Нетворк эффект у AI-агентов Годное эссе вышло у старика Эндрю Чена. Кто не знает, Чен — первый Head of Growth в Uber, один из тех, кто популяризировал концепцию viral loop’ов, и автор книги The Cold Start Problem. В бытность мою консультантом по росту — номер один, за кем я следил. Ключевая мысль: сам по себе AI-агент не обязательно становится лучше потому, что им пользуется больше людей. В этом смысле он скорее похож на email-клиент: я могу пользоваться одним, ты другим, а взаимодействовать они все равно могут через общие протоколы, API, календари и сервисы. Но все меняется, если агент начинает владеть не только интерфейсом, но и сетью вокруг пользователя. Например, ты просишь его организовать поездку с друзьями. Он может создать план, бюджет, голосование и отправить приглашения. Если все это живет внутри самого агента, другие участники постепенно тоже оказываются в контуре его экосистемы. Получается вирусный луп: пользователь инициирует задачу → агент создает что-то полезное → этим пользуются другие → часть из них становится новыми пользователями. Еще сильнее эффект проявляется там, где важны социальный граф, доверие, репутация и личный контекст. Например, агенту нужно: — найти человека, с которым тебе стоит познакомиться; — подобрать кандидата, который не ищет работу публично; — понять, кому можно доверять в сделке; — выбрать ресторан для компании с учетом вкусов, аллергий, расписаний и локаций всех участников. Если одна платформа знает все эти связи, предпочтения и историю, то каждый новый пользователь действительно повышает ценность сети для остальных. Здесь начинается интересное. Горизонтальные AI-агенты будут пытаться постепенно затянуть существующие network effects внутрь себя. Не отправить тебя в Google Docs, а создать документ. Не открыть Amazon, а провести покупку самостоятельно. Не отправить в LinkedIn, а найти нужного человека внутри своей сети. Не создать событие в отдельном сервисе, а организовать его внутри агента. А существующие платформы, наоборот, будут пытаться стать инфраструктурой для всех агентов: открыть свои данные и сети через API, чтобы не дать одному универсальному агенту поглотить их ценность. Поэтому главный вопрос не в том, будет ли у AI-агентов нетворк эффект. Вопрос в том, где именно они будут жить. В открытом мире identity, reputation, social graph, commerce и другие сети останутся отдельными слоями, доступными разным агентам. Тогда на рынке сможет существовать огромное количество вертикальных и специализированных продуктов. И даже ваши собственные навайбкоженные поделки. В закрытом мире несколько крупных агентов накопят вокруг пользователя его связи, историю, репутацию, предпочтения и контекст. Тогда сменить агента будет примерно так же сложно, как сегодня сменить социальную сеть. Скорее всего даже сложнее. И вот это уже настоящий moat (неповторимое конкурентное преимущество). Такой взгляд на рынок нейронок интереснее, чем очередные рассуждения о том, у кого модель умнее на два процента. Модели будут развиваться, функции будут копироваться. А вот сеть, накопленный контекст и отношения между пользователями — уже нет.

#product_bits Как выбирают кроссовки? Когда начинаешь реально выбирать, довольно быстро выясняется, что «женские кроссовки» - это почти бессмысленная категория. Кроссовки фактически начинает позиционироваться вокруг job to be done: для бега, для йоги, для фитнеса и т.д., то есть через контекст: бегаю каждый день, только начинаю бегать, нужна максимальная амортизация, хочу лёгкую обувь для темпа, много хожу и тд Вот вам пример ловушки. В какой-то момент Nike отказалась от привычных категорий вроде Running, Basketball, Football перестроила бизнес вокруг Men, Women, Kids. Логика выглядела вполне рационально. Зачем держать отдельные команды для разных видов спорта, если можно объединить ресурсы, собрать больше данных через DTC и лучше понимать мужчин, женщин и детей? Только с точки зрения JTBD здесь есть фундаментальная проблема. Men / Women / Kids - это характеристика человека. Running / Basketball - гораздо ближе к контексту, в котором человек пытается что-то сделать. Вот здесь появляется принципиально другая логика продукта. Она частично убрала из организации специализацию вокруг контекста клиента. Индустрия спортивной одежды и обуви перешла к мерчандайзингу по работам клиента: товар всё чаще организуют не вокруг того, кто ты, а вокруг того, что ты собираешься с ним делать. Посмотрите, как сейчас устроены каталоги. Nike быстро поняла ошибку. У Nike внутри беговой категории уже есть Road Running / Road Racing / Track / Trail Running, а следующим слоем - тип амортизации: Maximum / Responsive / Supportive. Эта именно та логика, по которой сам потребитель всё чаще выбирает спортивный продукт. То есть рынок фактически вернулся к простой мысли: категория должна отражать не человека. Она должна отражать задачу человека.

с релизом новых моделей меня бывает спрашивают, не волнуюсь ли я за aesty? 🤨 нет, наоборот радуюсь, что рынок растет так что если вы переживаете, что с очередной новой моделькой от openai/google/etc вашему b2c приложению станет плохо, то, пожалуйста, не переживайте. Ваш moat почти точно не в технологии, а в комьюнити, каналах привлечения и ваших супер пользователях, под которых вы затачиваете приложение и маркетинг и число которых скейлите. Это ни одна ллмка не скопирует - а саму технологию кстати можно затащить к себе, чтобы улучшить пользовательский опыт прикрепила прошлогодний пост, который писала на релиз примерки гугла. Как видите никто не умер 💗

Знать точное текущее состояние продукта и знать точное направление его движения – это взаимоисключающие акты проявления наблюдения и намерения Продукт-Система работает на слое точности, о существовании которого до определённого момента никто обычно не задумывается. Чем плотнее зафиксирован скоуп, тем более узким становится видение и развитие. И наоборот. Решение – фиксировать Ничто. – Природа ограничений в продукте помогает выходить за его пределы в области неопределённости и оттуда создавать Иной продукт. Неопределённость рынка растёт сама по себе. Гипотезы и решения, выведенные благодаря бессознательному и Простейшей-Логике, часто предугадывают и задают предстоящее поведение и результат точнее, чем гора количественных данных, исследований и пользовтельских интервью. Геометрия безмолвных мыслей – источник бесконечных Знаний – Так, идея, попавшая в резонанс, усиливается, множится и обогащается энергией благодаря совпадению частоты, в которой каждый носитель-проводник усиливает и обогащает исходный сигнал. Порог реакции пользователей пробивается качеством одного правильного решения, а не большим количеством слабых – Каждое отклонённое решение продолжает существовать в пространстве и времени, накапливая свой потенциал, и может быть переиспользовано, достаточно перевернуть всю Систему в нужный момент и посмотреть на неё под другим углом.

Так ищут и находят то, что-было-есть-что-снова-будет

– Инструмент, установленный для измерения Системы, становится частью Системы в момент своей установки. Система, которую измеряют, застревает в состоянии измерения и не может перейти в следующее. Аналитика, которая измеряет не сам объект интереса, а его косвенный, но регулярный отклик, способна дать более надёжную картину, чем прямое наблюдение, которое разрушает то, что оно же пытается зафиксировать. – Команда и продукт, растущие числом людей без такого же роста в исправлении ошибок, масштабирует ошибки быстрее команды и продукта. Цель масштабирования квантов в том, чтобы ошибки не росли пропорционально с вами. ...Линии функций сходятся в точку

10 лет Facebook Marketplace В октябре 2016 года Facebook запустил отдельный продукт для продажи и покупки товаров в США, Великобритании, Австралии и Новой Зеландии. Запускали не на пустом месте, а на основе четких сигналов в поведении пользователей — месячная аудитория групп, основная цель которых была продажа товаров, тогда составляла более 450 млн человек. Им просто дали чуть более удобный способ размещать объявления и общаться о сделке. Продукт очень медленно развивался от доски объявлений для покупок внутри своей сети контактов и в радиусе места жительства, до микса из C2C и B2C моделей. В 2019 году он стал настоящим маркетплейсом — добавили возможность оплаты и доставки, но только на территории США. Это и сейчас единственный рынок, где можно провести сделку внутри Facebook Marketplace. В других странах работает классическая схема: объявление → Messenger → договорились → оплата и доставка или встреча вне Facebook. Продукт практически не изменялся в течение 5 лет, только рос по географии и базе объявлений. В 2025 начали активно добавлять AI функции для создания объявлений и подсказки для ответов в Messanger. Также добавили социальную составляющую: возможность собирать объявления в коллекции и делиться ими, совместный просмотр/покупка с друзьями, возможность подключить друга к переписке с продавцом и более выраженная персонализация ленты объявлений. А недавно Meta объявила о запуске отдельного мобильного приложения для продавцов. Называется Seller, доступно как обычно только на территории США. Судя по скриншотам — классический кабинет продавца со списком объявлений, сообщениями и аналитикой. То есть за 10 лет полноценный транзакционный продукт запустили только на одном рынке! Мне всегда была интересна эта неторопливость и отсутствие амбиций. А сейчас я думаю, что это — часть стратегии. Им не нужно делать прямую монетизацию через комиссию от транзакций или платное размещение объявлений для продавцов. На Marketplace есть обычные рекламные размещения — рекламодатель может попасть в Marketplace feed через Meta Ads. То есть Marketplace является частью рекламной сети Facebook. А контент для этой системы создают сами пользователи. Более того, есть и другой важный вклад в устойчивость бизнеса. Объявления дают человеку совершенно утилитарную причину возвращаться в Facebook даже тогда, когда ему уже не интересно залипать в ленте. А что может быть важнее для социальной сети, чем возврат и удержание пользователей? #marketplaces #retention

Своя доставка еды vs агрегатор На днях впервые воспользовался доставкой от сети ресторанов Bistro Group — в ней больше 20 разных брендов от шикарного стейкхауса Texas Roadhouse до напитков и пончиков от Randy's Donuts. Сервис позиционируется как бесплатная доставка из всех ресторанов сети — All The Bistro Group concepts on your fingertips. Доставка действительно бесплатная и на многие позиции в меню есть дополнительные скидки. Я когда заказывал думал «Ага, видимо не хотят отдавать долю от заказа агрегаторам и для этого сделали свою службу доставки. Видимо, количество заказов позволяет сделать хорошую юнит экономику через свой штат курьеров». В условиях Филиппин с желающими работать курьером проблем нет, это вам не Москва. Каково же было моё удивление, когда мне пришло сообщение в Viber (да, здесь многие бренды используют его как основной канал коммуникации) от Foodpanda, что мой заказ едет с одним из их курьеров. В заказе стоит символическая цена в 1 пессо и пометка «уже оплачено». Давайте вместе подумаем какую продуктовую метрику и процессы оптимизирует компания таким сервисом? Какая долгосрочная цель? Мои варианты: 📌 В собственном приложении для заказа еды можно лучше управлять спросом. В группе много разных ресторанов. Какие-то очень успешные, какие-то нет. Можно использовать как инструмент онбординга в новый ресторан и растить LTV. 📌 Долгосрочная цель — полностью избавиться от зависимости от внешних сервисов доставки. Для этого любые дополнительные расходы оправданы и это временно. Возможно, это мне так повезло, и часть заказов они уже доставляют сами. 📌 Качество распределения заказов по ресторанам у Foodpanda и Grab плохое. Поэтому было выгоднее создать свою систему приема заказов и оставить на партнеров только последнюю часть — привезти заказ на указанный адрес. #producteye #philippines

Новый продукт уже есть внутри вашего агентства 🔵 В прошлом посте закончил на том, что мы поняли, что надо что-то менять и искать новый продукт. И вот как мы это сделали. Я часто говорю в своих видосах, что идеи новых бизнесов и продуктов редко приходят откуда-то со стороны. Обычно они уже лежат внутри, надо просто их разглядеть. Вот мы и начали смотреть, что у нас в Белом Квадрате есть сильного прямо сейчас. Причём именно то, что мы сами за продукт вообще НЕ считаем. Начали перебирать и поняли: одна из самых сильных вещей у нас - это навыки работы с SEO. Не для клиентов, а для самих себя, то есть умение продвигать через поиск собственное агентство. Плюс сам сайт: он у нас пять лет сеошится, растёт в позициях, у него органический трафик, домен хорошо раскачан. И мы такие: а давайте тестово, чисто ради эксперимента, попробуем сделать несколько страниц под широкие услуги. Сделали SMM, трафик, блогеров. Подтянули туда наши старые нишевания, например SMM для медицины. И вот мы офигели, когда страницы начали быстро расти в выдаче и с них пошли лиды)) На второй месяц с каждой страницы приходило уже по 4–5 заявок. В сумме мы получили порядка десяти лидов на эти услуги и пошли с этими клиентами в пресейл. Попробуйте так же: посмотрите внутрь своего агентства и выпишите, что у вас есть сильного, что вы возможно продуктом то и не считаете. Например, то, что вы уже делаете для клиентов, что пользуется у них спросом, что хвалят, но это у вас не упаковано как отдельная услуга. Это и может стать новой точкой роста вашего агентства) Мы поняли, что идея то классная, но у нас вообще еще нет экспертизы в этой услуге... В следующем посте расскажу, что сделали дальше)

/Шахматы ч7. Совы тоже учат шахматам/ ч.1 тут, ч.2 тут, ч.3 тут, ч4. тут, ч5. тут, ч6. тут Интересно, что в этом году интерес к шахматам не только у меня, но в целом рынок идет в этом направлении, из обновлений Дуолинго запустил раздел о шахматах. «Курс ориентирован на новичков и идет в коротком игровом формате». Почему так делает Дуолинго: 1. Это продолжение стратегии по добавлению новых обучающих вертикалей после математики и музыки». 2. Также, учитывая пост про лихорадку - это отличное дополнение с прекрасными метриками вовлечения и возвращаемости 3. Новая аудитория, которая не пойдет теперь в сайты шахмат, а будет постепенно привыкать к Дуолинго Ведь новая нефть - это именно пользователи и их UGC, Если он у вас есть, то радуйтесь и ищите способы увеличить это Черный продакт в MAX

Истина 1. Поведение Системы возникает из взаимодействия между её частями, а не из отдельных частей Результат системы — это результат того, как компоненты соединяются и взаимодействуют. Можно довести до совершенства каждую отдельную часть и всё равно получить сломанное целое.

Продукт это то, как совершенные части собраны в полезное целое

Системное мышление означает оптимизацию связей-линий между частями-точками. Оптимизация части всегда идёт за счёт целого. Части Системы, оптимизируемые независимо(!) по локальным метрикам, стремятся к своим локальным максимумам, которые являются провалом для целого (прямое следствие декомпозиции цели/фичи/продукта/рынка). Истина 2. Структура, правила и потоки информации обладают большей силой, чем её параметры Точки вмешательства в оптимизацию Системы имеют разную силу. Настройка параметров обладает слабейшей силой, в то время как изменение структуры, правил и информационных потоков большую, а изменение всей парадигмы Системы – максимальную. Эксперименты с версиями фичи это лишь уровень параметров Проектирование базиса механики/архитектуры/сценария, на/по/благодаря которому смогут строить и создавать другие пользователи/команды — правило. Систему можно опознать как ту же самую даже после того, как заменены все её физические носители: люди и код, главное – всё будет работать в новых версиях и компиляциях, если сохранился паттерн связей между ними. Истина 3. Граница Системы очерчена наблюдателем, а не продуктом/рынком Где проводится граница продукта, там же заканчивается его рост и оптимизация, а всё, что снаружи границы, воспринимается как внешняя среда, а не как часть целого. Не бывает объективной границы Системы — есть только граница, которую "выгодно" не видеть. Истина 4. Когда в Систему добавляются что-то "новое" как новый актор, новая ценность переходит к интерфейсу, через который это "новое" взаимодействует с частями Системы. Интерфейс – слой парадигмы. Истина 5. Управлять Системой может только То, что содержит не меньше разнообразия, чем сама Система Регулятор должен обладать вариативностью реакций, равной или превышающей вариативность возмущений, иначе часть возмущений пройдёт через него неотрегулированной (математическое ограничение управления как такового). Истина 6. Иерархия — это замороженная на момент времени искусственная сеть, а формализация и живость Системы это её взаимоисключающие состояния. Система 7. Система не может познать себя изнутри, ибо любое её самоописание есть модель низшего порядка сил. Система существует не ради цели, а ради собственного воспроизводства. Её цель это то, что она рассказывает себе про себя Истина 8. Достигнутая Системой цель — её же новое ограничение. Система, истребившая все ошибки, истребила собственную способность эволюционировать. Значит ли это, что она эволюционировала в Абсолют?

Не планировал я эту неделю как-то специально посвящать Indeed. Это оно случайно так вышло. Тем не менее, вспомнил пост у job board doctor, от 27 февраля — Indeed Finally Has a CTO Again. But Where’s the Chief Product Officer? Пост про то, что компания, которая занимает такую значимую позицию в категории, и которая так много говорит о новых продуктах и AI, 4 года живёт без CTO, а теперь и без CPO.

If the CTO gap was conspicuous, there’s another absence in Indeed’s leadership structure that deserves additional scrutiny: there is no Chief Product Officer. A review of Indeed’s current senior leadership team reveals roles you’d expect at a company of this scale: CEO, CRO, CMO, CIO/CSO, Chief People Officer, General Counsel, SVP of Sales, SVP of Operations. But no one carries the CPO title, and no one on the leadership page appears to own the product function as their primary mandate.

И что у этого есть заметные последствия — череда хаотичных запусков и отсутствие связного продуктового видения. → https://www.jobboarddoctor.com/2026/02/27/indeed-cto-still-no-cpo

Помните я радовался, что подключил MCP в Lovarus.ru?

MCP - это протокол благодаря которому нейросеть может взаимодействовать с внешними системами.

Так вот, сегодня я проснулся, и меня озарило - это все дешевые понты. Какой MCP для сервиса, у которого целевая аудитория - люди без технического опыта?! Кто в здравом уме пойдет тратить время на регистрацию в каком-то Context7, а потом тащиться в Lovarus с API ключом?! Сервисы типа Lovarus должны сами на себя брать подключение нужных MCP, и пользователь даже не должен знать ничего о них. Короче, решил выпилить эту штуку в ближайших релизах, а точнее скрыть для юзеров. Тоже самое с кнопкой «Исправить», для прогера это прикольно, он привык видеть ошибки, и когда они исправляются по клику на кнопку - это прикольно. Для предпринимателя, фрилансера, кнопка «исправить» - это лишняя фрикция, трата денег и времени. Короче две ближайшие цели, упростить сервис, скрыть технарщину под капот, на выходе только готовый рабочий результат.

Как понять, нужен ли вашему продукту ИИ (часть 1) Кажется, что в каждый продукт нужно встраивать ИИ — иначе за рынком не успеть. Из-за этого команды нередко начинают обсуждать модели и архитектуру раньше, чем отвечают на более важный вопрос: какую задачу вообще нужно решить? Разберемся, как подойти к поиску решения системно и выбрать технологию, которая действительно выполняет задачу, а не просто добавляет в продукт модное слово «ИИ». Не выбирайте решение, пока не ответите на вопрос: «Какую бизнес-метрику мы хотим изменить?» Практика крупных компаний показывает: далеко не каждый ИИ-проект приносит измеримый результат. Поэтому прежде чем обсуждать решения и конкретные модели, стоит понять, есть ли у проекта понятный экономический эффект: ➡️ увеличить конверсию; ➡️ поднять продажи; ➡️ сократить время обработки документов; ➡️ снизить трудозатраты операторов. Пока нет ответа на этот вопрос, обсуждать GPT, Qwen, RAG или ИИ-агентов просто рано.

Не всякая задача требует LLM

Сегодня слово «ИИ» почти автоматически ассоциируется с генеративными моделями. Но это лишь одна из технологий, которая не всегда релевантна задаче. Разберем, в каких случаях используются разные решения. ML = машинное обучение Если задача сводится к прогнозу, классификации или рекомендациям: ➡️ спрогнозировать спрос, успешность продажи, нагрузку контакт-центра; ➡️ оценить вероятность покупки или отмены доставки; ➡️ определить риск оттока; ➡️ сегментировать пользователей; ➡️ расставить клиентов контакт-центра по приоритету. Это типичные задачи, где классический ML дешевле, стабильнее и понятнее в эксплуатации. LLM = большие языковые модели Если необходимо работать с большим количеством текста: ➡️ анализировать документы; ➡️ искать информацию; ➡️ готовить саммари; ➡️ менять тональность коммуникации; ➡️ генерировать ответы или код. При этом важно помнить, что LLM — это не база знаний. Она умеет очень убедительно продолжать текст. Но если нужной информации нет в обучающих данных или она устарела, модель начинает достраивать ответ самостоятельно. Отсюда и появляются галлюцинации. RAG = поисковая дополненная генерация LLM, которая для ответа может обращаться к заданным источникам данных. Полезна, когда нужна точность с опорой на собственную базу знаний: ➡️ответ по внутренним регламентам и процессам; ➡️помощь на встречах по вопросам о продуктах; ➡️поддержка. Дообучать LLM на общедоступной информации излишне дорого. Кроме того, весь открытый интернет уже давно оказался в обучающих выборках крупнейших моделей — это означает дефицит качественных данных. Поэтому компании чаще используют RAG — модели дают доступ к корпоративным источникам: базе знаний, Confluence, Jira, CRM, регламентам и другим документам. В результате она отвечает на основе актуальной информации, может ссылаться на источник и значительно реже ошибается. ИИ-агент Ключевое отличие: чат просто отвечает, а агент планирует и выполняет действия через подключенные сервисы.

Пользователь собирается в отпуск: один агент может подобрать тур, второй — найти и купить билеты, третий — добавить поездку в календарь и отправить подтверждения на почту.

Команда небольших специализированных агентов, оркестрируемых верхнеуровневым «координатором», во многих сценариях оказывается эффективнее, чем попытка собрать одного универсального помощника. А еще они быстро развиваются, и управление ими становится проще. В следующей части разберем частые ошибки при поиске ИИ-технологии. И фреймворк, который поможет сделать правильный выбор. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 @productsense