В субботу на AI Sales играли в руководителя отдела продаж: у вас три продавца, CRM, и процесс от холодных продаж через встречи до закрытой сделки. Одно из решений, которое надо было принять - куда, в первую очередь, внедрить AI. Было 3 варианта: 1) AI SDR —> чтобы в 3 раза получать больше тёплых лидов за те же деньги 2) Агент, который доводит заинтересованного лида до встречи, потому что сейчас лишь 1 из 3х это делает 3) Агент, который разбирает "спящие" сделки, пингует "молчунов", возвращает их. Не вдаваясь в цифры, которые безусловно сильно влияли на выбор решения, я сделал одну штуку, которая имхо очень жизненная: "подложил" в игру продавца Майка, который постоянно жаловался, что у него 4 часа уходит на пинги по спящим сделкам, и что, мол, за фигня такая. Не знаю, насколько это повлияло на решение, но большинство решило выбрать именно 3ю опцию. Например, один из участников так обьяснял свой выбор:

Высвободим время и встреч должно быть стать больше.

В целом, логика понятная, но в ситуации когда у продавцов было 30+ часов свободного времени - эта информация отражалась на ключевом экране игры + я ее голосом озвучивал - это точно не самое важное решение... Высвободив 4 часа Майку и его коллегам мы точно ничего глобально не изменим. А вот эффективнее доводить лидов до встречи или увеличить исходящие в 3 раза - точно повысило бы результаты отдела. Прошу не судить строго участников: во-первых, были те, кто голосовал за 2ю опцию, во-вторых - как я уже выше сказал, я специально направлял их внимание не туда. И вот почему, имхо, это жизненно: я часто вижу, как самые "шумные" отвлекают внимание на не самые важные части системы. Мы, люди, хотим помочь другим людям, спрашиваем у них что болит, и направляем свое внимание туда, зачастую упуская из виду более эффективные рычаги. Приподняться над проблемой, увидеть лес за деревьями, взвешивать важность - очень важный навык, который надо тренировать. Поэтому хороший вопрос перед автоматизацией не "что мы можем автоматизировать" или "кому сделать жизнь легче", а "какую метрику мы хотим сдвинуть и что ее ограничивает" (привет Голдратт!). Удачи нам всем!

Продолжаю держать вас в курсе того, как получается внедрять AI агентов в повседневные задачи. Я продолжаю активно пользоваться Claude на работе и для личных целей как основным агентом. На работе даже появилось несколько скиллов, которыми я пользуюсь по несколько раз за неделю, и даже готов признать, что если у меня пропадет такая возможность – я сильно расстроюсь. Очень радует, что коллеги активно делают MCP к каждой кофеварке ко всему. Недавно опубликовали MCP к нашей in house системы управления экспериментами, которая является одной и самых важных в компании. Параллельно для личных целей я собираю агента как конструктор лего на фреймворке langchain. Этот агент крутится где-то на сервере, поэтому способен принимать и обрабатывать задачи даже когда я не за ноутбуком – это основное преимущество перед Calude. По сути, это самописный (бабушка дома сама на вайбкодила, не то что этот SaaS магазинный!) аналог openclaw или hermes, и ему не страшно доверить доступ к телеграму и почте. Сообщение выше, впрочем, как раз от него, он решил, что совершенно не обязательно читать задачу перед тем как перезаписывать ее текст. Точно поправлю промпт, но на самом деле можно и на уровне инструмента работы с задачами такое запрещать. Я не думаю то строить своего агента с нуля очень осмыслено, но этот проект очень много мне дает в смысле понимания того как устроена техническая обвязка "harness" современного агента. Меня сразу же очень впечатляет как много за нас делает Claude Code или Codeх: → позволяет в один клик подключать MCP, не прописывать конфиги руками → динамически подключает нужные для решения задачи tool'ы (если все доступные tool'ы сразу подгрузить в контекст, то контекст на этом закончится) → сжимает автоматом историю диалога, когда она становится слишком длинной, сохраняя суть → делает умный поиск по скилам → хранит и подтягивает откуда-то элементы долгосрочной памяти → декомпозирует задачи и запускает субагентов с урезанными полномочиями Можно было бы просто использовать Claude и не мучатся. Но когда мы начинаем встраивать агентов в свои процессы, или в клиентские фичи – тут уже не получится просто скинуть это на Claude. Нужно уметь настраивать карбюратор контекст руками. Расскажите, только честно: если завтра у вас пропадет возможность пользоваться LLM моделями для рабочих задач, это существенно повлияет на вашу работу? Или не особенно сильно? Андрей Менде, PM ML Booking .com, автор симуляторов Claude code AI для продакта, ЛЛМ для продакта, ML для продакта, и др.

MiniCPM-V 4.7 Новая открытая серия мультимодальных моделей OpenBMB для устройств Две модели: MiniCPM-V 4.7 35B-A3B и MiniCPM-V 4.7 1B. • Мультимодальное понимание, STEM-рассуждения, #OCR и длинные видео • Локальный запуск на #iOS и #Android • Гибридное сжатие визуальных токенов 4× и 16× • Self-Replay Fine-Tuning — дешевая донастройка под новые задачи без потери общих качеств • 35B-A3B: 17+ токенов/с на iPad Pro M4 (16 ГБ), 13+ на iPhone 17 Pro Max, всего 3 ГБ памяти • LES (Lookahead Expert Scheduling) предзагружает веса экспертов — 5× ускорение на iPad Pro M4 при идентичном выводе • Даже при 16× сжатии 90.4 на OCRBench — на 5.2 пункта выше Qwen3.6 35B-A3B • Конкурентные результаты на 34 бенчмарках github.com/OpenBMB/MiniCPM-V huggingface.co/collections/openbmb/minicpm-v-47 #multimodal #mobile MAX

Интересное интервью Джоша Вудворда, руководителя Google Labs, который заодно отвечает за приложение Gemini и AI Studio. Меня понравились несколько мыслей. 1. Всем компаниям пора мыслить как лаборатории. Технологии меняются так быстро, что граница возможного сдвигается буквально каждую неделю. Поэтому пробовать новые модели, ставить эксперименты и проверять даже странные идеи уже не отдельное развлечение для инновационного подразделения, а часть работы компании. 2. Ведите список "почти возможного". Обычно мы ведём бэклог того, что можем сделать, но до чего пока не дошли руки. А здесь отдельный список того, до чего пока не дошли технологии. И важно регулярно к нему возвращаться: вчерашнее "это невозможно" сегодня уже может оказаться рабочей гипотезой. 3. Важна не только скорость обучения, но и unlearning rate. То есть скорость, с которой человек способен отказаться от прежних убеждений и подходов, если проверка показала, что они не работают. Не просто быстро узнать что-то новое, а проверить это на практике и при необходимости отпустить, даже если идея очень нравилась. Он там еще говорит, что надо влюбляться не в продукт, а в проблему. 4. Не всем нужно превращаться в универсальных билдеров. Несмотря на разговоры о слиянии ролей, Джош считает важным сохранять специализацию. У сильного специалиста есть основная профессия и смежные навыки, которые её усиливают. Его совет начинающим продактам: вайбкодить и собирать прототипы - отлично, но делать это стоит, чтобы стать выдающимся продакт-менеджером, а не вместо того, чтобы им становиться. Иначе за универсальностью можно потерять глубину. Ещё у Джоша есть постоянная дискуссия с коллегой: через пять лет у Google будет пять продуктов или десять тысяч? Однозначного ответа нет, и сам он периодически меняет позицию. Возможно, даже само понятие продукта к тому времени будет другим. А вы как думаете, через пять лет в Google (или в вашей компании) продакт-менеджеров станет больше или меньше?

Перевод книг Уверен, что моим главным итогом 2026 года в сфере искусственного интеллекта будет не вайбкодинг продуктов и разного уровня автоматизации, а перевод книг. Это та сфера, которая, как мне кажется, в перспективе принесёт человечеству наибольшую пользу. Когда я начал погружаться в современную философию, я периодически фрустрировал из-за отсутствия переводов (хоть каких-нибудь) на русский язык. В 2024 году переводил скриншотами книг в ChatGPT, в 2025 году пытался настроить этот процесс через Cursor, а в 2026 году задача полностью решилась даже стандартным Codex в подписке Plus за $20 На днях вышел первый русскоязычный перевод книги Бернара Стиглера “Забота. О молодежи и связи поколений”. Я читаю Стиглера с начала этого года, за это время перевёл с AI-агентами основные его работы. Сегодня забрал бумажную “Заботу” и сравнил с моими переводами. На удивление, Codex справился просто отлично. В процессе я пересмотрел разных агентов-переводчиков, выложенных в интернете, но в итоге пришлось делать своего. Перевод философских текстов особенно сложен в том, что нужно на старте провести большое исследование и выработать словарь терминов, которые дальше нужно развивать по тексту - а, значит, нужно опираться на существующие переводы эссе, ссылки, научные работы. Мой агент с этим работает хорошо, тексты пишет довольно читабельные (у меня нет никаких претензий по ходу чтения). Мой вывод: я буду продолжать читать книгу в официальном переводе, просто потому что в бумаге приятнее. Но остальные книги читаю уже спокойнее, не переживая о том, что агент сделает что-то совсем не то. Агента опубликовал (осторожнее, он прожорливый и может потратить примерно половину Pro-подписки за перевод одной книги, переводите частями, следите за лимитами): Ссылка на гит

Как отличить AI-slope от нормального контента В последнее время я все чаще замечаю, что под видом экспертности мне всячески пытаются впихнуть контент, сгенерированный ИИ. Речь идет об авторском контенте: телеграм-посты, почтовые рассылки, различные экспертные статьи на сайтах. И проблема здесь не просто в языке или стилистике языка, а в смыслах, которые лежат внутри этих текстов. Читая автора, я прихожу за его экспертностью, опытом и какой-то четкой позицией, но вместо этого я все чаще получаю не тот контент, на который подписался, а контент “написанный по запросу, на который я подписался”, с помощью LLM. Естественно, желание читать такое не добавляет, а отношение к аудитории скорее негативно выставляет автора в моих глазах. Работая много с LLM - ты уже интуитивно видишь, где текст является сгенерированным, но для этого нужен опыт. Поэтому сегодня решил поделиться своими наблюдениями по тому, как с большей вероятностью вычислить AI-slope. Ниже - мои личные наблюдения + кое-какие исследования. Слова и эмодзи Первый и наиболее заметный маркер. ЛЛМ очень любят определенные слова, эмодзи и повторяют их из раза в раз. Если в запросе попросить экспертный стиль - вас закидает чем-то уж очень профильным, с кучей англицизмов. Если попросить добавить эмодзи - ИИ засрет ими текст. Кроме того, отличается сам язык. Чаще всего, текст получается не вполне литературным, и если вы - начитанный человек, то читая очередной ИИ-пост - вы будете замечать, что по-русски так не говорят, но если вы еще знаете и английский - то вы сразу увидите, что текст - ни что иное, как буквальный перевод на русский. Тест на выжимку ИИ любят лить воду. Прочитайте 5 предложений поста и попробуй-те выделить из них хотя бы одну главную мысль. Там, где человек просто напишет: “Рынок упал, мы решили делать маркетинг”, AI будет рассыпаться фразами в стиле “В эпоху стремительных изменений важно уметь адаптировать свои внутренние процессы для достижения максимальной синергии”. Безопасная нейтральность AI обучены так, чтобы быть полезным любым людям, с любыми ценностями, вероисповеданием и так далее. Результат этого - в AI-текстах чаще всего отсутствует сильная аргументация в какую-либо сторону. Если вы видите, что автор пытается вам донести какую-то позицию, но он не слишком категоричен в своих суждениях и будто старается никого не обидеть - скорее всего перед вами текст с ЛЛМ. Можете проверить это простым экспериментом. Попросите ИИ написать текст про то, что вам не нравится, и пусть это будет политический или религиозный текст. В своем промпте используйте больше слов, типа “говно”, “дерьмовый”, “ненавижу” и прочие сильные оценочные суждения. А потом посмотрите на результат :) Переизбыток прилагательных и исчезновение местоимений Гугл не так давно проводили лингвистическое исследование и обнаружили, что ИИ-шки любят слова типа “инновационный”, “многогранный”, “стратегический” и прочие, но категорически отказываются использовать местоимения “я”, “мы”, “мой”. А также фразы, обозначающие принадлежность текста кому-либо, например, “по нашему мнению”. Живой человек, делясь опытом, постоянно использует местоимения, а ИИ строит отчужденные, безличные конструкции, используя их намного реже. Кстати, это же исследование подтверждает и мой предыдущий тезис про безопасную нейтральность. Позитивный позитив Чем-то похожая история с безопасной нейтральностью. Но решил выделить отдельно. ИИ-текст практически никогда не будет нести смысл “мы в дерьме” или “все плохо”. Рядом с этим фактом, скорее всего, будет что-то в стиле “но кризиз - это возможность для роста”. Лингвистическая предсказуемость и эффект триколона Да, я тоже не знал этого термина, узнал из статьи, но сейчас вы поймете, о чем речь. Есть такой показатель - type-token ratio (разнообразие словарного запаса), так вот, у LLM он намного ниже, чем у человека, а длина предложений почти всегда фиксирована - от 10 до 20 слов. А что касается триколонов - это лингввистические конструкции, состоящие ровно из трех элементов или примеров подряд (например: “Это помогает автоматизировать процессы, повышать конверсию и масштабировать бизнес”). Люди пишут хаотичнее: то короткими отрывистыми фразами, то длинными абзацами. Отсутствие микро-деталей Больше характерно для всяких кейсов. Но тоже добавлю в список. Когда человек рассказывает о своем опыте, он использует какие-то локальные шутки, имена, факапы. Такие вещи, которые сложно выдумать на ходу. Кейс, описанный с помощью ИИ будет звучать более обобщенно. Хотел сделать список длиннее, но ограничен лимитами телеги. Поэтому в комментах делитесь: как отличаете слоп вы 😁 🚀 Влад Корнышев про AI и создание AI-продуктов

Чуть с запозданием принимаю эстафету от Саши по генерации видео для своих скиллов/продуктов. В качестве "рекламируемого" взял свой мини-проект Video Analyzer, которым я сам регулярно пользуюсь. Попробовал два варианта генерации. Сперва взял расширенный промпт, чтобы агент не только github проанализировал, но и изучил мои посты про Video Analyzer. Получился большой промпт, адаптированный под мою задачу, который не несёт пользы никому, кроме меня. Далее попробовал сделать попроще и без связки с историями в канале. Использовал такую инструкцию:

Make a dynamic motion graphics video that shows what an incredible motion designer you are, like it's your showreel for a resume. A video about my project: https://github.com/kdoronin/video_analyzer Go all out. Make sound effects, use Remotion and impressive sound design. Russian voiceover and Russian titles. Tell an interesting story in motion.

На старте получились вполне сносные видео. Роботизированная озвучка, правда, сильно резала слух. Поэтому я взял API-ключ от 11labs и попросил того же Opus5.5 переозвучить видео через недавно вышедший Eleven v4. С ней получилось гораздо интереснее. Далее передаю эстафету Алексею и Андрею (кстати, Андрей – автор того самого видео "Жги токены" и в его канале можно подсмотреть много интересных стилей для Opus-генерации).

Онбординг агентов в Enterprise кодовые базы на миллионы LoC Вместе с Максимом Ключниковым (Этихлид) поделились своим опытом о том, как добиться максимум эффективности от AI агентов на больших легаси проектах. Я рассказывал про построение тезауруса и борьбу с тех долгом, а также поделился неочевидными результатами наших бенчмарков, измеряющих эффективность контекстных движков (векторный RAG, графовый RAG). Во второй части Максим рассказал об AI-native инфраструктуре . А в третьей части к нам присоединился Глеб Михеев (Уставший техдир) и мы вместе поотвечали на вопросы зрителей, обсудили тему миграции больших проектов, а также тему объективного измерения эффективности агентов на своей кодовой базе. Запись на YouTube: Конвертируем Enterprise-проект в Dark Factory — Родион Мостовой и Максим Ключников Таймкоды: 00:00 Знакомство со спикерами и начало доклада 02:15 Что такое Dark Factory и что для неё нужно 09:25 Делаем Enterprise-проект понятным агенту 14:20 Тезаурус, инварианты и знания команды 26:05 Исследование подсистем и проблема missing change 29:20 Контекстные движки: поиск и GraphRAG 36:50 Верификация: тесты, AI QA и запуск в CI/VM 56:30 Максим Ключников: замыкаем петлю на инфраструктуру 1:25:25 Воркфлоу для типовых задач 1:28:05 Профиль готовности проекта к агентам 1:31:05 Сколько работы можно отдать агентам 1:42:30 Обсуждение и вопросы участников @ai_driven

#Нейропрожарка 🎬 "YOU’RE SO BEAUTIFUL" ("ТЫ ТАКАЯ КРАСИВАЯ") Автор: Александра Бычкова - @Bychkova_Aleksandra. В центре истории - семнадцатилетняя Эмили и её мать, чья любовь к дочери превращается в пугающую одержимость ее красотой. Мне хотелось создать мир, который на первый взгляд кажется уютным и почти идеальным, но с каждой сценой становится всё тревожнее. Для этого я продумывала не только внешность персонажей и декорации, но и цветовую палитру, свет, композицию кадра, оптику, движение камеры и монтажный ритм. Визуальная эстетика Америки конца 1950-х годов стала контрастом к психологическому ужасу происходящего. Самое сложное было - добиться нужной эмоции. Изначально был cоздан более скомканный вариант для конкурса, хрон - 3мин, потом я решила доработать фильм и добить сцены. 🔎 Какие инструменты использовались: 🖼 Изображения и визуальная разработка: • Recraft V4 • Banana 2 Pro • Qwen Image 3.0 Pro 🎞 Генерация и анимация видео: • Seedance 2.0 • Seedance 2.5 🔊 Звук, музыка и голос: • Suno V6 • ElevenLabs • Epidemic Sound • Seedance Audio 1.0 Интересно, что в некоторых сценах именно Seedance 2.0 справился лучше. Ссылка: https://youtu.be/mRQq_cLF99k @cgevent

Бизнес-модели в эпоху AI. Часть 3: процент с транзакции Итак, друзья, мы разобрали две бизнес-модели (раз и два), сегодня поговорим про транзакционную. С появлением агентов, которые сами покупают и бронируют за нас, она выглядит особенно интересно, так что давайте разбираться. Напомню суть. Стартап проводит через себя деньги и забирает небольшой процент, как Stripe или Wise. В 2023 году я писал, что главная путаница в этой модели: оборот vs выручка. Через платформу может пройти миллиард (оборот), а заработает она с него, скажем, 2% (выручка 20 млн). Эта путаница отлично видна на Instinct. Через их агента уже проходит больше $1 млрд в год, и звучит это мощно. Но комиссию они пока не берут, так что выручка с этого миллиарда сейчас около нуля. Я их не критикую: сначала набрать оборот, а комиссию включить потом — вполне рабочая стратегия. Но когда в деке стоит большой оборот, я первым делом спрашиваю, какой ваш take rate. Самое интересное в AI-версии этой модели — размер комиссии. Чем больше спроса платформа контролирует, тем больше она может брать. Агент, который сам решает, где забронировать отель и в каком ресторане взять столик, контролирует спрос почти полностью, так что по идее может брать больше, чем привычные платёжные сервисы. Но пока это гипотеза: никто не знает, сколько продавцы готовы платить за клиента, которого привёл агент. А дальше вырисовывается очевидный конфликт интересов. Деньги платит продавец, а работать агент должен на пользователя. Что будет, если один отель платит агенту 15%, а другой 5%? Агент, который подталкивает пользователя к покупке в интересах того, кто больше заплатил, — опасная штука: доверие к нему исчезнет быстрее, чем он успеет заработать. Пока я не видел модели, где эта граница чётко проведена. Мне кажется, тот, кто убедительно её проведёт, и выиграет доверие пользователей. Для фаундеров, которые не строят свой Instinct, есть и более приземлённая история. Под агентские покупки уже строят инфраструктуру: Ramp выпускает отдельные карты для агентов, Stripe вместе с OpenAI делает протокол для агентской коммерции. Комиссия с транзакции здесь может появиться не только у самого агента, но и у тех, кто даёт ему проводить платежи, подтверждать покупки и защищать от ошибок. Похоже, в этой цепочке ещё много свободных мест. Если собрать всё вместе, транзакционная модель в AI выглядит одной из самых перспективных: агент ближе всех к покупке. Но пока много открытых вопросов: какой будет комиссия, кто её заплатит и как агенту остаться на стороне пользователя. Какую модель разберём следующей? Голосуйте реакцией: 🔥 маркетплейсы: зачем нужен агрегатор, если агент сам обойдёт все сайты ❤️ рекламу: на чём она будет жить, если агент не смотрит баннеры и не тыкает в объявления Андрей Резинкин | Money For Startup

Memory Engineering 101: Мой подход к агентской памяти Друзья, хочу поделиться с вами своим подходом к агентской памяти. Память состоит из 3х частей: • Notes: заметки, которые Клод пишет (и извелкает из сессий) вовремя работы • Hook/Recall: воспоминания Just in time - когда клод хочет что-то сделать, срабатывает хук, который заставляет его глянуть в хранилище и дернуть оттуда уже накопленый опыт • Evals: каждую ночь, клод сам себя тестирует и пытается придумать что можно улчушить Память бывает частная и общая, общая память растет органически, с помощью еще оодного агента, который мерджит частные воспоминания с памяться компании. Все это дело расшарено с коллегами через сервер, и получается что знания накапливаются и доступны для всех. Весь метод выложен на гите - пользуйтесь, буду очень рад вашим PR и комментам. И намного подробнее про подход в моем блоге.

OpenCode V2 Крупное обновление открытого агента для написания кода от Anomaly. В отличие от агентов-компаньонов вроде Hermes или DeepSeek Harness, этот нацелен на разработчиков: заточен под терминал и IDE, максимум скорости и экономии токенов при правке репозиториев. Что нового • Центральный фоновый сервис теперь по умолчанию — TUI, веб и десктоп работают через один процесс • API и клиент переписаны с нуля • JS-интерпретатор в Code Mode — агент сводит инструменты MCP/OpenAPI в единые скрипты • Фоновые субагенты и асинхронные команды в шелле • Система плагинов обновлена, появилась горячая перезагрузка • Можно подключать как самостоятельную библиотеку или SDK • Плагины версии 1.0 больше не поддерживаются • API сервера полностью изменилось • Конфиг tui.json переехал в формат .json Обновление: opencode upgrade --major github.com/anomalyco/opencode #coding #agent MAX