Продукт

Заметил, как в ленты снова вернулся ярлык AGI Каждый раз перед крупными релизами маркетологи начинают прогревать аудиторию историями про сверхразум. Примерно год назад, во время релиза GPT-4.5, все это уже проходили: ожиданий было море, а апдейт оказался вполне рядовым. После этого тему замяли, и разговоры про AGI стали восприниматься скорее как далекий маркетинговый буллшит. Сейчас выходят новые модели у Anthropic, что-то выкатывают OpenAI, и блогеры со СМИ снова наперебой кричат: "Ну вот, теперь это точно AGI". Спойлер: нет, не он. Давайте начистоту: модели стали умнее, ризонинг прокачался, автономность выросла. Были заметные кейсы в кибербезопасности, пара научных подвижек у тех же Anthropic и Google. Но это не скачок к AGI. Во-первых, это узко заточенные сценарии. Во-вторых, и это главное, эти модели использовали топовые профи. Модель не пошла сама в интернет, не обнаружила уязвимость с нуля и не закрыла баг по собственной инициативе. Она была просто эффективным инструментом в руках эксперта. Определение AGI простое: модель должна быть наравне или лучше человека во всех профессиональных задачах. Я в таких спорах задаю себе практичный вопрос: что модель может сделать для меня сегодня такого, чего не могла год назад? Могу ли я отдать ей задачу под ключ, не проверяя, и сразу отправить результат дальше? Банальный пример - сделать сайт. Раньше нужно было вести модель за руку буквально по каждому шагу. Сейчас ей можно скормить вводные, она автономно пойдет генерировать и выдаст результат. Но на выходе это все еще классический AI-слоп. Структура, смысловые акценты, визуал - все мимо тех требований к качеству, которые нужны в реальности. Автономии добавилось, но финальный результат все равно руками пересобирает человек. Отсюда вопрос: а есть ли вообще смысл обычному спецу гоняться за топовыми тирами и переплачивать за них? Моя основная рабочая среда - экосистема Google. При этом Gemini Pro не обновлялась с февраля, весь фокус шел на Flash. И знаете что? Я вообще от этого не страдаю. Закрываю на быстрых моделях практически весь пул повседневных рабочих задач. По моим субъективным ощущениям, умная модель мне вообще не нужна нигде, кроме написания кода. И тут важная деталь: в коде я как раз не являюсь профильным специалистом. Вот там на контрасте иногда действительно хочется условный Opus или Fable, чтобы закрыть пробелы в моей экспертизе. Но нужен ли он мне каждый день? Нет. Раз в 3-4 месяца, когда надо - покупаю подписку. Но платить за это лишние 100 баксов на постоянке нет никакого смысла. А в тех сферах, где я профи, мне за глаза хватает того, что у меня сейчас есть. Парадокс в том, что в логике human-in-the-loop избыточная "умность" и автономность флагманских моделей часто играет в минус 1. Модель уходит в долгие размышления, долго что-то собирает, а результат все равно надо переделывать. На быстрой модели через короткие итерации до нужного качества доходишь в разы быстрее. 2. Постоянно упираешься в лимиты запросов. Времени уходит больше, выхлопа - ноль. Вся эта гонка путает два разных понятия: эрудицию и профессионализм. Свежие LLM невероятно эрудированны. Но поиск Google тоже знает больше любого человека в мире, однако профессионалом от этого не становится. Представьте сильного спеца в своей области. А рядом посадите условного Анатолия Вассермана. Вассерман знает факты обо всем на свете, отлично ориентируется и складно говорит. Но если дать ему прикладную рабочую задачу - профи сделает ее в разы лучше. Вассерману просто не хватит практической насмотренности, контекста и профессиональной интуиции. Сегодняшние топовые LLM - это именно такой цифровой Вассерман. Крутой эрудит, которому все еще нужен реальный специалист рядом, чтобы работа не превращалась в красивый, но бесполезный слоп.

Вайбкодить сайты легко. А вы попробуйте вайбкодить обложки для видео 😄 Я вот пробую. Пока херня получается. Мне надо пересобрать обложки для видео на моем ютуб-канале и идея такая: Claude собирает мне конструктор этих обложек в HTML, чтобы каждый раз не генерировать целые картинки. А на самих обложках будет вставлять меня в разных позах. И вот щас он нагенерировал меня, но вырезал из фона меня супер херово. Щас перебираю варианты, как это лучше сделать. Должно получиться так: 1. Заголовки текстом через HTML 2. Меня в разных позах сгенерирует один раз Chat GPT 3. Всякие 3D объекты для видео тоже сгенерирует Chat GPT 4. Claude будет собирать обложки через HTML, и уже из него будет сохранять картинку всей обложки целиком.

4 квартал разгоняет, 1 квартал тормозит - но в реальности выигрывает тот, кто переживёт январь 👹 Весь месяц мы разбирали сезон как окно возможностей и вижу смысл разобрать этот период под другим углом, чтобы никого не наебать :)) Короче, суть в том, что сезон по природе - это спринт Да, в 4 квартале спрос разгоняется (частично за счёт дожигания годовых бюджетов - это отмечает даже Gartner), но в период январь-март откатывается И если ты строишь проект как рывок на осень, то в январе останешься с выгоревшим собой и просевшей выручкой Все 8 тем месяца на канале были про то, чтобы этого не случилось: трезвые ожидания, проверка спроса и честная экономика По данным MicroConf, фаундеры на фултайме растут в 2,2 раза быстрее тех, кто работает над проектом урывками, а команды, где за рулём разработчик - в 1,7 раза Я не призываю увольняться завтра!)) Это скорее про то, что время на проект такой же ресурс, как деньги Рынок софта, по прогнозу Gartner, вырастет на 14,7%, выше $1,4 трлн, спрос есть и будет Соберу все эти 8 потов в закреп, чтобы ты мог пройтись по всему еще раз 🤩 Какой один шаг из этой серии ты сделаешь на этой неделе? Пиши в комментах)

МТС Линк завёл почту и календарь в дополнение к редактору документов, а заодно нашёл, чем кормить своего ИИ-ассистента МТС Линк, российская платформа для рабочих созвонов, вебинаров и совместной работы, входит в экосистему МТС, запустила собственные продукты Почта и Календарь (ну, вдруг вы решили забить на заголовок 🤣). Они открываются отдельными вкладками в том же приложении, где уже есть мессенджер, видеозвонки, доски, диск и документы. Сама почта - просто хорошая, функциональная почта. С папками, цепочками писем, поиском, отложенными отправками и т.д. Интереснее две другие вещи: Первая - то, как устроен Календарь. У них онлайн-встреча цепляется к событию в один клик, вообще без возни с интеграциями. Может показаться, что это мелочь, но для ВКС-сервисов это, вообще говоря, ключевой момент: чья кнопка "добавить созвон" вылезает в календаре, тот и победил. У Google это Meet, у Microsoft - Teams, Zoom в своё время тоже пошёл этим путём и прикрутил почту с календарём (но как-то не взлетело). Вторая - ИИ-функционал. Директор по продукту МТС Линк прямо говорит, что сейчас ассистент видит встречи, чаты и базу знаний, а дальше полезет в документы и письма. ИМХО, в этом и смысл любой ИИшки внутри экосистемы рабочих сервисов. Почта - это самый жирный массив рабочего контекста в любой компании, и у кого он не лежит мертвым грузом, у того и ассистент умнее. Так что, Почта тут не только продукт, но и топливо для ИИ. Когда я писал про Чаты от  МТС Линк, то отмечал, что они целенаправленно собирают платформу вокруг созвонов. А теперь это уже заявка на полноценный офисный пакет. Осталась сущая мелочь (хех) - уговорить компании переехать. Почта - штука довольно аморфная, и её компании меняют в последнюю очередь, даже если на рынке что-то новое и крутое появляется (попробуйте убедить бухгалтерию сменить ящик, на который 20 лет приходили акты, ага). Так что, ключевая часть всей этой истории (и самая интересная для меня) - это как будут пересаживать на свой пакет и бустить всю эту миграцию. Фичизм

Разбираемся в ИИ с Юрой Агеевым: от первого промпта до управления агентами Собрали девять выпусков подкаста make sense по работе с ИИ: разобраться, как модель работает с задачей, научиться проверять ответы и перейти о выполнения рутинных задач с помощью ИИ к полноценному делегированию. Выпуски можно слушать по порядку — от базовых навыков к изменениям в работе команды. А можно выбрать тот, который сейчас лучше всего решает вашу текущую проблему и послушать только его. 1. С чего начать (выпуск 403) Две суперсилы в работе с ИИ — профессиональный опыт и AI-fluency. Обсуждаем, как договориться с моделью о формате и критериях результата и создать первый навык для агента. Для тех, кто пока использует ИИ в основном для разговоров в чате. ⚪️Телеграм ⚪️Яндекс Музыка 2. Как модель видит вашу задачу (выпуск 417) Что происходит внутри контекстного окна и как это влияет на результат. Разбираем правила контекст-инжиниринга: зачем разделять чаты по задачам, почему не стоит загружать 30 файлов сразу и как переносить выжимку контекста в новую сессию. ⚪️Телеграм ⚪️Яндекс Музыка 3. Как ставить задачу (выпуск 420) Почему агент не задает уточняющих вопросов, а достраивает недостающую информацию до «среднего» решения. Говорим о декомпозиции и артефактах: непроработанная задача может вернуться к вам в виде аккуратно оформленного, но столь же непроработанного ответа. ⚪️Телеграм ⚪️Яндекс Музыка 4. Как проверять ответы (выпуск 419) Как оценить результат, если задача выходит за границы вашей компетентности. Обсуждаем сигналы доверия, якорение и два подхода к работе с ИИ — «киборг» и «кентавр». ⚪️Телеграм ⚪️Яндекс Музыка 5. Как проверять текст от ИИ на содержательность (выпуск 430) Убедительный текст может не нести смысла и повторять распространенные заблуждения. Разбираем, как проверять экспертность, смысл и стиль по отдельности, разбивать работу над текстом на шаги и подключать вторую модель для проверки. Главный вопрос: чем текст поможет читателю? ⚪️Телеграм ⚪️Яндекс Музыка 6. Как заметить подхалимство (выпуск 424) ИИ может представить уже принятое вами решение как результат независимого анализа. Разбираем, зачем создавать для работы отдельные роли «исследователь», «сторона защиты» и «сторона опровержения» и разносить их по разным чатам. ⚪️Телеграм ⚪️Яндекс Музыка 7. Как устроена работа агента (выпуск 421) Уровни автономности, рабочая среда и журнал решений. Обсуждаем, почему проектирование работы агента требует тех же навыков, что и работа менеджером. ⚪️Телеграм ⚪️Яндекс Музыка 8. Где заканчивается делегирование при работе с ИИ (выпуск 427) Запустить еще одного агента легко. Найти время на проверку его решений — сложнее. Разбираем, почему узким местом становится ваше внимание и как это ограничивает работу с несколькими агентами. ⚪️Телеграм ⚪️Яндекс Музыка 9. Как перейти от личной пользы к результатам команды (выпуск 425) 97% менеджеров продуктов используют ИИ, но 77% не видят изменений в метриках. Обсуждаем, почему причина часто в процессах и что мешает превратить личную продуктивность в результат для команды. ⚪️Телеграм ⚪️Яндекс Музыка Сохраняйте подборку и подписывайтесь на другие каналы команды ProductSense ProductSense | подкаст make sense | канал конференции PeopleSense @productmindset

Как я с помощью Gemini положил рабочую таблицу На работе у нас Gemini, и я начал активно использовать его для работы с таблицами. Раньше применял довольно примитивные конструкции, наверно "VLOOKUP" это самое сложное, с AI мой арсенал конечно же сильно возрос. Описываешь, что нужно, получаешь формулу, вставляешь, работает. Можно делать вещи, на которые раньше потратил бы кучу времени. Но... На днях пытаюсь открыть общий файл, не открывается. Спрашиваю коллег, у них то же самое. Оказалось, одна из формул, которую предложил Gemini, настолько неоптимально искала данные, что просто подвесила весь файл. Причём до такой степени, что зайти и удалить эту формулу тоже не получается. Открываешь, формула запускается, и все висит. Дальше начались попытки спасения: создать копию, почистить кэш, перезагрузить. Ничего не помогло. В итоге единственный сработавший вариант, выгрузить файл в Эксель и на его основе создать новую Google-таблицу, эксель они не "вешают", тут к счастью Гугл и Микрософт не договорились, разный синтаксис. С формулами пришлось разбираться заново, доступы тоже выдавать заново. Старый файл, по сути, остался только на удаление. В общем, немного повысил продуктивность. С одной стороны, у меня есть вопросы к Google. Очень странно, что одна тяжёлая формула может сделать документ недоступным вместе со всеми данными. Хотелось бы хотя бы иметь возможность открыть его без пересчёта и убрать то, что всё сломало. С другой формулу в общий рабочий файл добавил я. Не разобрался, как она работает, сколько вычислений запускает и что будет происходить с таблицей. Получил нужный результат и решил, что всё хорошо. Вот она ловушка. Когда сам пишешь сложную формулу, по дороге приходится разбираться. С AI этот этап можно проскочить: результат уже есть, а понимание не всегда. И поначалу совершенно незаметно, что чего-то не хватает, но главное, что последствия её использования всё равно остаются на мне. Тут я теперь "умный", пишу что общий файл, что данных много, что формулу надо оптимизировать, работает хорошо, но честно говоря, формулы стали ещё более непонятными. А сколько ещё таких мест, где последствия могут быть более серьезными? 🤔

На пятый год у меня сошелся пазл, и я наконец понял формулу, как достичь успеха в бизнесе Поговорим про хардкор Это тема которая меня близко задела, и заставила за полностью пересмотреть каждую функцию в компании Дело в том, что ваши результаты (в любой сфере), напрямую зависят от вашего подхода, как вы взаимодействуйте с системой, и вашей продуктивности—какой аутпут вы получаете при равном инпуте

Нельзя получить выдающийся результат выполняя рядовые действия

Сейчас объясню: Представьте, такого, наивного ферст тайм фаундера, который решил сделать свою дейтинг аппу, туду-лист, маркетплей, что угодно классическое, о чем прикольно фантазировать, но очень сложно запускать; как этот фаундер пол года обдумывает механики, хвастается идеей, вылизывает экраны, представляет как сейчас разбогатеет, а потом, конечно, ничего не происходит. Для большинства из вас, умных, такой человек кажется наивным, и вы понимаете что это не будет работать, и то что он делает скорее контр-продуктивно А теперь представьте что на этой шкале вы посредине, а дальше есть более осмысленные люди, которые лучше понимают систему, и для которых то что вы делаете кажется ковырянием в песочнице. И вот я пообщался с таким человеком:

Простой пример: мы долго мучаемся с контентом в Х/ЛИ, как его системно сорсить, писать, проверять, постить, чтобы мне не заниматься только этим, несколько человек уже пытались мне с этим помогать, и вот с горем пополам мы вышли на один пост в день (что уже чаще чем постит обычный пользователь ЛИ), но каких то осязаемых результатов, в виде продаж или виральности мы так и не получили. А этот человек мне говорит: "мы постим 10 постов в день с 10 акаунтов, а то что вы делаете, один пост в день, это и не может работать"

Поймите эту разницу в масштабе: • кто то использует систему линейно, берет свой имейл и пишет лидам ручками, по 5 писем в день, а кто то покупает 10 доменов, 50 ящиков, и отправляет 500 писем в день • кто то целый день переснимает видос, редактирует, и потом получает пару тысяч просмотров в месяц, а кто то строит контент ферму, льет видосы со 100 акаунтов, и генерит миллиард просмотров • кто то сидит месяц ждет лендос от агенства, и потом не может к нему прикоснуться, а кто то генерит 10 лендосов за вечер под каждый ICP • в разработке так же: кто то неделями меняет цвет кнопки обсуждая это на звонках, а кто то за день строит целый продукт; кто то пишет обертки для api, а кто то за то же время строит свои модели; кто то делает аналитику, а кто то находит проблемы и сразу их решает • кто то неделю пишет одну статью в блог, а кто то публикует десять статей в день, и тд Чувствуете вкус? Те, кто получает топ 1% результата системы (денег, просмотров, юзеров, етц) используют систему с топ 1% эффективностью. Соответственно, если вы прикладываете 1х усилия, и используете систему линейно, то стоит ли удивляться, что вы получаете 1х результат, как любой другой человек? Что я наблюдаю, что работает для успешных компаний, и что выводит игроков в лидеры, это не простой наивный подход "как все", а хардкор: как сделать больше усилий, или найти хаки, чтобы один человек мог приумножить свои усилия 100х, и делать, то что другим потребует 100х людей или 100х времени. ________ Для этого, конечно, приходится чем то жертвовать. Когда ты автоматизируешь/делегируешь что угодно, уходит контроль над деталями, внимание к мелочам, проседает качество, но повышается объем. Конечно, нанятые инфлюенсеры рассказывают о проекте хуже чем это сделал бы фаундер, кринжовые посты продают лучше чем умные, агент пишет текст хуже чем человек, а делегирование личных акаунтов вообще убивает в них личность...

...но в капитализме побеждает продуктивность, а не перфекционизм

Это еще можно назвать агрессивностью, на сколько ты готов выходить за рамки, жертвовать качеством, чувствовать кринж, ради результата—тк это все обычно работает на грани, в серой зоне (см. airbnb, uber, higgsfield), часто через нарушения правил пользования, ботоводство, спам, копирование, регуляции, общественные нормы, которые направлены защитить линейных пользователей (1/2)

Идеальный ответ тоже может быть багом Недавно я писал про ChatGPT Teens - их новый режим для подростков. Вообще, это похоже на новую модную обёртку для их "родительского контроля", но в учебной части продукта была любопытная штука под названием "Study Hours". Подросток или родители могут выбрать часы, когда ChatGPT по умолчанию включает учебный режим и вместо готовых ответов начинает гайдить наводящими вопросами. То есть, неспособность давать ответ сделали фичей. Вообще, про учебный ИИ надо отдельно поговорить, потому что он быстро становится отдельной продуктовой категорией: разборы домашек, подготовка к экзаменам, прокачка навыков для работы и т.д. и т.п. Но у него есть необычная продуктовая проблема - правильный ответ вообще ни разу не значит, что работа сделана. Человек получил готовое решение, а решать сам так и не научился. Прям как с навигатором - я как-то читал новость про мужика, у которого глюкнул геолок, и он завершил поездку прямо в стоге сена в поле 🤣 Так вот, вчера у Яндекса прошла большая конфа про образование YaC/e, и там как раз разбирали, как эту проблему (не навигатора у мужика в стоге сена, а учебного ИИ) решать. К примеру: - В части целеполагания моделям задают учебные цели плюс педагогическую методику, а дальше учат помогать без готовых ответов. - В части реализации натаскивают замечать ошибки ученика, возвращаться к проблемным местам, давать повторение и подбирать сложность. Чтобы было не слишком просто, не слишком сложно, а в самый раз (геймдизайнерам тут большой привет). - Плюс персонализация: одному нужно подробно, другому коротко, третьему на примерах, четвёртому как-нибудь аллегорически-иносказательно, ну вы поняли. То есть, если совсем уж зреть в продуктовый корень, то тут надо сознательно "ухудшить" продукт, ограничить его главную киллер-фичу и чуть убить основную ценность. И пока весь ИИ-рынок меряется, чья модель ответит полнее и глубже - здесь наоборот нужно научить вовремя недоговаривать (оказывается, этот скилл полезен не только людям, да). Ещё один неочевидный момент - key metrics такой штуки вываливаются за контуры самого продукта. Ведь после объяснения ученик должен решить задачу сам, без подсказок и с первой попытки. То есть, ИИ сработал хорошо, если в нём перестали нуждаться. Всем AI-native эдтехам очень желательно держать это в голове и закладывать ещё на этапе концепции. Фичизм

Что происходит между оплатой по СБП и мгновенным кешбэком? Для пользователя всё просто: оплатил по СБП — почти сразу получил кешбэк. Но за эти секунды платформа должна проверить условия акции, учесть предыдущие покупки и лимиты и понять, сколько именно начислить. Нагрузка — до 1200 транзакций в секунду, а 98% обычных покупок система обрабатывает меньше чем за две секунды. Поэтому быстрый расчёт отделили от отчётов, личных кабинетов и других тяжёлых операций. С возвратами сложнее. Если кешбэк дают, например, за каждую третью покупку, отмена старой операции сдвигает всю последовательность. Тогда прежние начисления могут стать неверными, поэтому для возвратов есть отдельный «холодный путь» с пересчётом истории.

Raven Харнесс харнессов — собирает агентов, инструменты, навыки и память в один завершенный результат Автономно строит и развивает модульные харнессы под конкретные модели и домены. Каждая пара модель-харнесс становится компонуемой единицей интеллекта. Обгоняет SOTA-агентов на сложных долгих задачах • Автоконструирование харнессов под модель и домен • Эволюция харнессов — постоянное улучшение • Сохранение контекста между сессиями через EverOS • Готовые агенты — Raven-Research, Raven-Code, Raven-Design, Raven-Oncall • Компонуемость — любая пара модель-харнесс как модуль Кейс: THRESHOLD. полный проект разработки игры. Бриф от человека Raven выполнил весь проект целиком. Зха 4 дня Raven автономно провел 42 цикла планирования, разработки и проверки, чтобы собрать играбельный шутер от первого лица на Godot 4 с ареной и босс-файтом. В комплекте постер, презентация и сайт — все сделано Raven Гитхаб #harness

Путь к ИИ-сингулярности Карпати описал вайбкодинг как зарисовку про выходные и одноразовые проекты. Дядя пошутил, а индустрия прочитала это как методологию. MVP собирается за вечер, в пятницу едет в прод, в понедельник приходят первые пользователи, а во вторник летят вопросы в духе «а почему я вижу чужие данные» и «где моя собака?». Потом стали чинить это правилами: через месяц в файле тысяча строк, половина капслоком, треть противоречит остальному, и агент всё это честно читает. Велосипеду два года добавляли то руль побольше, то колесо покруглее, то моторчик, то спидометр, а седло забывали каждый раз. Ехать можно, даже эффектно, просто через несколько месяцев выясняется, где именно болит. В исследовании METR опытные разработчики в своих же зрелых репозиториях возились с задачами на 19% дольше, оставаясь убеждёнными, что стали быстрее. Проедемся по всей хронологии и посмотрим, на каком этапе что отваливалось.