта (например, разные сделки, разные типы работы, разные части продукта или исследования). на скрине - одна сессия, которая создает субсессии, которые сами создают субсессии и все между собой общаются. я в чужие чатики не лезу, у меня есть ответственный менеджер. - я не читаю чат агентов, только чат с оркестратором. у типичной задачи 20-40 субагентов, они работают от пары до 40-50 часов на задачу, читать весь этот слоп так же бесполезно как читать код для меня - мне важен результат - моя работа это выставить правильные гейты Вкуса, то есть договориться с агентом на каком этапе он мне показывает результат, собирает с меня фидбек и направления дальнейшей работы. без этого сессия на 60 часов уйдет в неправильное направление после первого шага и вы потратите недельный лимит на слоп - половина работы агентов - автоматизации. каждый день это полтора десятка автоматически запускаемых задач: ревью всех новых сделок и заявок, ответы в почте и тг, анализ трафика и кампаний, подготовка целей на день и неделю, трекинг проектов, читалка важных новостей по рынкам и т.д. Мораль: то, чем является работа и как меняются бизнес-процессы зависит от текущего состояния моделей. Именно в этом и есть ИИ-нейтивизация, а не в том чтобы натянуть РАГ на Слак.

От вайб-кодинга к AI-инжинирингу на примере простого агента #diy #ai Я в целом не особо силен во всяких кастомных обвязках и супер-навороченных практиках AI инжиниринга. Моя роль позволяет в целом быдлокодить делать прототипы, особо не считать токены и в целом обычно хватало просто спеки Spec.md и агента в виде чата. Так что я решил поиграться с чем-то более продуманным и заодно тут рассказать. Для примера взял скиллы Addy Osmani, чисто из-за предвзятости, это очень крутой чел, его суждениям я доверию (но в целом наверняка можно было взять и Superpowers либо скиллы Matt Pocock). Суть в том, что это не просто набор скиллов, а изменение всего подхода к agentic разработке. Что-то вроде Spec -> Plan -> Build -> Test -> Review -> Simplify -> Ship. Слишком томить не буду, дам наводку, а дальше LLM сама лучше расскажет-покажет. В последнее время я новые прикладные темы изучаю генерацией короткого мини-тьюториала в нашем либимом формате HTML. В данном случае я взял идею простенького агента-консультанта по путешествиям и попросил Gemini создать тьюториал о том, как разработать такого агента в стиле Addy Osmani: I've got a high-level idea of a travel assistant agent. Create an HTML course illustrating the development of such an agent with https://github.com/addyosmani/agent-skills and agents-cli, create sub-pages for each meaningful chapter (e.g. Spec -> Plan -> Build -> Test -> Review -> Simplify -> Ship), write code and make it copy-pastable so that I can follow the tutorial and go through the whole development process myself. Сначала gemini сам реализовал простенького агента, затем использовал это решение как референс для мини-курса. Далее мини-курс сам тебя ведет через все этапы разработки: 1) Определяем спеку, отвечаем на вопросы агента, что мы вообще хотим от продукта. Спека появляется не одна, а несколько – по одной на каждый компонент будущего решения /spec Build a travel concierge agent with Google ADK, scaffolded and evaluated with agent-cli. It must... <high-level idea pitch> После ответов на вопросы появится Spec.md и spec-*.md для компонентов. 2) Далее запускаем планирование /plan Use SPEC.md and the architecture we just agreed Появляются plan.md и конкретный todo.md со списком всех задач, acceptance criteria, плана проверки и файлов на выходе. Все в стиле TDD, то есть начиная с тестов. 3) Далее Build, либо вдумчиво по одной фиче из списка todo.md, либо сразу /build auto и почитывать, как он сам все по очереди реализует, тестирует и обновляет Todo. 4) И в конце финальные проверки и еще пара скиллов для упрощения кода. До Ship в данном случае не дошло 👨‍🦳 Что понравилось - так на выходе, конечно, решение куда более продуманное, с кучей тестов, покрытыми корнер-кейсами (например, а что если ты путешествуешь с мелким ребенком, наверное не надо советовать маршрут с прогулками дольше 10 минут). И документация получается сама собой, попутно с разработкой - далее улучшать решение тоже понятно как – спека уже лежит, фичи детально описаны, надо просто в том же формате добавлять новые фичи и следовать тому же процессу, что описан выше Ограничения - уходит больше времени и токенов, конечно. В моем случае 3 часа вместо 5 минут (хотя да, решение сильно более продуманное на выходе). - На эвалах может много токенов погореть. Да, агент сам помимает, где какие тесты нужны (юнит/интеграционные, а где LLM-as-a-Judge), но также из-за какой-то банальной мелочи типа несовпадающих сигнатур функций у tools может решить перезапустить весь LLM-as-a-Judge для какой-то фичи, а это и генерация синтетических данных, например, и эвал, то есть лекто минут 20 и 120 тыс токенов на один этап - Душновато получается, все же спеки, планы и todo – это много текста, который надо проверять. Для большого проекта на всю команду – да, можно даже продакта посадить, вместе отвечать на вопросы LLM. Но для мелких одноразовых вещей типа кастомного UI или демки навыброс я по-прежнему буду вайбкодить 😮‍💨

Ну вот и кончилась стачка, где я снова выступил с докладом, но в этот раз не с бесполезной ерундой, как в прошлый раз. Как запись появится, мб и выложу. На фан встречу все же пришли люди, хотя вопросов никто не задал, либо всем было все понятно, либо не понятно. Сам сходил буквально на 3 доклада (заставили). Скорее всего это была моя последняя какая либо конференция, направление, куда все идет, мне конкретно так не нравится. Ai на Ai Ai погоняет. При всем при этом без какой либо конкретики. Каждый просто рассказывает, что и как внедрить, но только вот циферок на руках нет(на самом деле есть, но все они подозрительно идут вправо и вверх) и конкретных предложений/решений. Ситуация буквально как с роадранером 6 лет, что все рассказывали, как его внедряли, пересказывали общие рекомендации и все. И раньше искать доклады с конкретикой, а не абстракциями было проблематично, сейчас же просто невозможно. Причем проблема буквально в самой теме. Контроля со стороны конечного пользователя над всеми этими Ai практически нулевой, а правила использования диктуются двумя крупными игроками. Максимум, который можно привнести - использование локальных ллм + какой-то общий гейтвей над ними, все. Абсолютно все остальное будет такое же. Из-за чего опыт у всех +- одинаковый и советы +- одинаковые. Любые новые подходы и практики либо рискуют умереть в течении полугода, после подкапотного обновления моделей, либо настолько сложные, что не стоят свеч, поэтому и рассказывать про них смысла нет.

Переходим на следующий этап развития 😮😮 Провели очень клевую страт-сессию с нашим ментором Виктором Савюком (создатель той самой приставки Денди между прочим!) Мы быстро растем в нашем немецком проекте — в этом году сгенерировали уже 2,5+ миллионов долларов выручки, а в команде уже больше 50 фулл- и парт-тайм сотрудников Многие старые процессы не работают, а новые не всегда успевают за ростом, поэтому с помощью Виктора собрали для нас двоих список ключевых проектов до конца года. Вот на чем хотим сфокусироваться: 1. Построить большую контекстную харнесс-обвязку вокруг компании (это такое большое контекстное окно, куда может добавлять данные каждый из сотрудников). Это супер-важно при масштабировании для того, чтобы все жили в одном смысловом поле, в спорах был объективный третейский судья в виде ИИ, и существовал общий источник истины В харнесс сможет вносить свой вклад каждый из членов команды и он ляжет в основу системы онбординга новичков для всех команд и системы алертов об аномалиях в ключевых метриках 2. Выводим наш отдел продаж на новый уровень автоматизации Наши РОПы и тимлиды уже владеют вайбкодингом на уровне сильно выше среднего, только в прошлом месяце мы сожгли порядка 3к баксов на токены для автоматизаций отдела продаж Большая цель — замахнуться на то, чтобы развернуть полноценных голосовых агентов, которые смогут вести полный цикл сделки с клиентом 3. Начинаем строить слой AI-сотрудников в маркетинге. Мы собрали список задач по одному из каналов, описали логику принятия решений в зависимости от кабинетных данных, подключилии нашу creative system (платформу по анализу и предсказанию эффективности креативов), нашли команду людей для оценки решений. Орда киборгов маркетосов скоро начнут штурмовать каналы! Ставьте 🔥, если хочется, чтобы мы детальнее рассказывали про каждый из этих проектов, и пишите в комменты про что хочется услышать в первую очередь

Новый UX паттерн: кастдев врет, а галерея смартфона нет. Разбор Dazzle. Марисса Майер (та самая экс-CEO Yahoo) на днях выкатила из стелс-режима проект Dazzle AI с контр-интуитивным тезисом: ваш инбокс врет, а фотопленка говорит правду. Вот как они перевернули подход к сбору данных и профилированию. 1. Решение проблемы холодного старта Вместо синхронизации с календарем, где лежит скучная рабочая рутина, или долгих опросов, где юзер фантазирует, Dazzle просто просит доступ к галерее. ИИ сканирует фотки и достает реальный контекст: куда человек ездит, что ест, с кем тусит по выходным. Продуктовый профит тут понятен: это мгновенная персонализация ассистента вообще без напряга для юзера. 2. Пивот от фичи к платформе Проект вырос из прошлой приложухи Майер под названием Sunshine. Сначала они пилили умную адресную книгу и шеринг фоток. Но проанализировав юзкейсы команда поняла, что настоящая ценность кроется не в обмене фотографиями. Настоящее золото это сам фотопоток как идеальный датасет для обучения персонального ассистента. 3. Запуск и маркетинг Тут все по классике. Подняли 8 млн долларов при оценке в 35 млн. Выходят на рынок через закрытую бету по инвайтам. Это и сервера спасает от перегрузки, и отлично подогревает FOMO. Весь пиар строится на имени фаундера и противопоставлении классическим ChatGPT или Siri, которые опираются на тексты, а не на визуальный контекст. 4. Главный продуктовый риск Понятно, что это приватность. Отдать ИИ доступ ко всей личной медиатеке это гигантский барьер доверия. Дальше все зависит от того, смогут ли они доказать безопасность вычислений на самом устройстве, и перевесит ли магия персонализации страх утечки данных. Для меня главный вывод тут такой: самый ценный сигнал это цифровые следы, которые пользователь оставляет на автомате. Классно, что потихоньку продукты переосмысляют в эту сторону. Пошерили бы данные галереи с таким ассистентом? 👍 - да 👎 - нет @productgames

Нейродайджест за неделю (#133) LLM - DevDay OpenAI — OpenAI представила постоянно работающих агентов dots, модель GPT-6.1 Sol и подписку Pro за $500 с Astra Ultrafast. - Лимиты ChatGPT Pro — OpenAI вдвое уменьшает лимит использования ChatGPT Pro за $200 в пересчёте на стоимость тех же запросов в API. Цена подписки не меняется. Компания ссылается на удешевление GPT-6 Sol и Luna и обещает не возвращать пятичасовые лимиты. Изменения войдут в силу в конце месяца, подписчикам раздали эквивалент $2500 в кредитах. - Gemini 4 Argon — закрытое превью для киберзащитников. Первое время цена будет $2/$10 за миллион токенов, такая же как у Sonnet и Sol, потом её увеличат вдвое. Генеративные модели - Репортаж с IROS — прямое включение из Питтсбурга: VLA, тактильные сенсоры и гуманоиды, собирающие мебель IKEA. Миша из магистратуры AI Robotic также рассказал о своей модели HapticVLA, которая учится на тактильных данных, а работает без датчиков касания. Прочее - ML в Ozon — записи докладов с E-CODE о нейросетевых рекомендациях и измерении габаритов товаров с помощью стереокамеры и 3D-реконструкции. - TPU на орбите — Google запустила прототип Project Suncatcher. На спутнике проверят работу TPU при воздействии радиации и перепадах температуры. > Читать дайджест #132 #дайджест @ai_newz

ReflectionAI (стартап, который финансирует Nvidia) выпускают какую-то мощную открытую модель Об этом написали Axios со ссылкой на анонимные источники. ReflectionAI – это стартап Миши Ласкина и Иоаниса Антоноглу, который они основали два года назад. Оба выходцы из DeepMind. Ласкин руководил reward modeling в Gemini, Антоноглу – соавтор AlphaGo. Сейчас они оцениваются примерно в $8 миллиардов, недавно привлекли $2 миллиарда, в том числе $800к от Nvidia. Сначала компания занималась RL-агентами для кода, потом переключилась на опенсорс для бизнеса. Свою новую модель они позиционируют как мощную альтернативу DeepSeek, Zai и прочему китайскому опенсорсу. Интересно, что покажут.

😱 Вчера я за один день сжег весь недельный лимит Но решил сделать это изящно 😅 Я создал один общий чат с GPT-Astra, который работал оркестратором. Попросил его пройтись по всем проектам, которыми я занимался последний месяц, найти те, где сейчас требуется мое внимание, и по одному рассказывать: где мы остановились и что конкретно нужно сделать дальше. Дальше я обсуждал с ним проект, давал задачу — а он вместо того, чтобы делать ее, запускал нового агента в нужном проекте отдельным чатом. И так раз за разом, проект за проектом. В итоге, пока я гулял по городу, ходил в Икею и занимался своими делами, у меня на компе параллельно работало огромное количество агентов. 😎 От меня требовалось только периодически возвращаться в один общий чат и спрашивать: ну что там, как дела? 😅 🤔 Опыт интересный. Реально очень похоже на времена моей менеджерской / C-suite работы: ты сам почти ничего руками не делаешь, а в основном раздаешь задачи, снимаешь блокеры и проверяешь, что мы несемся в нужную сторону. 😬 Жрет это, конечно, совершенно безумное количество токенов. 🤷‍♂️ Но зато требует гораздо меньше моего внимания. В общем, вот такой пока получается размен: дешевизна против количества внимания. Свята место | 10МДК | Чатик | YHub

Бизнес-модели в эпоху AI. Часть 1: SaaS В 2023 году я разбирал, какие метрики показывать инвестору в разных бизнес-моделях, и начинал с SaaS. А недавно писал, что в AI повторяется история интернета: сначала платят за доступ, потом доступ дешевеет, и деньги уходят тем, кто ближе к результату. Захотелось вернуться к той серии и посмотреть, что этот сдвиг делает с привычными метриками. Готовых ответов у меня нет, так что давайте порассуждаем вместе. Начну с того, чего в списке 2023 года не было вообще, — валовой маржи. Тогда её не обсуждали: у SaaS она по умолчанию высокая, в среднем около 76%. Серверы стоят копейки, каждый новый клиент — почти чистая прибыль. С AI по-другому. У Harvey маржа за полгода ушла с плюс 50% в минус 50%, потому что клиенты стали активнее пользоваться продуктом, оплачивая рабочие места, как привыкли в SaaS. Получается парадокс: чем больше AI-продукт нравится юзерам, тем больше мы теряем. Мне кажется, маржа с учётом токенов теперь должна стоять в деке рядом с MRR. Но я не уверен, какой уровень считать нормальным для AI-продукта, особенно если его темпы роста бьют все рекорды. С NRR тоже происходит что-то странное. Раньше NRR выше 100% означал: клиенты довольны и покупают больше мест. Теперь, если наш продукт помогает клиенту сократить отдел с десяти человек до трёх, мест становится меньше 🙈. Клиент счастлив, а NRR падает. Выходит, оплата за места наказывает нас за то, что продукт работает. Отсюда и переход к оплате за результат: за закрытый тикет, за обработанный документ. Но тогда MRR перестаёт быть таким предсказуемым, а именно за предсказуемость мы, инвесторы, и любили SaaS. С оттоком своя история. Я писал, что для раннего стартапа это главная метрика, и мнения не поменял. Но у AI-продуктов появился новый вид оттока: «туристы». Компании покупают, чтобы попробовать AI, и уходят через пару месяцев. Поэтому, похоже, сейчас важнее не сам процент оттока, а то, сколько клиентов дошло до регулярного использования. С CAC пока больше вопросов, чем ответов. AI удешевил аутрич и контент, но им пользуются все, и почтовые ящики забиты одинаковыми письмами. Дешёвый контакт ещё не значит дешёвый клиент. А ещё выбирать продукт всё чаще будет агент. Ему не отправишь холодное письмо и не покажешь кейс на созвоне: он читает документацию, сравнивает цены и тестирует API. Похоже, часть CAC будет уходить уже не в з/п сейлзов и конференции, а в то, чтобы машине было легко нас найти и проверить. Как это считать, пока не очень понятно. Если собрать всё вместе, классические метрики SaaS никуда не делись, но каждую теперь приходится читать со звёздочкой. Хочется сверить мою картину с вашей. За что вы берёте деньги в своём SaaS: за места, за использование или за результат? И если что-то меняли за последний год — расскажите в комментариях, к чему пришли. Андрей Резинкин | Money For Startup

В будущем останется всего четыре типа сотрудников Недавно сильно пошумела статья партнёра венчурного фонда Slow Ventures о том, что в будущем останется всего четыре типа сотрудников. Её растащили на цитаты, а Марк Андриссен даже отдельно обсуждал эту идею в своём подкасте. Главный тезис в том, что команды будущего будут собираться не вокруг профессий вроде разработчика, дизайнера, маркетолога или финансиста, а вокруг способа доставлять ценность: создавать, систематизировать, направлять и продавать. И для этого останется четыре типа сотрудников: 1. Создаёт (Slop Cannon). Продукт-инженер, вайб-кодер или просто универсал, который умеет понемногу всё и с помощью AI очень быстро превращает идею в работающий прототип. Кем он был изначально: разработчиком, продактом или маркетологом, уже не так важно. 2. Систематизирует (Systems). Сшивает, стабилизирует и масштабирует всё, что нагенерировали первые. В IT это часто тестировщики, бизнес-аналитики или безопасники, но таким человеком может быть и редактор, финансист или операционщик. В общем, любой, кто умеет превращать хаос в систему. 3. Взрослый в комнате (Adult in the room), который сохраняет здравый смысл, когда всех остальных понесло и разогнало. Это может быть экс COO, юрист, финансист или просто опытный руководитель с хорошим бизнесовым опытом. Потому что бессмысленно двигаться очень быстро, если двигаешься не туда. 4. Упаковщик (Hot People). Человеческий интерфейс компании: маркетинг, sales, PR, HR, фаундер. Кто делают компанию привлекательной снаружи и цельной внутри. Именно из-за них у вас хотят покупать и работать. Получается довольно простая конструкция команды будущего на ИИ-стеройдах: создать → систематизировать → направить → продать.